Luận án tiến sĩ ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng nông nghiệp và phát triển nông thôn việt nam

Luận án tiến sĩ khám phá ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng nông nghiệp và phát triển nông thôn Việt Nam.

• Tác giả: Nguyễn Tiến Hưng
• Người hướng dẫn: TS. Bùi Tín Nghị
• Trường học: Học Viện Ngân Hàng
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Ứng Dụng Trí Tuệ Nhân Tạo Trong Quản Lý Rủi Ro Tín Dụng Tại Ngân Hàng Nông Nghiệp Và Phát Triển Nông Thôn Việt Nam
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC TỪ VIẾT TẮT
• MỤC LỤC
• PHẦN MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG
• 1.1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng
• 1.2. Nghiên cứu về đánh giá rủi ro tín dụng
• 1.3. Nghiên cứu về đo lường xác suất vỡ nợ
• 1.4. Nghiên cứu về tổn thất khi vỡ nợ
• 1.5. Nghiên cứu về mức độ rủi ro khi vỡ nợ
• 1.6. Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 1.7. Khoảng trống nghiên cứu
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƯƠNG MẠI
• 2.1. Cơ sở lý luận về quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2. Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.3. Nội dung quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.4. Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.5. Khái quát về trí tuệ nhân tạo
• 2.6. Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.7. Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.8. Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.9. Các tiêu chí đánh giá kết quả ứng dụng mô hình trí tuệ nhân tạo trong đo lường rủi ro tín dụng
• 2.10. Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 2.11. Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 2.11.1. Kinh nghiệm từ Anh
• 2.11.2. Kinh nghiệm từ Mỹ
• 2.11.3. Kinh nghiệm từ Ấn Độ
• 2.11.4. Kinh nghiệm từ Hội đồng ổn định tài chính (FSB)
• 2.11.5. Kinh nghiệm từ Ngân hàng thế giới (WB)
• 2.11.6. Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam
• 2.12. Kết luận chương 2
• 3. CHƯƠNG 3: THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM
• 3.1. Khái quát về Agribank
• 3.2. Lịch sử hình thành và phát triển
• 3.3. Tình hình hoạt động kinh doanh
• 3.4. Thực trạng quản lý rủi ro tín dụng tại Agribank
• 3.5. Mô hình quản lý rủi ro tín dụng
• 3.6. Tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank
• 3.7. Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank
• 3.8. Các kết quả đạt được
• 3.9. Các hạn chế và nguyên nhân
• 3.10. Kết luận chương 3
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH TRÍ TUỆ NHÂN TẠO ĐO LƯỜNG RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM
• 4.1. Đề xuất mô hình
• 4.2. Xây dựng mô hình tính xác suất vỡ nợ (PD)
• 4.3. Mô tả dữ liệu thu thập
• 4.4. Kết quả các mô hình tính xác suất vỡ nợ (PD)
• 4.5. Xây dựng mô hình LGD
• 4.6. Mô tả dữ liệu
• 4.7. Kết quả mô hình LGD
• 4.8. Xây dựng mô hình EAD
• 4.9. Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 4.10. Kết luận chương 4
• 5. CHƯƠNG 5: GIẢI PHÁP ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM
• 5.1. Định hướng phát triển hoạt động quản lý rủi ro tín dụng trong hệ thống ngân hàng thương mại Việt Nam
• 5.2. Định hướng phát triển hoạt động quản lý rủi ro tín dụng tại Agribank
• 5.3. Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank
• 5.4. Về cơ cấu tổ chức quản lý rủi ro tín dụng
• 5.5. Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 5.6. Về nhóm các giải pháp hỗ trợ cần thiết
• 5.7. Kiến nghị với Ngân hàng nhà nước Việt Nam
• 5.8. Kết luận chương 5
• PHẦN KẾT LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Trí tuệ nhân tạo (AI) đang trở thành một công cụ quan trọng trong việc quản lý rủi ro tín dụng tại các ngân hàng, đặc biệt là Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Việc ứng dụng AI giúp cải thiện quy trình đánh giá rủi ro, từ đó nâng cao hiệu quả hoạt động tín dụng. Các mô hình AI có khả năng phân tích dữ liệu lớn, nhận diện các mẫu rủi ro và đưa ra dự đoán chính xác hơn về khả năng vỡ nợ của khách hàng.

1.1. Khái niệm về trí tuệ nhân tạo trong ngân hàng

Trí tuệ nhân tạo trong ngân hàng được hiểu là việc sử dụng các thuật toán và mô hình học máy để phân tích dữ liệu và đưa ra quyết định. AI giúp ngân hàng tối ưu hóa quy trình cho vay và quản lý rủi ro tín dụng.

1.2. Lợi ích của AI trong quản lý rủi ro tín dụng

Việc ứng dụng AI trong quản lý rủi ro tín dụng mang lại nhiều lợi ích như giảm thiểu rủi ro, tăng cường khả năng dự đoán và cải thiện trải nghiệm khách hàng. AI giúp ngân hàng phát hiện sớm các dấu hiệu rủi ro và đưa ra các biện pháp phòng ngừa kịp thời.

II. Thách thức trong việc ứng dụng trí tuệ nhân tạo tại ngân hàng nông nghiệp

Mặc dù có nhiều lợi ích, việc ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam vẫn gặp phải nhiều thách thức. Các vấn đề như thiếu hụt dữ liệu chất lượng, sự phức tạp trong việc triển khai công nghệ và sự kháng cự từ nhân viên là những rào cản lớn.

2.1. Thiếu hụt dữ liệu và chất lượng dữ liệu

Một trong những thách thức lớn nhất là việc thiếu hụt dữ liệu chất lượng cao để đào tạo các mô hình AI. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những quyết định sai lầm trong quản lý rủi ro tín dụng.

2.2. Kháng cự từ nhân viên và tổ chức

Sự kháng cự từ phía nhân viên và tổ chức trong việc áp dụng công nghệ mới cũng là một thách thức. Nhiều nhân viên có thể cảm thấy lo ngại về việc mất việc làm hoặc không quen với công nghệ mới.

III. Phương pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Để ứng dụng trí tuệ nhân tạo hiệu quả trong quản lý rủi ro tín dụng, ngân hàng cần xây dựng các mô hình phù hợp và áp dụng các phương pháp phân tích dữ liệu hiện đại. Các mô hình như hồi quy logistic, cây quyết định và mạng nơ ron có thể được sử dụng để dự đoán khả năng vỡ nợ của khách hàng.

3.1. Mô hình hồi quy logistic trong đánh giá rủi ro

Mô hình hồi quy logistic là một trong những phương pháp phổ biến để dự đoán xác suất vỡ nợ. Mô hình này sử dụng các biến độc lập để ước lượng xác suất mà một khách hàng sẽ không trả được nợ.

3.2. Cây quyết định và mạng nơ ron trong phân tích dữ liệu

Cây quyết định và mạng nơ ron là những công cụ mạnh mẽ trong việc phân tích dữ liệu tín dụng. Chúng giúp nhận diện các mẫu rủi ro và đưa ra quyết định dựa trên các đặc điểm của khách hàng.

