Giới thiệu dự án

Bối cảnh nghiên cứu và thực trạng ngành

Trong cấu trúc tài chính của các Ngân hàng Thương mại Cổ phần (NHTM) tại Việt Nam, phân khúc tín dụng cá nhân (Personal Lending) đóng vai trò là động lực tăng trưởng lợi nhuận cốt lõi, đặc biệt khi hoạt động giải ngân cho doanh nghiệp chịu tác động bởi chu kỳ kinh tế và biến động thị trường. Tuy nhiên, sự gia tăng nhanh chóng của quy mô dư nợ bán lẻ đi kèm với nguy cơ tiềm ẩn về rủi ro tín dụng (Credit Risk) và nợ quá hạn (Overdue Loans). Theo các báo cáo giám sát tài chính, nợ xấu cá nhân thường tập trung vào các nhóm mục đích như vay tiêu dùng, sản xuất kinh doanh nhỏ lẻ và vay mua bất động sản.

Tại Ngân hàng TMCP Xuất Nhập Khẩu Việt Nam (Eximbank) – Chi nhánh Cần Thơ, hoạt động cấp tín dụng cá nhân giai đoạn 2017–2020 ghi nhận tốc độ tăng trưởng ổn định nhưng tỷ lệ nợ xấu và nợ trễ hạn vẫn diễn biến phức tạp. Tình trạng bất cân xứng thông tin (Information Asymmetry) cùng với rủi ro đạo đức (Moral Hazard) từ phía người vay đặt ra yêu cầu cấp thiết về việc lượng hóa các nhân tố quyết định khả năng trả nợ đúng hạn nhằm tối ưu hóa quy trình thẩm định và kiểm soát danh mục cho vay.

+-----------------------------------------------------------------------------------+
|               KHÁCH HÀNG CÁ NHÂN VAY VỐN (EXIMBANK CẦN THƠ)                       |
|  [Đặc điểm nhân khẩu học]   [Năng lực tài chính]   [Đặc tính khoản vay & Hành vi] |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
|           MÔ HÌNH KINH TẾ LƯỢNG / ĐÁNH GIÁ XÁC SUẤT TRẢ NỢ (BINARY LOGISTIC)      |
|           Logit(P) = ln(P / (1 - P)) = α + β1*X1 + β2*X2 + ... + β6*X6            |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
|               KẾT QUẢ ĐẦU RA: PHÂN LOẠI & RA QUYẾT ĐỊNH TÍN DỤNG                  |
|          Y = 1: Trả nợ đúng hạn (P >= 0.5)  |  Y = 0: Trả nợ trễ hạn (P < 0.5)    |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu cụ thể

Quy trình cấp tín dụng truyền thống tại các chi nhánh ngân hàng thường phụ thuộc nhiều vào đánh giá định tính của cán bộ tín dụng (CBTD), dẫn đến các rủi ro tác nghiệp (Operational Risk) và khả năng bỏ sót các yếu tố chỉ báo rủi ro then chốt:

  • Thiếu công cụ định lượng xác thực mối quan hệ giữa các biến số nhân khẩu học, tài chính và hành vi sử dụng vốn với xác suất hoàn trả nợ đúng hạn.
  • Khó khăn trong việc kiểm soát rủi ro mục đích vay thực tế sau giải ngân, gây suy giảm năng lực thu hồi nợ gốc và lãi.
  • Ảnh hưởng của biến động lãi suất thị trường lên gánh nặng chi phí lãi vay của khách hàng cá nhân.

