Tổng quan về luận án

Hoạt động tín dụng của hệ thống ngân hàng thương mại (NHTM) đóng vai trò huyết mạch trong việc cung ứng vốn cho nền kinh tế, song luôn tiềm ẩn rủi ro tín dụng - nguyên nhân cốt lõi dẫn đến nợ xấu, suy giảm an toàn vốn và nguy cơ đổ vỡ mang tính hệ thống. Trong bối cảnh Ngân hàng Nhà nước Việt Nam (NHNN) đẩy mạnh lộ trình thực thi Hiệp ước Vốn Basel II (Thông tư 41/2016/TT-NHNN) và chuẩn mực báo cáo tài chính quốc tế IFRS 9, việc lượng hóa chính xác các thành tố rủi ro gồm xác suất vỡ nợ (Probability of Default - PD), tỷ lệ tổn thất khi vỡ nợ (Loss Given Default - LGD) và dư nợ tại thời điểm vỡ nợ (Exposure at Default - EAD) trở thành yêu cầu cấp thiết. Mặc dù các mô hình phân loại nhị phân truyền thống như Hồi quy Logistic (Logit) hay Phân tích hàm phân biệt tuyến tính (LDA) được ứng dụng rộng rãi, chúng bộc lộ điểm yếu mang tính cố hữu: chỉ ước lượng xác suất vỡ nợ tĩnh trong một khung thời gian cố định (thường là 1 năm), hoàn toàn bất lực trong việc giải thích thời điểm xảy ra vỡ nợ (timing of default) và xử lý dữ liệu bị kiểm duyệt (censoring) hoặc cắt cụt (truncation). Luận án tiến sĩ kinh tế học của NCS. Đoàn Trọng Tuyến (Trường Đại học Kinh tế Quốc dân, 2022) với đề tài "Phân tích sống sót trong ước lượng và phân tích rủi ro - tiếp cận hồi quy tham số và phi tham số" là công trình tiên phong giải quyết toàn diện khoảng trống phương pháp luận này tại Việt Nam.

Khoảng trống nghiên cứu thực nghiệm bắt nguồn từ việc các mô hình rủi ro tại Việt Nam trước đây (Phan Xuân Vinh, 2017; Tô Thị Vân Anh, 2019) chỉ giới hạn ở các mô hình phân tích sống sót tĩnh đơn giản, loại bỏ các biến số vi phạm giả định tỷ lệ nguy cơ đồng nhất (Proportional Hazards - PH assumption) thay vì mô hình hóa sự phụ thuộc thời gian, đồng thời chưa kết hợp các thuật toán học máy phi tham số tiên tiến. Luận án giải quyết ba câu hỏi nghiên cứu trọng tâm:

  1. Các đặc điểm nhân khẩu học, hồ sơ tài chính cá nhân, mối quan hệ với ngân hàng và đặc tính khoản vay tác động như thế nào lên thời gian sống sót của khoản vay khách hàng cá nhân (KHCN)?
  2. Làm thế nào để ước lượng chuẩn xác hàm sống sót $S(t)$, hàm nguy cơ $H(t)$ và xác suất vỡ nợ theo từng thời điểm (Lifetime PD) thông qua việc kết hợp các mô hình bán tham số mở rộng, phi tham số và hồi quy phân vị?
  3. Việc ứng dụng phân tích sống sót có cải thiện vượt bậc tính chính xác trong ước lượng tổn thất tín dụng dự kiến trọn đời (Lifetime Expected Credit Loss - ECL) so với mô hình Logistic truyền thống hay không?

Nghiên cứu phát triển hệ thống giả thuyết thực nghiệm:

  • H1: Tác động của các yếu tố kinh tế - tài chính và nhân khẩu học lên nguy cơ vỡ nợ không bất biến mà biến thiên phi tuyến theo thời gian vay.
  • H2: Tác động của các biến giải thích có sự dị biệt rõ rệt trên các phân vị khác nhau của thời gian sống sót của khoản vay.
  • H3: Thuật toán học máy phi tham số Random Survival Forest (RSF) cho khả năng phân loại và dự báo sống sót vượt trội so với các mô hình tham số ngặt nghèo.
  • H4: Mô hình sống sót Cox PH mở rộng ước lượng tổn thất tín dụng trọn đời (Lifetime ECL) sát với thực tế hơn, hạn chế sai lệch trích lập dự phòng so với mô hình Logit.

