KẾT LUẬN VÀ HÀM Ý
Nghiên cứu tiến hành điều tra phỏng vấn 472 khách
hàng có độ tuổi từ 18 đến 39 tuổi đang sống và làm
việc tại thành phố Hồ Chí Minh để đánh giá nhận
thức lợi ích – rủi ro và ý định tiếp tục sử dụng Fintech của người dùng, nghiên cứu sử dụng các phương
pháp phân tích thống kê mô tả, phân tích hệ số Cronbach’s Alpha, phân tích nhân tố khám phá, phân tích
nhân tố khẳng định, và phân tích mô hình cấu trúc
tuyến tính. Kết quả nghiên cứu thể hiện một số điểm
như sau:
Thứ nhất, nhận thức lợi ích của người dùng Fintech
bị ảnh hưởng tích cực bởi lợi ích kinh tế và sự thuận
tiện của việc sử dụng Fintech, kết quả nghiên cứu
này phù hợp với nghiên cứu của các nhà nghiên cứu
khác8,10,11, do đó để khuyến khích người dùng tiếp
tục sử dụng Fintech thì các tổ chức tín dụng nên tập
trung vào cải thiện chất lượng dịch vụ, cải thiện các
quy trình nhằm tăng lợi ích kinh tế khi sử dụng Fintech, và liên tục đổi mới, cải thiện đường truyền của
Fintech để đảm bảo người dùng có thể thoải mái sử
dụng, thuận tiện khi cần thiết từ đó nâng cao nhận
thức lợi ích của người dùng khi sử dụng Fintech.
Thứ hai, nhận thức rủi ro của người dùng Fintech bị
ảnh hưởng bởi rủi ro tài chính và rủi ro bảo mật của
Fintech, kết quả nghiên cứu này phù hợp với nghiên
cứu của các nhà nghiên cứu khác8,10, do đó để khuyến
khích người dùng tiếp tục sử dụng Fintech thì các tổ
chức tín dụng nên tập trung vào việc liên tục nâng cao
các lớp bảo mật nhằm đảm bảo không xảy ra rủi ro tài
chính và bảo mật từ đó giảm thiểu nhận thức rủi ro
của người dùng Fintech.
Thứ ba, ý định tiếp tục sử dụng Fintech của người
dùng bị ảnh hưởng tích cực bởi nhận thức lợi ích và bị
tác động tiêu cực bởi nhận thức rủi ro, kết quả nghiên
cứu này phù hợp với nghiên cứu của các nhà nghiên
cứu khác8,10–13, do đó để khuyến nghị người dùng
tiếp tục sử dụng Fintech thì các tổ chức tín dụng nên
quan tâm đến các nhân tố thuộc về nhận thức lợi ích
và nhận thức rủi ro theo hướng tăng nhận thức về lợi
ích và giảm thiểu tối đa rủi ro trong quá trình sử dụng
từ đó khuyến khích họ tiếp tục sử dụng Fintech.
Thứ tư, đối người người sử dụng chưa thành thạo các
ứng dụng của Fintech, nhận thức lợi ích bị ảnh hưởng
bởi lợi ích kinh tế và sự thuận tiện, và ý định tiếp tục
sử dụng các dịch vụ tài chính của Fintech bị tác động
tích cực bởi nhận thức lợi ích và không bị tác động
bởi nhận thức rủi ro. Trong đó, nhận thức rủi ro bị
tác động bởi rủi ro tài chính.
Thứ năm, đối người người sử dụng thành thạo các
ứng dụng của Fintech, nhận thức lợi ích cũng bị ảnh
hưởng bởi lợi ích kinh tế và sự thuận tiện, và nhận
thức lợi ích có tác động tích cực đến ý định tiếp tục sử
dụng các dịch vụ tài chính của Fintech nhưng nhận
thức rủi ro có tác động tiêu cực đến ý định tiếp tục sử
dụng các dịch vụ tài chính của Fintech, và bị tác động
bởi rủi ro tài chính và rủi ro bảo mật.
23 trang |
Chia sẻ: hachi492 | Ngày: 15/01/2022 | Lượt xem: 329 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Nhận thức lợi ích – rủi ro và ý định tiếp tục sử dụng Fintech của người dùng tại thành phố Hồ Chí Minh, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
à những nơi có hoạt động thươngmại lớn, hoạt động
tài chính cũng rất sôi nổi do đó việc lựa chọn khảo sát
ở các quận là có cơ sở. Bước tiếp theo, để tránh tình
trạng làm phiền hoạt động làm việc nên nhóm nghiên
cứu đến các doanh nghiệp để tiến hành xin khảo sát
vào các khung giờ 7h đến 8h sáng, 11h30 đến 12h,
và 16h30 đến 17h30 vì các khung giờ này đa phần đối
tượng khảo sát sẽ ít việc hơn và khả năng cao sẽ phỏng
vấn được tốt hơn. Tỷ lệ phân bổ cỡ mẫu tại các quận
được mô tả trong Bảng 2.
978
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Hình 1: Mô hình nghiên cứua
a(Nguồn: Nhóm nghiên cứu tổng hợp, 2020)
Trong nghiên cứu này, tác giả xác định kích thước
mẫu theo các phương pháp phân tích bao gồm: phân
tích nhân tố khámphá, phân tích nhân tố khẳng định,
và phân tích mô hình cấu trúc tuyến tính (SEM). An-
derson và cộng sự48 cho rằng hạn chế lớn nhất của
việc sử dụng phân tích mô hình cấu trúc tuyến tính
là cỡ mẫu, cỡ mẫu phải đủ lớn để các hiệp phương
sai được ổn định thì cỡ mẫu tối thiểu 200 là phù hợp,
nhưng tốt hơn là 300. Tác giả tiến hành điều tra 472
đáp viên do đó số liệu thu thập đảm bảo thực hiện tốt
các kiểm định trong mô hình nghiên cứu.
Phương pháp phân tích dữ liệu
Phân tíchmô hình cấu trúc tuyến tính (SEM) đã được
sử dụng nhiều trong các nghiên cứu về mối quan
hệ nhân quả trong nhiều lĩnh vực khác nhau, và khi
nghiên cứu về mối quan hệ giữa nhận thức lợi ích,
nhận thức rủi ro và tiếp tục sử dụng Fintech của người
dùng thì các nghiên cứu cũng sử dụng phương pháp
phân tích mô hình cấu trúc tuyến tính để tiến hành
đánh giá các mối liên hệ với nhau như trong nghiên
cứu của Ryu8. Vì vậy, trong nghiên cứu này tác giả
cũng sử dụng mô hình cấu trúc tuyến tính SEM để
phân tích các mối quan hệ giữa nhận thức lợi ích,
nhận thức rủi ro và ý định tiếp tục sử dụng Fintech
của người dùng tại thành phố Hồ Chí Minh. Để đảm
bảo kết quả phân tíchmô hình cấu trúc tuyến tính, tác
giả tiến hành đánh giá các chỉ số đạt yêu cầu như sau:
Chi-square/df 0,9, hệ số GFI > 0,9, hệ
số TLI > 0,9, và hệ số RMSEA < 0,0835.
KẾT QUẢNGHIÊN CỨU VÀ KIỂM
ĐỊNH GIẢ THUYẾT
Mô tả cỡmẫu nghiên cứu
Bảng 3 cho thấy, trong tổng số 472 đáp viên thì có 282
đáp viên là nam (chiếm 59,7%) và 190 đáp viên là nữ
(chiếm 40,3%), độ tuổi của các bạn trẻ từ 18 đến 29
tuổi là 185 đáp viên (chiếm39,2%) và độ tuổi từ 30 đến
39 tuổi là 287 đáp viên (chiếm 60,8%), trình độ học
vấn đại học chiếm cao nhất với 234 đáp viên (chiếm
49,6%). Mức độ sử dụng Fintech thành thạo có 395
đáp viên (chiếm 83,7%), tần suất sử dụng hàng tuần là
chiếm cao nhất với 372 đáp viên (chiếm 78,8%), dịch
vụ tài chính sử dụng chủ yếu là chuyển tiền (61,7%)
và thanh toán (33,3%), thời gian sử dụng từ 18 tháng
trở xuống chiếm cao nhất với 300 đáp viên (chiếm
63,6%).
