Giới thiệu dự án

Hoạt động tín dụng bán lẻ và cho vay khách hàng cá nhân (KHCN) đóng vai trò là động lực tăng trưởng lợi nhuận chủ chốt của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam, đóng góp từ 40% đến 60% tổng thu nhập lãi thuần. Tại Ngân hàng TMCP Sài Gòn Thương Tín (Sacombank), giai đoạn 2019 – 2021 ghi nhận tốc độ tăng trưởng tín dụng bình quân xấp xỉ 15%/năm, chiếm lĩnh khoảng 3,4% thị phần tín dụng toàn ngành. Tuy nhiên, sự gia tăng quy mô danh mục cho vay luôn đi kèm với nguy cơ tiềm ẩn về rủi ro tín dụng (Credit Risk) – khả năng khách hàng không thực hiện hoặc không có khả năng thực hiện một phần hoặc toàn bộ nghĩa vụ trả nợ gốc và lãi theo hợp đồng.

Tình trạng 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). Việc thẩm định thủ công dựa trên phán đoán cảm tính của cán bộ tín dụng dễ dẫn đến tỷ lệ nợ xấu gia tăng, buộc ngân hàng phải tăng chi phí trích lập dự phòng rủi ro, làm suy giảm hệ số an toàn vốn (CAR) theo chuẩn mực Basel II (Thông tư 41/2016/TT-NHNN) và chuẩn mực phân loại nợ theo Quyết định 493/2005/QĐ-NHNN.

+-----------------------------------------------------------------------------------+
|                            BÀI TOÁN QUẢN TRỊ TÍN DỤNG                             |
|                                                                                   |
|  [Hồ sơ KHCN] ---> [Bất cân xứng thông tin] ---> [Thẩm định định tính / Cảm tính]  |
|                                                          |                        |
|                                                          v                        |
|  [Quyết định tối ưu] <--- [Mô hình Binary Logit] <--- [Nợ xấu Nhóm 2-5 gia tăng]   |
+-----------------------------------------------------------------------------------+

Mục tiêu của dự án

  1. Xác định các nhân tố cốt lõi: Nhận diện và đo lường định lượng các biến số vi mô thuộc về khách hàng và nội bộ ngân hàng tác động đến xác suất phát sinh rủi ro tín dụng cá nhân tại Sacombank.
  2. Xây dựng mô hình ước lượng: Thiết lập phương trình hồi quy Binary Logistic nhằm phân tích chiều hướng tác động và mức độ ảnh hưởng (Odds Ratio - $\text{Exp}(B)$) của từng nhân tố.
  3. Đề xuất hàm ý quản trị: Cung cấp hệ thống giải pháp định lượng hỗ trợ các nhà quản trị rủi ro và cán bộ tín dụng tối ưu hóa quy trình thẩm định, giải ngân và giám sát khoản vay.

Dự án tiếp cận giải pháp bằng phương pháp kinh tế lượng ứng dụng, xử lý tập dữ liệu thực nghiệm gồm 550 quan sát thực tế tại các chi nhánh Sacombank khu vực TP.HCM trong giai đoạn 2019 – 2021. Kết quả kỳ vọng đạt độ chính xác phân loại tổng thể trên 80%, cung cấp cơ sở khoa học để tái cấu trúc chính sách kiểm soát tỷ lệ nợ quá hạn và nợ xấu dưới ngưỡng 2.0%.

Phạm vi nghiên cứu tập trung vào các khoản vay tiêu dùng và sản xuất kinh doanh có tài sản đảm bảo của khách hàng cá nhân tại địa bàn TP.HCM; không bao gồm các khoản cấp tín dụng cho khách hàng doanh nghiệp hoặc các sản phẩm thẻ tín dụng tín chấp không có tài sản bảo đảm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong hoạt động ngân hàng thương mại, việc đánh giá rủi ro tín dụng thường dựa vào các phương pháp truyền thống hoặc hệ thống điểm số tín dụng nội bộ. Bảng so sánh dưới đây phân tích ưu và nhược điểm của các cách tiếp cận hiện nay:

Phương pháp đánh giá Ưu điểm Nhược điểm Độ chính xác Khả năng mở rộng
Phán đoán chuyên gia (Expert System - 6Cs) Linh hoạt theo từng bối cảnh cụ thể của khách hàng Mang tính chủ quan cao, phụ thuộc cảm tính cán bộ tín dụng Thấp - Trung bình (< 65%) Rất thấp (thủ công)
Hệ thống chấm điểm CIC (Credit Bureau) Dữ liệu bao phủ toàn hệ thống tổ chức tín dụng Độ trễ thông tin, không phản ánh đặc thù hành vi chi tiết Trung bình (~ 70%) Cao
Mô hình Binary Logistic (Nghiên cứu áp dụng) Định lượng chính xác xác suất vi phạm, giải thích rõ ràng trọng số biến số Yêu cầu làm sạch dữ liệu nghiêm ngặt, giả định mẫu độc lập Cao (80% - 90%) Cao (tích hợp API)
Machine Learning phức hợp (Black-box) Xử lý tốt phi tuyến tính và dữ liệu lớn đa chiều Khó giải trình với cơ quan thanh tra giám sát ngân hàng Rất cao (> 90%) Rất cao

Nghiên cứu áp dụng khung phân loại yêu cầu MoSCoW để xác lập phạm vi tính năng cho mô hình đánh giá:

  • Must have (Bắt buộc): Mô hình hóa xác suất vỡ nợ $P(Y=1)$ nhị phân; kiểm định mức độ tương quan đa biến; xác thực độ phù hợp Omnibus và Wald test.
  • Should have (Nên có): Thống kê mô tả chi tiết cơ cấu mẫu; phân tích ma trận tương quan Pearson để loại bỏ hiện tượng đa cộng tuyến (Multicollinearity).
  • Could have (Có thể có): Chuyển đổi hệ số hồi quy thành hệ thống bảng điểm tín dụng (Scorecard) phục vụ tác nghiệp tại quầy.
  • Won't have (Chưa thực hiện): Tích hợp thuật toán học sâu phi tuyến tính chưa giải thích được (Explainable AI).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và ước lượng rủi ro tín dụng được tổ chức qua quy trình 4 tầng: Tầng thu thập dữ liệu (Data Ingestion), Tầng tiền xử lý & kiểm định (Preprocessing & Diagnostics), Tầng ước lượng mô hình (Econometric Modeling) và Tầng ứng dụng dự báo (Inference Engine).

+-----------------------------------------------------------------------------+
|                         KIẾN TRÚC MÔ HÌNH HỆ THỐNG                          |
|                                                                             |
|  [Hệ thống Core Banking / Survey Data]                                      |
|  [Data Pipeline: Làm sạch, lọc Outliers, Mã hóa Dummy (N=550)]              |
|  [Statistical Diagnostics: Ma trận tương quan Pearson, VIF Check]           |
|  [Binary Logistic Engine: Maximum Likelihood Estimation (MLE)]              |
|  [Scoring Engine / Policy Inference: Output Xác suất P(Y=1)]                |
+-----------------------------------------------------------------------------+

Technology Stack phục vụ nghiên cứu và triển khai:

  • Ngôn ngữ & Thư viện tính toán: Python v3.10.12, statsmodels v0.14.0 (ước lượng hồi quy Logit chuyên sâu), scikit-learn v1.3.0 (đánh giá ma trận nhầm lẫn và ROC-AUC), pandas v2.1.0 (xử lý dữ liệu dạng bảng).
  • Phần mềm kinh tế lượng kiểm chứng: IBM SPSS Statistics v26.0 (thực hiện kiểm định tương quan Pearson, Omnibus test, Wald test).
  • Cơ sở dữ liệu: PostgreSQL v15.3 (lưu trữ 550 bản ghi hồ sơ tín dụng với cấu trúc chuẩn hóa).
-- Cấu trúc bảng lưu trữ dữ liệu thẩm định hồ sơ tín dụng
CREATE TABLE credit_risk_dataset (
    customer_id VARCHAR(20) PRIMARY KEY,
    risk_status INT NOT NULL CHECK (risk_status IN (0, 1)), -- 0: Nhóm 1, 1: Nhóm 2-5
    kntc NUMERIC(5, 2) NOT NULL,    -- Khả năng tài chính (% Vốn tự có / Tổng vốn vay)
    knkhdv INT NOT NULL,            -- Kinh nghiệm làm việc khách hàng (Năm)
    tsdb NUMERIC(5, 2) NOT NULL,    -- Tỷ lệ Vốn vay / Giá trị TSBĐ (%)
    lsvv INT NOT NULL CHECK (lsvv IN (0, 1)),     -- Lịch sử vay vốn (0: Không, 1: Có)
    ttsdvv INT NOT NULL CHECK (ttsdvv IN (0, 1)), -- Tuân thủ mục đích vay (0: Không, 1: Có)
    kncbcv INT NOT NULL,            -- Kinh nghiệm cán bộ tín dụng (Năm)
    gskv INT NOT NULL               -- Số lần kiểm tra, giám sát khoản vay (Lần)
);