Mục tiêu dự án

  1. Đánh giá thực trạng tín dụng: Phân tích quy mô dư nợ, doanh số cho vay, thu nợ và cơ cấu nợ xấu phân theo thời hạn của nhóm khách hàng cá nhân tại Eximbank Chi nhánh Cần Thơ giai đoạn 2017–2019.
  2. Lượng hóa các nhân tố ảnh hưởng: Xây dựng và ước lượng mô hình hồi quy Binary Logistic để xác định mức độ tác động của 6 nhân tố độc lập (Giới tính, Độ tuổi, Thu nhập, Quy mô khoản vay, Lãi suất, Mục đích sử dụng vốn) tới biến phụ thuộc "Khả năng trả nợ đúng hạn".
  3. Đề xuất hàm ý quản trị: Thiết lập khung chính sách thẩm định, kiểm soát sau giải ngân và xây dựng hệ số tính điểm rủi ro cho danh mục khách hàng cá nhân.

Phương pháp tiếp cận giải pháp

Nghiên cứu kết hợp phương pháp nghiên cứu định tính (phỏng vấn sâu 9 chuyên gia quản lý và cán bộ tín dụng trên 4–10 năm kinh nghiệm) để sàng lọc thang đo, cùng phương pháp nghiên cứu định lượng thông qua hồi quy nhị phân (Binary Logistic Regression) xử lý trên phần mềm thống kê chuyên dụng. Phương pháp này giải quyết triệt để tính chất nhị phân của biến phụ thuộc ($Y \in {0, 1}$) mà các mô hình hồi quy tuyến tính cổ điển (OLS) không thể mô hình hóa chính xác.

Kết quả kỳ vọng và chỉ số đo lường

  • Xác định chính xác các biến có ý nghĩa thống kê ở mức $p < 0.05$ và $p < 0.01$.
  • Mức độ giải thích của mô hình đạt Nagelkerke $R^2 \ge 0.40$.
  • Tỷ lệ dự báo chính xác tổng thể của mô hình phân loại (Overall Classification Percentage) đạt trên $80%$.
  • Kiểm soát hoàn toàn hiện tượng đa cộng tuyến với hệ số phóng đại phương sai $\text{VIF} < 2.0$.

Phạm vi và giới hạn

  • Không gian: Ngân hàng TMCP Xuất Nhập Khẩu Việt Nam (Eximbank) – Chi nhánh Cần Thơ.
  • Thời gian và dữ liệu: Khảo sát 137 hồ sơ vay vốn cá nhân phát sinh và có nghĩa vụ thanh toán trong giai đoạn 2017–2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phân tích các giải pháp quản trị rủi ro tín dụng hiện hành

Tiêu chí Thẩm định định tính truyền thống (Chuyên gia) Bảng chấm điểm tín dụng nội bộ (Credit Scoring) Mô hình kinh tế lượng hồi quy Binary Logistic
Ưu điểm Linh hoạt, đánh giá được các yếu tố phi tài chính phức tạp. Xử lý nhanh, tiêu chuẩn hóa theo tiêu chí định sẵn. Lượng hóa chính xác xác suất rủi ro, kiểm định giả thuyết khoa học.
Nhược điểm Mang tính chủ quan, dễ sai lệch do rủi ro tác nghiệp. Khó cập nhật trọng số động theo từng địa bàn chi nhánh. Đòi hỏi dữ liệu lịch sử sạch và quy trình kiểm định toán học.
Độ chính xác $60% - 70%$ $70% - 80%$ $85% - 92%$
Khả năng giải thích Thấp, khó chuẩn hóa Trung bình Rất cao qua tỷ số chênh (Odds Ratio)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Mô hình toán học xác định xác suất trả nợ đúng hạn; Ma trận kiểm định tương quan và đa cộng tuyến; Kiểm định Omnibus và chỉ số -2LL (-2 Log Likelihood).
  • Should have: Bộ chỉ số Odds Ratio $\text{Exp}(B)$ để đo lường mức độ thay đổi xác suất khi biến độc lập thay đổi 1 đơn vị; Thang đo phân loại rủi ro theo ngưỡng cắt (Cut-off value = 0.5).
  • Could have: Tập lệnh tự động hóa làm sạch và kiểm định dữ liệu trên ngôn ngữ lập trình thống kê (Python/R).
  • Won't have (lần này): Tích hợp deep learning hoặc mạng nơ-ron nhân tạo thời gian thực do giới hạn mẫu dữ liệu cục bộ.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng mô hình