Đánh giá độ tin cậy thang đo và phân tích
nhân tố khám phá
979
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 2: Mô tả các biến trongmô hình nghiên cứu
Stt Địa bàn khảo sát Số lượng đáp viên (chấp nhận trả lời) Tỷ lệ (%)
1 Quận 1 36 7,62
2 Quận 2 31 6,56
3 Quận 3 29 6,14
4 Quận 4 24 5,08
5 Quận 5 20 4,23
6 Quận 6 26 5,50
7 Quận 7 28 5,93
8 Quận 8 19 4,02
9 Quận 9 18 3,81
10 Quận 10 33 6,99
11 Quận 11 27 5,72
12 Quận 12 21 4,44
13 Quận Gò Vấp 30 6,35
14 QuậnThủ Đức 18 3,81
15 Quận BìnhThạnh 22 4,66
16 Quận Tân Phú 23 4,87
17 Quận Phú Nhuận 24 5,08
18 Quận Tân Bình 19 4,02
19 Quận Bình Tân 24 5,08
Tổng 472 100
(Nguồn: Nhóm nghiên cứu tổng hợp, 2020)
Đánhgiá thangđobằnghệ số Cronbach’s Al-
pha
Nhóm nghiên cứu tiến hành kiểm định hệ số Cron-
bach’s Alpha các biến thành phần trong thang đo. Cụ
thể, tất cả các thang đo đều có hệ số Cronbach’s Al-
pha lớn hơn 0,6, đạt yêu cầu và các hệ số tương quan
biến tổng của các biến quan sát đều lớn hơn 0,3 vì vậy
các biến quan sát đủ điều kiện sẽ tiến hành phân tích
nhân tố khám phá ở bước tiếp theo (Bảng 4).
980
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 3: Thống kêmẫu khảo sát
Tiêu chí Tần suất Tỷ lệ Tiêu chí Tần suất Tỷ lệ
1. Giới tính 5. Trình độ học vấn
Nam 282 59,7% Thạc sỹ 8 1,7%
Nữ 190 40,3% Đại học 234 49,6%
Tổng 472 100% Cao đẳng 198 41,9%
2. Độ tuổi Trung cấp 32 6,8%
Từ 18 đến 29
tuổi
185 39,2% Tổng 472 100%
Từ 30 đến 39
tuổi
287 60,8% 6. Ứng dụng của Fintech được sử dụng
Tổng 472 100% Chuyển tiền 291 61,7%
3. Mức độ sử dụng Gửi tiền tiết
kiệm
41 8,7%
Thành thạo 395 83,7% Thanh toán 157 33,3%
Chưa thành
thạo
77 16,3% Vay tiền 15 3,2%
Tổng 472 100% 7. Thời gian sử dụng
4. Tần suất sử dụng Từ 03 tháng trở
xuống
20 4,2%
Mỗi ngày 54 11,4% Từ 06 tháng trở
xuống
77 16,3%
Hàng tuần 372 78,8% Từ 12 tháng trở
xuống
300 63,6%
Hàng tháng 37 7,8% Từ 18 tháng trở
xuống
57 12,1%
Dưới 06 tháng
01 lần
3 0,6% Từ 24 tháng trở
xuống
6 1,3%
Một năm 01 lần 6 1,3% Trên 24 tháng 12 2,5%
Tổng 472 100% Tổng 472 100%
(Nguồn: Kết quả nghiên cứu, 2020)
981
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 4: Phân tích hệ số Cronbach’s Alpha
Tiêu chí Hệ
số
tương
quan
biến
tổng
Hệ số
Cron-
bach’s
Al-
pha
Tiêu chí Hệ số
tương
quan
biến
tổng
Hệ số
Cron-
bach’s
Alpha
1. Nhận thức lợi ích 5. Nhận thức rủi ro
NTLI1. Sử dụng các dịch vụ tài
chính của Fintech có nhiều lợi
ích.
0,776 0,868 NTRR1. Việc sử dụng các
dịch vụ tài chính của Fintech
không gắn liền với mức độ
rủi ro cao.
0,525 0,727
NTLI2. Tôi có thể dễ dàng và
nhanh chóng sử dụng các dịch
vụ tài chính của Fintech.
0,798 NTRR2. Có một mức độ
chắc chắn cao khi sử dụng
các dịch vụ tài chính của Fin-
tech.
0,672
NTLI3. Việc sử dụng dịch vụ tài
chính của Fintech thì hữu ích
(thuận tiện, chi phí, thời gian)
cho tôi.
0,743 NTRR3. Tôi nghĩ rằng có
rất ít rủi ro khi sử dụng các
dịch vụ tài chính của Fintech
so với các dịch vụ tài chính
truyền thống.
0,462
NTLI4. Việc sử dụng dịch vụ
tài chính của Fintech mang lại
nhiều kết quả vượt trội hơn so
với các dịch vụ tài chính truyền
thống.
0,581
2. Lợi ích kinh tế 6. Rủi ro tài chính
LIKT1. Việc sử dụng các dịch
vụ tài chính của Fintech sẽ rẻ
hơn so với dịch vụ tài chính
truyền thống.
0,676 0,812 RRTC1. Thiệt hại tài chính
không thể xảy ra khi tôi sử
dụng các dịch vụ tài chính
của Fintech.
0,735 0,871
LIKT2. Tôi có thể tiết kiệm
nhiều hơn khi sử dụng các dịch
vụ tài chính của Fintech.
0,668 RRTC2. Gian lận tài chính
và gian lận thanh toán không
thể xảy ra khi tôi sử dụng các
dịch vụ tài chính của Fintech.
0,776
LIKT3. Tôi có thể sử dụng
nhiều dịch vụ tài chính khác
nhau với chi phí thấp khi tôi sử
dụng các dịch vụ tài chính của
Fintech.
0,652 RRTC3. Thiệt hại tài chính
không thể xảy ra do thiếu khả
năng liên kết (tương tác) với
các dịch vụ khác khi tôi sử
dụng các dịch vụ tài chính
của Fintech.
0,748
3. Sự thuận tiện 7. Rủi ro bảo mật
TT1. Tôi có thể sử dụng dịch
vụ tài chính rất nhanh khi tôi sử
dụng các dịch vụ tài chính của
Fintech.
0,647 0,823 RRBM1. Tôi không lo lắng về
việc bị lạm dụng thông tin tài
chính của mình (ví dụ: giao
dịch cá nhân hay thông tin
cá nhân) khi tôi sử dụng các
dịch vụ tài chính của Fintech.
0,692 0,845
Continued on next page
982
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Table 4 continued
TT2. Tôi có thể sử dụng dịch vụ
tài chính bất kỳ lúc nào, bất kỳ
nơi đâu khi tôi sử dụng các dịch
vụ tài chính của Fintech.
0,690 RRBM2. Thông tin tài chính
của tôi an toàn khi tôi sử
dụng các dịch vụ tài chính
của Fintech.
0,707
TT3. Tôi có thể sử dụng các
dịch vụ tài chính dễ dàng khi
tôi sử dụng các dịch vụ tài chính
của Fintech.
0,700 RRBM3. Tôi không lo lắng
rằng ai đó có thể truy cập
thông tin tài chính của tôi khi
tôi sử dụng các dịch vụ tài
chính của Fintech.
0,739
4. Giao lịch liên tục 8. Rủi ro hoạt động
GDLT1. Tôi có thể kiểm soát
tiền của mình mà không cần
người trung gian (ngân hàng)
kiểm tra khi tôi sử dụng các dịch
vụ tài chính của Fintech.
0,593 0,865 RRHD1. Các công ty sở hữu
Fintech sẵn sàng giải quyết
các vấn đề khi xảy ra tổn thất
tài chính hoặc rò rỉ thông tin
tài chính của người dùng.
0,752 0,841
GDLT2. Tôi có thể sử dụng
nhiều dịch vụ tài chính khác
trong cùng một lúc khi tôi sử
dụng các dịch vụ tài chính của
Fintech.
0,851 RRHD2. Tôi không lo lắng về
hoạt động của hệ thống các
dịch vụ tài chính của Fintech.
0,710
GDLT3. Tôi có thể thực hiện
các giao dịch ngang hàng giữa
người dùng và nhà cung cấpmà
không cần người trung gian khi
tôi sử dụng các dịch vụ tài chính
của Fintech.
0,802 RRHD3. Tôi không lo lắng
các công ty sở hữu Fintech có
thể bị sụp đổ (phá sản) dẫn
đến tổn thất lớn cho người
dùng.
0,660
9. Ý định tiếp tục sử dụng Fintech
YDINH1. Tôi sẽ yêu thích
các ứng dụng của Fintech
hơn.
0,440 0,680
YDINH2. Tôi có ý định tiếp
tục sử dụng các ứng dụng của
Fintech.
0,580
YDINH3. Tôi sẽ sử dụng các
ứng dụng của Fintech trong
tương lai.
0,477
(Nguồn: Kết quả nghiên cứu, 2020)
983
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Đánh giá thang đo bằng phân tích nhân tố
khámphá
Kết quả phân tích nhân tố khám phá thang đo các
nhân tố ảnh hưởng đến nhận thức lợi ích của người
dùng khi sử dụng Fintech, được thực hiện với phương
pháp Principal Axis Factoring và phép xoay Promax.