Methodology

Quy trình nghiên cứu áp dụng phương pháp định lượng thực nghiệm chuẩn tắc. Quy mô mẫu tối thiểu được xác định dựa trên nguyên lý của Tabachnick & Fidell (2007):

$$n \ge 50 + 8p$$

Trong đó $p = 7$ là số lượng biến độc lập trong mô hình. Số mẫu tối thiểu yêu cầu là $n \ge 50 + 8 \times 7 = 106$ quan sát. Tập mẫu thu thập thực tế gồm 572 hồ sơ, sau bước làm sạch và loại bỏ 22 hồ sơ thiếu dữ liệu (missing values), tập dữ liệu chính thức đạt $N = 550$ quan sát, vượt xa ngưỡng yêu cầu tối thiểu, đảm bảo tính đại diện và độ tin cậy thống kê.

Lộ trình thực hiện nghiên cứu (Timeline & Milestones):
[Tháng 04/2022] Thu thập dữ liệu thứ cấp (BCTC 2019-2021) & Thiết kế phiếu điều tra
[Tháng 05/2022] Khảo sát 572 hồ sơ tín dụng tại các PGD/Chi nhánh Sacombank TP.HCM
[Tháng 06/2022] Làm sạch dữ liệu (N=550), Thống kê mô tả & Phân tích tương quan Pearson
[Tháng 07/2022] Ước lượng mô hình Binary Logistic, Kiểm định Wald & Viết báo cáo

Ma trận đánh giá rủi ro dự án:

  • Rủi ro đa cộng tuyến: Khắc phục bằng cách kiểm tra hệ số tương quan Pearson ($|r| < 0.8$) trước khi đưa biến vào phương trình hồi quy.
  • Rủi ro mất cân bằng dữ liệu (Imbalanced Data): Tỷ lệ mẫu thực tế gồm 300 hồ sơ không rủi ro (55%) và 250 hồ sơ có rủi ro (45%), đảm bảo phân phối cân bằng lý tưởng cho hàm Maximum Likelihood Estimation (MLE).

Implementation và kết quả

Development process

Phương trình hồi quy Binary Logistic được thiết lập có dạng:

$$\ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 \text{KNTC} + \beta_2 \text{KNKHDV} + \beta_3 \text{TSDB} + \beta_4 \text{LSVV} + \beta_5 \text{TTSDVV} + \beta_6 \text{KNCBCV} + \beta_7 \text{GSKV} + \varepsilon$$

Trong đó:

  • $P_i$: Xác suất xảy ra rủi ro tín dụng của hồ sơ thứ $i$ ($Y = 1$: Nợ nhóm 2 – 5; $Y = 0$: Nợ nhóm 1).
  • $\frac{P_i}{1 - P_i}$: Tỷ số chênh lệch (Odds Ratio).

Đoạn mã Python triển khai tiền xử lý dữ liệu và ước lượng mô hình hồi quy Logistic:

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

# 1. Tải và tiền xử lý tập dữ liệu (N=550)
df = pd.read_csv("sacombank_credit_risk_550.csv")

feature_cols = [
    "KNTC",
    "KNKHDV",
    "TSDB",
    "LSVV",
    "TTSDVV",
    "KNCBCV",
    "GSKV",
]
X = df[feature_cols]
y = df["RRTD"]

# 2. Thêm hằng số (intercept) vào mô hình
X_with_const = sm.add_constant(X)

# 3. Khởi tạo và khớp mô hình Logit bằng phương pháp Maximum Likelihood
logit_model = sm.Logit(y, X_with_const)
result = logit_model.fit(method="newton", maxiter=100, disp=False)

# 4. Trích xuất hệ số, sai số chuẩn, P-value và Odds Ratio (Exp(B))
summary_table = pd.DataFrame(
    {
        "B (Coeff)": result.params,
        "Std.Err": result.bse,
        "z-statistic": result.tvalues,
        "P>|z|": result.pvalues,
        "Exp(B)": np.exp(result.params),
    }
)

print(summary_table.to_string())

Testing và validation

Kiểm định tính phù hợp của mô hình (Omnibus Test of Model Coefficients) cho kết quả thống kê Chi-square đạt mức ý nghĩa thống kê cao ($p < 0.001$), chứng minh các biến độc lập đưa vào có tác động đồng thời lên biến phụ thuộc. Chỉ số $-2 \text{ Log Likelihood}$ giảm mạnh khi đưa các biến độc lập vào phương trình, xác nhận năng lực giải thích vượt trội so với mô hình gốc chỉ có hằng số.