graph TD
    A[Hồ sơ vay vốn KHCN 2017-2020: N=137] --> B[Làm sạch & Mã hóa biến số]
    B --> C[Phân tích thống kê mô tả & Ma trận tương quan]
    C --> D{Kiểm tra Đa cộng tuyến: VIF < 2.0}
    D -- Đạt --> E[Ước lượng Hồi quy Binary Logistic]
    D -- Không đạt --> B
    E --> F[Kiểm định độ phù hợp: Omnibus Test & -2LL]
    F --> G[Kiểm định mức độ giải thích: Cox & Snell, Nagelkerke R2]
    G --> H[Ma trận phân loại chính xác: Classification Matrix]
    H --> I[Trích xuất Hệ số Hồi quy B & Tỷ số Chênh Exp_B]
    I --> J[Hàm ý Quản trị & Hệ thống Ra Quyết định Tín dụng]

Ngăn xếp công nghệ và công cụ phân tích (Technology Stack)

  • Công cụ thống kê phân tích: IBM SPSS Statistics v20.0 (Core Engine).
  • Công cụ định lượng bổ trợ: Python v3.8.10 (pandas v1.3.4, statsmodels v0.12.2, scikit-learn v0.24.2) dùng cho xử lý tự động hóa.
  • Môi trường cơ sở dữ liệu: Hệ thống quản lý thông tin tín dụng nội bộ CoreBanking của Eximbank.

Thiết kế biến số và cấu trúc dữ liệu

Phương trình hồi quy logit chuẩn hóa:

$$\text{Logit}(P) = \ln\left(\frac{P}{1 - P}\right) = \alpha + \beta_1 \cdot \text{GENDER} + \beta_2 \cdot \text{AGE} + \beta_3 \cdot \text{EARNING} + \beta_4 \cdot \text{LOAN} + \beta_5 \cdot \text{INTEREST} + \beta_6 \cdot \text{PURPOSE} + \varepsilon$$

Trong đó:

  • $P = P(Y = 1)$: Xác suất khách hàng trả nợ đúng hạn.
  • $1 - P = P(Y = 0)$: Xác suất khách hàng không trả nợ đúng hạn (trễ hạn).
+-----------------------------------------------------------------------------------------+
|                  MA TRẬN CẤU TRÚC BIẾN SỐ ĐẦU VÀO (VARIABLE SPECIFICATION)              |
+--------------+------------------+-----------------------------+-----------+-------------+
| Tên biến     | Ký hiệu mã hóa   | Loại biến / Đơn vị đo       | Dấu kỳ    | Tham chiếu  |
|              |                  |                             | vọng      | lý thuyết   |
+--------------+------------------+-----------------------------+-----------+-------------+
| Trả nợ       | Y (Phụ thuộc)    | Dummy: 1 = Đúng hạn; 0 = Trễ| N/A       | QĐ 493 NHNN |
| Giới tính    | GENDER (X1)      | Dummy: 1 = Nam; 0 = Nữ      | (-)       | Miller 2012 |
| Độ tuổi      | AGE (X2)         | Định lượng: Năm (Năm vay-NS)| (+)       | Kohansal 09 |
| Thu nhập     | EARNING (X3)     | Định lượng: Triệu VNĐ/tháng | (+)       | Sileshi 12  |
| Tiền vay     | LOAN (X4)        | Định lượng: Log(Khoản vay)  | (+)       | Sharma 1997 |
| Lãi suất     | INTEREST (X5)    | Định lượng: %/năm           | (-)       | Onyeagocha12|
| Mục đích vay | PURPOSE (X6)     | Dummy: 1 = Đúng; 0 = Sai    | (+)       | T.Đ.Lộc 2011|
+--------------+------------------+-----------------------------+-----------+-------------+

Phương pháp luận (Methodology)

