ThS. Nguyễn Thị Quỳnh Châu

Email: chau.ntq@vlu.edu.vn

Khoa Tài chính Ngân hàng, Trường Đại học Văn Lang

69/68 Đặng Thùy Trâm, Phường 13, Quận Bình Thạnh, TP. Hồ Chí Minh, Việt Nam

Tóm tắt

Chuyển đổi số (CĐS) đóng vai trò quan trọng trong ngành ngân hàng, giúp tối ưu hóa vận hành và nâng cao hiệu quả quản trị rủi ro (QTRR). Nghiên cứu này phân tích tác động của CĐS đến QTRR tại các ngân hàng thương mại (NHTM) Việt Nam giai đoạn 2009-2023. Sử dụng mô hình hồi quy dữ liệu bảng (FEM và REM), kết quả nghiên cứu cho thấy, CĐS giúp giảm rủi ro tín dụng, cải thiện giám sát và nâng cao hiệu suất hoạt động. Tuy nhiên, nếu không có chiến lược phù hợp, ngân hàng có thể đối mặt với rủi ro bảo mật và chi phí công nghệ cao. Do đó, xây dựng lộ trình CĐS hợp lý là yếu tố quan trọng để đảm bảo hiệu quả QTRR và nâng cao năng lực cạnh tranh đối với các NHTM.

Từ khóa: Chuyển đổi số, quản trị rủi ro, ngân hàng thương mại, hiệu quả tài chính, công nghệ tài chính

Summary

Digital transformation plays a crucial role in the banking industry, helping to optimize operations and improve risk management efficiency. This study analyzes the impact of digital transformation on risk management at Vietnamese commercial banks in the period 2009-2023. Using panel data regression models (FEM and REM), the results show that digital transformation helps reduce credit risks, improve monitoring, and enhance operational efficiency. However, without a suitable strategy, banks may face security risks and high technology costs. Therefore, building a reasonable digital transformation roadmap is a significant factor in ensuring risk management efficiency and enhancing competitiveness for commercial banks.

Keyword: Digital transformation, risk management, commercial banks, financial efficiency, financial technology

GIỚI THIỆU

Trong bối cảnh cuộc Cách mạng công nghiệp 4.0 đang diễn ra mạnh mẽ, CĐS trở thành xu hướng tất yếu trong ngành ngân hàng, giúp tối ưu hóa vận hành và nâng cao năng QTRR. Việc ứng dụng công nghệ số, như: trí tuệ nhân tạo (AI), dữ liệu lớn (Big Data), chuỗi khối (Blockchain) và điện toán đám mây (Cloud Computing) giúp ngân hàng giám sát, phát hiện gian lận và kiểm soát rủi ro tài chính hiệu quả hơn (World Bank, 2022). Theo Diener và Špaček (2021), việc ứng dụng công nghệ số giúp tăng cường khả năng quản lý rủi ro tín dụng, thanh khoản và vận hành. Jaba và cộng sự (2017) cũng nhấn mạnh rằng, mặc dù công nghệ giúp nâng cao hiệu suất QTRR, nhưng mức độ đầu tư và năng lực quản trị doanh nghiệp đóng vai trò quan trọng trong việc tận dụng hiệu quả các lợi ích mà CĐS mang lại. Tại Việt Nam, quá trình CĐS trong ngành ngân hàng đang diễn ra với tốc độ nhanh chóng dưới sự thúc đẩy của Ngân hàng Nhà nước và sự đầu tư mạnh mẽ từ các NHTM. Theo Trang, Anh và Huyen (2024), việc áp dụng công nghệ số giúp ngân hàng nâng cao năng lực cạnh tranh và giảm thiểu tác động tiêu cực của rủi ro tài chính. Tuy nhiên, bên cạnh lợi ích, ngân hàng cũng đối mặt với thách thức, như: rủi ro bảo mật thông tin, chi phí đầu tư công nghệ cao và khả năng thích ứng của hệ thống QTRR truyền thống (Nguyen và Nguyen, 2024). Mặc dù có nhiều nghiên cứu về tác động của CĐS đến ngành tài chính, nhưng vẫn chưa có nghiên cứu chuyên sâu về ảnh hưởng của CĐS đến hiệu quả QTRR tại các NHTM Việt Nam. Theo Phan, Narayan, Rahman và Hutabarat (2020), các NHTM Việt Nam đang triển khai công nghệ số để QTRR, nhưng mức độ áp dụng chưa đồng đều. Do đó, nghiên cứu này tập trung đánh giá tác động của CĐS đến hiệu quả QTRR tại các NHTM Việt Nam giai đoạn 2009-2023, nghiên cứu sẽ kiểm định mối quan hệ giữa mức độ áp dụng CĐS và năng lực QTRR của ngân hàng. Kết quả nghiên cứu không chỉ bổ sung bằng chứng thực nghiệm về tác động của CĐS, mà còn cung cấp cơ sở khoa học giúp ngân hàng và cơ quan quản lý xây dựng chính sách phù hợp để tối ưu hóa lợi ích từ số hóa.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Khái niệm Chuyển đổi số và quản trị rủi ro trong ngân hàng

