Những nhân tố quyết định việc sử dụng

Fintech để quản lý tài chính cá nhân tại

Việt Nam
Ngô Thanh Xuân
Giảng viên - Trường Đại học Kinh tế Quốc dân
Email: xuanngothanh@gmail.com

Trần Hải Linh

Sinh viên - Trường Đại học Kinh tế Quốc dân
Email: linhth2708@gmail.com

Hà Bảo An
Sinh viên - Trường Đại học Kinh tế Quốc dân
Email: habaoanemail@gmail.com

Lê Mỹ Linh
Sinh viên - Trường Đại học Kinh tế Quốc dân
Email: lemylinh210303@gmail.com

Hà Dương Hương Linh

Sinh viên - Trường Đại học Kinh tế Quốc dân
Email: linhhuong160203@gmail.com

Mai Thu Trang

Sinh viên - Trường Đại học Kinh tế Quốc dân
Email: trangtm523.work.neu@gmail.com

Ngày nhận:
Ngày nhận bản sửa:
Ngày duyệt đăng:

Tóm tắt:
Bài viết đề xuất mô hình nghiên cứu các nhân tố ảnh hưởng tới quyết định sử
dụng Fintech trong hoạt động Quản lý tài chính cá nhân tại Việt Nam dựa
trên mô hình UTAUT2 và các kết quả nghiên cứu trước đây thông qua khảo
sát với 1017 người dân Việt Nam đến từ 63 tỉnh thành. Kết quả nghiên cứu
cho thấy các yếu tố Sự tương thích, Sự đổi mới, Kỳ vọng hiệu quả, Dễ sử
dụng, Ảnh hưởng xã hội, Điều kiện thuận lợi, Động lực thụ hưởng, Rủi ro tài
chính, Rủi ro bảo mật, Rủi ro pháp lý, Rủi ro hoạt động, Lợi ích tương đối và
Khả năng quan sát có tác động tới quyết định này. Kết quả nghiên cứu là căn
cứ để các doanh nghiệp, công ty cung cấp dịch vụ Fintech có thể tối ưu hóa
sản phẩm, thỏa mãn nhu cầu của khách hàng và góp phần phát triển nền kinh

0
tế nói chung.Về phía người dùng, họ có thể tận hưởng thêm nhiều tiện ích mà
công nghệ tiến tiến này mang lại trong việc quản lý tài chính cá nhân.
Từ khoá: Fintech; Nhân tố quyết định; Việc quyết định lựa chọn sử dụng
Fintech; Quản lý tài chính cá nhân.
Factors determining the decision to use Fintech in personal finance
management in Vietnam
Abstract:
This study sought to investigate the factors affecting the decision to adopt
Fintech for personal financial management across 63 provinces in Vietnam.
The research model was based on the UTAUT2 model, with the sample size of
1017. Findings showed that Compatibility, Innovation, Performance
Expectation, Ease of Use, Facilitating Conditions, Hedonic Motivation,
Financial Risks, Security Risks, Operational Risks, Relative Advantage and
Observability had a significant impact on the Decision to Use. From the
aforementioned results, Fintech providers could optimize their products to
satisfy the customers’ needs, hence making the contribution to the economy
growth as a whole. From the perspective of users, they might gain more
benefits brought about by the trailblazing Fintech for the purpose of personal
finance management.
Keywords: Determining factors; Decision to use Fintech; Fintech; Personal
financial management; Personal finance.

