Giới thiệu dự án

Thị trường tài chính bán lẻ tại Việt Nam đang chứng kiến sự tăng trưởng vượt bậc với quy mô dân số gần 100 triệu người. Sau giai đoạn biến động kinh tế và dịch bệnh khiến 59.800 doanh nghiệp tạm ngừng hoạt động (tăng 23%) và tỷ lệ thiếu việc làm chạm mốc 4,46% tương đương hơn 1,8 triệu lao động, rủi ro tín dụng đối với phân khúc khách hàng cá nhân (KHCN) tăng mạnh. Tại Ngân hàng TMCP Quốc tế Việt Nam (VIB) - Cụm TP. Hồ Chí Minh, việc kiểm soát nợ quá hạn và nợ xấu theo chuẩn mực Basel II trở thành nhiệm vụ sống còn.

                  +-------------------------------------------------------+
                  |  DỮ LIỆU TÍN DỤNG GIAI ĐOẠN 2017 - 2021 (N = 275)    |
                  +-------------------------------------------------------+
                                              |
                                              v
                  +-------------------------------------------------------+
                  |    MÔ HÌNH HỒI QUY NHỊ PHÂN BINARY LOGISTIC / PROBIT   |
                  +-------------------------------------------------------+
                                              |
                     +------------------------+------------------------+
                     |                                                 |
                     v                                                 v
+------------------------------------------+     +------------------------------------------+
|      TÁC ĐỘNG NGHỊCH CHIỀU (- RỦI RO)    |     |       TÁC ĐỘNG CÙNG CHIỀU (+ RỦI RO)     |
+------------------------------------------+     +------------------------------------------+
| - Thu nhập, Trình độ học vấn             |     | - Lãi suất vay (LaiSuat)                 |
| - Tài sản đảm bảo (TaiSan), Kinh nghiệm  |     | - Quy mô số tiền vay (Tien)              |
| - Kiểm tra mục đích (MucDich)            |     | - Số lượng khoản vay đồng thời           |
| - Quan hệ tín dụng, Phương án vay        |     +------------------------------------------+
+------------------------------------------+

Vấn đề cốt lõi (Problem Statement) nằm ở sự bất cân xứng thông tin (Information Asymmetry) giữa ngân hàng và người đi vay, dẫn đến hiện tượng lựa chọn đối nghịch (Adverse Selection) và rủi ro đạo đức (Moral Hazard). Phương pháp xét duyệt truyền thống dựa trên cảm tính hoặc quy tắc tĩnh bộc lộ nhiều lỗ hổng khi tỷ lệ nợ nhóm 2 đến nhóm 5 gia tăng.

Đề tài đặt ra 3 mục tiêu cụ thể:

  1. Nhận diện và lượng hóa 13 nhân tố tác động đến rủi ro trễ hạn trả nợ của KHCN tại 11 chi nhánh VIB TP.HCM.
  2. Xây dựng và kiểm định mô hình định lượng Binary Logistic kết hợp đối chuẩn Probit trên mẫu $N = 275$ hồ sơ tín dụng giai đoạn 2017 – 2021 trích xuất từ hệ thống chấm điểm CRS (Customer Rating System).
  3. Đề xuất bộ tiêu chí chọn lọc khách hàng và giải pháp tối ưu hóa quy trình quản trị rủi ro tín dụng bán lẻ.

Phương pháp tiếp cận giải pháp sử dụng mô hình xác suất nhị phân, phân loại trạng thái rủi ro thành hai nhóm ($Y=0$: Nợ nhóm 1 - Đủ tiêu chuẩn; $Y=1$: Nợ nhóm 2 đến 5 - Quá hạn/Trễ hạn) căn cứ theo Thông tư 02/2013/TT-NHNN và Thông tư 09/2014/TT-NHNN. Phạm vi nghiên cứu tập trung vào 275 khách hàng cá nhân có dư nợ thực tế tại các chi nhánh trọng điểm: Sài Gòn, Thủ Đức, Quận 2, Phú Mỹ Hưng, Gò Vấp, Bình Thạnh, Củ Chi, Nguyễn Văn Trỗi, Thành Đô, Bình Dương và Đồng Nai.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hệ thống thẩm định tín dụng KHCN hiện nay tại nhiều ngân hàng thương mại cổ phần vẫn phụ thuộc lớn vào việc đánh giá tài sản bảo đảm thay vì xếp hạng tín nhiệm theo dòng tiền và hành vi người vay.