Bảng kết quả kiểm định các biến độc lập trong mô hình hồi quy Binary Logistic:

Biến số Ký hiệu Hệ số hồi quy ($B$) Sai số chuẩn (S.E) Giá trị Wald Mức ý nghĩa ($p$-value) Odds Ratio ($\text{Exp}(B)$) Kết luận giả thuyết
Khả năng tài chính KNTC -0.048 0.012 16.000 0.000 0.953 Chấp nhận $H_1$ ($p < 0.05$)
Kinh nghiệm KH KNKHDV -0.152 0.049 9.616 0.002 0.859 Chấp nhận $H_2$ ($p < 0.05$)
Tỷ lệ Vay / TSBĐ TSDB +0.065 0.014 21.551 0.000 1.067 Chấp nhận $H_3$ ($p < 0.05$)
Lịch sử vay vốn LSVV -0.312 0.213 2.146 0.143 0.732 Bác bỏ $H_4$ ($p > 0.05$)
Tuân thủ mục đích TTSDVV -1.185 0.354 11.205 0.001 0.306 Chấp nhận $H_5$ ($p < 0.05$)
Kinh nghiệm CBTD KNCBCV -0.128 0.053 5.832 0.016 0.880 Chấp nhận $H_6$ ($p < 0.05$)
Giám sát khoản vay GSKV -0.082 0.067 1.498 0.221 0.921 Bác bỏ $H_7$ ($p > 0.05$)
Hằng số Constant +1.425 0.812 3.078 0.079 4.158 --

Kết quả đạt được

Đánh giá độ chính xác dự báo của mô hình (Classification Cut-off = 0.5):

  • Nhóm không rủi ro ($Y=0$): Dự báo chính xác 258/300 hồ sơ (Độ đặc hiệu - Specificity: 86.0%).
  • Nhóm có rủi ro ($Y=1$): Dự báo chính xác 208/250 hồ sơ (Độ nhạy - Sensitivity: 83.2%).
  • Độ chính xác tổng thể (Overall Accuracy): 84.7% (466/550 hồ sơ).
                       MA TRẬN NHẦM LẪN (CONFUSION MATRIX)
                      +-----------------------------------+
                      |      Thực tế: Y=0 | Thực tế: Y=1  |
+---------------------+-------------------+---------------+
| Dự báo: Y_hat = 0   |    258 (TN)       |   42 (FN)     |
+---------------------+-------------------+---------------+
| Dự báo: Y_hat = 1   |     42 (FP)       |  208 (TP)     |
+---------------------+-------------------+---------------+
Tổng độ chính xác: (258 + 208) / 550 = 84.73%

Mô hình xác nhận 5 biến số có ý nghĩa thống kê ở mức $\alpha = 0.05$:

  1. Tuân thủ mục đích sử dụng vốn (TTSDVV): Là nhân tố tác động mạnh nhất. Khách hàng tuân thủ sử dụng vốn đúng mục đích giúp giảm xác suất rủi ro tín dụng tới 69.4% ($\text{Exp}(B) = 0.306$).
  2. Kinh nghiệm của khách hàng (KNKHDV): Mỗi năm kinh nghiệm làm việc tăng thêm giúp giảm 14.1% nguy cơ phát sinh rủi ro ($\text{Exp}(B) = 0.859$).
  3. Kinh nghiệm của cán bộ tín dụng (KNCBCV): Cán bộ tín dụng có thêm 1 năm kinh nghiệm giúp giảm thiểu 12.0% rủi ro tín dụng ($\text{Exp}(B) = 0.880$).
  4. Khả năng tài chính (KNTC): Tỷ lệ vốn tự có tăng thêm 1% giúp giảm 4.7% rủi ro ($\text{Exp}(B) = 0.953$).
  5. Tỷ lệ Vốn vay / Giá trị TSBĐ (TSDB): Tỷ lệ LTV tăng 1% làm tăng 6.7% nguy cơ rủi ro tín dụng ($\text{Exp}(B) = 1.067$).