1
 1. Đặt vấn đề
Khả năng tạo ra của cải vật chất của con người đã tăng đáng kể và đạt những cột mốc
chưa từng có trong lịch sử, tuy nhiên, khả năng quản lý tài chính lại chưa đạt được tốc độ như
vậy (Fogarty, 2012). Trong một số trường hợp, có thể thấy, nhiều người thường xuyên rơi
vào tình trạng cạn kiệt tài chính hay trở nên bất lực khi những tình huống khẩn cấp xảy ra, dù
họ có đủ thu nhập và tài sản. Fintech (Công nghệ tài chính) ra đời như một “cứu tinh” để giúp
việc quản lý tài chính trở nên hiệu quả hơn.
Theo Van Loo (2018), việc sử dụng Fintech trong quản lý tài chính cá nhân có thể
tăng lợi ích của người tiêu dùng và giảm khả năng xảy ra khủng hoảng tài chính. Cụ thể, lợi
ích cho cá nhân có thể đạt được bằng cách cho phép họ kiểm soát tài chính theo thời gian
thực (Brainard, 2016). Nhiều ứng dụng, dịch vụ hiện có trên thị trường dễ dàng kết nối với
công cụ tài chính của người tiêu dùng để lập kế hoạch chi tiêu và ngân sách tài chính đơn
giản và chính xác, từ đó giúp họ có góc nhìn chính xác hơn trong chi tiêu và tiết kiệm.
Những lợi ích của Fintech đã được chứng minh, song, liệu Fintech có thực sự đáng tin
cậy trong việc quản lý tài chính cá nhân? Người dùng có thể phải đối mặt với một số bất lợi
trong việc áp dụng các sản phẩm Fintech, bao gồm rủi ro mất mát tài chính và lo ngại về
quyền riêng tư (Liebana-Cabanillas và cộng sự, 2014). Rủi ro pháp lý và rủi ro hoạt động
cũng có ảnh hưởng đáng kể tới quyết định sử dụng (Tang và cộng sự, 2020). Ryu (2018) đã
khảo sát 244 người dùng Fintech, cho thấy rủi ro pháp lý có tác động tiêu cực đáng kể nhất
đến quyết định sử dụng.
Chính vì thế, đề tài “Những nhân tố quyết định việc sử dụng Fintech để quản lý
tài chính cá nhân tại Việt Nam” ra đời nhằm chỉ ra các yếu tố quyết định việc sử dụng
Fintech của cá nhân trong việc quản lý tài chính, tạo nên căn cứ để các doanh nghiệp, công ty
cung cấp dịch vụ Fintech có thể tối ưu hóa sản phẩm, thỏa mãn nhu cầu của khách hàng và
góp phần phát triển nền kinh tế nói chung.
2. Cơ sở lý thuyết
2.1. Lý thuyết thống nhất về việc chấp nhận và sử dụng công nghệ mở rộng
(UTAUT2)
Venkatesh và cộng sự (2003) đã phát triển mô hình Chấp nhận và sử dụng công nghệ
hợp nhất (UTAUT), được xem là mô hình kết hợp của nhiều mô hình nghiên cứu sự chấp
nhận sử dụng hệ thống thông tin mới của người dùng trước đó bao gồm cả Mô hình chấp
nhận công nghệ (TAM). UTAUT đề cập đến các yếu tố quyết định như Kỳ vọng nỗ lực, Hiệu
suất mong đợi, Ảnh hưởng xã hội, Điều kiện thuận lợi và các nhân tố điều tiết như Giới tính,
Tuổi tác, Trải nghiệm, Sự tự nguyện sử dụng. Dựa trên UTAUT, Venkatesh và cộng sự
(2012) đã phát triển khung lý thuyết UTAUT2, và kết hợp ba quan điểm, động lực thụ hưởng,
giá trị giá cả và thói quen, nhằm mục đích giải thích hành vi sử dụng của người tiêu dùng nói
chung đối với các sản phẩm công nghệ.
2.2. Khung mô hình lợi ích rủi ro