Phương pháp Ưu điểm Nhược điểm Khả năng ứng dụng tại VIB
Thẩm định chuyên gia (5C / 5P) Đánh giá trực quan, linh hoạt với từng hồ sơ phức tạp Mang tính chủ quan cao, không lượng hóa được xác suất vỡ nợ (PD) Áp dụng ở khâu phỏng vấn ban đầu
Chấm điểm tín dụng CRS tĩnh Nhanh chóng, tự động hóa quy tắc cho điểm cơ bản Trọng số cố định, chưa thích ứng biến động kinh tế vĩ mô Đang vận hành nhưng cần hiệu chỉnh
Mô hình Binary Logistic / Probit Lượng hóa xác suất trễ hạn, xác định hệ số Odds Ratio chi tiết Đòi hỏi dữ liệu sạch và kiểm định thống kê chuẩn tắc Giải pháp tối ưu đề xuất triển khai

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Phân loại chính xác khách hàng nợ nhóm 1 và nhóm 2-5; kiểm định đa cộng tuyến ($VIF < 10$), kiểm định mức độ phù hợp Omnibus ($p < 0.05$).
  • Should have: Tính toán tỷ lệ chênh lệch xác suất (Odds Ratio - $\text{Exp}(\beta)$) cho 13 biến độc lập.
  • Could have: Tích hợp module tự động cập nhật điểm CIC thời gian thực.
  • Won't have (hiện tại): Dự báo chuỗi thời gian nợ xấu bằng Deep Learning đa lớp.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo luồng xử lý dữ liệu khép kín:

Ngăn xếp công nghệ (Technology Stack)

  • Công cụ phân tích định lượng: IBM SPSS Statistics v20.0 (Core Engine chạy mô hình Logit và kiểm định Wald, Hosmer-Lemeshow).
  • Công cụ xử lý dữ liệu nền tảng: Microsoft Excel 2019 / Office 365 (Data cleaning, encoding biến giả).
  • Hệ thống nguồn: VIB Customer Rating System (CRS), CSDL Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Framework chuẩn mực: Basel II Standardized Approach, Thông tư 02/2013/TT-NHNN và Thông tư 09/2014/TT-NHNN.

Cấu trúc dữ liệu biến số (Data Schema)

Tên biến Ký hiệu Loại biến Thang đo / Mã hóa Kỳ vọng tác động
Trạng thái trễ hạn (Phụ thuộc) Y Binary 0 = Nhóm 1; 1 = Nhóm 2 - 5 N/A
Tình trạng hôn nhân HN Dummy 1 = Đã kết hôn; 0 = Độc thân/Khác Âm (-)
Nghề nghiệp NN Ordinal 1 = Lao động tự do; 2 = NV văn phòng; 3 = Quản lý/Chuyên gia Âm (-)
Độ tuổi Tuoi Continuous Số tuổi thực tế của người vay Âm (-)
Số năm kinh nghiệm KinhNghiem Ordinal 0 (<1 năm), 1 (1-3 năm), 2 (3-4 năm), 3 (4-5 năm), 4 ($\ge 5$ năm) Âm (-)
Trình độ học vấn HocVan Ordinal 0 (<THPT), 1 (THPT), 2 (Trung cấp), 3 (Cao đẳng), 4 ($\ge$ Đại học) Âm (-)
Thu nhập bình quân ThuNhap Continuous Tổng thu nhập hàng tháng (triệu VNĐ) Âm (-)
Số tiền vay Tien Continuous Quy mô khoản vay (triệu VNĐ) Dương (+)
Kiểm tra mục đích vay MucDich Dummy 1 = Sử dụng đúng mục đích; 0 = Sai mục đích Âm (-)
Thời gian quan hệ tín dụng QuanHeTinDung Continuous Số năm có giao dịch tín dụng tại VIB Âm (-)
Tài sản bảo đảm TaiSan Dummy 1 = Có TSĐB (BĐS, Xe); 0 = Tín chấp Âm (-)
Lãi suất khoản vay LaiSuat Continuous Lãi suất bình quân (%/năm) Dương (+)
Thời gian vay ThoiGian Continuous Kỳ hạn vay (tháng) Âm (-)
Phương án vay vốn PhuongAn Categorical 1 = Mua xe; 2 = BĐS/Sửa nhà; 3 = Sản xuất kinh doanh Âm (-)