IV. Ứng dụng thực tiễn của trí tuệ nhân tạo tại ngân hàng nông nghiệp

Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam đã bắt đầu triển khai các ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng. Các ứng dụng này không chỉ giúp cải thiện quy trình cho vay mà còn nâng cao khả năng phát hiện rủi ro và gian lận.

4.1. Các dự án ứng dụng AI thành công

Một số dự án ứng dụng AI tại ngân hàng đã cho thấy kết quả tích cực, như việc giảm tỷ lệ nợ xấu và cải thiện quy trình phê duyệt tín dụng. Những thành công này đã khẳng định vai trò của AI trong ngành ngân hàng.

4.2. Kết quả nghiên cứu và phân tích dữ liệu

Các nghiên cứu cho thấy rằng việc ứng dụng AI đã giúp ngân hàng nâng cao độ chính xác trong việc dự đoán khả năng vỡ nợ của khách hàng, từ đó giảm thiểu rủi ro tín dụng.

V. Kết luận và triển vọng tương lai của trí tuệ nhân tạo trong ngân hàng

Trí tuệ nhân tạo đang mở ra nhiều cơ hội mới cho ngành ngân hàng, đặc biệt trong quản lý rủi ro tín dụng. Với sự phát triển không ngừng của công nghệ, ngân hàng cần tiếp tục đầu tư vào AI để nâng cao hiệu quả hoạt động và đáp ứng nhu cầu của thị trường.

5.1. Tương lai của AI trong quản lý rủi ro tín dụng

Tương lai của AI trong quản lý rủi ro tín dụng hứa hẹn sẽ mang lại nhiều cải tiến đáng kể. Các ngân hàng sẽ có khả năng dự đoán rủi ro chính xác hơn và đưa ra các quyết định nhanh chóng hơn.

5.2. Đề xuất chính sách cho ngân hàng

Để tối ưu hóa việc ứng dụng AI, ngân hàng cần xây dựng các chính sách hỗ trợ, bao gồm đào tạo nhân viên và đầu tư vào cơ sở hạ tầng công nghệ thông tin.

Nội dung chính

Tổng quan luận án

Hoạt động tín dụng là hoạt động kinh doanh truyền thống và đem lại nguồn thu lợi nhuận chủ yếu cho các ngân hàng thương mại Việt Nam, song cũng là lĩnh vực tiềm ẩn nhiều rủi ro tài chính. Trong bối cảnh các sản phẩm tín dụng phát triển đa dạng và mở rộng về quy mô, công tác quản lý rủi ro tín dụng tại các ngân hàng thương mại bộc lộ những hạn chế nhất định, đặc biệt là việc ứng dụng các công cụ kỹ thuật hiện đại để kiểm soát rủi ro. Nhằm định hướng phát triển an toàn hệ thống, Chỉ thị số 01/2021/CT-NHNN của Thống đốc Ngân hàng Nhà nước Việt Nam đã nhấn mạnh nhiệm vụ trọng tâm là tăng trưởng tín dụng hợp lý gắn với nâng cao chất lượng tín dụng, kiểm soát chặt chẽ các lĩnh vực tiềm ẩn rủi ro và thực hiện phương án tái cơ cấu gắn với xử lý nợ xấu giai đoạn 2021 – 2025. Đồng thời, Quyết định số 127/QĐ-TTg ngày 26/01/2021 của Thủ tướng Chính phủ về Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030 đã giao nhiệm vụ cụ thể cho ngành ngân hàng triển khai trí tuệ nhân tạo trong phân tích dữ liệu, dự đoán nhu cầu vay vốn, hỗ trợ cấp tín dụng và phát hiện gian lận.

Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam (Agribank) là ngân hàng thương mại có quy mô lớn nhất hệ thống về tổng tài sản và mạng lưới khách hàng, giữ vai trò chủ lực trong đầu tư phát triển nông nghiệp, nông dân và nông thôn. Tuy nhiên, giai đoạn trước đây tại Agribank đã phát sinh một số vụ việc tiêu cực liên quan đến hoạt động tín dụng, gây ảnh hưởng đến hiệu quả kinh doanh và uy tín. Thực tế này đòi hỏi ngân hàng phải nâng cao năng lực hệ thống quản lý rủi ro tín dụng. Đề tài luận án tiến sĩ "Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam" của nghiên cứu sinh Nguyễn Tiến Hưng (chuyên ngành Tài chính – Ngân hàng, mã số 9340201, Học viện Ngân hàng, năm 2022) được thực hiện nhằm giải quyết các yêu cầu lý luận và thực tiễn nêu trên.

Mục tiêu tổng quát của luận án là nghiên cứu tổng thể về lý luận và thực tiễn ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng, từ đó đưa ra hệ thống giải pháp và kiến nghị ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank.

Mục tiêu nghiên cứu cụ thể được xác định gồm 4 nội dung:

1. Thứ nhất: Hệ thống hóa cơ sở lý luận về trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại.
2. Thứ hai: Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank nhằm xác định các điều kiện và giải pháp ứng dụng trí tuệ nhân tạo trong hoạt động này.
3. Thứ ba: Ứng dụng trí tuệ nhân tạo xây dựng mô hình đánh giá rủi ro tín dụng theo phương pháp tiếp cận nội bộ nâng cao (AIRB) của Basel II tại Agribank.
4. Thứ tư: Đề xuất các nhóm giải pháp và kiến nghị nhằm ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank.

Đối tượng và phạm vi nghiên cứu của luận án:

• Đối tượng nghiên cứu: Việc ứng dụng trí tuệ nhân tạo trong công tác quản lý rủi ro tín dụng.
• Phạm vi không gian: Quản lý rủi ro tín dụng tại Agribank, tập trung vào mô hình hóa trí tuệ nhân tạo trong khâu đo lường rủi ro tín dụng.
• Phạm vi thời gian: Giai đoạn 2009 – 2021 đối với việc đánh giá thực trạng hoạt động; dữ liệu phục vụ xây dựng các mô hình định lượng đo lường rủi ro tín dụng được thu thập trong giai đoạn 2009 – 2014.