2
 Khung mô hình lợi ích - rủi ro thường được sử dụng để giải thích cho ý định sử dụng
Fintech của người dùng. Theo Peter và Tarpey (1975), người dùng sẽ nhận định các yếu tố lợi
ích và rủi ro của sản phẩm và đưa ra quyết định để tối ưu hóa lợi ích ròng. Lee (2009) đã đề
xuất mô hình nghiên cứu dựa trên mô hình TAM và Thuyết hành vi hợp lý (TRA) nhằm giải
thích các nhân tố ảnh hưởng tới sự chấp nhận ngân hàng trực tuyến. Trong đó nhận thức rủi
ro được chia thành nhiều yếu tố nhỏ (tính bảo mật, tài chính, xã hội, thời gian và rủi ro hoạt
động) còn nhận thức lợi ích được coi là một biến duy nhất.
3. Phương pháp nghiên cứu
3.1. Giả thuyết đề xuất
H1 → H6: Kỳ vọng hiệu quả, Nhận thức tính dễ sử dụng, Ảnh hưởng xã hội, Điều
kiện thuận lợi, Động lực thụ hưởng, Giá trị giá cả có tác động tích cực đến lựa chọn sử dụng
Fintech trong hoạt động quản lý tài chính cá nhân tại Việt Nam.
H7a → H7d: Rủi ro tài chính, Rủi ro bảo mật, Rủi ro pháp lí, Rủi ro hoạt động có tác
động tiêu cực đến lựa chọn sử dụng Fintech trong hoạt động quản lý tài chính cá nhân tại Việt
Nam.
H8: Lợi thế tương đối có tác động tích cực đến lựa chọn sử dụng Fintech trong hoạt
động quản lý tài chính cá nhân tại Việt Nam.
H9: Khả năng quan sát có tác động tích cực đến lựa chọn sử dụng Fintech trong hoạt
động quản lý tài chính cá nhân tại Việt Nam.
H10a: Tính tương thích có tác động tích cực đến Kỳ vọng hiệu quả.
H10b: Tính tương thích có tác động tích cực đến Nhận thức tính dễ sử dụng.
H10c: Tính tương thích có tác động tích cực đến lựa chọn sử dụng Fintech trong hoạt
động quản lý tài chính cá nhân tại Việt Nam.
H11a: Động lực đổi mới có tác động tích cực đến Kỳ vọng hiệu quả.
H11b: Động lực đổi mới có tác động tích cực đến Nhận thức tính dễ sử dụng.
H11c: Động lực đổi mới có tác động tích cực đến lựa chọn sử dụng Fintech trong hoạt
động quản lý tài chính cá nhân tại Việt Nam.
3.2. Mô hình nghiên cứu đề xuất
Hình 1: Mô hình nghiên cứu đề xuất của nhóm tác giả

3
Nguồn: Nhóm tác giả tổng hợp
3.3. Phương pháp thu thập và xử lý dữ liệu
Trước hết, nhóm nghiên cứu soạn thảo bảng hỏi cho nghiên cứu gồm ba phần: thông
tin chung về Fintech, câu hỏi về đặc điểm nhân khẩu học và mục đo lường liên quan đến mô
hình nghiên cứu. Cỡ mẫu tối thiểu (nmin) được xác định theo phương pháp căn bậc hai nghịch
đảo của Kock và Hadaya (2018) với mức ý nghĩa 5%, trong đó hệ số đường dẫn tối thiểu
mong muốn được xác định bằng 0.1. Vì vậy, nhóm nghiên cứu cần tối thiểu 610 quan sát để
nghiên cứu có ý nghĩa.
Để thu nhập dữ liệu, nhóm sử dụng phương pháp lấy mẫu thuận tiện. Kết quả khảo sát
qua sàng lọc để loại bỏ dữ liệu không đạt yêu cầu đã thu được 1017 trả lời. Dữ liệu sau đó
được cập nhật vào Excel để thực hiện phân tích cho thống kê mô tả bằng phần mềm SPSS 20
và phần mềm SmartPLS 4.0.8.2 cho mô hình đo lường và phương trình cấu trúc tuyến tính.
4. Kết quả và thảo luận
4.1. Thống kê mô tả mẫu
Về đối tượng khảo sát là nam chiếm tỷ trọng 59,3%, nữ chiếm 40,7%. Về độ tuổi dưới
18 là 8,8%, 18 - dưới 25 tuổi là 29,9%, 25 - dưới 35 tuổi là 29,7%, 36 - dưới 50 tuổi là 26,9
%, còn lại là trên 50 tuổi. Về nghề nghiệp, tỉ lệ học sinh, sinh viên và công chức, viên chức
chiếm tỉ trọng cao nhất, lần lượt là là 27,6% và 22,8%. Trong đó, có 67,3% người đã từng sử
dụng và 32,7% người chưa từng sử dụng Fintech. Thu nhập của đối tượng được khảo sát chủ
yếu nằm ở mức 10 - dưới 20 triệu (31,3%) và dưới 5 triệu (24,9%) trong 1 tháng.
4.2. Phân tích nhân tố khẳng định (CFA)
Kiểm định độ tin cậy: Kết quả đánh giá hệ số Cronbach’s Alpha cho thấy thang đo
đều đạt mức tin cậy rất tốt (>0.8) cho cả hai nhóm. Bên cạnh đó, kết quả đánh giá độ tin cậy
tổng hợp (CR) cho cả hai nhóm đều trên ngưỡng 0,891 và đạt yêu cầu (>0.7) theo Nunnally
và Bernstein (1994). Tiếp theo, kết quả phân tích phương sai trung bình trích (AVE) cho hai
nhóm đều trên ngưỡng 0,688 và đạt yêu cầu (>0.5). Vì vậy, tất cả các biến đều có độ tin cậy
đối với mô hình nghiên cứu.
Kiểm định giá trị hội tụ: Đối với hệ số tải ngoài, số liệu ở tất cả các biến quan sát
của hai nhóm đều thỏa mãn trên ngưỡng 0.708 theo Hair và cộng sự (2017). Tiếp theo đó,
phương sai trích trung bình (AVE) của các biến quan sát đều thỏa mãn yêu cầu lớn hơn 0.5 ở
cả hai nhóm, đảm bảo thang đo có tính hội tụ.
Kiểm định giá trị phân biệt: Các nhân tố đưa ra đều thỏa mãn tiêu chuẩn Fornell và
Larcker (1981) khi chỉ số AVE ở đường chéo lớn hơn tất cả các hệ số tương quan với nhân tố
khác trong cùng cột. Không chỉ vậy, chỉ số HTMT của các nhân tố trong thang đo của nhóm
có giá trị tối đa là 0,697, tức đều nhỏ hơn 0.9, đạt tính phân biệt theo Henseler và cộng sự
(2015). Khi đó, thang đo của nhóm đã thỏa mãn tính phân biệt.
4.3. Mô hình cấu trúc tuyến tính (SEM)
Bảng 1. Kết quả kiểm định mô hình cấu trúc tuyến tính (SEM)