Nghiên cứu ứng dụng quy trình khoa học dữ liệu chuẩn CRISP-DM kết hợp mô hình kiểm định định lượng tài chính qua 4 cột mốc (Milestones):

  1. Milestone 1 (Tuần 1–3): Tổng quan tài liệu, lược khảo các công trình trong và ngoài nước, xây dựng khung lý thuyết.
  2. Milestone 2 (Tuần 4–6): Nghiên cứu định tính qua phỏng vấn chuyên gia ($N=9$), tinh chỉnh bảng câu hỏi và thu thập $N=137$ hồ sơ vay thực tế.
  3. Milestone 3 (Tuần 7–9): Chạy kiểm định thống kê trên SPSS 20.0, kiểm tra tương quan ma trận Pearson, ước lượng hồi quy Binary Logistic và đánh giá goodness-of-fit.
  4. Milestone 4 (Tuần 10–12): Tổng hợp phát hiện, thảo luận kết quả kinh tế lượng, xây dựng giải pháp hàm ý quản trị rủi ro tại chi nhánh.

Implementation và kết quả

Quy trình phát triển và thuật toán ước lượng

Thuật toán ước lượng tham số trong mô hình Binary Logistic sử dụng phương pháp ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE). Hàm Log-Likelihood ($LL$) tối ưu hóa hàm mục tiêu:

$$LL(\beta) = \sum_{i=1}^{N} \left[ y_i \ln(P_i) + (1 - y_i) \ln(1 - P_i) \right]$$

Mã lệnh cấu hình và thực thi hồi quy kinh tế lượng trên môi trường Python (tương thích logic phân tích trên SPSS):

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, confusion_matrix

# 1. Đọc và chuẩn bị dữ liệu hồ sơ tín dụng
df = pd.read_csv("eximbank_credit_data.csv")
features = ['gender', 'age', 'earning', 'loan_log', 'interest', 'purpose']
X = df[features]
y = df['repayment_status'] # 1: Dung han, 0: Tre han

# 2. Thêm hằng số vào mô hình (Intercept)
X_const = sm.add_constant(X)

# 3. Ước lượng mô hình Logit bằng phương pháp MLE
logit_model = sm.Logit(y, X_const)
result = logit_model.fit(method='newton', maxiter=100, disp=True)

# 4. Xuất kết quả thống kê chi tiết
print(result.summary())
print("Odds Ratios (Exp(B)):")
print(np.exp(result.params))

# 5. Đánh giá ma trận phân loại (Cut-off = 0.5)
y_pred_prob = result.predict(X_const)
y_pred_class = (y_pred_prob >= 0.5).astype(int)
print("\nClassification Matrix:")
print(confusion_matrix(y, y_pred_class))

Kiểm định thống kê và độ phù hợp của mô hình

Dữ liệu khảo sát từ 137 hồ sơ vay vốn được kiểm định thông qua các chỉ số thống kê nghiêm ngặt:

Kiểm định độ phù hợp tổng quát (Omnibus Tests of Model Coefficients)

  • Chi-square statistic: Đạt giá trị có ý nghĩa thống kê với $p$-value $= 0.000 < 0.01$, chứng minh rằng tập hợp 6 biến độc lập khi đưa vào mô hình cải thiện vượt bậc khả năng dự báo so với mô hình gốc chỉ có hệ số chặn (Null Model).
  • Chỉ số -2 Log Likelihood (-2LL): Giá trị -2LL giảm mạnh từ mô hình ban đầu sang mô hình có các biến độc lập, thể hiện độ hội tụ và mức độ phù hợp cao của phương trình hồi quy.

Mức độ giải thích của mô hình

  • Cox & Snell $R^2$: $0.386$
  • Nagelkerke $R^2$: $0.518$ (Chứng minh $51.8%$ sự biến thiên của khả năng trả nợ đúng hạn được giải thích bởi các biến độc lập trong mô hình).
  • Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai ($\text{VIF}$) của tất cả các biến đều nằm trong khoảng $1.082 - 1.450$ ($< 2.0$), hệ số tương quan giữa các cặp biến độc lập đều $< 0.50$, khẳng định không tồn tại hiện tượng đa cộng tuyến.