Phương pháp nghiên cứu

Quy trình nghiên cứu định lượng chuẩn 6 bước:

  1. Xác định mục tiêu: Định hình bài toán rủi ro trễ hạn tín dụng KHCN.
  2. Tổng quan lý thuyết: Kế thừa mô hình đánh giá từ Diamond (1984), Chapman (1990), Kohansal & Mansoori (2009), Trương Đông Lộc (2011).
  3. Thiết kế mẫu & thu thập: Thu thập ngẫu nhiên có chọn lọc $N = 275$ hồ sơ (25 hồ sơ $\times$ 11 chi nhánh).
  4. Xử lý số liệu: Thống kê mô tả, phân tích tương quan Pearson, kiểm định ANOVA 1 yếu tố.
  5. Ước lượng & Kiểm định mô hình: Hồi quy nhị phân Binary Logistic, kiểm tra đa cộng tuyến qua hệ số phóng đại phương sai (VIF).
  6. Thảo luận & Gợi ý chính sách: Chuyển hóa kết quả ước lượng thành giải pháp nghiệp vụ.

Implementation và kết quả

Quá trình phát triển và Thuật toán cốt lõi

Mô hình hồi quy nhị phân Binary Logistic xác định xác suất xảy ra biến cố trễ hạn $P(Y=1)$ theo hàm phi tuyến:

$$P_i = P(Y_i = 1 | X_i) = \frac{1}{1 + e^{-Z_i}} = \frac{e^{Z_i}}{1 + e^{Z_i}}$$

Trong đó, chỉ số liên hợp $Z_i$ được biểu diễn:

$$Z_i = \ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 HN + \beta_2 NN + \beta_3 Tuoi + \beta_4 KinhNghiem + \beta_5 HocVan + \beta_6 ThuNhap + \beta_7 Tien + \beta_8 MucDich + \beta_9 QuanHeTinDung + \beta_{10} TaiSan + \beta_{11} LaiSuat + \beta_{12} ThoiGian + \beta_{13} PhuongAn + \varepsilon_i$$

Tỷ số chênh (Odds Ratio) cho biến giải thích thứ $k$:

$$\text{Odds Ratio} = \frac{\text{Odds}(X_k + 1)}{\text{Odds}(X_k)} = e^{\beta_k}$$

# Cấu trúc mã nguồn ước lượng Logistic Regression kiểm tra dữ liệu tín dụng VIB
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

def fit_credit_risk_model(df_clean):
    feature_cols = [
        'HN', 'NN', 'Tuoi', 'KinhNghiem', 'HocVan', 'ThuNhap',
        'Tien', 'MucDich', 'QuanHeTinDung', 'TaiSan', 'LaiSuat',
        'ThoiGian', 'PhuongAn'
    ]
    X = df_clean[feature_cols]
    X = sm.add_constant(X)
    y = df_clean['Y']
    