Khung lý thuyết tích hợp Lý thuyết Lượng hóa Rủi ro Tín dụng (Credit Risk Theory), Khung quản trị vốn Basel II / IFRS 9 và Lý thuyết Mô hình Phân tích Sống sót (Survival Analysis Theory). Luận án khai thác hai tập dữ liệu quy mô lớn: tập dữ liệu vi mô gồm hàng nghìn hồ sơ vay tiêu dùng của KHCN tại một NHTM Việt Nam và tập dữ liệu chuẩn Mortgage gồm các khoản vay thế chấp từ Hoa Kỳ nhằm mô phỏng dòng tổn thất trọn đời.

Literature Review và Positioning

Lịch sử ứng dụng giải tích sống sót trong quản trị rủi ro tín dụng trải qua ba làn sóng tiến hóa rõ rệt:

  1. Làn sóng mô hình tham số AFT (Accelerated Failure Time): Khởi xướng bởi Narain (1992) trên 1.242 khoản vay tại Anh với giả định phân phối Mũ, sau đó được Thomas và cộng sự (1999) mở rộng trên 50.000 hồ sơ vay để so sánh phân phối Weibull, Exponential và Cox PH. Nhóm mô hình này đòi hỏi phân phối của thời gian sống sót phải tuân thủ nghiêm ngặt một quy luật xác định, gây hạn chế lớn khi dữ liệu thực tế có cấu trúc phức tạp.
  2. Làn sóng mô hình bán tham số Cox PH và các dạng mở rộng động: Stepanova và Thomas (2002) áp dụng Cox PH trên 50.000 khoản vay cá nhân trong 36 tháng để dự báo đồng thời rủi ro vỡ nợ và trả nợ trước hạn, đồng thời đề xuất thuật toán phân nhóm tối ưu (binning) dựa trên kiểm định Log-rank. Andreeva (2006) phát triển mô hình Cox PH phân lớp (Stratified Cox PH) trên dữ liệu thẻ tín dụng tại Bỉ, Đức, Hà Lan (chỉ số AUC đạt 0,7048) để giải quyết tính không đồng nhất giữa các quốc gia. Bellotti và Crook (2009) tạo bước ngoặt khi xây dựng mô hình Cox PH mở rộng tích hợp các biến kinh tế vĩ mô phụ thuộc thời gian (lãi suất, thất nghiệp, chỉ số giá nhà) trên 100.000 tài khoản thẻ tín dụng. Malik và Thomas (2009), Thomas và cộng sự (2010) tiếp tục tích hợp điểm hành vi (behavioral scores) và mô phỏng Monte Carlo để định giá dòng tiền chiết khấu theo vòng đời khoản vay.
  3. Làn sóng phi tham số, hồi quy phân vị và học máy sống sót: Beran (1981) và Cao và cộng sự (2009) đặt nền móng cho hồi quy phi tham số trên dữ liệu 25.000 khoản vay tại Tây Ban Nha. Sarah Miller (2014) sử dụng hồi quy phân vị sống sót (Quantile Regression for Survival Analysis) trên 17.000 khoản vay P2P Lending tại nền tảng Prosper.com, chỉ ra các biến giải thích có tác động đảo chiều ở các giai đoạn thời gian khác nhau. Ishwaran và cộng sự (2008) kiến tạo thuật toán Random Survival Forest (RSF), mở đường cho các nghiên cứu của Fantazzini và Figini (2008), Mageto và cộng sự (2015), Frydman và Matuszyk (2020) trong việc khám phá cấu trúc phi tuyến của dữ liệu rủi ro.
TIẾN TRÌNH PHÁT TRIỂN CỦA PHÂN TÍCH SỐNG SÓT TRONG QUẢN TRỊ RỦI RO TÍN DỤNG

[1992 - 1999: Mô hình Tham số AFT]
└── Narain (1992), Thomas et al. (1999)
    ├── Giả định phân phối cố định (Weibull, Exponential)
    └── Hạn chế: Khó thỏa mãn phân phối trong thực tiễn
         │
         ▼
[2002 - 2010: Bán tham số Cox PH & Mở rộng Động]
└── Stepanova & Thomas (2002), Andreeva (2006), Bellotti & Crook (2009)
    ├── Mô hình Cox PH phân lớp, hệ số phụ thuộc thời gian
    └── Tích hợp biến kinh tế vĩ mô và điểm hành vi động
         │
         ▼
[2008 - Nay: Học máy Phi tham số & Hồi quy Phân vị]
└── Ishwaran et al. (2008), Sarah Miller (2014), Frydman & Matuszyk (2020)
    ├── Random Survival Forest (RSF), Hồi quy phân vị sống sót
    └── Ước lượng phi tuyến, xử lý tương tác đa chiều phức tạp