4
 Nhóm đã sử dụng (N=684) Nhóm chưa sử dụng (N=333)
Giả
Nhân tố Kết Kết
thuyết β t-value P-value β t-value P-value
quả quả
H01 PE → DU 0.168 3.607 0.000 Đạt 0.002 0.024 0.981 Loại
H02 EE → DU 0.059 0.952 0.341 Loại 0.048 0.753 0.451 Loại
H03 SI → DU 0.018 0.58 0.562 Loại 0.259 5.267 0.000 Đạt
H04 FC → DU 0.176 5.987 0.000 Đạt -0.013 0.308 0.758 Loại
HM →
H05 0.209 6.852 0.000 Đạt 0.265 5.879 0.000 Đạt
DU
H06 PV → DU -0.031 1.103 0.270 Loại -0.062 1.029 0.304 Loại
H07a FR → DU -0.144 5.29 0.000 Đạt -0.166 3.654 0.000 Đạt
H07b LR → DU -0.168 6.431 0.000 Đạt -0.142 3.512 0.000 Đạt
H07c SR → DU -0.173 6.505 0.000 Đạt -0.151 3.734 0.000 Đạt
H07d OR → DU -0.345 2.756 0.006 Đạt -0.389 5.419 0.000 Đạt
H08 RA → DU 0.17 5.695 0.000 Đạt -0.004 0.11 0.913 Loại
H09 O → DU 0.251 5.53 0.000 Đạt 0.193 2.668 0.008 Đạt
H10a C → PE 0.141 3.036 0.002 Đạt 0.145 2.802 0.005 Đạt
H10b C → EE 0.138 2.345 0.019 Đạt 0.296 3.402 0.001 Đạt
H10c C → DU 0.071 2.283 0.022 Đạt 0.136 2.621 0.009 Đạt
H11a I → PE 0.498 9.887 0.000 Đạt 0.526 7.868 0.000 Đạt
H11b I → EE 0.417 5.889 0.000 Đạt 0.232 2.24 0.025 Đạt
H11c I → DU 0.135 3.715 0.000 Đạt 0.165 3.156 0.002 Đạt
Nguồn: Tổng hợp từ kết quả của nhóm tác giả
Kết quả nghiên cứu cho thấy các nhân tố liên quan đến rủi ro thường có ảnh hưởng
đáng kể tới quyết định sử dụng đối với cả hai nhóm đối tượng đã sử dụng và chưa sử dụng.
Trong đó, rủi ro hoạt động (OR) có tác động lớn nhất (β = -0.345) so với các rủi ro khác.
Điều này có thể là do Fintech còn khá mới tại Việt Nam nên người dùng nghi ngờ về độ hoàn
thiện của các ứng dụng.
Động lực thụ hưởng (HM) và khả năng quan sát (O) là hai nhân tố có tác động chủ
yếu đến quyết định sử dụng của cả hai nhóm. Với nhóm người đã sử dụng, khả năng quan sát
là nhân tố có ảnh hưởng lớn thứ hai (β = 0.251), cho thấy trải nghiệm sử dụng Fintech trong
hoạt động quản lý tài chính cá nhân của bản thân họ và những người xung quanh sẽ thuyết
phục họ sử dụng. Với nhóm người chưa từng sử dụng, đây là nhân tố có ảnh hưởng lớn thứ tư
(β = 0.193), ít hơn động lực thụ hưởng (β = 0.265). Nhóm tác giả cho rằng những người chưa
sử dụng quan tâm nhiều tới sự thích thú của chính họ khi sử dụng công nghệ hơn là đơn thuần
thấy điều đó ở người khác.