Kết quả phân tích Bảng 5 cho thấy, giá trị KMO =
0,746 (0,5KMO= 0,746 1) và kiểm định Barlett’s
về tương quan của các biến quan sát có giá trị Sig =
0,000 < 5% chứng tỏ các biến có liên quan chặt chẽ49.
Giá trị tổng phương sai trích = 64,533% (>50%) đạt
yêu cầu và cho biết các biến thành phần trong thang
đo các nhân tố ảnh hưởng đến nhận thức lợi ích
của người dùng khi sử dụng Fintech giải thích được
64,533% độ biến thiên của dữ liệu và được giải thích
bởi các nhân tố như ban đầu và không có sự xáo trộn
giữa các biến.
Kết quả phân tích nhân tố khám phá thang đo các
nhân tố ảnh hưởng đến nhận thức rủi ro của người
dùng khi sử dụng Fintech, được thực hiện với phương
pháp Principal Axis Factoring và phép xoay Promax.
Kết quả phân tích Bảng 6 cho thấy, giá trị KMO =
0,810 (0,5 KMO = 0,810 1) và kiểm định Bar-
lett’s về tương quan của các biến quan sát có giá trị
Sig = 0,000 < 5% chứng tỏ các biến có liên quan
chặt chẽ49. Giá trị tổng phương sai trích = 67,648%
(>50%) đạt yêu cầu và cho biết các biến thành phần
trong thang đo các nhân tố ảnh hưởng đến nhận thức
rủi ro của người dùng khi sử dụng Fintech giải thích
được 67,648% độ biến thiên của dữ liệu và được giải
thích bởi các nhân tố như ban đầu và không có sự xáo
trộn giữa các biến.
Kết quả phân tích nhân tố khám phá thang đo nhận
thức lợi ích của người dùng khi sử dụng Fintech, được
thực hiện với phương pháp Principal Axis Factoring
và phép xoay Promax. Kết quả phân tích Bảng 7 cho
thấy, giá trị KMO= 0,786 (0,5KMO= 0,786 1) và
kiểm định Barlett’s về tương quan của các biến quan
sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có
liên quan chặt chẽ49. Giá trị tổng phương sai trích =
64,327% (>50%) đạt yêu cầu và cho biết các biến thành
phần trong thang đo nhận thức lợi ích của người dùng
khi sử dụng Fintech giải thích được 64,327% độ biến
thiên của dữ liệu và được giải thích bởi các biến như
ban đầu.
Kết quả phân tích nhân tố khám phá thang đo nhận
thức rủi ro của người dùng khi sử dụng Fintech, được
thực hiện với phương pháp Principal Axis Factoring
và phép xoay Promax. Kết quả phân tích Bảng 8 cho
thấy, giá trị KMO= 0,611 (0,5KMO= 0,611 1) và
kiểm định Barlett’s về tương quan của các biến quan
sát có giá trị Sig = 0,000 < 5% chứng tỏ các biến có
liên quan chặt chẽ49. Giá trị tổng phương sai trích =
52,120% (>50%) đạt yêu cầu và cho biết các biến thành
phần trong thang đo nhận thức rủi ro của người dùng
khi sử dụng Fintech giải thích được 52,120% độ biến
thiên của dữ liệu và được giải thích bởi các biến như
ban đầu.
Kết quả phân tích nhân tố khám phá thang đo ý định
tiếp tục sử dụng Fintech của người dùng, được thực
hiện với phương pháp Principal Components và phép
xoay Varimax. Kết quả phân tích Bảng 9 cho thấy, giá
trị KMO = 0,629 (0,5 KMO = 0,629 1) và kiểm
định Barlett’s về tương quan của các biến quan sát có
giá trị Sig = 0,000 < 5% chứng tỏ các biến có liên quan
chặt chẽ49. Giá trị tổng phương sai trích = 61,109%
(>50%) đạt yêu cầu và cho biết các biến thành phần
trong thang đo ý định tiếp tục sử dụng Fintech của
người dùng giải thích được 61,109% độ biến thiên của
dữ liệu và được giải thích bởi các biến như ban đầu.
Kiểmđịnh thang đo bằngphân tích nhân tố
khẳng định (CFA)
Kết quả phân tích nhân tố khẳng định thang đo các
nhân tố ảnh hưởng đến nhận thức lợi ích của người
dùng khi sử dụng Fintech tại Bảng 10 cho thấy, tất cả
các biến đều có trọng số chuẩn hóa cao > 0,5. Mô hình
tới hạn có 23 bậc tự do, giá trị P của phép kiểm định
Chi-square = 0,000; Chi-square/df = 2,343 (<4); TLI
= 0,977; CFI = 0,985; GFI = 0,975 (đều lớn hơn 0,9) và
RMSEA= 0,053 (<0,08) tất cả đều đáp ứng tốt yêu cầu
đề ra từ đó chứng tỏ các thành phần trong thang đo
phù hợp với dữ liệu thị trường. Kết quả CFA cho thấy
không có tương quan giữa các sai số đo lường (hệ số
tương quan giữa các biến quan sát đều nhỏ hơn 1) nên
đạt tính đơn hướng. Bên cạnh đó, kết quả phân tích
CFA cho thấy tất cả các khái niệm nghiên cứu đều đạt
giá trị phân biệt (mức ý nghĩa đều < 0,05) và tất cả các
hệ số tương quan của từng cặp khái niệm khác biệt so
với 1 ở độ tin cậy 95%.
Kết quả phân tích nhân tố khẳng định thang đo các
nhân tố ảnh hưởng đến nhận thức rủi ro của người
dùng khi sử dụng Fintech tại Bảng 11 cho thấy, tất cả
các biến đều có trọng số chuẩn hóa cao > 0,5. Mô hình
tới hạn có 20 bậc tự do, giá trị P của phép kiểm định
Chi-square =0,000; Chi-square/df = 3,497 (<4); TLI =
0,959; CFI = 0,977; GFI = 0,969 (đều lớn hơn 0,9) và
RMSEA= 0,073 (<0,08) tất cả đều đáp ứng tốt yêu cầu
đề ra từ đó chứng tỏ các thành phần trong thang đo
phù hợp với dữ liệu thị trường. Kết quả CFA cho thấy
không có tương quan giữa các sai số đo lường (hệ số
tương quan giữa các biến quan sát đều nhỏ hơn 1) nên
đạt tính đơn hướng. Bên cạnh đó, kết quả phân tích
CFA cho thấy tất cả các khái niệm nghiên cứu đều đạt
984
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 5: Phân tích nhân tố khám phá thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng
Fintech
Tên biến Nhân tố
Giao dịch
liên tục
Sự thuận
tiện
Lợi ích kinh tế
GDLT2. Tôi có thể sử dụng nhiều dịch vụ tài chính khác trong cùng
một lúc khi tôi sử dụng các dịch vụ tài chính của Fintech.
0,978 0,031 -0,023
GDLT3. Tôi có thể thực hiện các giao dịch ngang hàng giữa người
dùng và nhà cung cấpmà không cần người trung gian khi tôi sử dụng
các dịch vụ tài chính của Fintech.
0,899 -0,040 0,054
GDLT1. Tôi có thể kiểm soát tiền của mình mà không cần người
trung gian (ngân hàng) kiểm tra khi tôi sử dụng các dịch vụ tài chính
của Fintech.
0,620 -0,008 -0,050
TT3. Tôi có thể sử dụng các dịch vụ tài chính dễ dàng khi tôi sử dụng
các dịch vụ tài chính của Fintech.
-0,003 0,883 -0,079
TT2. Tôi có thể sử dụng dịch vụ tài chính bất kỳ lúc nào, bất kỳ nơi
đâu khi tôi sử dụng các dịch vụ tài chính của Fintech.
0,022 0,735 0,078
TT1. Tôi có thể sử dụng dịch vụ tài chính rất nhanh khi tôi sử dụng
các dịch vụ tài chính của Fintech.
-0,040 0,689 0,062
LIKT2. Tôi có thể tiết kiệm nhiều hơn khi sử dụng các dịch vụ tài
chính của Fintech.
-0,042 -0,050 0,814
LIKT1. Việc sử dụng các dịch vụ tài chính của Fintech sẽ rẻ hơn so
với dịch vụ tài chính truyền thống.
-0,019 -0,003 0,794
LIKT3. Tôi có thể sử dụng nhiều dịch vụ tài chính khác nhau với chi
phí thấp khi tôi sử dụng các dịch vụ tài chính của Fintech.
0,058 0,138 0,656
Hệ số KMO = 0,746
Mức ý nghĩa kiểm định Barlett = 0,000
Phương sai trích = 64,533%
(Nguồn: Kết quả nghiên cứu, 2020)
giá trị phân biện (mức ý nghĩa đều < 0,05) và tất cả các
hệ số tương quan của từng cặp khái niệm khác biệt so
với 1 ở độ tin cậy 95%.