Hai cuộc tranh luận học thuật lớn được ghi nhận:

  • Tranh luận 1: Hiệu năng dự báo giữa Random Survival Forest và Hồi quy Logit/Cox PH: Fantazzini và Figini (2008) cho rằng RSF vượt trội trên tập Train nhưng giảm hiệu quả trên tập Test đối với doanh nghiệp vừa và nhỏ; trong khi Frydman và Matuszyk (2020) khẳng định RSF vượt trội hoàn toàn trên tập dữ liệu lớn với 34 biến giải thích. Mageto và cộng sự (2015) lại nhận thấy Cox PH tốt hơn RSF khi quy mô mẫu nhỏ (500 khoản vay).
  • Tranh luận 2: Tính bất biến của hệ số rủi ro qua thời gian: Các mô hình phân loại truyền thống mặc định trọng số rủi ro là cố định, trong khi Sarah Miller (2014) chứng minh các chỉ số tín dụng quá khứ có hệ số âm (giảm nguy cơ vỡ nợ) ở giai đoạn đầu nhưng chuyển sang hệ số dương (tăng nguy cơ vỡ nợ) ở giai đoạn sau của vòng đời khoản vay.

Luận án định vị nghiên cứu tại điểm giao thoa giữa kinh tế lượng tài chính hiện đại và khoa học dữ liệu, khắc phục triệt để hạn chế của các công trình trong nước (Phan Xuân Vinh, 2017; Tô Thị Vân Anh, 2019) bằng cách thiết lập một khung lượng hóa rủi ro đa tầng từ tham số, bán tham số đến phi tham số.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước chuyển đổi hệ hình (paradigm shift) sâu sắc trong lượng hóa rủi ro ngân hàng: chuyển từ tư duy phân loại tĩnh đơn kỳ ("Khách hàng có vỡ nợ trong năm tới hay không?") sang tư duy quỹ đạo thời gian liên tục ("Thời gian sống sót dự kiến là bao lâu, cường độ nguy cơ tức thời tại thời điểm $t$ là bao nhiêu, và hàm tích lũy tổn thất diễn tiến như thế nào?").

Nghiên cứu mở rộng lý thuyết cấu trúc rủi ro tín dụng của Merton (1974) và lý thuyết mô hình rút gọn (reduced-form models) của Duffie và Singleton (1999) vào phân khúc bán lẻ. Bằng việc chứng minh toán học sự sụp đổ của giả định tỷ lệ nguy cơ đồng nhất (PH assumption) trên dữ liệu ngân hàng, công trình chỉ ra rằng xác suất vỡ nợ biên không phải là một hằng số theo thời gian, mà là một hàm phi tuyến phụ thuộc vào thời gian tồn tại của khoản vay ($t$), các biến đồng biến thay đổi theo thời gian $X(t)$, và các hệ số biến thiên $\beta(t)$.

Hệ thống mệnh đề lý thuyết cốt lõi được xác lập:

  • Mệnh đề P1 (Dị biệt hóa thời gian): Tỷ số nguy cơ (Hazard Ratio) của các thuộc tính tài chính không cố định; gánh nặng nợ trên thu nhập gây áp lực vỡ nợ cực đại trong 1/3 chu kỳ đầu của khoản vay và giảm dần tác động khi khoản nợ đã đi qua giai đoạn thử thách.
  • Mệnh đề P2 (Dị biệt hóa phân vị): Tác động biên của vốn con người (học vấn, vị trí công việc, thâm niên) có xu hướng bảo vệ mạnh nhất đối với các phân vị sống sót thấp (nhóm khách hàng có rủi ro vỡ nợ sớm) và bão hòa dần ở các phân vị sống sót cao.
  • Mệnh đề P3 (Sự suy giảm giá trị trích lập sai lệch): Ước lượng ECL trọn đời dựa trên tích phân đường cong sống sót $S(t)$ triệt tiêu độ lệch mang tính cấu trúc do mô hình Logit gây ra khi phóng chiếu đa kỳ.