Ma trận phân loại chính xác (Classification Table at Cut-off = 0.5)

  • Tỷ lệ dự báo chính xác nhóm trả nợ trễ hạn ($Y = 0$): $82.4%$
  • Tỷ lệ dự báo chính xác nhóm trả nợ đúng hạn ($Y = 1$): $91.3%$
  • Tỷ lệ dự báo chính xác tổng thể (Overall Percentage): $87.6%$

Kết quả ước lượng mô hình Binary Logistic

+-----------------------------------------------------------------------------------------+
|                BẢNG THỐNG KÊ HỆ SỐ HỒI QUY TRONG MÔ HÌNH BINARY LOGISTIC                |
+--------------+----------+----------+----------+----+---------+------------+-------------+
| Biến số      | B        | S.E.     | Wald     | df | Sig.    | Exp(B)     | Kết luận    |
+--------------+----------+----------+----------+----+---------+------------+-------------+
| GENDER (X1)  | -0.324   | 0.452    | 0.514    | 1  | 0.473   | 0.723      | Không ý nghĩa|
| AGE (X2)     |  0.068   | 0.027    | 6.350    | 1  | 0.012** | 1.070      | Chấp nhận H2|
| EARNING (X3) |  0.142   | 0.048    | 8.751    | 1  | 0.003***| 1.153      | Chấp nhận H3|
| LOAN (X4)    |  0.185   | 0.221    | 0.701    | 1  | 0.402   | 1.203      | Không ý nghĩa|
| INTEREST(X5) | -0.285   | 0.114    | 6.250    | 1  | 0.012** | 0.752      | Chấp nhận H5|
| PURPOSE (X6) |  2.145   | 0.512    | 17.551   | 1  | 0.000***| 8.542      | Chấp nhận H6|
| Constant     | -3.210   | 1.420    | 5.111    | 1  | 0.024   | 0.040      |             |
+--------------+----------+----------+----------+----+---------+------------+-------------+
Ghi chú: *** p < 0.01; ** p < 0.05; Cỡ mẫu N = 137.

Phân tích chi tiết mức độ tác động của 4 nhân tố có ý nghĩa thống kê:

  1. Sử dụng vốn vay đúng mục đích ($\text{PURPOSE}, B = 2.145, p = 0.000, \text{Exp}(B) = 8.542$): Đây là nhân tố có tác động mạnh nhất. Khách hàng sử dụng tiền vay đúng mục đích cam kết có cơ hội trả nợ đúng hạn cao gấp 8.542 lần so với khách hàng sử dụng sai mục đích.
  2. Thu nhập hàng tháng ($\text{EARNING}, B = 0.142, p = 0.003, \text{Exp}(B) = 1.153$): Khi thu nhập hàng tháng của khách hàng tăng thêm 1 triệu đồng, xác suất trả nợ đúng hạn tăng thêm $15.3%$ ($\text{Odds Ratio} = 1.153$), trong điều kiện các yếu tố khác không đổi.
  3. Độ tuổi người vay ($\text{AGE}, B = 0.068, p = 0.012, \text{Exp}(B) = 1.070$): Khách hàng lớn tuổi hơn có xu hướng tích lũy tài chính và kinh nghiệm quản lý dòng tiền tốt hơn; mỗi khi tăng thêm 1 tuổi, khả năng trả nợ đúng hạn tăng $7.0%$.
  4. Lãi suất khoản vay ($\text{INTEREST}, B = -0.285, p = 0.012, \text{Exp}(B) = 0.752$): Lãi suất tác động nghịch chiều; khi lãi suất cho vay tăng $1%/\text{năm}$, tỷ số chênh trả nợ đúng hạn giảm xuống còn $0.752$ lần (tương đương giảm $24.8%$ xác suất trả đúng hạn).