Kết quả phân tích nhân tố khẳng định các thang đo
nhận thức lợi ích, nhận thức rủi ro, và tiếp tục sử dụng
Fintech của người dùng tại Bảng 12 cho thấy, tất cả các
biến đều có trọng số chuẩn hóa cao > 0,5. Mô hình
tới hạn có 31 bậc tự do, giá trị P của phép kiểm định
Chi-square =0,000; Chi-square/df = 3,214 (<4); TLI =
0,944; CFI = 0,961; GFI = 0,960 (đều lớn hơn 0,9) và
RMSEA= 0,069 (<0,08) tất cả đều đáp ứng tốt yêu cầu
đề ra từ đó chứng tỏ các thành phần trong thang đo
phù hợp với dữ liệu thị trường. Kết quả CFA cho thấy
không có tương quan giữa các sai số đo lường (hệ số
tương quan giữa các biến quan sát đều nhỏ hơn 1) nên
đạt tính đơn hướng. Bên cạnh đó, kết quả phân tích
CFA cho thấy tất cả các khái niệm nghiên cứu đều đạt
giá trị phân biệt (mức ý nghĩa đều < 0,05) và tất cả các
hệ số tương quan của từng cặp khái niệm khác biệt so
với 1 ở độ tin cậy 95%.
Kiểm định mô hình cấu trúc tuyến tính
(SEM)
Kết quả phân tích mô hình SEM lần 1 tại Bảng 13 cho
thấy, mô hình tới hạn có 239 bậc tự do, giá trị P của
phép kiểm định Chi-square =0,000; Chi-square/df =
2,297 (<4); TLI = 0,929; CFI = 0,938; GFI = 0,900 (đều
lớn hơn 0,9) và RMSEA = 0,052 (<0,08) tất cả đều đáp
ứng tốt yêu cầu, chứng tỏ các thành phần trong thang
đo phù hợp với dữ liệu thị trường. Kết quả còn cho
thấy, có hai nhân tố có mối quan hệ tuyến tính với ý
định tiếp tục sử dụng Fintech của người dùng là nhân
tố nhận thức lợi ích và nhận thức rủi ro ởmức ý nghĩa
thống kê 1%, nhân tố nhận thức lợi ích bị ảnh hưởng
bởi lợi ích kinh tế và sự thuận tiện ở mức ý nghĩa 1%,
và nhân tố nhận thức rủi ro bị ảnh hưởng bởi rủi ro
tài chính và rủi ro bảo mật ở mức ý nghĩa 1%. Riêng
nhân tố giao dịch liên tục không có tác động đến nhận
985
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 6: Phân tích nhân tố khám phá thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng
Fintech
Tên biến Nhân tố
Rủi ro tài
chính
Rủi ro bảo mật Rủi ro hoạt động
RRTC2. Gian lận tài chính và gian lận thanh toán không
thể xảy ra khi tôi sử dụng các dịch vụ tài chính của Fintech.
0,913 -0,037 -0,071
RRTC3. Thiệt hại tài chính không thể xảy ra do thiếu khả
năng liên kết (tương tác) với các dịch vụ khác khi tôi sử
dụng các dịch vụ tài chính của Fintech.
0,827 0,001 0,008
RRTC1. Thiệt hại tài chính không thể xảy ra khi tôi sử dụng
các dịch vụ tài chính của Fintech.
0,767 0,028 0,060
RRBM2. Thông tin tài chính của tôi an toàn khi tôi sử dụng
các dịch vụ tài chính của Fintech.
-0,051 0,835 -0,022
RRBM3. Tôi không lo lắng rằng ai đó có thể truy cập thông
tin tài chính của tôi khi tôi sử dụng các dịch vụ tài chính
của Fintech.
0,018 0,830 0,031
RRBM1. Tôi không lo lắng về việc bị lạm dụng thông tin
tài chính của mình (ví dụ: giao dịch cá nhân hay thông tin
cá nhân) khi tôi sử dụng các dịch vụ tài chính của Fintech.
0,021 0,767 -0,032
RRHD1. Các công ty sở hữu Fintech sẵn sàng giải quyết
các vấn đề khi xảy ra tổn thất tài chính hoặc rò rỉ thông tin
tài chính của người dùng.
-0,138 -0,009 0,950
RRHD2. Tôi không lo lắng về hoạt động của hệ thống các
dịch vụ tài chính của Fintech.
0,050 -0,075 0,801
RRHD3. Tôi không lo lắng các công ty sở hữu Fintech có
thể bị sụp đổ (phá sản) dẫn đến tổn thất lớn chongười dùng
0,173 0,122 0,618
Hệ số KMO = 0,810
Mức ý nghĩa kiểm định Barlett = 0,000
Phương sai trích = 67,648%
(Nguồn: Kết quả nghiên cứu, 2020)
Bảng 7: Phân tích nhân tố khám phá thang đo nhận thức lợi ích của người dùng Fintech
Tên biến Nhân tố
Nhận thức lợi ích
NTLI2. Tôi có thể dễ dàng và nhanh chóng sử dụng các dịch vụ tài chính của Fintech. 0,885
NTLI1. Sử dụng các dịch vụ tài chính của Fintech có nhiều lợi ích. 0,845
NTLI3. Việc sử dụng dịch vụ tài chính của Fintech thì hữu ích (thuận tiện, chi phí,
thời gian) cho tôi.
0,833
NTLI4. Việc sử dụng dịch vụ tài chính của Fintech mang lại nhiều kết quả vượt trội
hơn so với các dịch vụ tài chính truyền thống.
0,619
Hệ số KMO = 0,786
Mức ý nghĩa kiểm định Barlett = 0,000
Phương sai trích = 64,327%
(Nguồn: Kết quả nghiên cứu, 2020)
986
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 8: Phân tích nhân tố khám phá thang đo nhận thức rủi ro của người dùng Fintech
Tên biến Nhân tố
Nhận thức rủi ro
NTRR2. Có một mức độ chắc chắn cao khi sử dụng các dịch vụ tài chính của Fintech. 0,960
NTRR1. Việc sử dụng các dịch vụ tài chính của Fintech không gắn liền với mức độ rủi ro cao. 0,606
NTRR3. Tôi nghĩ rằng có rất ít rủi ro khi sử dụng các dịch vụ tài chính của Fintech so với các
dịch vụ tài chính truyền thống.
0,525
Hệ số KMO = 0,611
Mức ý nghĩa kiểm định Barlett = 0,000
Phương sai trích = 52,120%
(Nguồn: Kết quả nghiên cứu, 2020)
Bảng 9: Phân tích nhân tố khám phá thang đo nhận thức rủi ro của người dùng Fintech
Tên biến Nhân tố
Ý định tiếp tục sử dụng
YDINH2. Tôi có ý định tiếp tục sử dụng các ứng dụng của Fintech. 0,844
YDINH3. Tôi sẽ sử dụng các ứng dụng của Fintech trong tương lai. 0,767
YDINH1. Tôi sẽ yêu thích các ứng dụng của Fintech hơn. 0,729
Hệ số KMO = 0,629
Mức ý nghĩa kiểm định Barlett = 0,000
Phương sai trích = 61,109%
(Nguồn: Kết quả nghiên cứu, 2020)
thức lợi ích và nhân tố rủi ro hoạt động không có tác
động đến nhận thức rủi ro do hai nhân tố này có mức
ý nghĩa thống kê lớn hơn 10% và sẽ bị loại ra khỏi mô
hình nghiên cứu, tác giả đủ cơ sở để bác bỏ giả thuyết
H4 và H8 do có mức ý nghĩa thống kê lớn hơn 10%.
Đối với nhân tố giao dịch liên tục không ảnh hưởng
đến nhận thức lợi ích là do trong thực tế, người sử
dụng chỉ sử dụng Fintech cho mỗi giao dịch khác
nhau, ít có người sử dụng cùng lúc nhiều giao dịch
liên tục do đó nhân tố này trong thực tế không có ảnh
hưởng đến nhận thức lợi ích của người dùng. Đối
với nhân tố rủi ro hoạt động, nhân tố này thể hiện
khả năng người dùng sẽ bị nhiều tổn thất lớn khi tổ
chức tài chính bị ảnh hưởng, hay sụp đổ các tổ chức
tài chính, nhưng tại Việt Nam với hệ thống tài chính
chặt chẽ, cùng với sự quản lý của nhà nước nên người
sử dụng Fintech cho rằng hầu như việc các tổ chức sụp
đổ là điều khó có thể xảy ra do đó nhân tố này trong
thực tế không có ảnh hưởng đến nhận thức rủi ro của
người dùng.