    # Kiểm tra hiện tượng đa cộng tuyến (VIF test)
    vif_data = pd.DataFrame()
    vif_data["feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    # Ước lượng mô hình Logit nhị phân
    logit_model = sm.Logit(y, X)
    result = logit_model.fit(method='newton', maxiter=35, disp=True)
    
    print("=== KẾT QUẢ ƯỚC LƯỢNG MÔ HÌNH BINARY LOGISTIC VIB ===")
    print(result.summary())
    print("\n=== HỆ SỐ PHÓNG ĐẠI PHƯƠNG SAI (VIF) ===")
    print(vif_data)
    return result, vif_data

Kiểm định thống kê và Độ chuẩn xác mô hình

  1. Kiểm định Omnibus (Omnibus Tests of Model Coefficients): Giá trị thống kê $\chi^2$ đạt mức ý nghĩa $p\text{-value} < 0.001$, bác bỏ giả thuyết $H_0$ (tất cả các hệ số hồi quy đồng thời bằng 0), khẳng định phương trình hồi quy có ý nghĩa thống kê cao.
  2. Kiểm định độ phù hợp Hosmer and Lemeshow: Mức ý nghĩa $p > 0.05$, chứng minh mô hình có độ tương thích xuất sắc với dữ liệu thực nghiệm 275 khách hàng.
  3. Kiểm định đa cộng tuyến: Hệ số $VIF$ của toàn bộ 13 biến giải thích đều nằm trong khoảng từ $1.12$ đến $2.45$ (nhỏ hơn rất nhiều so với ngưỡng cảnh báo 10), xác nhận không có hiện tượng đa cộng tuyến nghiêm trọng giữa các biến độc lập.
  4. Kiểm định hệ số Wald: Toàn bộ 13 biến số được đưa vào mô hình đều đạt mức ý nghĩa thống kê từ $1%$ đến $5%$ ($p < 0.05$).

Kết quả ước lượng thực nghiệm

  • Các nhân tố làm giảm xác suất trễ hạn ($\beta < 0$, $\text{Exp}(\beta) < 1$):
    • ThuNhap & KinhNghiem: Thu nhập cao và số năm kinh nghiệm công tác $\ge 5$ năm giúp giảm thiểu tối đa rủi ro chậm trả. Khách hàng có khả năng tích lũy tài chính tốt luôn chủ động nguồn tiền trả nợ định kỳ.
    • TaiSan: Khoản vay có thế chấp bất động sản hoặc phương tiện vận tải giảm hơn $65%$ nguy cơ trễ hạn so với cho vay tín chấp không TSĐB.
    • MucDich: Việc cán bộ tín dụng (CBTD) kiểm soát chặt mục đích sử dụng vốn sau giải ngân làm giảm tỷ lệ sai lệch dòng tiền, kéo giảm xác suất trễ hạn.
    • HocVan, HN, NN, QuanHeTinDung, ThoiGian, PhuongAn: Trình độ học vấn cao, đã lập gia đình, công việc ổn định (viên chức/chuyên gia) và kỳ hạn vay kéo dài giúp phân bổ áp lực trả nợ gốc đều đặn.
  • Các nhân tố làm gia tăng rủi ro trễ hạn ($\beta > 0$, $\text{Exp}(\beta) > 1$):
    • LaiSuat: Lãi suất tăng cao tạo gánh nặng tài chính trực tiếp lên nghĩa vụ thanh toán hàng tháng.
    • Tien: Quy mô khoản vay quá lớn mà không có nguồn thu bù đắp tương xứng làm tăng rủi ro không thể hoàn trả.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính hệ thống so với các công trình trước đây:

Tiêu chí so sánh Trương Đông Lộc & Nguyễn Thanh Bình (2011) Nguyễn Việt Thành (2017) Đề tài nghiên cứu VIB TP.HCM (2022)
Đối tượng nghiên cứu Nông hộ vay vốn nông nghiệp Khách hàng hỗn hợp tại 5 ngân hàng Khách hàng cá nhân đô thị tại VIB
Khu vực địa lý Tỉnh Hậu Giang Khu vực ĐBSCL Cụm đô thị & khu công nghiệp TP.HCM
Số lượng biến phân tích 7 biến độc lập 7 biến độc lập 13 biến toàn diện (Nhân khẩu, Khoản vay, Ngân hàng)
Hệ thống dữ liệu Phiếu khảo sát hộ gia đình Dữ liệu hỗn hợp Dữ liệu thực tế hệ thống CRS & CIC
Độ chính xác & Đóng góp Định hướng hỗ trợ tín dụng nông thôn So sánh Logit nhị thức và đa thức Chuẩn hóa bộ lọc chấm điểm tín dụng theo Basel II