CĐS trong ngân hàng là quá trình ứng dụng công nghệ số vào hoạt động nhằm nâng cao hiệu quả vận hành, tối ưu hóa quy trình và tăng cường khả năng kiểm soát rủi ro. Theo Vial (2019), CĐS không chỉ liên quan đến việc áp dụng công nghệ, mà còn bao gồm sự thay đổi trong văn hóa doanh nghiệp, quy trình kinh doanh và chiến lược phát triển. Các công nghệ, như: AI, Big Data, Blockchain và Cloud Computing giúp ngân hàng cải thiện phân tích dữ liệu, nâng cao tính minh bạch và hỗ trợ ra quyết định chính xác hơn (Hassan và cộng sự, 2011).

QTRR trong ngân hàng bao gồm: các biện pháp, quy trình và công cụ giúp kiểm soát rủi ro tài chính, tín dụng, thanh khoản và vận hành. Theo Froot và cộng sự (1993), QTRR hiệu quả giúp ngân hàng bảo vệ tài sản trước biến động thị trường và gia tăng giá trị bền vững. Việc ứng dụng công nghệ số trong QTRR giúp ngân hàng nâng cao năng lực giám sát, phát hiện gian lận và giảm thiểu rủi ro hoạt động.

Sự kết hợp giữa CĐS và QTRR mang lại nhiều lợi ích quan trọng, bao gồm: tối ưu hóa mô hình đánh giá rủi ro tín dụng, tự động hóa các quy trình kiểm soát nội bộ và cải thiện khả năng dự báo rủi ro. Tuy nhiên, quá trình này cũng đi kèm với những thách thức, như: bảo mật dữ liệu, chi phí đầu tư công nghệ và khả năng tích hợp với hệ thống quản trị truyền thống. Do đó, các ngân hàng cần có chiến lược phù hợp để tận dụng tối đa lợi ích từ CĐS trong QTRR, đảm bảo sự phát triển và nâng cao năng lực cạnh tranh trên thị trường.

Lý thuyết về CĐS và QTRR

Lý thuyết quản trị rủi ro tài chính (Financial Risk Management Theory) nhấn mạnh rằng, các tổ chức tài chính cần áp dụng chiến lược phù hợp để bảo vệ tài sản và tối ưu hóa lợi nhuận trước biến động thị trường. Theo Froot và cộng sự (1993), ngân hàng có thể giảm thiểu rủi ro bằng các công cụ tài chính, như: hợp đồng kỳ hạn, quyền chọn và công cụ phái sinh. Trong bối cảnh CĐS, công nghệ giúp nâng cao khả năng giám sát và kiểm soát rủi ro, giúp ngân hàng nhanh chóng phát hiện, phân tích và xử lý rủi ro hiệu quả hơn.

Lý thuyết hiệu quả tài chính (Financial Efficiency Theory) do Berger & Humphrey (1997) phát triển nhấn mạnh rằng, tối ưu hóa quy trình và kiểm soát chi phí giúp nâng cao hiệu quả tài chính. Trong ngành ngân hàng, ứng dụng công nghệ số giúp giảm chi phí giao dịch, tối ưu hóa vận hành và tăng tính cạnh tranh. Khi ngân hàng tích hợp hệ thống số hóa vào QTRR, họ có thể cải thiện quy trình đánh giá tín dụng, tối ưu hóa quản lý thanh khoản và giảm thiểu sai sót trong xử lý dữ liệu. Hoque và cộng sự (2024) chỉ ra rằng, ngân hàng có mức độ CĐS cao thường có tỷ lệ nợ xấu thấp hơn và lợi nhuận cao hơn so với ngân hàng truyền thống nhờ vào khả năng khai thác dữ liệu lớn và tự động hóa quy trình QTRR.