Kết quả phân tích mô hình SEM lần 2 tại Hình 2 cho
thấy, tất cả các thành phần đưa vào trongmô hình đều
có ý nghĩa thống kê ở mức 1%, mô hình có 198 bậc tự
do, giá trị Chi-square có p = 0,000, các kiểm địnhmức
độ phù hợp chung củamô hình cấu trúc với các chỉ số
Chi-square/df = 2,496 (<4); GFI = 0,916; TLI = 0,932;
CFI = 0,942 (>= 0,9); RMSEA = 0,056 (<0,08) chứng
tỏ mô hình phù hợp với dữ liệu thị trường.
THẢO LUẬN KẾT QUẢNGHIÊN CỨU
Đối với nhân tố nhận thức lợi ích của người dùng Fin-
tech bị ảnh hưởng bởi sự thuận tiện và lợi ích kinh tế
ở mức ý nghĩa 1% và hai nhân tố này giải thích được
85% sự biến động của nhận thức lợi ích của người
dùng Fintech, trong đó sự thuận tiện có tác động lớn
nhất đến nhận thức lợi ích của người dùng Fintech
(Bảng 14), tác giả có đủ cơ sở để chấp nhận giả thuyết
H3 vàH5. Kết quả nghiên cứunày phùhợp với nghiên
cứu của các nhà nghiên cứu khác8,10,13.
Đối với nhân tố nhận thức rủi ro của người dùng Fin-
tech bị ảnh hưởng bởi rủi ro tài chính và rủi ro bảo
mật ở mức ý nghĩa 1% và hai nhân tố này giải thích
được 18,2% sự biến động của nhận thức rủi ro của
người dùng Fintech, trong đó rủi ro tài chính có tác
động lớn nhất đến nhận thức rủi ro của người dùng
Fintech (Bảng 14), tác giả có đủ cơ sở để chấp nhận
giả thuyếtH6 vàH7. Kết quả nghiên cứu này phù hợp
với các nghiên cứu của các nhà nghiên cứu khác8,10.
Ý định tiếp tục sử dụng các dịch vụ tài chính của Fin-
tech thì bị tác động tích cực bởi nhân tố nhận thức lợi
987
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 10: Phân tích nhân tố khẳng định thang đo các nhân tố ảnh hưởng đến nhận thức lợi ích của người dùng
Fintech
Mối quan hệ Chưa chuẩn hóa Chuẩn hóa
Trọng số Sai lệch
chuẩn
Giá trị tới
hạn CR
Mức ý
nghĩa
Trọng
số
LIKT3 <— LOIICHKT 1,000 0,777
LIKT2 <— LOIICHKT 1,143 0,075 15,237 *** 0,757
LIKT1 <— LOIICHKT 1,180 0,076 15,454 *** 0,773
TT3 <— THUANTIEN 1,000 0,797
TT2 <— THUANTIEN 1,000 0,061 16,477 *** 0,809
TT1 <— THUANTIEN 0,878 0,057 15,356 *** 0,735
GDLT3 <— GIAODICHLT 1,000 0,886
GDLT2 <— GIAODICHLT 1,099 0,044 25,238 *** 0,993
GDLT1 <— GIAODICHLT 0,640 0,042 15,408 *** 0,609
P-value =0,000; df = 23; Chi-square/df = 2,343; TLI = 0,977; CFI = 0,985; GFI = 0,975; RMSEA = 0,053
(Nguồn: Kết quả nghiên cứu, 2020)
Bảng 11: Phân tích nhân tố khẳng định thang đo các nhân tố ảnh hưởng đến nhận thức rủi ro của người dùng
Fintech
Mối quan hệ Chưa chuẩn hóa Chuẩn hóa
Trọng số Sai lệch
chuẩn
Giá trị tới
hạn CR
Mức ý
nghĩa
Trọng
số
RRTC3 <— RRTAICHINH 1,000 0,828
RRTC2 <— RRTAICHINH 0,992 0,051 19,314 *** 0,849
RRTC1 <— RRTAICHINH 0,970 0,053 18,415 *** 0,797
RRHD3 <— RRHOATDONG 1,000 0,757
RRHD2 <— RRHOATDONG 1,161 0,069 16,908 0,796
RRHD1 <— RRHOATDONG 1,178 0,069 17,138 *** 0,850
RRBM3 <— RRBAOMAT 1,000 0,854
RRBM2 <— RRBAOMAT 0,931 0,054 17,197 0,778
RRBM1 <— RRBAOMAT 0,980 0,058 17,036 *** 0,769
P-value=0,000; df = 20; Chi-square/df = 3,497; TLI = 0,959; CFI = 0,977; GFI = 0,969; RMSEA = 0,073
(Nguồn: Kết quả nghiên cứu, 2020)
988
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 12: Phân tích nhân tố khẳng định thang đo nhận thức lợi ích, nhận thức rủi ro, và ý định tiếp tục sử dụng
Fintech của người dùng
Mối quan hệ Chưa chuẩn hóa Chuẩn hóa
Trọng số Sai lệch
chuẩn
Giá trị tới
hạn CR
Mức ý
nghĩa
Trọng
số
NTLI1 <— NTLOIICH 1,000 0,821
NTLI2 <— NTLOIICH 1,047 0,047 22,422 *** 0,868
NTLI3 <— NTLOIICH 1,136 0,052 21,736 *** 0,878
NTLI4 <— NTLOIICH 0,896 0,060 14,830 *** 0,665
NTRR3 <— NTRUIRO 1,000 0,529
NTRR2 <— NTRUIRO 1,988 0,237 8,387 *** 0,955
NTRR1 <— NTRUIRO 1,258 0,125 10,039 *** 0,609
YDINH1 <— YDINH 1,000 0,592
YDINH2 <— YDINH 1,473 0,152 9,670 *** 0,762
YDINH3 <— YDINH 0,938 0,102 9,179 *** 0,605
P-value=0,000; df = 31; Chi-square/df = 3,214; TLI = 0,944; CFI = 0,961; GFI = 0,960; RMSEA = 0,069
(Nguồn: Kết quả nghiên cứu, 2020)
Bảng 13: Kết quả phân tíchmô hình cấu trúc tuyến tính lần 1
Mối quan hệ Trọng số Sai lệch
chuẩn
Giá trị tới
hạn CR
Mức ý nghĩa
NTLOIICH <— LOIICHKT 0,526 0,060 8,815 ***
NTLOIICH <— THUANTIEN 0,583 0,054 10,763 ***
NTLOIICH <— GIAODICHLT -0,002 0,050 -0,042 0,967
NTRUIRO <— RRTAICHINH 0,146 0,033 4,457 ***
NTRUIRO <— RRBAOMAT 0,126 0,035 3,609 ***
NTRUIRO <— RRHOATDONG -0,017 0,036 -0,486 0,627
YDINH <— NTLOIICH 0,323 0,039 8,220 ***
YDINH <— NTRUIRO -0,212 0,069 -3,058 0,002
P-value =0,000;df = 239; Chi-square/df = 2,297; TLI = 0,929; CFI = 0,938; GFI = 0,900; RMSEA = 0,052
(Nguồn: Kết quả nghiên cứu, 2020)
989
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
ích và bị tác động tiêu cực bởi nhân tố nhận thức rủi ro
của người dùng ở mức ý nghĩa 1% và hai nhân tố trên
giải thích được 32,7% sự biến động của ý định tiếp
tục sử dụng Fintech của người dùng, trong đó nhân tố
nhận thức lợi ích có tác động lớn nhất đến ý định tiếp
tục sử dụng Fintech của người dùng (Bảng 14), tác giả
có đủ cơ sở để chấp nhận giả thuyết H1 và H2. Trong
thực tế, người dùng quan tâm đến lợi ích nhận được
nhiều hơn là rủi ro họ có thể gặp phải khi sử dụng
Fintech, và người dùng sử dụng Fintech để giao dịch
các khoản có giá trị nhỏ vì vậy nhân tố lợi ích được
người dùng Fintech cân nhắc nhiều hơn so với nhân
tố rủi ro khi sử dụng Fintech của người dùng. Kết quả
nghiên cứu này phù hợp với nghiên cứu của 8.