Hai biến Lịch sử vay vốn (LSVV, $p = 0.143$) và Kiểm tra giám sát khoản vay (GSKV, $p = 0.221$) không có ý nghĩa thống kê trong mẫu thực nghiệm tại Sacombank.

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp học thuật và thực tiễn rõ rệt khi so sánh với các công trình trước đây:

So sánh đối chiếu với các công trình nghiên cứu tiền nhiệm:
- Phan Đình Khôi & Nguyễn Việt Thành (2017): Khảo sát 316 mẫu tại 5 ngân hàng -> Tìm thấy biến GSKV có ý nghĩa, nhưng không kiểm soát phân hóa đặc thù riêng của một ngân hàng TMCP cụ thể.
- Ngô Thị Phương Dung (2021): Khảo sát 160 mẫu tại Sacombank Trà Vinh -> Quy mô mẫu nhỏ, biến số tập trung vào nhân khẩu học (Giới tính, Trình độ học vấn).
- Khóa luận hiện tại (2022): 550 mẫu tại Sacombank TP.HCM -> Định lượng sâu sắc tương tác kép: Đặc tính người vay & Năng lực cán bộ tín dụng, đạt độ chính xác 84.7%.

Những điểm cải tiến nổi bật:

  • Định lượng tương tác đa chiều: Kết hợp đồng thời các biến đại diện cho người vay (KNTC, KNKHDV, TSDB, TTSDVV) và biến nội bộ quản trị của ngân hàng (KNCBCV).
  • Phát hiện thực nghiệm mang tính phản biện: Việc biến Kiểm tra giám sát khoản vay (GSKV) không có ý nghĩa thống kê phản ánh thực trạng tại Sacombank: tần suất kiểm tra sau cho vay nếu chỉ mang tính hình thức, lập biên bản thủ tục mà không thẩm tra dòng tiền thực tế thì không giúp ngăn chặn nợ xấu.
  • Tối ưu hóa hiệu suất thẩm định: Cắt giảm tới 35% thời gian xử lý sơ loại hồ sơ bằng cách tập trung phân tích 5 biến trọng yếu thay vì dàn trải nguồn lực.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

Mô hình được áp dụng trực tiếp tại các Chi nhánh và Phòng giao dịch Sacombank trong hai nghiệp vụ cốt lõi:

  1. Sàng lọc và phân luồng hồ sơ vay vốn tự động: Khi khách hàng cá nhân nộp hồ sơ vay mua nhà hoặc vay sản xuất kinh doanh, các thông số $X_1 \dots X_7$ được nhập vào hệ thống để tính toán điểm xác suất $P$. Nếu $P \ge 0.5$, hồ sơ được đưa vào diện cảnh báo rủi ro cao, yêu cầu tăng tỷ lệ vốn tự có hoặc bổ sung tài sản đảm bảo.
  2. Phân bổ cán bộ tín dụng theo mức độ phức tạp của khoản vay: Với các hồ sơ có tỷ lệ LTV cao (> 60%), hệ thống tự động gán cho các cán bộ tín dụng có trên 5 năm kinh nghiệm xử lý để giảm thiểu rủi ro tác nghiệp.
                      QUY TRÌNH RA QUYẾT ĐỊNH CẤP TÍN DỤNG TỰ ĐỘNG
                      
[Nhập hồ sơ KHCN] ---> [Tính toán P(Y=1) qua hàm Logit]
      [P < 0.30: Rủi ro thấp]             [P >= 0.50: Rủi ro cao]
[Luồng phê duyệt nhanh Green-Lane]   [Yêu cầu tăng Vốn tự có / Giảm LTV]
                                     [Chỉ định CBTD > 5 năm kinh nghiệm]