Lý thuyết chuyển đổi số (Digital Transformation Theory) nhấn mạnh rằng, công nghệ số có thể làm thay đổi mô hình hoạt động và QTRR của ngân hàng. Theo Vial (2019), CĐS không chỉ là việc triển khai công nghệ mới, mà còn liên quan đến thay đổi văn hóa doanh nghiệp và chiến lược phát triển. Trong ngành ngân hàng, CĐS giúp nâng cao khả năng phân tích dữ liệu, tăng cường bảo mật thông tin và cải thiện dịch vụ khách hàng (Hassan và cộng sự, 2011). Việc áp dụng AI, Blockchain và điện toán đám mây giúp ngân hàng cải thiện năng lực QTRR, đảm bảo ổn định tài chính và nâng cao hiệu suất hoạt động (Khanchel, 2019). Điều này cho thấy, vai trò quan trọng của CĐS trong việc nâng cao hiệu quả QTRR tại các NHTM.

Tổng quan nghiên cứu

Các nghiên cứu trước đây đã chỉ ra rằng, CĐS có tác động tích cực đến hiệu quả QTRR tại ngân hàng. Việc ứng dụng công nghệ số giúp tối ưu hóa quy trình, nâng cao năng lực kiểm soát rủi ro tín dụng, rủi ro thanh khoản và rủi ro vận hành. Tuy nhiên, cần có thêm nghiên cứu để đánh giá cơ chế tác động cụ thể của CĐS đối với QTRR, đặc biệt trong bối cảnh các NHTM Việt Nam đang đẩy mạnh CĐS. Một số khoảng trống nghiên cứu chưa được khai thác bao gồm: tác động dài hạn của CĐS đến khả năng phục hồi tài chính ngân hàng, mức độ ảnh hưởng của môi trường pháp lý và sự thay đổi mô hình QTRR do sự phát triển của Fintech. Nguyen và cộng sự (2016) nhận thấy rằng, các ngân hàng áp dụng CĐS có khả năng kiểm soát rủi ro tín dụng và phát hiện gian lận tốt hơn nhờ vào phân tích Big Data và AI. Khanchel (2019) cho rằng, Blockchain giúp nâng cao tính minh bạch và kiểm soát giao dịch tốt hơn, giảm thiểu rủi ro thanh khoản và vận hành. Ngoài ra, nghiên cứu của Zuo và cộng sự (2021), Pang và cộng sự (2023) chỉ ra rằng, tài chính Internet giúp ngân hàng phân bổ nguồn lực hiệu quả hơn và cải thiện khả năng kiểm soát rủi ro. Hassan và cộng sự (2011) cũng chỉ ra, ngân hàng đầu tư vào CĐS có tỷ lệ nợ xấu thấp hơn. Tại Việt Nam, Trang và cộng sự (2024) phát hiện, các ngân hàng có mức độ số hóa cao hơn kiểm soát rủi ro tốt hơn. Do đó, nghiên cứu này tiếp tục làm rõ tác động của CĐS đối với QTRR nhằm cung cấp cơ sở khoa học cho chính sách quản lý rủi ro trong hệ thống NHTM tại Việt Nam.

Mô hình nghiên cứu

Mô hình nghiên cứu được xây dựng dựa trên 3 lý thuyết chính, gồm: Lý thuyết QTRR tài chính (Froot và cộng sự, 1993), lý thuyết hiệu quả tài chính (Berger và cộng sự, 1997) và lý thuyết CĐS (Vial, 2019). Lý thuyết QTRR tài chính nhấn mạnh việc sử dụng các công cụ phòng ngừa rủi ro để đảm bảo ổn định tài chính và nâng cao hiệu suất ngân hàng. Lý thuyết hiệu quả tài chính tập trung vào mối quan hệ giữa năng lực quản lý và khả năng tạo ra giá trị bền vững, bao gồm: quy mô, đa dạng hóa nguồn thu và quản lý rủi ro. Trong khi đó, lý thuyết CĐS cung cấp cơ sở đánh giá tác động của công nghệ đối với tối ưu hóa quy trình kinh doanh và nâng cao hiệu quả hoạt động. Mô hình nghiên cứu hồi quy tuyến tính được đề xuất có dạng:

LLR_it = β₀ + β₁ITExRit + β₂NPL_it + β₃SIZE_it + β₄GR_it + β₅GDP_it + β₆INF_it + ε_it

Trong đó, ITExR đại diện cho mức độ CĐS, LLR đo lường hiệu quả QTRR, và các biến kiểm soát gồm: Tỷ lệ nợ xấu (NPL); Quy mô ngân hàng (SIZE); Tốc độ tăng trưởng tài sản (GR); Tăng trưởng kinh tế (GDP) và Lạm phát (INF). Các biến này được chọn lọc dựa trên nền tảng lý thuyết và nghiên cứu trước đây (Bảng 1).

Bảng 1: Bảng tổng hợp các biến nghiên cứu

Nguồn: Tác giả tổng hợp

Phương pháp nghiên cứu

Dữ liệu nghiên cứu

Dữ liệu nghiên cứu được thu thập từ các báo cáo tài chính của 28 NHTM Việt Nam trong giai đoạn 2009-2023, nhằm đánh giá tác động của CĐS đến hiệu quả QTRR. Các nguồn chính gồm: Ngân hàng Nhà nước Việt Nam (SBV), Ngân hàng Thế giới (World Bank) và báo cáo tài chính công khai của các ngân hàng. SBV và World Bank cung cấp dữ liệu vĩ mô, như: tăng trưởng GDP, lạm phát (INF) và chỉ số kinh tế ảnh hưởng đến hoạt động ngân hàng, trong khi báo cáo tài chính ngân hàng cung cấp thông tin về tổng tài sản, lợi nhuận, tỷ lệ nợ xấu và mức độ đầu tư công nghệ. Dữ liệu được tổ chức dưới dạng bảng cân bằng (balanced panel data), với mỗi ngân hàng (bank_id) được quan sát liên tục qua các năm (YEAR) từ 2009-2023. Sử dụng dữ liệu bảng giúp phân tích biến động theo thời gian và sự khác biệt giữa các ngân hàng về mức độ áp dụng công nghệ và hiệu quả QTRR.

Dữ liệu được xử lý cẩn thận để đảm bảo tính chính xác và loại bỏ các quan sát ngoại lệ có thể gây sai lệch kết quả. Sau khi tiến hành kiểm định tương quan giữa các biến và phương sai thay đổi, nghiên cứu tiến hành hồi quy dữ liệu bảng bằng 2 mô hình: Mô hình tác động cố định (FEM) để kiểm soát các yếu tố không quan sát được theo từng ngân hàng và Mô hình tác động ngẫu nhiên (REM). Kiểm định Hausman (1978) được thực hiện để lựa chọn mô hình phù hợp nhất. Kết quả kiểm định cho thấy p-value < 0,05, chứng tỏ mô hình FEM phù hợp hơn so với REM trong nghiên cứu này.

KẾT QUẢ NGHIÊN CỨU

Thống kê mô tả

Thống kê mô tả Bảng 2 cho thấy, hiệu quả QTRR (LLR) trung bình là 0,235, phản ánh sự khác biệt về mức độ dự phòng rủi ro giữa các ngân hàng. Chỉ số CĐS (ITExR) trung bình đạt 3,72, cho thấy mức độ áp dụng công nghệ giữa các ngân hàng có sự chênh lệch đáng kể. Tỷ lệ nợ xấu (NPL) trung bình 3,5%, dao động từ 1,2% đến 6,8%, phản ánh sự khác biệt trong rủi ro tín dụng. Quy mô ngân hàng (SIZE) trung bình 12,45 (log tổng tài sản), thể hiện sự phân hóa rõ rệt. Tăng trưởng kinh tế (GDP) trung bình 6,1% và lạm phát (INF) trung bình 3,2% có thể ảnh hưởng đến hoạt động ngân hàng và QTRR trong giai đoạn nghiên cứu.