Đổi mới và đóng góp

So sánh với các nghiên cứu thực nghiệm tiền nhiệm

Nghiên cứu Địa bàn / Đối tượng Phương pháp Các biến có ý nghĩa thống kê Điểm khác biệt / Cải tiến của đề tài
Trương Đông Lộc & Nguyễn Thanh Bình (2011) Nông hộ tại Hậu Giang ($N=436$) Hồi quy Probit Thu nhập, Học vấn, Thành viên có thu nhập, Lãi suất, Mục đích vay Phân tích sâu trên khách hàng đô thị và hệ thống NHTM cổ phần hiện đại.
Kohansal & Mansoori (2009) Nông dân tại Iran ($N=175$) Hồi quy Logit Lãi suất, Kinh nghiệm, Quy mô khoản vay, Chi phí Tập trung lượng hóa rủi ro mục đích sử dụng vốn qua kiểm soát sau giải ngân.
Antwi et al. (2012) Ngân hàng Akuapem, Ghana ($N=800$) Hồi quy Logistic Loại hình vay, Tài sản bảo đảm Tách biệt tác động của thu nhập thực nhận và cấu trúc độ tuổi người vay.
Đề tài hiện tại (Cao Hoàng Vũ, 2021) KHCN Eximbank Cần Thơ ($N=137$) Binary Logistic + SPSS 20 Mục đích vay, Thu nhập, Độ tuổi, Lãi suất Xác định tỷ số chênh vượt trội của biến Mục đích vay ($\text{Exp}(B) = 8.542$).

Đóng góp thực tiễn cho hệ thống ngân hàng

  • Định lượng hóa rủi ro đạo đức: Cung cấp bằng chứng thực nghiệm mạnh mẽ chứng minh rằng kiểm soát việc sử dụng vốn sau giải ngân là chốt chặn quan trọng nhất để ngăn ngừa nợ xấu bán lẻ ($p = 0.000$).
  • Xây dựng ma trận cảnh báo sớm (Early Warning System - EWS): Xác định nhóm khách hàng có nguy cơ trễ hạn cao gồm: người vay trẻ tuổi, thu nhập không ổn định dưới 10 triệu đồng/tháng và vay trong chu kỳ lãi suất thả nổi tăng cao.

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|               QUY TRÌNH QUẢN TRỊ TÍN DỤNG TÍCH HỢP MÔ HÌNH DỰ BÁO                  |
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 1: THẨM ĐỊNH BAN ĐẦU (TIỀN GIẢI NGÂN)                                   |
| - Thu thập thông tin: Tuổi, Thu nhập xác minh, Phương án sử dụng vốn.             |
| - Tính toán Scorecard Logit -> Đánh giá xác suất P(Y=1).                          |
| - Phê duyệt hạn mức & Lãi suất cạnh tranh nếu P >= 0.85.                          |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 2: GIẢI NGÂN & KIỂM SOÁT DÒNG TIỀN                                      |
| - Giải ngân phong tỏa trực tiếp cho bên thụ hưởng (tránh chuyển tiền mặt).        |
| - Kiểm tra hóa đơn, chứng từ chứng minh mục đích sử dụng vốn trong 15 ngày.       |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 3: GIÁM SÁT HẬU KIỂM & THU HỒI NỢ                                       |
| - Kiểm tra thực địa định kỳ 03 tháng/lần đối với phương án kinh doanh.            |
| - Tự động gửi SMS/Email nhắc nợ trước ngày đáo hạn 05 ngày.                       |
| - Kích hoạt quy trình xử lý nợ sớm nếu trễ hạn > 10 ngày (Chuyển nhóm nợ).       |
+-----------------------------------------------------------------------------------+

Kế hoạch triển khai và lộ trình thực hiện (Roadmap)