Đóng góp thực tiễn nổi bật

  • Lượng hóa chi tiết tác động của 13 nhân tố: Khẳng định sự kết hợp giữa biến nhân khẩu học và biến quy trình tác nghiệp của ngân hàng (kiểm tra mục đích sử dụng vốn) là chìa khóa then chốt để hạn chế rủi ro.
  • Tiêu chuẩn hóa quy trình thẩm định VIB: Cung cấp cơ sở định lượng để Ban Quản trị Rủi ro VIB tái cấu trúc thang chấm điểm CRS cho cụm chi nhánh TP.HCM.

Ứng dụng thực tế và triển khai

Kịch bản triển khai nghiệp vụ (Use Cases)

  1. Kịch bản 1 - Vay mua ô tô (Car Loan):
    • Khách hàng đã lập gia đình, công tác $>3$ năm, thu nhập $\ge 25$ triệu/tháng, phương án mua xe có thế chấp bằng chính cà-vẹt xe: Được xếp hạng rủi ro thấp ($P < 0.15$), ưu tiên phê duyệt nhanh trong 8 giờ làm việc.
  2. Kịch bản 2 - Vay mua Bất động sản (Home Loan):
    • Khoản vay kỳ hạn dài (15-20 năm), kiểm soát chặt chứng từ mục đích mua bán/xây sửa nhà: Giảm áp lực trả nợ hàng tháng, tỷ lệ an toàn cao.
  3. Kịch bản 3 - Vay tín chấp tiêu dùng không TSĐB:
    • Cần áp dụng mức chặn khắt khe về trình độ học vấn, thời gian quan hệ tín dụng và kiểm tra định kỳ 30 ngày/lần để ngăn chặn chuyển dịch sang nợ nhóm 2.
                      HỒ SƠ VAY KHÁCH HÀNG CÁ NHÂN
                   ĐÁNH GIÁ ĐIỂM SỐ CRS (13 TIÊU CHÍ)
        Xác suất P < 0.35                   Xác suất P >= 0.35
     [RỦI RO THẤP - NHÓM 1]             [RỦI RO CAO - NHÓM 2-5]
     - Phê duyệt tự động                - Yêu cầu bổ sung TSĐB
     - Giải ngân luồng ưu tiên          - Kiểm soát mục đích vốn định kỳ
     - Ưu đãi biên độ lãi suất          - Áp dụng lãi suất bù đắp rủi ro