Bảng 2: Thống kê mô tả dữ liệu

Nguồn: Kết quả chạy mô hình trên Stata

Kiểm tra tương quan giữa các biến

Phân tích ma trận tương quan giúp đánh giá mức độ liên hệ giữa các biến trong mô hình. Theo kết quả Bảng 3, ITExR và LLR có tương quan dương (0,42), cho thấy CĐS có thể giúp ngân hàng nâng cao năng lực QTRR. NPL và LLR có tương quan âm (-0,36), phản ánh rằng, Tỷ lệ nợ xấu cao làm giảm hiệu quả QTRR do gia tăng áp lực tài chính. Ngoài ra, SIZE và LLR có tương quan dương (0,28), cho thấy các ngân hàng lớn có lợi thế hơn trong kiểm soát rủi ro nhờ vào nguồn lực tài chính mạnh. GR và LLR (0,22) cũng có tương quan dương, cho thấy tốc độ tăng trưởng tài sản cao giúp ngân hàng có điều kiện đầu tư vào hệ thống QTRR. Về yếu tố vĩ mô, GDP và LLR có tương quan dương (0,3), trong khi INF và LLR có tương quan âm (-0,12), cho thấy lạm phát cao có thể ảnh hưởng tiêu cực đến hiệu quả QTRR của ngân hàng.

Bảng 3: Ma trận tương quan giữa các biến

Nguồn: Kết quả chạy mô hình trên Stata

Phân tích hồi quy

Để kiểm định tác động của CĐS và đa dạng hóa thu nhập đến hiệu quả sử dụng nguồn nhân lực, nghiên cứu thực hiện hồi quy dữ liệu bảng theo 2 mô hình FEM và REM.

Hồi quy theo mô hình FEM

Qua Bảng 4 cho thấy, kết quả phương trình hồi quy theo mô hình FEM có dạng như sau:

LLR_it​ = −88,37989 + 0,0006624 ITExR_it​ – 0,9357513 NPL_it​ + 3,797216 SIZE_it​− 0,0067475 GR_it​ + 15,70941 GDP_it​ – 0,0076436 INF_it​ + u_i​ + ε_it

Kết quả hồi quy mô hình FEM (Bảng 4) cho thấy, chỉ số chuyển đổi số (ITExR) có tác động dương và có ý nghĩa thống kê cao (β = 0,0006624, p-value < 0,01), khẳng định rằng, CĐS giúp nâng cao hiệu quả QTRR. Quy mô ngân hàng (SIZE) cũng có tác động tích cực (β = 3,797216, p-value < 0,01), cho thấy các ngân hàng lớn có khả năng kiểm soát rủi ro tốt hơn. Ngược lại, tỷ lệ nợ xấu (NPL), tăng trưởng tài sản (GR) và tăng trưởng kinh tế (GDP) không có ý nghĩa thống kê (p-value > 0,1), cho thấy tác động chưa rõ ràng. Lạm phát (INF) có hệ số âm, nhưng không ảnh hưởng đáng kể đến QTRR. Nhìn chung, CĐS và quy mô ngân hàng là hai yếu tố quan trọng giúp tăng cường hiệu quả QTRR trong hệ thống NHTM Việt Nam.

Bảng 4: Kết quả hồi quy mô hình FEM

Nguồn: Kết quả chạy mô hình trên Stata

Hồi quy theo mô hình REM

Bảng 5: Kết quả hồi quy mô hình REM

Nguồn: Kết quả chạy mô hình trên Stata

Dựa vào kết quả hồi quy theo mô hình REM (Bảng 5), phương trình hồi quy được xác định như sau:

LLR_it​ = −86,21618 + 0,0006685 ITExR_it ​– 0,8855403 NPL_it​ + 3,687833 SIZE_it ​– 0,0071833 GR_it​ + 15,77258 GDP_it​ – 0,0075121 INF_it ​+ u_i​ + ε_it​