Tổng quan tài liệu và vị trí của luận án

Luận án tiến hành tổng quan có hệ thống các công trình nghiên cứu trong nước và quốc tế theo các nhóm nội dung:

Về mô hình và cơ cấu tổ chức quản lý rủi ro tín dụng: Bullivant (2010) hệ thống hóa toàn diện các khía cạnh quản lý rủi ro tín dụng từ chính sách, thẩm định, quản lý danh mục đến thu hồi nợ. Mô hình ba tuyến phòng vệ được phát triển bởi Viện Kiểm toán Nội bộ (IIA, 2013, 2020), Oliver Wyman (2016) và chuẩn hóa theo Basel (2015) xác lập cơ chế phân tách giữa bộ phận kinh doanh (tuyến 1), bộ phận quản lý rủi ro (tuyến 2) và kiểm toán nội bộ (tuyến 3). Tammenga (2020) chỉ ra việc tích hợp trí tuệ nhân tạo vào tuyến phòng vệ thứ hai mang lại tính kiểm soát và an toàn. Tại Việt Nam, Nguyễn Văn Tiến (2015) và Ghosh (2012) nhấn mạnh tính độc lập giữa khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộ trong mô hình quản lý tập trung. Trần Khánh Dương (2019) phân tích mô hình quản lý rủi ro tập trung và phân tán tại BIDV cùng các nhân tố ảnh hưởng như quy mô, công nghệ và nhân lực. Các công trình của Nguyễn Quang Hiện (2016) tại MB, Lê Thị Hạnh (2017) tại Vietcombank, Nguyễn Như Dương (2018) tại Vietinbank, Lê Thị Huyền Diệu (2010) và Nguyễn Bích Ngân (2020) đã nghiên cứu mô hình quản lý rủi ro tín dụng danh mục theo phương pháp FIRB của Basel.

Về đo lường rủi ro tín dụng và xác suất vỡ nợ (PD): Koulafetis (2017), Witzany (2017), Acharya và cộng sự (2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier (2006), Jacob (2010) phân tích các mô hình đo lường rủi ro danh mục như CreditMetrics (JP Morgan, 1997), KMV (Moody’s, 2002), CreditRisk+ (Credit Suisse, 1997), CreditPortfolioView (Wilson, 1997) và các tham số cốt lõi theo Basel II (PD, LGD, EAD). Về đo lường xác suất vỡ nợ (PD), Altman (1968) thiết lập mô hình Z-score dựa trên phân tích phân biệt (MDA), Wiginton (1980) ứng dụng mô hình hồi quy Logit (LR). Arminger và cộng sự (1997) sử dụng dữ liệu 8.163 quan sát tại Đức kết hợp mô hình Logistic và CART; Vasanthi & Raja (2006) phân tích 3.431 hộ gia đình tại Úc; Autio và cộng sự (2009) khảo sát vay tiêu dùng tại Phần Lan; Kocenda & Vojtek (2011) nghiên cứu 3.403 quan sát vay tiêu dùng; Nwachukwu (2013) khảo sát tín dụng nông nghiệp tại Nigeria. Tại Việt Nam, Dinh & Kleimeier (2007) sử dụng mô hình Logit trên 56.037 quan sát tín dụng cá nhân; Tra Pham & Lensink (2008) phân tích 4.334 quan sát từ dữ liệu điều tra hộ gia đình năm 1998; Linh và cộng sự (2020) khảo sát 180 hộ nông dân tại Hải Phòng; Thu và cộng sự (2020) khảo sát 402 hộ nghèo tại vùng miền núi phía Bắc.

Về tỷ lệ tổn thất khi vỡ nợ (LGD): Loterman và cộng sự (2012) so sánh 24 kỹ thuật và kết luận các mô hình trí tuệ nhân tạo (SVM, NN) cho kết quả dự báo LGD tốt hơn phương pháp truyền thống. Ngược lại, Bastos (2010) ghi nhận cây hồi quy có hiệu quả cao, trong khi Bellotti & Crook (2012) nhận thấy hồi quy tuyến tính (OLS) có độ chính xác cao nhất trên tập dữ liệu tại Anh. Bảng dưới đây tổng hợp các nghiên cứu thực nghiệm về LGD được luận án trích dẫn:

Nghiên cứu	Dữ liệu	Quốc gia	Giai đoạn	Biến kinh tế vĩ mô	Mô hình	Sự ảnh hưởng của yếu tố vĩ mô
Altman và cộng sự (2005)	1.000 quan sát	Mỹ	1982 – 2001	GDP	Hồi quy đa biến	Không ảnh hưởng
Bastos (2010)	374 quan sát	Bồ Đào Nha	1995 – 2000	Không sử dụng	Logit (LR), Cây quyết định (DT)	Không sử dụng
Bellotti và Crook (2011)	55.000 quan sát	Anh	1999 – 2005	Lãi suất, tỷ lệ thất nghiệp, chỉ số thu nhập	Hồi quy tuyến tính, Logit, Tobit, Cây quyết định	Tất cả các biến vĩ mô đều có ảnh hưởng
Caselli và cộng sự (2008)	11.649 quan sát	Ý	1990 – 2004	GDP, việc làm, tiêu dùng hộ gia đình, đầu tư hàng năm	Hồi quy đa biến	GDP và tình trạng việc làm có ảnh hưởng
Dermine và Carvalho (2006)	374 quan sát	Bồ Đào Nha	1995 – 2000	GDP, tần suất vỡ nợ theo lĩnh vực	Logit (LR)	Không ảnh hưởng
Khieu và cộng sự (2012)	1.364 quan sát	Mỹ	1987 – 2007	GDP	OLS, Logit	GDP có ảnh hưởng
Rosh và Sheule (2012)	1.653 quan sát	Mỹ	1982 – 2009	GDP	Tobit	GDP có ảnh hưởng

Về dư nợ tại thời điểm vỡ nợ (EAD): Valvonis (2008) phân loại EAD thành nhóm cố định và nhóm biến động. Barakova & Parthasarathy (2013), Leow & Crook (2015, 2016), Tong và cộng sự (2016), Luo & Murphy (2020) nghiên cứu các yếu tố tác động đến EAD và các phương pháp ước lượng (OLS, Tobit, máy học).

Về ứng dụng trí tuệ nhân tạo trong đo lường rủi ro tín dụng: Latimore (2018), Abdou & Pointon (2011), Chen và cộng sự (2016) hệ thống hóa các nhóm mô hình học máy và học sâu. Các nghiên cứu thực nghiệm được tổng hợp trong bảng sau:

Nghiên cứu	Dữ liệu	Mô hình so sánh	Mô hình cho kết quả tốt nhất
West (2000)	Đức: 1.000 quan sát (30% nợ xấu); Úc: 690 quan sát (56% nợ xấu)	MDA, LR, KNN, NN (MLP, MOE, RBF, LVQ, FAR)	Đức: MOE (chính xác 78,6%); Úc: RBF (chính xác 88,78%), MLP (87,68%)
Desai và cộng sự (1996)	Mỹ: 962 quan sát (18,42% nợ xấu), 918 quan sát (25,98% nợ xấu), 853 quan sát (42,15% nợ xấu)	NN (MLP, MNN), MDA, LR	Tổng thể: LR (chính xác 81,7%); Nhận diện nợ xấu: MLP (chính xác 42,08%)
Abdou và cộng sự (2008)	Ai Cập: 581 quan sát (25,5% nợ xấu)	NN (MLP, PNN)	MLP cấu trúc 5 node (nhận diện nợ tốt 95,6%, nợ xấu 92,0%)
Tsai và Wu (2008)	Đức: 1.000 quan sát (30% nợ xấu); Úc: 690 quan sát (56% nợ xấu); Nhật Bản: 690 quan sát (56% nợ xấu)	MLP, MMLP	Đức: MMLP (83,38%); Úc: MLP (97,32%); Nhật Bản: MLP (87,94%)
Brown (2012)	Đức, Úc và 03 bộ dữ liệu khác (tỷ lệ nợ xấu biến thiên 1% - 30%)	MDA, LR, DT, KNN, SVM, NN, RF, GB	Dữ liệu 30% nợ xấu: SVM tốt nhất; Dữ liệu 1% nợ xấu: Random Forest (RF) tốt nhất
Zhao và cộng sự (2015)	Đức: 1.000 quan sát (30% nợ xấu)	MLP cải tiến (lựa chọn ngẫu nhiên trung bình, 3 tập dữ liệu)	MLP cải tiến (độ chính xác đạt 87,0%, tăng 5% so với mô hình gốc)
Tang và cộng sự (2018)	Úc: 690 quan sát (56% nợ xấu); Nhật Bản: 690 quan sát (56% nợ xấu)	NN (PNN, MLP)	Úc: PNN (85,64%); Nhật Bản: PNN (85,54%)

Khoảng trống nghiên cứu được luận án xác định:

1. Các nghiên cứu trong nước chủ yếu tập trung vào mô hình tổ chức, quy trình hoặc phương pháp đo lường truyền thống; có rất ít công trình nghiên cứu xây dựng khung lý thuyết cho việc ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng.
2. Hầu như chưa có công trình trong nước và quốc tế nghiên cứu toàn diện việc sử dụng trí tuệ nhân tạo để đo lường đầy đủ cả 3 tham số rủi ro tín dụng (PD, LGD, EAD) theo phương pháp tiếp cận nâng cao (AIRB) của Basel II.
3. Chưa có công trình nào nghiên cứu ứng dụng thực nghiệm các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng trên tập dữ liệu thực tế tại Agribank.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Khái niệm rủi ro tín dụng và quản lý rủi ro tín dụng: Rủi ro tín dụng được hiểu là khả năng xảy ra tổn thất, thiệt hại về kinh tế mà ngân hàng thương mại phải gánh chịu do khách hàng vay vốn không thực hiện hoặc không có khả năng thực hiện nghĩa vụ hoàn trả nợ gốc và lãi đúng hạn theo cam kết (phù hợp với định nghĩa của Basel Committee on Banking Supervision - 2000, Bessis - 2002, Duffie & Singleton - 2015 và Thông tư số 02/2013/TT-NHNN). Quản lý rủi ro tín dụng là quá trình xây dựng và thực thi các chiến lược, chính sách về nhận diện, đo lường, kiểm soát, phòng ngừa và xử lý rủi ro nhằm tối đa hóa lợi nhuận trong phạm vi mức độ rủi ro chấp nhận được (Joseph, 2013; Afriyie & Akotey, 2013; Nguyễn Văn Tiến, 2015; Bart & Tony, 2009; MAS, 2013).

17 nguyên tắc quản lý rủi ro tín dụng của Basel (2000): Được chia thành 5 nhóm gồm: (1) Thiết lập môi trường rủi ro tín dụng phù hợp (03 nguyên tắc); (2) Hoạt động theo quy trình cấp tín dụng hiệu quả (04 nguyên tắc); (3) Duy trì hệ thống quản lý, đo lường và quy trình giám sát phù hợp (06 nguyên tắc); (4) Đảm bảo hệ thống kiểm soát an toàn trước rủi ro tín dụng (03 nguyên tắc); (5) Vai trò của các cơ quan giám sát (01 nguyên tắc).

Mô hình tổ chức và quy trình quản lý rủi ro: Luận án phân tích hai mô hình tổ chức quản lý rủi ro tín dụng là mô hình tập trung (tách bạch độc lập giữa khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộ) và mô hình phân tán. Cùng với đó là mô hình ba tuyến bảo vệ theo Basel (2015). Quy trình quản lý rủi ro tín dụng gồm 4 khâu: (1) Nhận diện rủi ro tín dụng (trước, trong và sau khi cấp tín dụng); (2) Đo lường rủi ro tín dụng (phương pháp chuyên gia theo mô hình 5C: Character, Cash Flow, Capital, Collateral, Conditions; phương pháp định lượng truyền thống và mô hình học máy); (3) Sử dụng các công cụ quản lý rủi ro (hạn mức tín dụng, bảo lãnh, phái sinh, chứng khoán hóa, bán nợ, phân loại nợ và trích lập dự phòng); (4) Giám sát và báo cáo rủi ro.

Phương pháp nghiên cứu và kỹ thuật phân tích

Luận án kết hợp các phương pháp định tính và định lượng:

• Phương pháp khảo sát thực tế: Khảo sát 95 cán bộ có liên quan trực tiếp đến hoạt động cho vay tại Agribank, gồm 05 Phó Giám đốc chi nhánh và lãnh đạo Ban/Phòng Tín dụng loại 1; 28 lãnh đạo Phòng Tín dụng chi nhánh loại 2 và lãnh đạo Phòng Giao dịch; 62 chuyên viên tín dụng. Nội dung khảo sát bao quát toàn bộ quy trình và thực trạng quản lý rủi ro tín dụng tại đơn vị.
• Phương pháp định lượng: Sử dụng các mô hình phân loại gồm Cây quyết định (Decision Tree - DT), Mạng nơ-ron nhân tạo (Neural Network - NN) với kiến trúc mạng nơ-ron truyền thẳng đa lớp (MLP) huấn luyện bằng thuật toán lan truyền ngược (Back-Propagation), so sánh đối chiếu với mô hình hồi quy Logit (LR).

Công thức tính toán trong các mô hình định lượng:

• Mô hình Hồi quy Logit: Biến phụ thuộc $Y$ nhận giá trị 1 (khách hàng trả được nợ) và 0 (khách hàng không trả được nợ). Giá trị ước lượng: $$\hat{Y} = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k$$ Xác suất trả nợ được xác định theo công thức: $$P = \frac{1}{1 + e^{-\hat{Y}}}$$ Ngưỡng phân loại được xác lập là 0,5 (nếu $P < 0,5$: dự báo vỡ nợ; nếu $P \ge 0,5$: dự báo trả được nợ).
• Mô hình Mạng nơ-ron truyền thẳng đa lớp (MLP): Cấu trúc gồm lớp đầu vào (input layer), lớp ẩn (hidden layer) và lớp đầu ra (output layer). Sai số mạng $E$ được tính theo công thức: $$E = \frac{1}{p} \sum_{i=1}^{p} |f(X_i) - Y_i|$$ Trong đó $f(X_i)$ là giá trị ước lượng đầu ra thứ $i$, $Y_i$ là giá trị đầu ra thực tế và $p$ là số lượng quan sát trong tập dữ liệu.