5
 Khác biệt lớn nhất giữa hai nhóm đối tượng là Ảnh hưởng xã hội (SI), khi biến này
tác động tương đối lớn ở nhóm chưa từng sử dụng nhưng không tác động ở nhóm đã từng sử
dụng. Những người đã từng sử dụng Fintech có thể không bị tác động bởi ý kiến của những
người xung quanh vì họ vốn là những người có hiểu biết để tự đưa ra quyết định. Đối với
nhóm người chưa từng sử dụng, họ chưa có nhiều cơ hội để tìm hiểu chuyên sâu, dẫn đến
phân vân giữa nhiều luồng ý kiến. Điều này tương tự phát hiện của Lin và cộng sự (2020) đối
với ý định sử dụng thanh toán qua điện thoại ở Đài Loan vào thời điểm khi công nghệ này
chưa thực sự phổ biến.
Đặc biệt, Nhận thức tính dễ sử dụng (EE) được ghi nhận chưa có tác động đến quyết
định sử dụng Fintech trong quản lý tài chính cá nhân ở cả hai nhóm đối tượng. Kết quả này
trái ngược với các nghiên cứu sử dụng mô hình TAM như Kim và cộng sự (2015) và Patel
(2018). Davis và cộng sự (1989) cũng đã giải thích việc tính dễ sử dụng thường không có tác
động đáng kể đến hành vi sử dụng trong thời gian đầu tiếp cận công nghệ mới vì người dùng
chưa có trải nghiệm toàn diện về nó.
5. Hàm ý và khuyến nghị
Một số khuyến nghị đối với doanh nghiệp Fintech
Thứ nhất, các doanh nghiệp Fintech cần đầu tư phát triển, nâng cấp cơ sở hạ tầng và
hoàn thiện công nghệ, đặc biệt chú trọng trong việc bảo mật tài khoản, đảm bảo an toàn thông
tin khách hàng nhằm thay đổi nhận thức cũng như tạo dựng niềm tin của khách hàng trong
việc sử dụng các ứng dụng quản lý tài chính cá nhân.
Thứ hai, các doanh nghiệp có thể xem xét việc áp dụng công nghệ hiện đại để tối ưu
hóa trong vận hành và hiệu quả hoạt động. Ví dụ như áp dụng công nghệ eKYC (electronic
Know Your Customer) trong việc định danh khách hàng điện tử, xác thực tài khoản khách
hàng nhanh chóng và chính xác khi khách hàng liên kết tài khoản ngân hàng với ứng dụng để
giảm thiểu rủi ro nhầm lẫn, đánh mất, lộ thông tin khách hàng.
Thứ ba, các doanh nghiệp Fintech cung cấp dịch vụ tư vấn, quản lý tài chính cá nhân
có thể liên kết, hợp tác với các trung gian tài chính (ngân hàng, công ty tài chính,...) nhằm tạo
dựng cơ sở dữ liệu khách hàng, tìm kiếm khách hàng tiềm năng cũng như kết nối, chia sẻ
thông tin giữa các đơn vị cung ứng dịch vụ Fintech với các tổ chức trung gian thanh toán.
Thứ tư, các doanh nghiệp Fintech cũng cần đầu tư vào việc xây dựng giao diện ứng
dụng quản lý tài chính, đảm bảo thiết kế rõ ràng, làm nổi bật độ nhận diện thương hiệu; bố
cục khoa học; bám sát nhu cầu, giải quyết khó khăn trong quản lý tài chính của người dùng;
tối giản hóa các quy trình, thao tác xử lý.