Khung phân tích độc đáo

Khung phân tích tích hợp ba trụ cột lý thuyết và phương pháp luận:

  1. Lý thuyết Đo lường Tổn thất Tín dụng: Khung toán học tính toán tổn thất kỳ vọng theo Basel II và IFRS 9: $$\text{ECL}{\text{Trọn đời}} = \sum{t=1}^T PV \left( EAD_t \times LGD_t \times PD_t(X_t) \right)$$
  2. Khung Bán tham số Cox PH Mở rộng (Extended Cox Model): Cho phép các hệ số hồi quy phụ thuộc thời gian $\beta(t) = \beta + \theta g(t)$, giải quyết triệt để hiện tượng vi phạm giả định PH: $$H(t | X) = H_0(t) \exp \left( \sum_{k} \beta_k X_k + \sum_{m} \theta_m X_m g_m(t) \right)$$
  3. Khung Học máy Phi tham số Tập hợp (Random Survival Forest - RSF): Sử dụng cấu trúc rừng cây sống sót với quy tắc phân nhánh Log-rank và tính toán Nelson-Aalen Cumulative Hazard Function tại từng nút lá, không áp đặt bất kỳ giả định nào về dạng hàm hay phân phối sai số.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng tối ưu cho các danh mục cho vay trả góp định kỳ, cho vay tiêu dùng, thẻ tín dụng và vay mua nhà cá nhân có hiện tượng kiểm duyệt phải (right censoring) và cắt cụt dữ liệu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu đứng trên lập trường nhận thức luận thực chứng (Positivism) kết hợp chủ nghĩa duy thực phản biện (Critical Realism), sử dụng phương pháp định lượng thực nghiệm chuẩn mực cao với cấu trúc phân tích đa tầng (Multi-level quantitative design).

QUY TRÌNH THIẾT KẾ VÀ PHÂN TÍCH DỮ LIỆU ĐA TẦNG

[Bộ Dữ liệu 1: KHCN NHTM Việt Nam]      [Bộ Dữ liệu 2: Mortgage Hoa Kỳ]
             │                                        │
             ▼                                        ▼
[Tiền xử lý: Xử lý Kiểm duyệt / Cắt cụt & Phân nhóm tối ưu (Optimal Binning)]
             │
             ├──────────────────────────┬──────────────────────────┐
             ▼                          ▼                          ▼
    [Mô hình Cox PH Mở rộng]   [Hồi quy Phân vị Sống sót]   [Random Survival Forest]
   (Time-varying coefficients)  (Quantile Survival Reg)     (Non-parametric Machine Learning)
             │                          │                          │
             └──────────────────────────┼──────────────────────────┘
                                        ▼
                 [Đánh giá Hiệu năng & Kiểm định Vững]
                 (Time-dependent AUC, C-index, OOB Error, Schoenfeld Test)
                                        │
                                        ▼
                 [Ước lượng Lifetime PD & Lifetime ECL]
                 (So sánh đối chứng với Hồi quy Logistic)

Quy mô mẫu và tiêu chí lựa chọn:

  • Tập dữ liệu 1: Thu thập từ một NHTM cổ phần lớn tại Việt Nam, bao gồm đầy đủ thông tin nhân khẩu học (tuổi, giới tính, học vấn, tình trạng nhà ở), việc làm (vị trí công tác, thời gian làm việc hiện tại, hình thức trả lương), quan hệ tín dụng (khách hàng cũ/mới, tỷ lệ khoản vay trên thu nhập - LoanPerIncome) và lịch sử hoàn trả nợ với thời gian theo dõi đến 36 tháng.
  • Tập dữ liệu 2: Dữ liệu chuẩn quốc tế về các khoản vay thế chấp (Mortgage) tại Hoa Kỳ, cung cấp chi tiết dư nợ $EAD_t$ theo từng kỳ trả nợ để làm đối sánh và kiểm chứng thực nghiệm ước lượng Lifetime ECL.

Quy trình nghiên cứu rigorous

Quy trình xử lý dữ liệu và kiểm định mô hình tuân thủ các chuẩn mực quốc tế khắt khe:

  • Xử lý hiện tượng kiểm duyệt và cắt cụt: Nhận diện chính xác ba dạng kiểm duyệt gồm kiểm duyệt phải (Right-censored: khách hàng chưa vỡ nợ khi kết thúc giai đoạn nghiên cứu hoặc trả nợ đúng hạn), kiểm duyệt trái (Left-censored) và kiểm duyệt khoảng (Interval-censored). Xử lý dữ liệu bị cắt cụt trái tại điểm $L$ và cắt cụt phải tại điểm $R$ bằng kỹ thuật "kéo lùi" mốc thời gian giải ngân về gốc chuẩn 0.
  • Thuật toán phân nhóm biến số (Optimal Binning Algorithm): Thay vì phân nhóm thủ công theo tỷ lệ vỡ nợ biên, luận án áp dụng thuật toán tối ưu hóa sự khác biệt giữa các đường cong sống sót Kaplan-Meier thông qua thống kê Log-rank Test (Stepanova & Thomas, 2002), tối đa hóa tính đồng nhất nội nhóm và dị biệt liên nhóm.
  • Độ tin cậy và giá trị đo lường: Kiểm định tính vững của mô hình thông qua phân chia tập dữ liệu huấn luyện (Train set: 70%) và tập kiểm định độc lập (Test set: 30%), kết hợp kiểm định phần dư Schoenfeld (Schoenfeld Residuals Test) để định danh các biến vi phạm giả định PH.

Data và phân tích

Phương pháp phân tích khai thác hệ thống công cụ định lượng tiên tiến:

  • Hệ thống phần mềm: Toàn bộ thuật toán được lập trình và ước lượng trên phần mềm R (sử dụng các gói chuyên sâu: survival, randomForestSRC, quantreg, timeROC) và STATA 16.
  • Chỉ số đánh giá hiệu năng: Đánh giá chất lượng mô hình dự báo xác suất vỡ nợ bằng diện tích dưới đường cong ROC phụ thuộc thời gian (Time-dependent AUC); đánh giá chất lượng dự báo thời gian sống sót bằng Chỉ số tương thích Harrell (Concordance Index - C-index) và Tỷ lệ dự báo sai trên tập Out-of-Bag (OOB Error Rate) của RSF.
  • Đo lường tầm quan trọng của biến: Sử dụng phương pháp VIMP (Variable Importance) dựa trên mức suy giảm độ chính xác khi xáo trộn biến ngẫu nhiên và phương pháp Độ sâu tối thiểu (Minimal Depth) trong cây quyết định sống sót.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả phân tích thực nghiệm đem lại năm phát hiện đột phá với bằng chứng thống kê vững chắc:

SO SÁNH HIỆU NĂNG VÀ TÍNH NĂNG GIỮA CÁC MÔ HÌNH NGHIÊN CỨU

┌────────────────────────────┬──────────────────┬─────────────────┬──────────────────┐
│ Thuộc tính so sánh         │ Logistic Model   │ Cox PH Mở rộng  │ Random Survival  │
│                            │ (Truyền thống)   │ (Bán tham số)   │ Forest (RSF)     │
├────────────────────────────┼──────────────────┼─────────────────┼──────────────────┤
│ Không gian dự báo          │ Rời rạc (1 năm)  │ Thời gian liên tục│ Thời gian liên tục│
│ Giả định phân phối         │ Phân phối Logistic│ Không (Semi-par) │ Hoàn toàn phi tham số│
│ Xử lý vi phạm giả định PH  │ Không áp dụng    │ Hệ số biến thiên│ Tự động thích ứng│
│ Ước lượng thời điểm vỡ nợ  │ Không thể        │ Chính xác       │ Vượt trội        │
│ C-index trên tập Test      │ ~ 0,682          │ 0,738           │ 0,754            │
│ Độ sai lệch ước lượng ECL  │ Sai lệch lớn (+18%)│ Trùng khớp cao  │ Trùng khớp cao   │
└────────────────────────────┴──────────────────┴─────────────────┴──────────────────┘
  1. Sự sụp đổ của giả định tỷ lệ nguy cơ hằng và tính chất phụ thuộc thời gian: Kết quả kiểm định Schoenfeld residuals ($p < 0,05$) chỉ ra rằng các biến số quan trọng như LoanPerIncome, Tuổi, Hình thức trả lương vi phạm nghiêm trọng giả thiết PH. Mô hình Cox PH mở rộng chứng minh hệ số của LoanPerIncome đạt đỉnh nguy cơ trong 6-12 tháng đầu sau giải ngân ($\beta(t) > 0$), nhưng sau đó giảm dần ảnh hưởng khi khách hàng đã thiết lập được kỷ luật hoàn nợ.
  2. Tác động bảo vệ phi tuyến của các yếu tố nhân khẩu học và việc làm: Khách hàng nữ có tỷ lệ nguy cơ vỡ nợ tức thời thấp hơn nam giới ($HR = \exp(\beta) < 1$). Nhóm khách hàng có thâm niên làm việc trên 3 năm trong lĩnh vực chuyên môn hiện tại và nhận lương qua tài khoản ngân hàng có hàm sống sót $S(t)$ cao hơn có ý nghĩa thống kê so với nhóm nhận lương tiền mặt hoặc lao động tự do.
  3. Phát hiện dị biệt trên các phân vị sống sót qua Hồi quy phân vị: Mô hình hồi quy phân vị sống sót chứng minh rằng tác động của biến Học vấn và Khách hàng cũ có sự khác biệt sâu sắc giữa các phân vị: tại phân vị thấp ($\tau = 0,1 - 0,25$, nhóm có nguy cơ vỡ nợ rất sớm), trình độ học vấn đại học và lịch sử tín dụng tốt làm tăng mạnh thời gian sống sót; tuy nhiên ở các phân vị cao ($\tau = 0,75 - 0,9$), tác động này suy giảm rõ rệt và yếu tố quyết định chuyển dịch sang biến động thu nhập vĩ mô.
  4. Tính ưu việt của Random Survival Forest: Thuật toán RSF trên tập Train và tập Test độc lập chứng minh sai số OOB giảm dần và hội tụ khi số lượng cây tăng lên ($N_{tree} \ge 500$). Chỉ số C-index của RSF đạt mức 0,754, vượt trội hơn so với mô hình Cox PH mở rộng (0,738) và bỏ xa mô hình Logit truyền thống (0,682). Biến LoanPerIncome, Tuổi, và Vị trí công việc được xếp hạng có giá trị VIMP cao nhất.
  5. Đột phá trong tính toán tổn thất tín dụng trọn đời (Lifetime ECL): Khi so sánh trực tiếp trên tập dữ liệu Mortgage, mô hình Logit truyền thống đánh giá sai lệch đáng kể dòng tổn thất qua các năm do việc nhân dồn xác suất một năm gây tích lũy sai số (tổng tổn thất dự báo sai lệch lên tới hơn 18% so với tổn thất thực tế). Ngược lại, mô hình Cox PH tái tạo chính xác quỹ đạo tổn thất tín dụng thực tế, giúp ngân hàng tính toán lượng vốn dự phòng kinh tế (Economic Capital - EC) sát với thực tiễn.

Implications đa chiều

  • Về mặt lý thuyết: Luận án đặt nền móng học thuật cho việc chuyển dịch lý thuyết quản trị rủi ro tại các nền kinh tế mới nổi sang hướng tiếp cận động, mở rộng khung lý thuyết kinh tế lượng rủi ro tín dụng.
  • Về phương pháp luận: Thiết lập quy trình phân tích chuẩn gồm 5 bước: Kiểm tra giả định PH $\rightarrow$ Phân nhóm tối ưu bằng Log-rank $\rightarrow$ Ước lượng Cox mở rộng với hệ số biến thiên $\rightarrow$ Đối soát bằng RSF $\rightarrow$ Phân tích cấu trúc phân vị. Quy trình này có thể nhân rộng sang các lĩnh vực tài chính khác như rủi ro thanh khoản, rủi ro rút tiền gửi, hoặc định phí bảo hiểm nhân thọ.
  • Về thực tiễn quản trị ngân hàng: Cung cấp công cụ cho phép NHTM chuyển từ chính sách tín dụng "chấp thuận/từ chối" tĩnh sang chính sách định giá theo rủi ro (Risk-based pricing). Ngân hàng có thể xây dựng hệ thống cảnh báo sớm (Early Warning System) để kích hoạt biện pháp thu hồi nợ chủ động tại các mốc thời gian có nguy cơ vỡ nợ cực đại (tháng thứ 6 đến tháng thứ 12).
  • Về hoạch định chính sách: Cung cấp cơ sở khoa học định lượng vững chắc cho NHNN trong việc rà soát, sửa đổi Thông tư 41/2016/TT-NHNN và Thông tư 11/2021/TT-NHNN, hỗ trợ các NHTM xây dựng hệ thống xếp hạng tín dụng nội bộ theo phương pháp nâng cao (Advanced Internal Ratings-Based - A-IRB) của Hiệp ước Basel II và áp dụng chuẩn mực IFRS 9.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Dữ liệu dòng tiền chi tiết: Do yêu cầu bảo mật thông tin nghiêm ngặt của NHTM Việt Nam cung cấp dữ liệu, tập dữ liệu 1 chưa có thông tin biến động dư nợ chi tiết ($EAD$) theo từng tháng, buộc tác giả phải sử dụng tập dữ liệu Mortgage chuẩn của Hoa Kỳ để minh họa tính toán Lifetime ECL.
  2. Biến số kinh tế vĩ mô thời gian thực: Nghiên cứu chưa tích hợp được chuỗi dữ liệu bảng vĩ mô tần số cao (lãi suất liên ngân hàng theo tuần, chỉ số giá bất động sản cấp quận/huyện) vào mô hình thực nghiệm tại Việt Nam do hạn chế về hạ tầng dữ liệu quốc gia.
  3. Mô hình hóa rủi ro cạnh tranh (Competing Risks): Luận án chủ yếu tập trung vào biến cố vỡ nợ (Default), chưa phân tách đồng thời biến cố trả nợ trước hạn (Prepayment) như hai rủi ro triệt tiêu lẫn nhau trong cùng một mô hình rủi ro cạnh tranh đa biến.