Nguồn dữ liệu nghiên cứu

Dữ liệu định lượng thu thập từ hồ sơ tín dụng thực tế tại Agribank giai đoạn 2009 – 2014, chia thành hai tập dữ liệu:

• Bộ dữ liệu thứ nhất (xây dựng mô hình PD): Gồm 15.470 khoản vay tiêu dùng và kinh doanh, trong đó có 12.118 khoản nợ tốt (chiếm tỷ trọng 78,3%) và 3.352 khoản nợ xấu (chiếm tỷ trọng 21,7%), với 19 biến đặc điểm liên quan đến khách hàng và khoản vay.
• Bộ dữ liệu thứ hai (xây dựng mô hình LGD và EAD): Gồm 1.045 hồ sơ vay vốn của các khách hàng chuyển nợ xấu từ 1 đến 3 năm, bao gồm 18 đặc điểm tương đồng với bộ dữ liệu 1, bổ sung thêm 02 chỉ số: Tỷ lệ dư nợ trên giá trị tài sản đảm bảo (LTV) và Tỷ lệ tổn thất trên tổng dư nợ tại thời điểm chuyển nợ xấu.

Nội dung chính theo từng chương

Chương 1: Tổng quan nghiên cứu về trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Chương 1 hệ thống hóa các nghiên cứu trong nước và quốc tế về mô hình quản lý rủi ro tín dụng, phương pháp đo lường các tham số rủi ro tín dụng (PD, LGD, EAD) và các kỹ thuật trí tuệ nhân tạo áp dụng trong phân loại rủi ro tín dụng. Tác giả điểm luận các mô hình quản trị theo ba tuyến phòng vệ (IIA, Basel), mô hình tập trung và phân tán, cũng như các mô hình danh mục (CreditMetrics, KMV, CreditRisk+, CreditPortfolioView). Chương này phân tích chi tiết các kết quả thực nghiệm về mô hình Logit, MDA, Cây quyết định (DT), Mạng nơ-ron (NN, MLP, PNN), Máy véc-tơ hỗ trợ (SVM) và Rừng ngẫu nhiên (RF). Trên cơ sở đó, tác giả chỉ rõ 3 khoảng trống nghiên cứu về mặt lý luận, phương pháp luận đo lường theo chuẩn Basel II AIRB và ứng dụng thực nghiệm tại Agribank.

Chương 2: Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại

Chương 2 làm rõ các khái niệm về rủi ro tín dụng, quản lý rủi ro tín dụng, 17 nguyên tắc quản trị của Basel (2000), cơ cấu tổ chức quản lý rủi ro tín dụng (mô hình tập trung, mô hình phân tán, mô hình 3 tuyến phòng vệ) và quy trình quản lý rủi ro tín dụng 4 bước (nhận diện, đo lường, sử dụng công cụ quản lý, báo cáo và giám sát). Chương này trình bày cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong từng khâu quản lý rủi ro, khung đo lường rủi ro theo phương pháp AIRB của Basel II, đặc điểm dữ liệu và tiêu chí đánh giá mô hình trí tuệ nhân tạo, cùng các điều kiện cần thiết để triển khai (dữ liệu, công nghệ, nhân lực, khung pháp lý nội bộ). Đồng thời, chương 2 tổng kết kinh nghiệm thực tiễn ứng dụng trí tuệ nhân tạo tại Anh, Mỹ, Ấn Độ, khuyến nghị từ Hội đồng Ổn định Tài chính (FSB), Ngân hàng Thế giới (WB) và rút ra bài học cho các ngân hàng thương mại Việt Nam.

Chương 3: Thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Chương 3 trình bày khái quát lịch sử hình thành, phát triển và kết quả hoạt động kinh doanh của Agribank. Tác giả phân tích thực trạng cơ cấu tổ chức và quy trình quản lý rủi ro tín dụng tại Agribank thông qua số liệu hoạt động và kết quả khảo sát thực tế 95 cán bộ tín dụng thuộc các cấp quản lý và thừa hành. Đánh giá thực trạng chỉ rõ các kết quả đạt được trong việc kiểm soát nợ xấu và xây dựng quy chế quản trị, đồng thời phân tích các hạn chế tồn tại: mô hình quản lý rủi ro tín dụng chưa thực sự tập trung hoàn toàn, hệ thống xếp hạng tín dụng nội bộ chủ yếu dựa trên chấm điểm truyền thống, mức độ ứng dụng công nghệ xử lý dữ liệu và tự động hóa đo lường rủi ro còn hạn chế, dẫn đến nguy cơ sai sót do yếu tố chủ quan.

Chương 4: Xây dựng mô hình trí tuệ nhân tạo đo lường rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Chương 4 tập trung xây dựng các mô hình định lượng ứng dụng trí tuệ nhân tạo để đo lường các cấu phần rủi ro tín dụng tại Agribank theo phương pháp AIRB:

• Xây dựng mô hình xác suất vỡ nợ (PD): Sử dụng bộ dữ liệu 15.470 khoản vay giai đoạn 2009 – 2014 với 19 biến đầu vào. Triển khai và so sánh kết quả phân loại giữa mô hình Cây quyết định (DT), Mạng nơ-ron truyền thẳng đa lớp (MLP) và mô hình hồi quy Logit truyền thống.
• Xây dựng mô hình tỷ lệ tổn thất khi vỡ nợ (LGD): Sử dụng bộ dữ liệu 1.045 hồ sơ nợ xấu với 18 đặc điểm khoản vay và các chỉ số bổ sung (tỷ lệ LTV, tỷ lệ tổn thất thực tế).
• Xây dựng mô hình dư nợ tại thời điểm vỡ nợ (EAD): Thiết lập phương pháp ước lượng EAD dựa trên đặc tính các dòng sản phẩm tín dụng và biến động hạn mức vay.
• Đánh giá điều kiện ứng dụng: Phân tích các điều kiện thực tế về hạ tầng công nghệ thông tin, chất lượng làm sạch dữ liệu và năng lực nhân sự tại Agribank để vận hành hệ thống mô hình đã xây dựng.

Chương 5: Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Chương 5 xác định định hướng phát triển quản lý rủi ro tín dụng trong hệ thống ngân hàng thương mại Việt Nam và tại Agribank. Tác giả đề xuất hệ thống giải pháp ứng dụng trí tuệ nhân tạo tại Agribank gồm 3 nhóm chính:

• Giải pháp về cơ cấu tổ chức: Kiện toàn mô hình quản lý rủi ro tín dụng theo hướng tập trung, phân định rõ chức năng giữa 3 tuyến phòng vệ khi vận hành các công cụ trí tuệ nhân tạo.
• Giải pháp về quy trình: Xây dựng quy trình tích hợp các mô hình trí tuệ nhân tạo vào các bước nhận diện, phê duyệt, theo dõi nợ và cảnh báo sớm rủi ro tín dụng.
• Nhóm giải pháp hỗ trợ: Nâng cấp hạ tầng công nghệ thông tin, xây dựng kho dữ liệu tập trung (Data Warehouse), chuẩn hóa công tác thu thập và làm sạch dữ liệu, đào tạo nâng cao trình độ chuyên môn cho đội ngũ nhân sự quản lý rủi ro và phân tích dữ liệu.
• Kiến nghị đối với Ngân hàng Nhà nước Việt Nam: Hoàn thiện hành lang pháp lý về ứng dụng công nghệ số và trí tuệ nhân tạo trong hoạt động ngân hàng, nâng cao năng lực cung cấp dữ liệu của Trung tâm Thông tin Tín dụng Quốc gia (CIC) và ban hành hướng dẫn lộ trình triển khai phương pháp AIRB theo chuẩn mực Basel.