Đánh giá hiệu quả kinh tế và ROI

  • Giảm tỷ lệ nợ quá hạn: Ứng dụng mô hình giúp giảm tỷ lệ nợ chuyển nhóm (từ nhóm 1 sang nhóm 2-5) tại các chi nhánh VIB TP.HCM ước tính từ $18%$ đến $25%$.
  • Tối ưu hóa chi phí dự phòng rủi ro: Giảm trích lập dự phòng cụ thể theo quy định Thông tư 02/2013/TT-NHNN, tiết kiệm hàng tỷ đồng chi phí hoạt động mỗi năm.
  • Rút ngắn thời gian thẩm định: Tự động hóa bộ lọc phân loại khách hàng giúp giảm $35%$ thời gian thẩm định hồ sơ của chuyên viên quan hệ khách hàng (RM).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Cỡ mẫu 275 quan sát tập trung chủ yếu tại địa bàn TP.HCM và các tỉnh phụ cận (Bình Dương, Đồng Nai), chưa đại diện đầy đủ cho mạng lưới chi nhánh toàn quốc. Mô hình Logistic truyền thống là mô hình tĩnh, chưa tự động cập nhật động theo dòng tiền biến đổi liên tục của khách hàng.
  • Hướng phát triển:
    • Mở rộng quy mô mẫu lên $N > 10.000$ hồ sơ trên toàn bộ 3 miền Bắc - Trung - Nam.
    • Tích hợp các thuật toán học máy tiên tiến (XGBoost, LightGBM, Random Forest) kết hợp giải thuật giải thích mô hình SHAP (SHapley Additive exPlanations) để nâng cao độ chính xác dự báo vỡ nợ sớm.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng ứng dụng trong ngành Tài chính - Ngân hàng.
  • Chuyên viên phân tích rủi ro & Lập trình viên FinTech: Nắm bắt logic nghiệp vụ phân loại tín dụng và cấu trúc dữ liệu để xây dựng hệ thống chấm điểm tín dụng tự động.
  • Ngân hàng thương mại & Tổ chức tài chính: Sở hữu bộ tiêu chí thực nghiệm để cải tiến chính sách cấp tín dụng bán lẻ và quản trị rủi ro danh mục.
  • Nhà nghiên cứu kinh tế: Cung cấp bằng chứng thực nghiệm về thị trường tín dụng tiêu dùng tại đô thị lớn nhất Việt Nam.

Câu hỏi thường gặp

  1. Điều kiện công nghệ tối thiểu để triển khai mô hình là gì? Hệ thống máy chủ xử lý dữ liệu với cấu hình tối thiểu 8 Core CPU, 16GB RAM, cài đặt môi trường Python 3.9+ hoặc IBM SPSS Statistics Server để tích hợp API chấm điểm tự động.
  2. Khả năng mở rộng của mô hình sang các nhóm ngân hàng khác? Mô hình có khả năng tái sử dụng $100%$ cấu trúc khung 13 biến số. Khi áp dụng cho ngân hàng khác, chỉ cần chuẩn hóa lại trọng số ước lượng dựa trên tập dữ liệu đặc thù của ngân hàng đó.
  3. Mô hình tích hợp vào hệ thống Core Banking như thế nào? Mô hình được đóng gói dưới dạng RESTful API microservice. Khi cán bộ tín dụng nhập liệu hồ sơ vào hệ thống khởi tạo khoản vay (LOS/CRS), hệ thống sẽ gửi request JSON và nhận về xác suất trễ hạn $P$ cùng khuyến nghị giải ngân.
  4. Quy trình bảo trì và tái huấn luyện mô hình (Retraining)? Mô hình cần được đánh giá lại định kỳ 6 tháng một lần dựa trên các chỉ số kiểm định thống kê và biến động kinh tế vĩ mô để cập nhật hệ số $\beta_k$.
  5. Chi phí đầu tư và thời gian hoàn vốn? Chi phí đầu tư phần mềm và chuẩn hóa dữ liệu ở mức thấp, thời gian hoàn vốn (Payback period) dự kiến dưới 12 tháng thông qua việc cắt giảm chi phí nợ xấu phát sinh.

Kết luận

Đồ án đã phân tích và lượng hóa thành công 13 nhân tố ảnh hưởng đến rủi ro trễ hạn trả nợ của khách hàng cá nhân tại VIB Cụm TP.HCM thông qua mô hình hồi quy nhị phân Binary Logistic. Các phát hiện thực nghiệm chỉ ra rằng nâng cao chất lượng thẩm định nguồn thu nhập, gia tăng tỷ lệ khoản vay có tài sản bảo đảm, kiểm soát chặt chẽ mục đích sử dụng vốn sau vay và thiết lập mức lãi suất cho vay hợp lý là 4 trụ cột quyết định trong việc giảm thiểu nợ quá hạn.

Đây là công trình nghiên cứu ứng dụng có giá trị thực tiễn cao, đóng góp nền tảng khoa học vững chắc để các ngân hàng thương mại nâng cao năng lực cạnh tranh và đảm bảo an toàn hệ thống tín dụng bán lẻ.