Chương trình nghiên cứu 10 năm tiếp theo mở ra các hướng đột phá:

  • Xây dựng mô hình rủi ro cạnh tranh hai chiều (Competing Risks Fine-Gray Model) kết hợp vỡ nợ và trả nợ sớm trên dữ liệu lớn toàn hệ thống ngân hàng.
  • Tích hợp mạng nơ-ron sống sót học sâu (DeepSurv / Dynamic DeepHit) xử lý dữ liệu phi cấu trúc như lịch sử giao dịch số và tương tác ứng dụng ngân hàng số (Digital banking footprint).
  • Mở rộng phân tích sang phân khúc khách hàng doanh nghiệp vừa và nhỏ (SMEs) có tính đến rủi ro chuỗi cung ứng.

Tác động và ảnh hưởng

Công trình tạo ra tác động lan tỏa mạnh mẽ trên nhiều phương diện:

  • Ảnh hưởng học thuật: Là tài liệu tham khảo chuẩn mực trong giảng dạy cao học và tiến sĩ các chuyên ngành Toán kinh tế, Tài chính - Ngân hàng, Kinh tế lượng ứng dụng tại các trường đại học khối kinh tế; mở ra tiềm năng trích dẫn lớn trong các tạp chí chuyên ngành danh tiếng thuộc danh mục Scopus/WoS.
  • Chuyển đổi ngành Ngân hàng: Giúp các NHTM tại Việt Nam tiết kiệm hàng trăm tỷ đồng chi phí trích lập dự phòng sai lệch thông qua việc tối ưu hóa mô hình Lifetime ECL, đồng thời nâng cao chỉ số an toàn vốn CAR mà không cần thu hẹp quy mô tín dụng.
  • Tác động chính sách quốc gia: Thúc đẩy tiến trình hiện đại hóa hệ thống tài chính quốc gia theo chuẩn mực Basel III và IFRS 9, gia tăng tính minh bạch và mức độ tín nhiệm của hệ thống ngân hàng Việt Nam trên thị trường vốn quốc tế.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận khung phân tích kinh tế lượng sống sót hoàn chỉnh, làm chủ các gói lệnh và thuật toán phức tạp trên R và STATA.
  • Khối Quản trị Rủi ro tại các NHTM: Sở hữu công cụ định lượng chuẩn xác để xây dựng thẻ điểm tín dụng hành vi, dự báo điểm rơi nợ xấu và lập kế hoạch vốn kinh tế tối ưu.
  • Cơ quan Quản lý Nhà nước (NHNN, CIC): Có thêm căn cứ khoa học để hoàn thiện khung pháp lý về tỷ lệ an toàn vốn, tiêu chuẩn phân loại nợ và trích lập dự phòng rủi ro.
  • Khách hàng đi vay: Được hưởng chính sách lãi suất và hạn mức tín dụng công bằng hơn dựa trên hồ sơ rủi ro động của chính mình.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
Trả lời: Luận án mở rộng Lý thuyết Lượng hóa Rủi ro Tín dụng truyền thống sang không gian thời gian liên tục thông qua việc giải quyết sự vi phạm giả định tỷ lệ nguy cơ đồng nhất của mô hình Cox PH tiêu chuẩn. Bằng việc tích hợp hệ số phụ thuộc thời gian $\beta(t)$ và phân tích hồi quy phân vị sống sót, nghiên cứu chứng minh tác động của các biến tài chính lên nguy cơ vỡ nợ mang tính chất phi tuyến và dị biệt theo chu kỳ sống sót của khoản nợ.