Kết quả và những đóng góp mới

Luận án tự nêu 4 đóng góp mới về mặt lý luận và thực tiễn:

1. Hệ thống hóa cơ sở lý luận: Luận án đã hệ thống hóa cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng theo 4 khâu (nhận diện, đo lường, sử dụng công cụ quản lý, báo cáo và giám sát); xác lập khung lý thuyết và các điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại.
2. Đánh giá thực trạng bằng dữ liệu khảo sát thực tế: Sử dụng phương pháp điều tra khảo sát 95 cán bộ quản lý và chuyên viên tín dụng tại Agribank nhằm đánh giá thực trạng các khâu trong quy trình quản lý rủi ro, tạo căn cứ thực tiễn để đánh giá điều kiện triển khai trí tuệ nhân tạo.
3. Xây dựng hệ thống mô hình định lượng theo chuẩn Basel II AIRB: Luận án đã ứng dụng trí tuệ nhân tạo (Cây quyết định DT, Mạng nơ-ron MLP) để xây dựng hệ thống mô hình đo lường rủi ro tín dụng thực nghiệm trên tập dữ liệu thực tế tại Agribank, ước lượng các tham số PD, LGD và EAD; đồng thời so sánh hiệu quả phân loại giữa các mô hình trí tuệ nhân tạo với mô hình hồi quy Logit truyền thống.
4. Đề xuất hệ thống giải pháp và kiến nghị toàn diện: Đề xuất hệ thống giải pháp đồng bộ cho Agribank về đổi mới cơ cấu tổ chức, hoàn thiện quy trình ứng dụng trí tuệ nhân tạo, nâng cấp cơ sở hạ tầng dữ liệu - công nghệ và đào tạo nhân lực; cùng các kiến nghị cụ thể đối với Ngân hàng Nhà nước Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

• Về phạm vi dữ liệu định lượng: Dữ liệu phục vụ mô hình hóa thực nghiệm được thu thập trong giai đoạn 2009 – 2014 tại Agribank. Dù tập dữ liệu có quy mô lớn (15.470 khoản vay cho mô hình PD và 1.045 hồ sơ nợ xấu cho mô hình LGD), dữ liệu này phản ánh đặc điểm tín dụng của giai đoạn trước.
• Về phạm vi nghiên cứu thực nghiệm: Mô hình thực nghiệm tập trung vào đo lường rủi ro tín dụng tại một ngân hàng thương mại đơn lẻ là Agribank.
• Hướng nghiên cứu tiếp theo: Mở rộng kiểm định các thuật toán học máy và học sâu nâng cao trên các tập dữ liệu cập nhật theo chu kỳ kinh tế mới; mở rộng phạm vi nghiên cứu sang các ngân hàng thương mại cổ phần khác trong hệ thống để so sánh hiệu quả mô hình trên các danh mục tín dụng có đặc thù khác nhau.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị học thuật và thực tiễn đối với các nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Tài chính – Ngân hàng: Tham khảo khung phân tích lý luận, phương pháp luận xây dựng các tham số PD, LGD, EAD theo phương pháp nâng cao (AIRB) của Basel II, cùng kỹ thuật so sánh mô hình mạng nơ-ron (MLP), cây quyết định (DT) và hồi quy Logit (chương 1, chương 2 và chương 4).
• Các nhà quản trị rủi ro và cán bộ phân tích dữ liệu tại các ngân hàng thương mại: Tham khảo quy trình tổ chức thu thập biến số, xử lý dữ liệu tín dụng thực tế, thiết lập hàm sai số mạng nơ-ron và các giải pháp kiện toàn tổ chức theo mô hình ba tuyến bảo vệ khi tích hợp trí tuệ nhân tạo (chương 4 và chương 5).
• Cơ quan quản lý nhà nước (Ngân hàng Nhà nước Việt Nam): Tham khảo các luận cứ thực tiễn để xây dựng tiêu chuẩn kỹ thuật, chính sách khuyến khích ứng dụng trí tuệ nhân tạo và lộ trình hướng dẫn triển khai Basel II nâng cao tại các tổ chức tín dụng Việt Nam.

Câu hỏi thường gặp

1. Tác giả sử dụng các kỹ thuật định lượng nào để xây dựng mô hình đo lường rủi ro tín dụng trong luận án?
Tác giả sử dụng các mô hình trí tuệ nhân tạo gồm mô hình Cây quyết định (Decision Tree - DT) và Mạng nơ-ron nhân tạo (Neural Network - NN), cụ thể là mạng nơ-ron truyền thẳng đa lớp (MLP) với thuật toán lan truyền ngược (Back-Propagation), đồng thời so sánh kết quả với mô hình hồi quy Logit (LR) truyền thống với ngưỡng phân loại xác suất được đặt ở mức 0,5.

2. Quy mô và đặc điểm của các bộ dữ liệu thực nghiệm được sử dụng trong luận án như thế nào?
Luận án sử dụng hai bộ dữ liệu thực tế tại Agribank thu thập từ giai đoạn 2009 đến 2014: Bộ dữ liệu thứ nhất phục vụ mô hình PD gồm 15.470 khoản vay (12.118 khoản nợ tốt, chiếm 78,3% và 3.352 khoản nợ xấu, chiếm 21,7%) với 19 đặc điểm thông tin; Bộ dữ liệu thứ hai phục vụ mô hình LGD gồm 1.045 hồ sơ nợ xấu (thời gian chuyển nợ xấu 1 – 3 năm) với 18 đặc điểm tương đồng và 02 chỉ số bổ sung là tỷ lệ dư nợ trên tài sản đảm bảo (LTV) và tỷ lệ tổn thất thực tế.

3. Quy mô mẫu khảo sát thực trạng quản lý rủi ro tín dụng tại Agribank gồm những đối tượng nào?
Khảo sát thực tế được thực hiện trên mẫu gồm 95 cán bộ Agribank liên quan trực tiếp đến hoạt động cấp tín dụng, bao gồm: 05 Phó Giám đốc chi nhánh và lãnh đạo Ban/Phòng Tín dụng loại 1; 28 lãnh đạo Phòng Tín dụng chi nhánh loại 2 và lãnh đạo Phòng Giao dịch; 62 chuyên viên tín dụng.