Kết quả hồi quy mô hình REM cho thấy, chỉ số chuyển đổi số (ITExR) có tác động tích cực và có ý nghĩa thống kê cao (β = 0,0006685, p-value < 0,01), chứng minh rằng đầu tư vào công nghệ số giúp ngân hàng cải thiện khả năng QTRR. Quy mô ngân hàng (SIZE) cũng có tác động dương (β = 3,687833, p-value < 0,01), cho thấy các ngân hàng lớn có năng lực kiểm soát rủi ro tốt hơn nhờ lợi thế tài chính và công nghệ. Ngược lại, Tỷ lệ nợ xấu (NPL), Tăng trưởng tài sản (GR), Tăng trưởng kinh tế (GDP) và Lạm phát (INF) không có ý nghĩa thống kê (p-value > 0,1), cho thấy tác động chưa rõ ràng. Kiểm định Wald (chi2(6) = 293,82; p-value < 0,01) khẳng định mô hình có ý nghĩa tổng thể. Nhìn chung, CĐS và quy mô ngân hàng là 2 yếu tố quan trọng giúp nâng cao hiệu quả QTRR trong hệ thống NHTM Việt Nam.

Kiểm định Hausman

Kết quả Kiểm định Hausman cho thấy sự khác biệt nhỏ giữa hệ số của 2 mô hình REM và FEM, đặc biệt đối với chỉ số CĐS (ITExR) (FEM: 0,0006624; REM: 0,0006685), với mức chênh lệch không đáng kể (- 6,17e-06). Các biến: NPL, SIZE, GR, GDP và INF cũng có sự khác biệt rất nhỏ. Giá trị Chi² = 0,73 với p-value = 0,9812 (> 0,05), cho thấy không có sự khác biệt có hệ thống giữa 2 mô hình. Do đó, mô hình REM phù hợp hơn, vì nó cho phép xem xét các yếu tố ngẫu nhiên giữa các ngân hàng thay vì kiểm soát hoàn toàn các đặc điểm cố định. Kết luận, nghiên cứu sử dụng mô hình REM để đánh giá tác động của CĐS và các yếu tố khác đến hiệu quả QTRR trong hệ thống NHTM Việt Nam.

Kiểm định độ tin cậy của mô hình

Kết quả kiểm tra đa cộng tuyến (VIF) cho thấy, VIF trung bình = 1,37 < 10, chứng tỏ không có đa cộng tuyến nghiêm trọng, đảm bảo tính ổn định của mô hình. R² = 41,46% cho thấy mô hình có độ phù hợp tốt. Như vậy, nghiên cứu khẳng định vai trò quan trọng của CĐS và quy mô ngân hàng trong nâng cao hiệu quả QTRR.

Kết quả hồi quy

Bảng 6: Kết quả hồi quy tuyến tính

Nguồn: Kết quả chạy mô hình trên Stata

Kết quả hồi quy tuyến tính cho thấy, CĐS (ITExR) có tác động tích cực và có ý nghĩa thống kê cao đến hiệu quả QTRR (LLR) với hệ số β = 0,0006914 và p-value = 0, khẳng định rằng mức độ CĐS cao giúp ngân hàng kiểm soát rủi ro tốt hơn. Quy mô ngân hàng (SIZE) cũng có ảnh hưởng tích cực (β = 3,274725, p-value = 0,001), cho thấy các ngân hàng lớn có lợi thế hơn trong QTRR. Ngược lại, NPL, GR, GDP và INF không có ý nghĩa thống kê, cho thấy chưa có bằng chứng rõ ràng về tác động của các yếu tố này trong mô hình. Mô hình có độ phù hợp khá tốt (R² = 41,46%), với kiểm định F (p-value = 0,0000) xác nhận ý nghĩa thống kê tổng thể.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết quả nghiên cứu cho thấy, CĐS có ảnh hưởng tích cực và có ý nghĩa thống kê cao đến hiệu quả QTRR, khẳng định rằng, việc đầu tư vào công nghệ số giúp các ngân hàng nâng cao khả năng kiểm soát rủi ro, giảm thiểu gian lận tài chính và tối ưu hóa quy trình hoạt động. Ngoài ra, Quy mô ngân hàng (SIZE) có tác động tích cực, điều này chỉ ra rằng, các ngân hàng lớn có lợi thế hơn trong triển khai công nghệ và quản lý rủi ro hiệu quả. Ngược lại, Tỷ lệ nợ xấu (NPL), Tốc độ tăng trưởng tài sản (GR), Tăng trưởng kinh tế (GDP) và Lạm phát (INF) không có tác động đáng kể đến hiệu quả QTRR, phản ánh những yếu tố này có thể bị ảnh hưởng bởi các biến số khác, như: chính sách tín dụng, môi trường pháp lý và mức độ cạnh tranh trong ngành. Kết quả kiểm định mô hình chỉ ra, mô hình tác động ngẫu nhiên (REM) là phù hợp nhất để phân tích tác động của CĐS đến QTRR. Từ những phát hiện này, nghiên cứu đề xuất các ngân hàng cần tiếp tục đẩy mạnh CĐS, ứng dụng công nghệ hiện đại, như: AI, Big Data, Blockchain và điện toán đám mây để nâng cao khả năng quản lý rủi ro và duy trì tính cạnh tranh. Trong tương lai, các nghiên cứu có thể mở rộng theo hướng so sánh tác động của CĐS giữa các nhóm ngân hàng khác nhau hoặc đánh giá ảnh hưởng dài hạn của CĐS đến sự ổn định tài chính./.