Kết quả phân tích mô hình SEM với đối tượng người
sử dụng thành thạo và chưa thành thạo các dịch vụ
tài chính của Fintech tại Bảng 15 cho thấy: Đối với
người sử dụng chưa thành thạo các ứng dụng của Fin-
tech, nhận thức lợi ích bị ảnh hưởng bởi lợi ích kinh
tế và sự thuận tiện, và nhận thức lợi ích có tác động
tích cực đến ý định tiếp tục sử dụng các dịch vụ tài
chính của Fintech do có mức ý nghĩa thống kê nhỏ
hơn 1%. Tuy nhiên, nhận thức rủi ro bị tác động bởi
rủi ro tài chính, và không có tác động đến ý định tiếp
tục sử dụng các dịch vụ tài chính của Fintech, do có
mức ý nghĩa thống kê lớn hơn 10% (Hình 3). Đối
với người sử dụng thành thạo các ứng dụng của Fin-
tech, nhận thức lợi ích cũng bị ảnh hưởng bởi lợi ích
kinh tế và sự thuận tiện, và nhận thức lợi ích có tác
động tích cực đến ý định tiếp tục sử dụng các dịch
vụ tài chính của Fintech do có mức ý nghĩa thống kê
nhỏ hơn 1%. Ngược lại, nhận thức rủi ro bị tác động
bởi rủi ro tài chính và rủi ro bảo mật, và có tác động
tiêu cực đến ý định tiếp tục sử dụng các dịch vụ tài
chính của Fintech, do có mức ý nghĩa thống kê lớn
hơn 10% (Hình 4). Dựa trên các phân tích trên, bác
bỏ giả thuyết H9, vì nhận thức lợi ích có tác động đến
ý định tiếp tục sử dụng thành thạo và chưa thành thạo
các dịch vụ tài chính của Fintech tại mức ý nghĩa 1%.
Ngược lại, chấp nhận giả thuyết H10, do nhận thức
rủi ro chỉ có tác động đến ý định tiếp tục sử dụng
thành thạo các dịch vụ tài chính của Fintech, và không
có tác động đến ý định tiếp tục sử dụng chưa thành
thạo các dịch vụ tài chính của Fintech.
KẾT LUẬN VÀHÀMÝ
Nghiên cứu tiến hành điều tra phỏng vấn 472 khách
hàng có độ tuổi từ 18 đến 39 tuổi đang sống và làm
việc tại thành phố Hồ Chí Minh để đánh giá nhận
thức lợi ích – rủi ro và ý định tiếp tục sử dụng Fin-
tech của người dùng, nghiên cứu sử dụng các phương
pháp phân tích thống kê mô tả, phân tích hệ số Cron-
bach’s Alpha, phân tích nhân tố khám phá, phân tích
nhân tố khẳng định, và phân tích mô hình cấu trúc
tuyến tính. Kết quả nghiên cứu thể hiện một số điểm
như sau:
Thứ nhất, nhận thức lợi ích của người dùng Fintech
bị ảnh hưởng tích cực bởi lợi ích kinh tế và sự thuận
tiện của việc sử dụng Fintech, kết quả nghiên cứu
này phù hợp với nghiên cứu của các nhà nghiên cứu
khác8,10,11, do đó để khuyến khích người dùng tiếp
tục sử dụng Fintech thì các tổ chức tín dụng nên tập
trung vào cải thiện chất lượng dịch vụ, cải thiện các
quy trình nhằm tăng lợi ích kinh tế khi sử dụng Fin-
tech, và liên tục đổi mới, cải thiện đường truyền của
Fintech để đảm bảo người dùng có thể thoải mái sử
dụng, thuận tiện khi cần thiết từ đó nâng cao nhận
thức lợi ích của người dùng khi sử dụng Fintech.
Thứ hai, nhận thức rủi ro của người dùng Fintech bị
ảnh hưởng bởi rủi ro tài chính và rủi ro bảo mật của
Fintech, kết quả nghiên cứu này phù hợp với nghiên
cứu của các nhà nghiên cứu khác8,10, do đó để khuyến
khích người dùng tiếp tục sử dụng Fintech thì các tổ
chức tín dụng nên tập trung vào việc liên tục nâng cao
các lớp bảomật nhằm đảm bảo không xảy ra rủi ro tài
chính và bảo mật từ đó giảm thiểu nhận thức rủi ro
của người dùng Fintech.
Thứ ba, ý định tiếp tục sử dụng Fintech của người
dùng bị ảnh hưởng tích cực bởi nhận thức lợi ích và bị
tác động tiêu cực bởi nhận thức rủi ro, kết quả nghiên
cứu này phù hợp với nghiên cứu của các nhà nghiên
cứu khác8,10–13, do đó để khuyến nghị người dùng
tiếp tục sử dụng Fintech thì các tổ chức tín dụng nên
quan tâm đến các nhân tố thuộc về nhận thức lợi ích
và nhận thức rủi ro theo hướng tăng nhận thức về lợi
ích và giảm thiểu tối đa rủi ro trong quá trình sử dụng
từ đó khuyến khích họ tiếp tục sử dụng Fintech.
Thứ tư, đối người người sử dụng chưa thành thạo các
ứng dụng của Fintech, nhận thức lợi ích bị ảnh hưởng
bởi lợi ích kinh tế và sự thuận tiện, và ý định tiếp tục
sử dụng các dịch vụ tài chính của Fintech bị tác động
tích cực bởi nhận thức lợi ích và không bị tác động
bởi nhận thức rủi ro. Trong đó, nhận thức rủi ro bị
tác động bởi rủi ro tài chính.
Thứ năm, đối người người sử dụng thành thạo các
ứng dụng của Fintech, nhận thức lợi ích cũng bị ảnh
hưởng bởi lợi ích kinh tế và sự thuận tiện, và nhận
thức lợi ích có tác động tích cực đến ý định tiếp tục sử
dụng các dịch vụ tài chính của Fintech nhưng nhận
thức rủi ro có tác động tiêu cực đến ý định tiếp tục sử
dụng các dịch vụ tài chính của Fintech, và bị tác động
bởi rủi ro tài chính và rủi ro bảo mật.
Mặc dù, nghiên cứu có những kết quả nhất định
nhưng nghiên cứu cũng có một số hạn chế, chẳng
hạn như: Thứ nhất, nghiên cứu sử dụng phương pháp
chọn mẫu thuận tiện, phương pháp này có hạn chế là
990
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Hình 2: Phân tích mô hình cấu trúc tuyến tính hiệu chỉnha
a(Nguồn: Kết quả nghiên cứu, 2020)
Bảng 14: Kết quả phân tíchmô hình cấu trúc tuyến tính hiệu chỉnh
Mối quan
hệ
Trọng
số chưa
chuẩn
hóa
Trọng số
chuẩn
hóa
Sai lệch
chuẩn
Giá trị
tới hạn
CR
Mức ý
nghĩa
Kết luận
NTLOIICH <— LOIICHKT 0,509 0,430 0,060 8,474 0,000 Chấp nhận
H3
NTLOIICH <— THUANTIEN 0,598 0,586 0,054 10,981 0,000 Chấp nhận
H5
NTRUIRO <— RRTAICHINH 0,140 0,282 0,031 4,513 0,000 Chấp nhận
H6
NTRUIRO <— RRBAOMAT 0,119 0,220 0,033 3,610 0,000 Chấp nhận
H7
YDINH <— NTLOIICH 0,322 0,546 0,039 8,206 0,000 Chấp nhận
H1
YDINH <— NTRUIRO -0,212 -0,170 0,069 -3,066 0,002 Chấp nhận
H2
Chi-square/df = 2,496; GFI = 0,916; TLI = 0,932; CFI = 0,942; RMSEA = 0,056
(Nguồn: Kết quả nghiên cứu, 2020)
991
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Hình 3: Phân tích mô hình cấu trúc tuyến tính: trường hợp chưa sử dụng thành thạoa
a(Nguồn: Kết quả nghiên cứu, 2020)
Hình 4: Phân tích mô hình cấu trúc tuyến tính: trường hợp sử dụng thành thạoa
a(Nguồn: Kết quả nghiên cứu, 2020)
992
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
Bảng 15: Kết quả phân tíchmô hình cấu trúc tuyến tính theomức độ sử dụng
Mối quan hệ Trọng số
chưa chuẩn
hóa (chưa
thành thạo)
Mức ý nghĩa Trọng số
chưa chuẩn
hóa (thành
thạo)
Mức ý nghĩa
NTLOIICH <— LOIICHKT 0,294 0,004 0,576 0,000
NTLOIICH <— THUANTIEN 0,946 0,000 0,503 0,000
NTRUIRO <— RRTAICHINH 0,270 0,001 0,100 0,002
NTRUIRO <— RRBAOMAT 0,103 0,200 0,118 0,000
YDINH <— NTLOIICH 0,210 0,005 0,348 0,000
YDINH <— NTRUIRO -0,038 0,763 -0,283 0,000
Chi-square/df = 1,904; GFI = 0,881; TLI = 0,920; CFI = 0,931; RMSEA = 0,044
(Nguồn: Kết quả nghiên cứu, 2020)
không cần chú ý đến tính đại diện tổng thể mà chỉ
chú ý đến tính thuận tiện cho người nghiên cứu 50;
Thứ hai, việc kiểm định mô hình trên một số mẫu
nhất định, mặc dù rút ra hàm ý khuyến khích người
dùng tiếp tục sử dụng các dịch vụ tài chính của Fin-
tech, nhưng do cỡ mẫu hạn chế có thể làm hạn chế
khả năng tổng quát của nghiên cứu; Thứ ba, nghiên
cứu chỉ tiến hành trên đối tượng có độ tuổi từ 18 đến
40 tuổi, và chưa xem xét các đối tượng ở những độ
tuổi khác, điều này cũng là hạn chế của nghiên cứu.