  • Giai đoạn 1 (Tháng 1–2): Chuẩn hóa dữ liệu đầu vào: Tích hợp bộ 6 trường dữ liệu chuẩn vào phần mềm khởi tạo khoản vay (LOS) tại Eximbank Chi nhánh Cần Thơ.
  • Giai đoạn 2 (Tháng 3–4): Đào tạo nghiệp vụ: Huấn luyện $100%$ cán bộ tín dụng và cán bộ kiểm soát rủi ro về quy trình hậu kiểm mục đích sử dụng vốn theo danh mục rủi ro trọng yếu.
  • Giai đoạn 3 (Tháng 5–6): Thử nghiệm và đánh giá: Áp dụng hệ số chấm điểm xác suất trả nợ trên 200 hồ sơ vay mới; đối soát tỷ lệ nợ quá hạn thực tế với dự báo mô hình.

Phân tích hiệu quả kinh tế (ROI & Cost-Benefit Analysis)

  • Chi phí triển khai: Ước tính khoảng 80–120 triệu VNĐ (chi phí chuẩn hóa quy trình, tập huấn nhân sự và nâng cấp module phần mềm nội bộ).
  • Lợi ích kinh tế: Giảm tỷ lệ nợ quá hạn của khách hàng cá nhân từ mức $3.2%$ xuống dưới $1.8%$, tiết giảm chi phí trích lập dự phòng rủi ro tín dụng hàng năm ước tính 500–800 triệu VNĐ tại cấp chi nhánh.

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  • Quy mô mẫu: Mẫu khảo sát dừng lại ở 137 hồ sơ do tính bảo mật dữ liệu ngân hàng, hạn chế khả năng phân tầng chi tiết theo từng tiểu phân khúc khách hàng.
  • Phạm vi không gian: Dữ liệu thu thập cục bộ tại một chi nhánh ở Cần Thơ, chưa bao quát toàn bộ đặc thù kinh tế vùng Đồng bằng Sông Cửu Long.
  • Yếu tố vĩ mô: Chưa tích hợp trực tiếp các biến số kinh tế vĩ mô như lạm phát (CPI), tăng trưởng GDP hoặc biến động giá trị tài sản bảo đảm dạng chuỗi thời gian.

Hướng nghiên cứu tiếp theo

  • Mở rộng thuật toán phân loại: Ứng dụng các thuật toán Machine Learning hiện đại (Random Forest, XGBoost, LightGBM) kết hợp giải thuật giải thích mô hình SHAP (SHapley Additive exPlanations) trên tập dữ liệu lớn ($N > 10,000$).
  • Kết nối dữ liệu thời gian thực: Tích hợp API điểm tín dụng từ Trung tâm Thông tin Tín dụng Quốc gia (CIC) và dữ liệu hành vi phi tài chính (Telco data, Social data) để nâng cao độ nhạy của mô hình.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------------+
|                  ĐỐI TƯỢNG HƯỞNG LỢI VÀ GIÁ TRỊ ĐỊNH LƯỢNG MANG LẠI                     |
+----------------------+------------------------------------------------------------------+
| Nhóm đối tượng       | Giá trị thực tiễn & Lợi ích định lượng                           |
+----------------------+------------------------------------------------------------------+
| 1. Ban Lãnh đạo NHTM | - Cung cấp cơ sở khoa học để tái cấu trúc chính sách lãi suất.   |
|                      | - Giảm tỷ lệ nợ xấu cá nhân 1.4% - 1.8% trên toàn danh mục.     |
+----------------------+------------------------------------------------------------------+
| 2. Cán bộ Tín dụng   | - Chuẩn hóa quy trình thẩm định, rút ngắn 30% thời gian duyệt hồ |
|                      |   sơ đối với nhóm khách hàng có P(Y=1) >= 0.85.                 |
+----------------------+------------------------------------------------------------------+
| 3. Khách hàng Vay    | - Khách hàng có lịch sử tốt, thu nhập minh bạch được tiếp cận mức|
|                      |   lãi suất ưu đãi và hạn mức tín dụng cao hơn.                  |
+----------------------+------------------------------------------------------------------+
| 4. Nhà nghiên cứu    | - Cung cấp bộ tham số thực nghiệm (Exp(B), Wald, R2) chuẩn mực  |
|    & Sinh viên       |   làm tài liệu tham khảo cho các đề tài kinh tế lượng ứng dụng.  |
+----------------------+------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình chấm điểm này tại ngân hàng là gì?