4. Luận án tiếp cận việc đo lường rủi ro tín dụng theo khung tiêu chuẩn quốc tế nào?
Luận án kế thừa và tiếp cận theo phương pháp đánh giá nội bộ nâng cao (AIRB - Advanced Internal Ratings-Based Approach) thuộc khuôn khổ hiệp ước Basel II, trong đó trí tuệ nhân tạo được ứng dụng để mô hình hóa cả 3 tham số cốt lõi: xác suất vỡ nợ (PD), tỷ lệ tổn thất khi vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD).

5. Các nhóm giải pháp chính được tác giả đề xuất cho Agribank bao gồm những nội dung gì?
Tác giả đề xuất 3 nhóm giải pháp chính: kiện toàn cơ cấu tổ chức quản lý rủi ro tín dụng theo mô hình tập trung và ba tuyến bảo vệ; hoàn thiện quy trình ứng dụng trí tuệ nhân tạo trong các khâu quản lý rủi ro; và triển khai các nhóm giải pháp hỗ trợ về hạ tầng công nghệ thông tin, kho dữ liệu tập trung và đào tạo nhân sự chuyên môn.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Tiến Hưng đã hệ thống hóa toàn diện cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng ngân hàng thương mại và khung đo lường rủi ro theo chuẩn mực Basel II AIRB. Dựa trên việc phân tích thực trạng tại Agribank qua số liệu khảo sát 95 cán bộ và xử lý bộ dữ liệu 15.470 khoản vay thực tế giai đoạn 2009 – 2014, công trình đã xây dựng và kiểm định các mô hình phân loại nợ bằng Mạng nơ-ron MLP, Cây quyết định DT và Hồi quy Logit. Kết quả nghiên cứu cung cấp cơ sở khoa học và hệ thống giải pháp đồng bộ về cơ cấu tổ chức, quy trình kỹ thuật và hạ tầng dữ liệu nhằm nâng cao hiệu quả quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG 1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng Nghiên cứu về lý thuyết, Bullivant (2010) đã trình bày bao quát các khía cạnh của quản lý rủi ro tín dụng. Tất cả các vấn đề về mô hình quản lý rủi ro tín dụng được đề cập một cách chi tiết, bao gồm cả hướng dẫn về chính sách tín dụng và quản lý các chức năng tín dụng, điều kiện tín dụng, đánh giá rủi ro, quản lý và mô hình hóa, thu hồi nợ, bảo hiểm tín dụng, tín dụng xuất khẩu, tín dụng tiêu dùng, luật tín dụng thương mại và các dịch vụ tín dụng. Một số hướng dẫn, nghiên cứu của IIA (2020), Oliver Wyman (2016) về mô hình ba lớp bảo vệ hay theo cách gọi cải tiến của Basel (2015) là “bốn lớp bảo vệ” được coi như chuẩn mực trong lĩnh vực quản lý rủi ro nói chung và quản lý rủi ro tín dụng nói riêng.

Mô hình quản lý rủi ro theo “ba lớp phòng vệ” được phát triển lần đầu tiên bởi Institute of Internal Auditors (IIA) vào năm 2013, mô hình này cung cấp cách tiếp cận đơn giản và hiệu quả, để tăng cường sự trao đổi giữa quản lý rủi ro và kiểm soát bằng cách làm rõ vai trò và nhiệm vụ của các bên liên quan. Trong đó nhấn mạnh đến việc phân tách chức năng quản lý rủi ro theo ba lớp độc lập bao gồm bộ phận kinh doanh, quản lý rủi ro và kiểm toán nội bộ. Cũng nghiên cứu mô hình này, Tammenga (2020) tiếp cận trên góc độ đánh giá sự phù hợp của mô hình khi sử dụng các công cụ hiện đại như trí tuệ nhân tạo. Kết quả nghiên cứu cho thấy trí tuệ nhân tạo nếu được áp dụng theo cách có kiểm soát vào lớp bảo vệ thứ hai là phù hợp và an toàn đối với hoạt động quản lý rủi ro.

Nguyễn Văn Tiến (2015) nghiên cứu về mô hình quản trị ngân hàng trong đó xác định điểm căn bản của mô hình quản lý rủi ro tín dụng đó là sự độc lập giữa các khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộ nhưng vẫn 10 LUAN VAN CHAT LUONG download : add [e-mail] đảm bảo được quy trình quản lý tín dụng tập trung. Cũng trên cơ sở đề xuất mô hình tín dụng tập trung, Ghosh (2012) đã đề xuất về việc cần có bộ phận riêng trong ngân hàng để quản lý rủi ro tín dụng bởi tần suất xảy ra thường xuyên và độ lớn của rủi ro mà ngân hàng phải đối mặt. Cả hai nghiên cứu đều thống nhất việc lựa chọn mô hình tập trung đã phân tách được chức năng kinh doanh với chức năng giám sát và kiểm soát rủi ro. Đây là nền tảng lý thuyết về mô hình quản lý rủi ro mang tính chuẩn mực, phù hợp với xu hướng quản trị ngân hàng hiện đại.

Nghiên cứu của Trần Khánh Dương (2019) về phòng ngừa và hạn chế rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triển Việt Nam đã đưa ra về mặt lý thuyết hai dạng mô hình phổ biến về cơ cấu tổ chức quản lý rủi ro tín dụng tại ngân hàng thương mại là mô hình quản lý rủi ro tín dụng tập trung và mô hình quản lý rủi ro tín dụng phân tán. Ngoài ra, nghiên cứu này cũng đưa ra các nhân tố ảnh hưởng đến lựa chọn mô hình quản lý rủi ro tín dụng tại ngân hàng thương mại bao gồm: định hướng quản lý rủi ro tín dụng, quy mô ngân hàng, trình độ công nghệ và trình độ nhân lực. Các nghiên cứu về quản lý rủi ro tín dụng tại một ngân hàng cụ thể khác có thể kể đến như, Luận án tiến sĩ của Nguyễn Quang Hiện (2016) về Ngân hàng TMCP Quân đội, luận án tiến sĩ của Lê Thị Hạnh (2017) về Vietcombank và Nguyễn Như Dương (2018) về Vietinbank. Nghiên cứu của Lê Thị Huyền Diệu (2010) trình bày tổng quát về các mô hình quản lý rủi ro tín dụng với nội dung là các luận cứ khoa học trong việc lựa chọn các mô hình thích hợp trong điều kiện của các ngân hàng thương mại tại Việt Nam.