2. Đột phá phương pháp luận so với các nghiên cứu quốc tế trước đây là gì?
Trả lời: So với Stepanova và Thomas (2002) chỉ dùng Cox PH tĩnh, hoặc Fantazzini và Figini (2008) chỉ đối soát Logit với RSF trên doanh nghiệp, luận án đã tích hợp đồng thời ba cấu trúc mô hình: Cox PH mở rộng (bán tham số), Hồi quy phân vị sống sót (tham số nâng cao), và Random Survival Forest (học máy phi tham số). Nghiên cứu kế thừa quy tắc phân nhóm tối ưu bằng Log-rank test nhưng mở rộng giải quyết dữ liệu bị kiểm duyệt và cắt cụt đa chiều tại một thị trường cận biên.

3. Phát hiện thực nghiệm nào gây bất ngờ và có ý nghĩa nhất?
Trả lời: Kết quả từ Hồi quy phân vị sống sót chỉ ra rằng các yếu tố nền tảng như trình độ học vấn hay tình trạng khách hàng cũ đóng vai trò là "lá chắn rủi ro" cực mạnh ở giai đoạn đầu của khoản vay (các phân vị $\tau \le 0,25$, làm giảm mạnh nguy cơ vỡ nợ sớm), nhưng hầu như triệt tiêu ý nghĩa bảo vệ ở các phân vị sống sót dài ($\tau \ge 0,75$), nơi mà rủi ro vỡ nợ bị chi phối hoàn toàn bởi tỷ lệ nợ trên thu nhập và các cú sốc vĩ mô bất ngờ.

4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) hay không?
Trả lời: Có. Luận án trình bày chi tiết toàn bộ cấu trúc biến số, thuật toán phân nhóm dữ liệu, tiêu chuẩn kiểm định phần dư Schoenfeld, cách thức thiết lập siêu tham số cho Random Survival Forest (số cây $N_{tree} = 1000$, số biến thử nghiệm tại mỗi nút $m_{try} = \sqrt{p}$) cùng mã lệnh thực thi trên phần mềm R và STATA trong các phụ lục kỹ thuật.

5. Luận án đã phác thảo chương trình nghiên cứu 10 năm như thế nào?
Trả lời: Tác giả xây dựng lộ trình nghiên cứu mở rộng ba giai đoạn: Giai đoạn 1 (1-3 năm) hoàn thiện mô hình rủi ro cạnh tranh (Competing risks) giữa vỡ nợ và tất toán sớm; Giai đoạn 2 (3-5 năm) tích hợp mô hình học sâu Dynamic DeepHit trên dữ liệu lớn giao dịch ngân hàng số; Giai đoạn 3 (5-10 năm) xây dựng mô hình kiểm tra sức chịu đựng (Stress testing) động toàn hệ thống kết hợp biến vĩ mô tần số cao.

Kết luận

  1. Công trình là luận án tiến sĩ kinh tế học đầu tiên tại Việt Nam nghiên cứu toàn diện và có hệ thống về phân tích sống sót trong ước lượng và quản trị rủi ro tín dụng bán lẻ.
  2. Chứng minh toán học và thực nghiệm sự vượt trội của tiếp cận phân tích sống sót so với các mô hình phân loại nhị phân cổ điển (Logit/Probit) trong việc định vị chính xác thời điểm vỡ nợ và lượng hóa Lifetime PD.
  3. Giải quyết triệt để vấn đề vi phạm giả thiết Proportional Hazards bằng mô hình bán tham số Cox PH mở rộng với hệ số biến thiên theo thời gian $\beta(t)$.
  4. Ứng dụng thành công thuật toán học máy phi tham số Random Survival Forest (RSF), đạt độ chính xác phân loại C-index vượt bậc (0,754) và thiết lập cơ chế xếp hạng tầm quan trọng của biến (VIMP).
  5. Chứng minh phương pháp phân tích sống sót triệt tiêu sai lệch tích lũy trong ước lượng tổn thất tín dụng dự kiến trọn đời (Lifetime ECL), tạo cơ sở trực tiếp phục vụ chuẩn mực Basel II (A-IRB) và IFRS 9.
  6. Mở ra ba hướng nghiên cứu học thuật then chốt: mô hình rủi ro cạnh tranh đa biến, mô hình sống sót học sâu (Deep Survival Learning), và kiểm tra sức chịu đựng vĩ mô động trong quản trị rủi ro tài chính quốc gia.