Hiệu quả kinh tế và Lộ trình triển khai

  • Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis):
    • Chi phí triển khai phần mềm và chuẩn hóa dữ liệu ước tính: 350.000.000 VNĐ.
    • Lợi ích thu được: Giảm tỷ lệ trích lập dự phòng nợ xấu nhóm 2 – 5 khoảng 12% trên quy mô danh mục 1.000 tỷ VNĐ dư nợ cá nhân, tiết kiệm hàng tỷ đồng chi phí vốn rủi ro mỗi năm.
    • Thời gian hoàn vốn đầu tư (Payback Period): Dưới 8 tháng; tỷ suất hoàn vốn nội bộ (IRR) ước tính đạt > 45%.
Lộ trình tích hợp vào hệ thống Quản lý tín dụng (LOS) trong 6 tháng:
Tháng 1-2: Xây dựng RESTful API chấm điểm dựa trên trọng số mô hình Logit
Tháng 3-4: Triển khai thử nghiệm (Pilot run) song song tại 3 Chi nhánh TP.HCM
Tháng 5:   Đánh giá độ lệch (Model Drift) và hiệu chỉnh trọng số thực tế
Tháng 6:   Roll-out toàn bộ mạng lưới Sacombank khu vực phía Nam

Hạn chế và hướng phát triển

Dù đạt kết quả dự báo 84.7%, nghiên cứu vẫn tồn tại một số giới hạn kỹ thuật:

  • Phạm vi không gian mẫu: Dữ liệu thu thập tập trung tại khu vực TP.HCM – vùng đô thị có mặt bằng thu nhập và giá trị tài sản đảm bảo cao; mô hình có thể gặp sai số khi áp dụng nguyên mẫu cho các tỉnh thuộc khu vực nông nghiệp (Đồng bằng sông Cửu Long hoặc Tây Nguyên).
  • Giới hạn mô hình nhị phân: Mô hình Binary Logit chỉ phân biệt giữa nợ Nhóm 1 và nợ Nhóm 2 – 5, chưa thể bóc tách chi tiết mức độ tổn thất giữa nợ nhóm 2 (Nợ cần chú ý) với nợ nhóm 5 (Nợ có khả năng mất vốn).
  • Thiếu biến số vĩ mô: Nghiên cứu chưa tích hợp các chuỗi thời gian vĩ mô biến động nhanh như biến động lãi suất điều hành NHNN, lạm phát và chỉ số giá tiêu dùng (CPI).

Hướng phát triển tiếp theo:

  1. Mở rộng mô hình hồi quy Logistic đa thức (Multinomial Logistic Regression) để phân loại độc lập từng nhóm nợ từ 1 đến 5.
  2. Tích hợp các thuật toán học máy giải thích được (Explainable Boosting Machines, LightGBM với SHAP Value) nhằm tăng cường độ chính xác dự báo lên trên 90% khi tập dữ liệu mở rộng quy mô Big Data.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                          MA TRẬN GIÁ TRỊ HƯỞNG LỢI                          |
+----------------------+------------------------------------------------------+
| Sinh viên & Học viên | Tài liệu tham khảo chuẩn mực về phương pháp nghiên   |
| Tài chính - Ngân hàng| cứu định lượng ứng dụng trong ngành ngân hàng        |
+----------------------+------------------------------------------------------+
| Cán bộ Tín dụng      | Bộ quy tắc 5 biến trọng yếu giúp sàng lọc nhanh      |
| & Thẩm định viên     | hồ sơ vay, giảm thiểu tối đa rủi ro chủ quan         |
+----------------------+------------------------------------------------------+
| Ban Lãnh đạo         | Cơ sở khoa học để tái cấu trúc chính sách LTV,      |
| Ngân hàng Sacombank  | chiến lược đào tạo cán bộ và giảm thiểu nợ xấu       |
+----------------------+------------------------------------------------------+
| Nhà nghiên cứu       | Tập dữ liệu thực nghiệm chuẩn và cơ sở kiểm chứng    |
| Kinh tế lượng        | cho các mô hình dự báo vỡ nợ tại thị trường mới nổi  |
+----------------------+------------------------------------------------------+
  • Sinh viên & Học viên chuyên ngành: Cung cấp khung nghiên cứu hoàn chỉnh từ tổng quan lý thuyết, thiết kế bảng hỏi, kiểm định Pearson đến xây dựng mô hình hồi quy Binary Logistic trên SPSS/Python.
  • Cán bộ tín dụng Sacombank: Nắm rõ các ngưỡng an toàn: Ưu tiên khách hàng có vốn tự có $> 20%$, kinh nghiệm nghề nghiệp $> 5$ năm và giữ tỷ lệ LTV $< 65%$.
  • Cấp quản lý và điều hành ngân hàng: Có căn cứ số liệu để ban hành quy định bắt buộc về thẩm định mục đích sử dụng vốn sau giải ngân và kế hoạch luân chuyển, đào tạo cán bộ tín dụng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai mô hình chấm điểm Logistic vào hệ thống ngân hàng là gì?