Cùng trên cơ sở đó, nghiên cứu của Nguyễn Bích Ngân (2020) thực hiện mô phỏng mô hình quản lý rùi ro danh mục theo cách tiếp cận cơ bản dựa trên xếp hạng nội bộ (FIRB) của Basel. 11 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Nghiên cứu về đánh giá rủi ro tín dụng. Koulafetis (2017) nghiên cứu một cách toàn diện về các mô hình đo lường rủi ro tín dụng trong đó nêu chi tiết về các mô hình đo lường rủi ro danh mục, từ mô hình được Basel khuyến nghị theo cách tiếp cận tiêu chuẩn (SA), cách tiếp cận cơ bản dựa trên xếp hạng tín dụng nội bộ (FIRB) và cách tiếp cận nâng cao dự trên xếp hạng tín dụng nâng cao (AIRB) đến các mô hình do các định chế tài chính lâu đời trên thế giới phát triển như CreditMetrics của JP Morgan (1997), KMV của Moody’s (2002), CreditRisk+ của Credit Suise (1997), CreditPortfolioView của Wilson (1997) và được sử dụng bởi McKinsey.

Nghiên cứu cũng chỉ ra những mô hình này tập trung đo lường cùng một đại lượng về mặt lý thuyết, đó là mức tổn thất ngoài dự tính (UL) trong khi đó một số mô hình khác tập trung và hướng thiết lập các cơ chế mô phỏng giá trị danh mục trong tương lai (Saunders & Allen, 2010). Witzany (2017) đưa ra cơ sở lý thuyết của các mô hình đo lường rủi ro danh mục tín dụng và mô phỏng các bước tính toán của các mô hình, trong đó mô hình CreditMetrics dựa trên mô phỏng Monte Carlo, mô hình CreditRisk+ xây dựng một khung tính toán phân bổ tổn thất của danh mục tín dụng mà không cần thông qua mô phỏng Monte Carlo, mô hình CreditPortfolioView đưa vào các yếu tố vĩ mô như là yếu tố ảnh hưởng khả năng vỡ nợ, mô hình KMV dựa trên giá trị chịu rủi ro (VaR) và xem khoản vay như một hợp đồng quyền chọn. Nhiều nghiên cứu tập trung vào phân tích mô hình đo lường rủi ro tín dụng theo cách tiếp cận của Basel có thể kể đến như Acharya và cộng sự (2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier (2006), Witzany (2017), Jacob (2010). Các nghiên cứu này mô tả chi tiết cơ sở lý thuyết và mô phỏng áp dụng khuyến nghị trong Basel II đối với rủi ro tín dụng.

Các 12 LUAN VAN CHAT LUONG download : add [e-mail] mô hình quan trọng nhất trong cách tiếp cận của Basel để đánh giá rủi ro tín dụng, bao gồm xác suất khách hàng không trả được nợ (PD), tỷ lệ tổn thất trong trường hợp khách hàng vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD). Trong luận án này, tác giả kế thừa các luận cứ lý thuyết về mô hình quản lý rủi ro tín dụng dựa trên cách tiếp cận xếp hạng tín dụng nội bộ nâng cao (AIRB) của Basel II để xây dựng hệ thống xếp hạng tín dụng nội bộ cho Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Nghiên cứu về đo lường xác suất vỡ nợ Altman (1968) là một trong những người đầu tiên đặt nền móng cho việc phân loại khách hàng vay theo rủi ro tín dụng bằng mô hình định lượng. Nghiên cứu của Altman đưa ra điểm số Z (Z score) phân loại khả năng vỡ nợ của các khách hàng vay dựa trên phương pháp phân tích phân biệt (Multiple Discriminant Analysis – MDA).

Tương tự như vậy, Wiginton (1980) góp phần đưa mô hình Logit (LR) trở nên phổ biến trong các nghiên cứu và ứng dụng về xếp hạng tín dụng. Cả hai nghiên cứu đều đánh giá hiệu quả mô hình dựa trên ma trận phân loại trong đó so sánh tỷ lệ phân loại đúng và sai nợ xấu nợ tốt. Arminger và cộng sự (1997) sử dụng 3 phương pháp là phân tích phân biệt logistic (logistic discriminant analysis), phân tích CART trên bộ mẫu dữ liệu 8.163 quan sát trong 2 năm 1991 – 1992 ở một ngân hàng Đức. Kết quả cho thấy người trưởng thành, người có thâm niên công tác, người có ôtô, nữ giới và những người có gia đình có khả năng trả nợ tốt hơn.

Vasanthi & Raja (2006) ước tính khả năng vỡ nợ liên quan đến thu nhập và các yếu tố khác với dữ liệu của Úc cho một mẫu gồm 3.431 hộ gia đình. Nghiên cứu cũng chỉ ra rằng độ tuổi của khách hàng, thu nhập và các yếu tố nhân khẩu học là những yếu tố quan trọng ảnh hưởng đến khả năng vỡ nợ. 13 LUAN VAN CHAT LUONG download : add [e-mail] Autio và cộng sự (2009) nghiên cứu việc sử dụng các khoản vay nóng ở Phần Lan. Khảo sát trực tuyến được tiến hành cho các đối tượng từ 18 đến 29 tuổi với các câu hỏi về tuổi tác, giới tính, tình hình tài chính, thu nhập, việc làm và tình trạng lao động cũng như cấu trúc gia đình.

Các yếu tố ảnh hưởng đến số lượng các khoản vay là tình trạng nghề nghiệp, thu nhập và cơ cấu hộ gia đình. Giới tính dường như không có ảnh hưởng. Kocenda & Vojtek (2011) nghiên cứu một mẫu gồm 3.403 quan sát với 21 biến giải thích. Với 2 phương pháp hồi quy logistic và phân tích CART, kết quả cho thấy các đặc tính về tài sản, trình độ học vấn, tình trạng hôn nhân, mục đích của khoản vay và thời gian có tài khoản ngân hàng có tác động rõ ràng đến khả năng vỡ nợ trong danh mục vay tiêu dùng.

Nwachukwu (2013) nghiên cứu về các khoản vay trong lĩnh vực nông nghiệp tại Nigeria với đặc điểm khả năng vỡ nợ của khách hàng tại đây là rất cao, trên 50% các khoản vay. Dữ liệu thu thập bao gồm 36 đặc điểm về người vay chia theo 06 nhóm thông tin về: cá nhân và hộ gia đình, việc kinh doanh, khoản vay và tổ chức cho vay, tham gia các nhóm tiết kiệm và hợp tác xã, tài sản, thu nhập và chi tiêu, cơ sở hạ tầng. Kết quả nghiên cứu chỉ ra rằng 04 yếu tố bao gồm độ tuổi, tần suất kiểm tra của người cho vay, tiền gửi tiết kiệm trong các nhóm tương hỗ và tổng tiền tiết kiệm theo năm là những yếu tố ảnh hưởng đáng kể đến khả năng trả nợ của khách hàng. Nghiên cứu của Dinh & Kleimeier (2007) là một trong ít những nghiên cứu ở Việt Nam sử dụng mô hình định lượng (mô hình logistic) trong nghiên cứu xếp hạng tín dụng cá nhân.

Mục đích của nghiên cứu là tìm ra mô hình chấm điểm tín dụng và chính sách sử dụng phù hợp đối với mảng tín dụng cá nhân tại Việt Nam. Bộ dữ liệu sử dụng xây dựng mô hình gồm 56.