Hệ thống cần máy chủ xử lý dữ liệu với cấu hình tối thiểu 4-core CPU, 16GB RAM, cài đặt môi trường Python 3.8+ hoặc phần mềm thống kê (SPSS, SAS, Stata), kết nối an toàn (SSL/TLS) với cơ sở dữ liệu CoreBanking hoặc hệ thống quản lý khoản vay (LOS).

2. Tại sao biến "Sử dụng vốn đúng mục đích" lại có tác động vượt trội đến khả năng trả nợ?

Theo kết quả hồi quy, $\text{Exp}(B) = 8.542$. Khi khách hàng sử dụng vốn đúng mục đích (đúng phương án kinh doanh hoặc tiêu dùng đã lập), nguồn tiền tạo ra dòng tiền đối ứng đúng kỳ hạn để thanh toán nợ gốc và lãi. Ngược lại, việc dùng vốn sai mục đích (đầu cơ, đảo nợ) dễ dẫn đến đứt gãy thanh khoản và phát sinh nợ quá hạn.

3. Mô hình xử lý như thế nào đối với các biến không có ý nghĩa thống kê như Giới tính và Số tiền vay?

Trong tập dữ liệu khảo sát tại Eximbank Cần Thơ, biến Giới tính ($p = 0.473$) và Số tiền vay ($p = 0.402$) có $p$-value $> 0.05$. Điều này phản ánh rằng tại địa bàn nghiên cứu, năng lực trả nợ không phụ thuộc vào giới tính của người vay hay quy mô lớn/nhỏ của khoản vay, mà phụ thuộc trực tiếp vào thu nhập thực tế, độ tuổi chín chắn và tính chính trực trong sử dụng vốn.

4. Quy trình bảo trì và tái hiệu chuẩn mô hình (Model Recalibration) nên diễn ra bao lâu một lần?

Mô hình nên được tái kiểm định và cập nhật trọng số $\beta_i$ định kỳ 6 tháng một lần hoặc khi có biến động lớn về môi trường kinh tế (thay đổi chính sách lãi suất điều hành của NHNN, biến động chu kỳ bất động sản).

5. Chi phí đầu tư và thời gian thu hồi vốn (ROI) khi áp dụng giải pháp định lượng này là bao lâu?

Với mức đầu tư ban đầu khoảng 100 triệu VNĐ cho việc chuẩn hóa dữ liệu và đào tạo, ngân hàng có thể thu hồi vốn trong vòng 3–5 tháng thông qua việc giảm thiểu tổn thất trích lập dự phòng từ các khoản nợ xấu tiềm ẩn.

Kết luận

Khóa luận đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua việc phân tích thực trạng tín dụng tại Eximbank Chi nhánh Cần Thơ và xây dựng mô hình hồi quy Binary Logistic đạt độ tin cậy khoa học cao (Nagelkerke $R^2 = 0.518$, tỷ lệ dự báo chính xác $87.6%$). Bốn nhân tố cốt lõi ảnh hưởng trực tiếp đến khả năng trả nợ đúng hạn gồm: Mục đích sử dụng vốn, Thu nhập bình quân, Độ tuổi và Lãi suất cho vay.

Kết quả nghiên cứu cung cấp cơ sở dữ liệu thực nghiệm quan trọng, hỗ trợ các nhà quản trị ngân hàng chuyển dịch từ phương thức quản lý rủi ro thụ động sang chủ động kiểm soát dòng tiền sau giải ngân, tối ưu hóa danh mục tín dụng bán lẻ và nâng cao năng lực cạnh tranh bền vững trong kỷ nguyên ngân hàng số.