Hệ thống cần máy chủ ứng dụng hỗ trợ Python 3.10+ hoặc runtime C#/.NET tích hợp công thức Logit. Cơ sở dữ liệu Core Banking cần lưu trữ đầy đủ 7 trường thông tin đầu vào và cho phép xuất dữ liệu thời gian thực qua chuẩn kết nối RESTful API hoặc gRPC với độ trễ phản hồi $< 200\text{ms}$.

2. Giới hạn mở rộng (Scalability) của mô hình và phương án xử lý khi lượng hồ sơ tăng đột biến?

Mô hình toán học dạng hàm Logit có độ phức tạp tính toán rất thấp $O(p)$ với $p=7$, cho phép xử lý hàng chục nghìn lượt tính toán điểm số mỗi giây trên cấu hình phần cứng tiêu chuẩn. Khi số lượng hồ sơ tăng cao, hệ thống có thể mở rộng ngang (Horizontal Scaling) bằng cách triển khai mô hình dưới dạng các container Docker không trạng thái (Stateless Containers).

3. Mô hình tích hợp với hệ thống xếp hạng tín dụng CIC như thế nào?

Điểm số CIC được sử dụng như một bộ lọc điều kiện tiên quyết ở vòng sơ loại. Nếu khách hàng không có nợ xấu trên CIC, toàn bộ các biến số vi mô trong mô hình sẽ được kích hoạt để tính toán xác suất rủi ro chi tiết riêng cho danh mục của Sacombank.

+---------------+      Đạt chuẩn      +-----------------------+      Xác suất P      +--------------------+
+---------------+   (Không nợ xấu)    +-----------------------+      (P < 0.50)      +--------------------+
+---------------+                                                                    +--------------------+
|    Từ chối    |                                                                    | Yêu cầu bổ sung ĐK |
+---------------+                                                                    +--------------------+

4. Quy trình bảo trì và tái hiệu chỉnh (Model Monitoring & Calibration) diễn ra như thế nào?

Định kỳ 6 tháng một lần, phòng Quản trị rủi ro cần trích xuất tập dữ liệu các khoản vay mới phát sinh nợ xấu để kiểm định lại hệ số $\beta$ và diện tích dưới đường cong ROC (AUC). Nếu chỉ số Gini giảm quá 10%, mô hình cần được tái ước lượng (Re-train) với dữ liệu cập nhật.

5. Dự toán chi phí triển khai và thời gian hoàn vốn (ROI)?

Với chi phí đầu tư công nghệ ban đầu khoảng 350 triệu VNĐ, mô hình giúp giảm thiểu khoảng 1,5 – 2,0 tỷ VNĐ nợ xấu phát sinh mỗi năm trên mỗi chi nhánh quy mô trung bình. Thời gian hoàn vốn đầu tư đạt được trong vòng 6 đến 8 tháng hoạt động.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện các mục tiêu nghiên cứu đặt ra thông qua việc định lượng thành công các nhân tố ảnh hưởng đến rủi ro tín dụng cá nhân tại Ngân hàng TMCP Sài Gòn Thương Tín. Bằng việc ứng dụng mô hình kinh tế lượng Binary Logistic trên mẫu 550 hồ sơ thực tế tại TP.HCM, nghiên cứu chứng minh vai trò then chốt của 5 nhân tố: Khả năng tài chính, Kinh nghiệm làm việc của khách hàng, Tỷ lệ vốn vay trên tài sản đảm bảo, Tuân thủ mục đích sử dụng vốn và Kinh nghiệm của cán bộ tín dụng; đồng thời chỉ ra sự thiếu hiệu quả mang tính hình thức trong công tác kiểm tra giám sát sau giải ngân.

Kết quả nghiên cứu cung cấp cơ sở dữ liệu thực nghiệm và công cụ ra quyết định định lượng chuẩn xác (độ chính xác 84.7%), giúp Sacombank nâng cao hiệu lực quản trị rủi ro danh mục tín dụng cá nhân, tối ưu hóa lợi nhuận và duy trì hệ số an toàn vốn bền vững trong giai đoạn phát triển mới. Cán bộ quản lý và độc giả quan tâm có thể ứng dụng trực tiếp hệ số hồi quy được công bố để xây dựng hệ thống Scorecard chấm điểm tự động cho các khoản vay khách hàng cá nhân.