TÀI LIỆU THAM KHẢO

1. Berger, A. N., and Humphrey, D. B. (1997), Efficiency of financial institutions: International survey and directions for future research, European journal of operational research, 98(2), 175-212.

2. Boyd, J. H., and Runkle, D. E. (1993), Size and performance of banking firms: Testing the predictions of theory, Journal of Monetary Economics, 31(1), 47-67.

3. Demirgüç-Kunt, A., and Detragiache, E. (1998), The determinants of banking crises in developing and developed countries, Staff Papers, 45(1), 81-109.

4. Diener, F., and Špaček, M. (2021), Digital transformation in banking: A managerial perspective on barriers to change, Sustainability, 13(4), 2032.

5. Friedman, M. (1995), The role of monetary policy, Springer.

6. Froot, K. A., Scharfstein, D. S., and Stein, J. C. (1993), Risk management: Coordinating corporate investment and financing policies, The Journal of Finance, 48(5), 1629-1658.

7. Hassan, M. K., Sanchez, B., and Yu, J.-S. (2011), Financial development and economic growth: New evidence from panel data, The Quarterly Review of economics finance, 51(1), 88-104.

8. Hoque, A., Le, D. T., and Le, T. (2024), Does digital transformation reduce bank's risk-taking? evidence from vietnamese commercial banks, Journal of Open Innovation: Technology, Market, Complexity, 10(2), 100260.

9. Jaba, E., Robu, I.-B., and Balan, C. B. (2017), Panel data analysis applied in financial performance assessment, Romanian Statistical Review, 2.

10. Khanchel, H. (2019), The impact of digital transformation on banking, Journal of Business Administration Research, 8(2), 20.

11. Nguyen, T. P. T., Nghiem, S. H., and Roca, E. (2016), Management behaviour in Vietnamese commercial banks, Australian Economic Papers, 55(4), 345-367.

12. Nguyen, T. T., and Nguyen, T. T. (2024), Income diversification, credit risk and bank stability: evidence from an emerging market, Asia-Pacific Journal of Accounting Economics, 31(6), 987-1007.

13. Pang, M., Liu, Y., Wu, S., and Wang, H. (2023), Internet Finance and Risk-Taking of City Commercial Banks: Evidence From China, SAGE Open, 13(3), 21582440231198966.

14. Phan, D. H. B., Narayan, P. K., Rahman, R. E., and Hutabarat, A. R. (2020), Do financial technology firms influence bank performance?, Pacific-Basin Finance Journal, 62, 101210.

15. Schumpeter, J. A., and Swedberg, R. (2021), The theory of economic development, Routledge.

16. Trang, C. N. H., Anh, T. L., and Huyen, N. T. T. (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 Business, 4(1), 42-42, doi:https://doi.org/10.57110/jebvn.v4i1.248.

16. Vial, G. (2019), Understanding digital transformation: A review and a research agenda, Journal of Strategic Information Systems, 28(2), 118-144.

17. World Bank (2022), Digital transformation in banking: Global trends and implications for financial stability, World Bank Group Publications, 58(4), 1-45

18. Zuo, L., Strauss, J. and Zuo, L. (2021), The digitalization transformation of commercial banks and its impact on sustainable efficiency improvements through investment in science and technology, Sustainability, 13(19), 11028.