Cuối cùng, các nghiên cứu tiếp theo có thể mở rộng
thêm đối tượng nghiên cứu là người dùng ở nhiều độ
tuổi khác nhau, và xem xét sự khác nhau như thế nào
giữa đặc điểm cá nhân người sử dụng đối với các dịch
vụ tài chính của Fintech.
DANHMỤC CÁC CHỮ VIẾT TẮT
CFA: Confirmatory Factor Analysis
CFI: Comparative Fit Index
EFA: Exploratory Factor Analysis
Fintech: Financial Technology
GFI: Goodness of Fix Index
GIAODICHLT: Giao dịch liên tục
KMO: Kaiser-Meyer-Olkin
LOIICHKT: Lợi ích kinh tế
NTLOIICH: Nhận thức lợi ích
NTRUIRO: Nhận thức rủi ro
RRTAICHINH: Rủi ro tài chính
RRHOATDONG: Rủi ro hoạt động
RRBAOMAT: Rủi ro bảo mật
RMSEA: Root Mean Square Error Approximation
SEM: Structural Equation Modeling
THUANTIEN: Sự thuận tiện
TLI: Tucker & Lewis Index
YDINH: Ý định tiếp tục sử dụng
TUYÊN BỐ XUNGĐỘT
Nhóm tác giả xin cam đoan rằng không có bất kì xung
đột lợi ích nào trong công bố bài báo.
ĐÓNGGÓP CỦA TÁC GIẢ
Các tác giả đều đóng góp như nhau trong việc thực
hiện bài báo nghiên cứu, trong đó tác giả Nguyễn
HoàngMinh chịu trách nhiệm chính về nội dung toàn
bài báo nghiên cứu. Tác giả NguyễnHoàngMinh: xây
dựng khung nghiên cứu và viết kết quả nghiên cứu;
tác giả LêThịThúyVi vàHứa LêThiênBảo: tổng quan
lý thuyết, xây dựng mô hình nghiên cứu, thu thập và
xử lý dữ liệu.
TÀI LIỆU THAMKHẢO
1. Schueffed P. Taming the beast: A scientific definition of Fin-
tech. Journal of Innovation Management. 2019;4(4):32–54.
Available from: https://doi.org/10.2139/ssrn.3097312.
2. Lee TH, Kim HW. An exploratory study on fintech industry in
Korea: Crowdfunding case. Proceedings in International Con-
ference on Innovative Engineering Technologies Bangkok.
2015;Available from:
7333E0815045.pdf.
3. Barberis J. The rise of Fintech: Getting Hong Kong to lead the
digital financial transition in APAC. Fintech report Fintech HK.
2014;.
993
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
4. Chishti S, Barberis J. The Fintech Book: The financial technol-
ogy handbook for investors, entrepreneurs and visionaries.
Chichester. UK: John Wiley & Sons Ltd. 2016;Available from:
https://doi.org/10.1002/9781119218906.
5. Pwc. Blurred lines: How Fintech is shaping Financial
Service - Global Fintech Report. 2016;Available from:
20FinTech%20Global%20Report.pdf.
6. ISB. Fintech tại Việt Nam: nắm bắt xu hướng để phát triển.
2018;Available from: https://isb.edu.vn/mba/fintech-tai-viet-
nam-nam-bat-xu-huong-de-phat-trien/.
7. Thức ĐC. Bàn về xu hướng FINTECH trong lĩnh vực
ngân hàng và những chuyển động ban đầu ở Việt
Nam. 2017;Available from: https://www.sbv.gov.vn/
webcenter/portal/vi/menu/rm/apph/tcnh/tcnh_chitiet?
leftWidth=20%25&showFooter=false&showHeader=false&
dDocName=SBV312981&rightWidth=0%25¢erWidth=
80%25&_afrLoop=2489398884050539#%40%3F_afrLoop%
3D2489398884050539%26centerWidth%3D80%2525%
26dDocName%3DSBV312981%26leftWidth%3D20%
2525%26rightWidth%3D0%2525%26showFooter%3Dfalse%
26showHeader%3Dfalse%26_adf.ctrl-state%3Dti6edkkn5_9.
8. Ryu HS. What makes users willing or hesitant to use Fintech?
The moderating effect of user type Industrial Management
& Data Systems. 2018;Available from: https://doi.org/10.1108/
IMDS-07-2017-0325.
9. Davis FD, Bagozzi RP, Warshaw PR. User acceptance of com-
puter technology: A comparison of two theoretical models.
Management Science. 1989;35(8):982–1003. Available from:
https://doi.org/10.1287/mnsc.35.8.982.
10. Chuang LM, Liu CC, Kao HK. The adoption of Fintech service:
TAM perspective. International Journal of Management and
Administrative Sciences. 2016;3(7):1–15.
11. Jin CC, Seong LC, Khin AA. Factors Affecing the consumer ac-
ceptance towards Fintech products and services in Malaysia.
International Journal of Asian Social Science. 2019;9(1):59–65.
Available from: https://doi.org/10.18488/journal.1.2019.91.59.
65.
12. Huei CT, Cheng LS, Seong LC, Khin CC, Bin RLL. Preliminary
study on consumer attitude towards Fintech procducts and
services in Malaysia. International Journal of Engineering
& Technology. 2018;7(2.29):166–169. Available from: https:
//doi.org/10.14419/ijet.v7i2.29.13310.
13. Meyliana, Fermando R, Surjandy. The influence of perceived
risk and trust in adoption of Fintech services in Indonesia.
Communication & Informantion Technology. 2019;13(1):31–
37. Available from: https://doi.org/10.21512/commit.v13i1.
5708.
14. Thanh ND, Thi CH. Mô hình chấp nhận và sử dụng ngân hàng
điện tử ở Việt Nam. Tạp chí phát triển khoa học & công nghệ.
2011;14(2):97–105.
15. Thảo LPTD, Liên NM. Nhân tố ảnh hưởng đến việc lựa chọn
sử dụng Internet banking của khách hàng khu vực miền Tây
Nam Bộ. Tạp chí Công nghệ ngân hàng. 2013;.
16. Tuyết LTK. Nghiên cứuđộng cơ sửdụngdịch vụ internet bank-
ing của người tiêu dùng tại thành phố Đà Nẵng. Tạp chí đại
học Đông Á. 2011;4:17–27.
17. TheGlobal Fintech IndexCity Rankings Report. Theglobal Fin-
tech Index. 2020;Available from: https://fintechworldreport.
com/.
18. Arner DW, Barberis JN, Buckley R. The evolution of Fintech: A
new post-crisis Paradigm? University of Hong Kong. 2015;p.
1–46. Available from: https://doi.org/10.2139/ssrn.2676553;
https://core.ac.uk/download/pdf/38088713.pdf.
19. Freedman RS. Introduction to financial technology. Academic
press New York. 2006;.
20. Puschmann TF. Bus Inf Syst Eng. 2017;59(1):69–76. Available
from: https://doi.org/10.1007/s12599-017-0464-6.
21. Wilkie WL, Pessemier EA. Issues in marketing’s use of multi-
attribute attitude models. Journal of Marketing Research.
1973;10(4):428–441. Available from: https://doi.org/10.1177/
002224377301000411.
22. Peter JP, Tarpey LX. A comparativeanalysis of three con-
sumer decision strategies. Journal of Consumer Research.
1975;2(1):29–37. Available from: https://doi.org/10.1086/
208613.
23. FishbeinM,Ajzen I. Belief, attitude, intention andbehavior: An
introduction to theory and research. Addison Wesley, Read-
ing, MA. 1975;.
24. Jurison J. The role of risk and return in information tech-
nology outsourcing decisions. Journal of Information
Technology. 1995;Available from: https://doi.org/10.1177/
026839629501000404.
25. Kim DJ, Ferrin DL, Rao HR. Atrust-based consumer decision-
making model in electronic commerce: The role of trust, per-
ceived risk, and their antecedents. Decision Support Systems.
2008;44(2):544–564. Available from: https://doi.org/10.1016/j.
dss.2007.07.001.
26. LeeMC. Factors influencing the adoption of internet banking:
An integration of TAM and TPB with perceived risk and per-
ceived benefit. Electronic Commerce Research and Applica-
tions. 2009;8(3):130–141. Available from: https://doi.org/10.
1016/j.elerap.2008.11.006.