Tài liệu tham khảo

1. Brainard, L., 2016. The Opportunities and Challenges of Fintech. Conference on

Financial Innovation, Washington, DC, December 2, 2016. Board of Governors of
the Federal Reserve System (US) Speech, (928).

6
2. Fogarty, M., 2012. Save, Invest, Grow. Readers’ Digest.

3. Fornell, C. & Larcker, D.F., 1981. Evaluating structural equation models with
unobservable variables and measurement error. Journal of Marketing Research 18(1):
39-50.

4. Hair Jr, J.F., Sarstedt, M., Ringle, C.M. & Gudergan, S.P., 2017. Advanced issues
in partial least squares structural equation modeling. SAGE Publications, 272 pages.

5. Henseler, J., Ringle, C.M. & Sarstedt, M., 2015. A new criterion for assessing
discriminant validity in variance-based structural equation modeling. Journal of the
Academy of Marketing Science 43: 115-135.

6. Kim, Y., Park, Y.J., Choi, J. & Yeon, J., 2015. An empirical study on the adoption
of “Fintech” service: Focused on mobile payment services. Advanced Science and
Technology Letters 114(26): 136-140.

7. Lee, M.C., 2009. Factors influencing the adoption of internet banking: An

integration of TAM and TPB with perceived risk and perceived benefit. Electronic
commerce research and applications 8(3): 130-141.

8. Liébana-Cabanillas, F., Sánchez-Fernández, J. & Muñoz-Leiva, F., 2014.

Antecedents of the adoption of the new mobile payment systems: The moderating
effect of age. Computers in Human Behavior 35: 464-478.

9. Lin, W.R., Lin, C.Y. & Ding, Y.H., 2020. Factors affecting the behavioral intention
to adopt mobile payment: An empirical study in Taiwan. Mathematics 8(10): 1851.

10. Nunnally, J.C. & Bernstein, I.H., 1994. Psychometric theory. 3rd edition, McGraw-
Hill, New York, USA.

11. Patel, K.J. & Patel, H.J., 2018. Adoption of internet banking services in Gujarat:
An extension of TAM with perceived security and social influence. International
Journal of Bank Marketing 34: 147-169.

12. Peter, J. P., & Tarpey Sr, L. X., 1975. A comparative analysis of three consumer
decision strategies. Journal of Consumer Research 2(1): 29-37.

13. Ryu, H.S., 2018. Understanding benefit and risk framework of fintech adoption:
Comparison of early adopters and late adopters. Proceedings of the 51st Hawaii
International Conference on System Sciences, Hawaii, USA.

14. Tang, K.L., Ooi, C.K. & Chong, J.B., 2020. Perceived risk factors affect intention
to use FinTech. Journal of Accounting and Finance in Emerging Economies 6(2):
453-463.

15. Van Loo, R., 2018. Making innovation more competitive: The case of fintech.
UCLA Law Review 65: 232.

7
16. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D, 2003. User
acceptance of information technology: Toward a unified view. MIS Quarterly 27(3):
425-478.

17. Venkatesh, V., Thong, J. Y., & Xu, X., 2012. Consumer acceptance and use of
information technology: extending the unified theory of acceptance and use of
technology. MIS quarterly 36(1): 157-178.