27. Lee H, Park H, Kim J. Why do people share their context infor-
mation on social network services? A qualitative study and an
experimental study on users’ behavior of balancing perceived
benefit and risk. International Journal of Human-Computer
Studies. 2013;71(9):862–877. Available from: https://doi.org/
10.1016/j.ijhcs.2013.01.005.
28. Favivar S, Yuan Y. The dual perspective of social commerce
adoption. Proceeding in SIGHCI 2014. 2014;p. 1–6. Avail-
able from: https://aisel.aisnet.org/cgi/viewcontent.cgi?article=
1003&context=sighci2014.
29. Melewar T, Alwi S, Tingchi Liu M, Brock JL, Cheng Shi G, Chu R,
Tseng TH. Perceived benefits, perceived risk, and trust: Influ-
ences on consumers’ group buying behaviour5-48. . Asia Pa-
cific Journal of Marketing and Logistics. 2013;25(2):22. Avail-
able from: https://doi.org/10.1108/13555851311314031.
30. Benlian A, Hess T. Opportunities and risk of software as a ser-
vice: Findings froma surveyof IT executives. Decision Support
Systems. 2011;52(1):232–246. Available from: https://doi.org/
10.1016/j.dss.2011.07.007.
31. Liu Y, Yang Y, Li H. A Unified risk-benefit analysis frame-
work for investigating mobile payment adoption. Pro-
ceedings in International Conference on Mobile Business
2012. 2012;Available from: https://pdfs.semanticscholar.org/
3ca5/876ceb04ee0228c5fdc5121f1b3c95eb9030.pdf.
32. Abramova S, Bohme R. Perceived benefit and risk as
multidimensional determinants of Bitcoin use: A quan-
titative exploratory study. Proceedings in International
Conference on Informantion Systems 2016. Dublin.
2016;1(20). Available from: https://informationsecurity.
uibk.ac.at/pdfs/Abramova2016_Bitcoin_ICIS.pdfhttps:
//doi.org/10.17705/4icis.00001.
33. Kuo-Chuen DL, Teo EG. Emergence of FinTech and the LASIC
principles. Journal of Financial Perspectives. 2015;3(3):24–36.
34. Mackenzie A. The fintech revolution. London Business School
Review. 2015;26(3):50–53. Available from: https://doi.org/10.
1111/2057-1615.12059.
35. Gerber EM, Hui JS, Kuo, PY. Crowdfunding: Why people are
motivated to post and fun projects on crowdfunding plat-
forms. Proceedings in international workshop on design, in-
fluence, and social technologies: Techniques, impacts and
Ethics. 2012;.
36. Lee E, Lee B. Herding behavior in online P2P lending: An em-
pirical investigation. Electronic Commerce Research and Ap-
plications. 2012;11(5):495–503. Available from: https://doi.
org/10.1016/j.elerap.2012.02.001.
37. Zavolokina L, Dolata M, Schwabe G. FinTech transformation:
How IT-enabled innovations shape the financial sector. Pro-
ceedings in International Workshop on Enterprise Applica-
tions and Services in the Finance Industry. 2016;Available
from: https://doi.org/10.1007/978-3-319-52764-2_6.
994
Tạp chí Phát triển Khoa học và Công nghệ – Kinh tế-Luật và Quản lý, 4(4):974-996
38. Sharma S, Gutiérrez JA. An evaluation framework for viable
business models for mcommerce in the information technol-
ogy sector. Electronic Markets. 2010;20(1):33–52. Available
from: https://doi.org/10.1007/s12525-010-0028-9.
39. Kim C, Mirusmonov M, Lee I. An empirical examination of fac-
tors influencing the intention to use mobile payment. Com-
puters in Human Behavior. 2010;26(3):310–322. Available
from: https://doi.org/10.1016/j.chb.2009.10.013.
40. Okazaki S, Mendez F. Exploring convenience in mobile com-
merce: Moderating effects of gender. Computers in Human
Behavior. 2013;29(3):1234–1242. Available from: https://doi.
org/10.1016/j.chb.2012.10.019.
41. Shen YC, Huang CY, Chu CH, Hsu CT. A benefit-cost perspec-
tive of the consumer adoption of the mobile banking system.
Behaviour & Information Technology. 2010;29(5):497–511.
Available from: https://doi.org/10.1080/01449290903490658.
42. Cunningham SM. The major dimensions of perceived risk.
Risk Taking and Informantion Handling in Consumer Behav-
ior. 1967;1:82–111.
43. Forsythe S, Liu C., Shannon D, Gardne LC. Developmemt of
a scale to measure the perceived benefits and risks of online
shopping. Journal of InteractiveMarketing. 2006;20(2):55–75.
Available from: https://doi.org/10.1002/dir.20061.
44. Schierz PG, Schilke O, Wirtz BW. Understanding consumer
acceptance of mobile payment services: An empirical anal-
ysis. Electronic Commerce Research and Applications.
2010;9(3):209–216. Available from: https://doi.org/10.1016/j.
elerap.2009.07.005.
45. Barakat A, Hussainey K. Bank governance, regulation, super-
vision, and risk reporting: Evidence from operational risk dis-
closures in European banks. International Review of Financial
Analysis. 2013;30:254–273. Available from: https://doi.org/10.
1016/j.irfa.2013.07.002.
46. Karahanna E, Straub DW, Chervany NL. Information tech-
nology adoption across time: A cross-sectional comparison
of pre-adoption and post-adoption beliefs. MIS Quarterly.
1999;23(2):183–213. Available from: https://doi.org/10.2307/
249751.
47. Rogers EM. Diffusion of innovations (4th ed.). The Free Press
New York. 1995;.
48. Anderson JC, GerbingWD, Narayanan A. A comparison of two
alternate residual goodness-of-fit indices. Journal of the Mar-
ket Research Society. 1985;27(4):283–291.
49. TrọngH, NgọcNM. Phân tích dữ liệu nghiên cứu với SPSS. Nhà
xuất bản Hồng Đức. 2008;.
50. Cành NT. Giáo trình Phương pháp và phương pháp luận
Nghiên cứu khoa học kinh tế. Nxb Đại học Quốc gia Thành
phố Hồ Chí Minh. 2004;.
995
Science & Technology Development Journal – Economics - Law and Management, 4(4):974-996
Open Access Full Text Article Research Article
1Ha Minh Phuc Company Limited
2Thien Bao Son Company Limited
Correspondence
Nguyen HoangMinh, Ha Minh Phuc
Company Limited
Email: minhnh19604@sdh.uel.edu.vn
History
Received: 7/4/2020
Accepted: 16/5/2020
Published: 7/10/2020
DOI :10.32508/stdjelm.v4i4.605
Copyright
© VNU-HCM Press. This is an open-
access article distributed under the
terms of the Creative Commons
Attribution 4.0 International license.
Perceiving benefit – risk and Fintech users’ continuance intention
in Ho Chi Minh City
Nguyen HoangMinh1,*, Hua Le Thien Bao2, Le Thi Thuy Vi2
Use your smartphone to scan this
QR code and download this article
ABSTRACT
This study aimed to investigate the perceiving benefit – risk and the continuance intention to use
Fintech inHoChiMinhCity. Thedatawas collected from472 respondents (under the ageof 40). The
statistical software AMOS, the consistency coefficient measured with Cronbach's Alpha for scaling
test, Exploratory Factor Analysis (EFA), Confirmatory Factor Analysis (CFA) and Structural Equation
Modelling (SEM) were used for the analysis. The results show that users' benefit perception was
explained by economic benefit and convenience, users' risk perception was explained by financial
risk and security risk. Besides that, the benefit perception has a positive impact on the Fintech con-
tinuance intention, while the risk perception has a negative influence on such an intention. The
research results also show that there is a difference between clumsy and proficient users of Fintech
applications, specifically: (1) For users who are not proficient in Fintech applications, benefit per-
ception are affected by economic benefit and convenience, and Fintech's intention to continue
using financial services is positively affected by benefit perception and not affected by risk percep-
tion. In particular, risk perception is affected by financial risk; (2) For users who are proficient in
Fintech applications, benefit perception are affected by economic benefit and convenience, and
benefit perception have a positive impact on the intention to continue using Fintech's financial ser-
vices, but risk perception has a negative impact on Fintech's intention to continue using its financial
services, and is affected by financial risk and security risk.
Key words: benefit, risk, intention, Fintech, Ho Chi Minh
Cite this article : Minh N H, Bao H L T, Vi L T T. Perceiving bene it – risk and Fintech users’ continuance
intention in Ho Chi Minh City . Sci. Tech. Dev. J. - Eco. Law Manag.; 4(4):974-996.
996
Các file đính kèm theo tài liệu này:
- nhan_thuc_loi_ich_rui_ro_va_y_dinh_tiep_tuc_su_dung_fintech.pdf