Tổng quan về luận án

Hoạt động cấp tín dụng của các ngân hàng thương mại (NHTM) tại Việt Nam đang đối mặt với bài toán tối ưu hóa lợi nhuận song hành cùng kiểm soát rủi ro phá sản, đặc biệt trong bối cảnh Ngân hàng Nhà nước (NHNN) đẩy mạnh lộ trình thực thi Hiệp ước Basel II theo Thông tư 41/2016/TT-NHNN, Thông tư 13/2018/TT-NHNN và Thông tư 11/2021/TT-NHNN về trích lập dự phòng. Luận án tiến sĩ toán kinh tế của NCS Đoàn Trọng Tuyến (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" dưới sự hướng dẫn khoa học của PGS. Nguyễn Thị Minh tại Trường Đại học Kinh tế Quốc dân là công trình tiên phong chuyển đổi mô hình định lượng rủi ro tín dụng cá nhân từ tĩnh sang động.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ sự bất cập của các mô hình kinh tế lượng phân loại nhị phân truyền thống (Binary Logistic Regression, Probit, Discriminant Analysis) vốn chỉ ước lượng xác suất vỡ nợ (Probability of Default - PD) trong một khung thời gian cố định (thường là 1 năm) mà không trả lời được câu hỏi mang tính sống còn: “Khi nào khoản vay sẽ rơi vào tình trạng vỡ nợ?”. Trích dẫn từ luận án: "Rủi ro tín dụng trong hoạt động ngân hàng là tổn thất có khả năng xảy ra đối với nợ của tổ chức tín dụng... do khách hàng không thực hiện hoặc không có năng lực thực hiện một phần hoặc toàn bộ nghĩa vụ của mình theo cam kết" (Thông tư 02/2013/TT-NHNN). Các mô hình truyền thống bỏ qua toàn bộ cấu trúc dữ liệu bị kiểm duyệt (censoring) và cắt cụt (truncation), dẫn đến ước lượng sai lệch về Tổn thất tín dụng dự kiến trọn đời (Lifetime Expected Credit Loss - Lifetime ECL) theo chuẩn mực kế toán IFRS 9 và Basel II.

Luận án thiết lập và giải quyết ba câu hỏi nghiên cứu cụ thể:

  1. Câu hỏi 1 (RQ1): Các yếu tố nhân khẩu học, năng lực tài chính, mối quan hệ giao dịch và đặc tính hợp đồng tác động như thế nào đến thời gian sống sót của khoản vay khách hàng cá nhân (KHCN)?
  2. Câu hỏi 2 (RQ2): Phương pháp nào cho phép ước lượng chuẩn xác hàm sống sót $S(t)$, hàm nguy cơ $H(t)$ và đường cong xác suất vỡ nợ theo từng mốc thời gian $t$ ($PD(t)$)?
  3. Câu hỏi 3 (RQ3): Ứng dụng phân tích sống sót (Survival Analysis) có mang lại độ chính xác vượt trội so với mô hình Logit truyền thống trong việc tính toán tổn thất tín dụng dự kiến trọn đời (Lifetime ECL) hay không?

Hệ thống giả thuyết kiểm định bao gồm:

  • Giả thuyết H1: Tồn tại sự vi phạm giả thiết tỷ lệ nguy cơ hằng (Proportional Hazards Assumption) ở một số biến độc lập theo thời gian, đòi hỏi áp dụng mô hình Cox mở rộng với hệ số phụ thuộc thời gian $\beta(t)$.
  • Giả thuyết H2: Tác động của các biến số nhân khẩu học và tài chính lên thời gian sống sót có sự bất đối xứng trên các phân vị khác nhau của thời gian sống sót (Quantile Survival Regression).
  • Giả thuyết H3: Mô hình học máy phi tham số Random Survival Forest (RSF) và mô hình bán tham số Extended Cox PH cải thiện đáng kể chỉ số C-index, AUC phụ thuộc thời gian và giảm thiểu sai số ước lượng Lifetime ECL so với mô hình Logit tĩnh.

Khung lý thuyết tích hợp lý thuyết phân tích sống sót khởi nguồn từ công trình kinh điển của Cox (1972) “Regression models and life-tables (with discussion)”, lý thuyết đo lường tổn thất tín dụng $ECL = EAD \times LGD \times PD$ của Christian Bluhm và cộng sự (2003), kết hợp cấu trúc Vốn kinh tế ($EC_\alpha = Q_\alpha(\tilde{L}{PF}) - ECL{PF}$). Phạm vi nghiên cứu sử dụng tập dữ liệu thực tế gồm hàng chục nghìn hồ sơ vay KHCN từ một NHTM Việt Nam và tập dữ liệu đối sánh Mortgage tại Hoa Kỳ, mang lại đóng góp định lượng vượt bậc giúp tối ưu hóa trích lập quỹ dự phòng và an toàn vốn ngân hàng.


Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy phương pháp phân tích sống sót được khai sinh trong khoa học y sinh (Kalbfleisch & Prentice, 1980; Kleinbaum & Klein, 2012) và kỹ thuật độ tin cậy hệ thống (Leemis, 1995), trước khi được mở rộng sang quản trị rủi ro tín dụng ngân hàng tại các thị trường tài chính phát triển (Fitch, 1997; Timothy W. Koch, 1995). Các nghiên cứu quốc tế tiêu biểu như Narain (1992), Thomas et al. (2001), Bellotti & Crook (2009, 2013) đã chứng minh vượt bậc tính ưu việt của mô hình Cox Proportional Hazards (Cox PH) và Accelerated Failure Time (AFT) trong việc dự báo thời điểm vỡ nợ của thẻ tín dụng và vay thế chấp cá nhân so với mô hình phân tích phân biệt (Discriminant Analysis) hay Logit truyền thống.

Cuộc tranh luận học thuật trung tâm tồn tại hai luồng quan điểm đối lập:

  1. Trường phái tham số và bán tham số truyền thống (Parametric/Semi-parametric): Điển hình bởi Cox (1972) và Kalbfleisch & Prentice (1980), lập luận rằng các mô hình dựa trên hàm nguy cơ xác định (như Weibull, Log-logistic, Cox PH) cung cấp khả năng diễn giải kinh tế học rõ ràng, cho phép kiểm định trực tiếp tác động biên của từng yếu tố vĩ mô và vi mô thông qua tỷ số nguy cơ (Hazard Ratio - HR).
  2. Trường phái học máy phi tham số (Non-parametric Machine Learning): Dẫn đầu bởi Ishwaran et al. (2008) với mô hình Random Survival Forest (RSF), khẳng định các giả định phân phối tham số ngặt nghèo hoặc giả định tỷ lệ nguy cơ không đổi (PH assumption) thường xuyên bị vi phạm trong thực tế dữ liệu tín dụng phức tạp. RSF tự động nắm bắt các mối quan hệ phi tuyến, tương tác phi tham số đa chiều mà không cần áp đặt cấu trúc tiền định.

Tại Việt Nam, các nghiên cứu rủi ro tín dụng trước đây hầu hết chỉ dừng lại ở mô hình Logit/Probit tĩnh 1 năm hoặc áp dụng sơ khai hàm sống sót Kaplan-Meier mà chưa từng kết hợp đồng bộ cấu trúc mở rộng phụ thuộc thời gian và học máy ensemble. Luận án định vị chính xác khoảng trống này bằng cách so sánh đối chứng toàn diện:

  • So sánh với nghiên cứu của Bellotti & Crook (2009) trên tập dữ liệu thẻ tín dụng Anh Quốc: Luận án mở rộng việc kiểm tra sự suy giảm hiệu lực của biến số theo thời gian bằng Extended Cox PH và hồi quy phân vị sống sót.
  • So sánh với nghiên cứu của Ishwaran et al. (2008)Mogensen et al. (2012): Luận án áp dụng RSF trên dữ liệu ngân hàng Việt Nam, trích xuất chỉ số tầm quan trọng của biến (Variable Importance - VIMP) và tỷ lệ lỗi Out-of-Bag (OOB) theo số lượng cây phân nhánh, chứng minh tính vượt trội trong việc phân tách nhóm khách hàng có rủi ro tiềm ẩn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng trực tiếp ba nền tảng lý thuyết cốt lõi:

  1. Lý thuyết mô hình nguy cơ tỷ lệ của David R. Cox (1972): Luận án chứng minh trong môi trường tín dụng tiêu dùng, nhiều biến số vi phạm giả thiết nguy cơ hằng (Proportional Hazards Assumption). Bằng cách tích hợp các hệ số phụ thuộc thời gian $\beta(t)$, mô hình bán tham số Cox mở rộng đã giải thích được hiện tượng "suy giảm tác động" của các biến nhân khẩu học khi thời gian khoản vay kéo dài.
  2. Lý thuyết tổn thất tín dụng và Vốn kinh tế (Credit Loss & Economic Capital Theory của Christian Bluhm et al., 2003): Luận án chuyển hóa công thức tĩnh sang công thức tích phân động trọn đời: $$ECL_{PF}^{\text{trọn đời}} = \sum_{i=1}^{N} \sum_{t=1}^{T_i} PV_t \left[ EAD_{i,t} \times LGD_{i,t} \times PD(t | X_{i,t}) \right]$$ trong đó xác suất vỡ nợ tại thời điểm $t$ ($PD(t)$) được trích xuất trực tiếp từ vi phân của hàm sống sót $S(t)$, loại bỏ hiện tượng cộng dồn xác suất sai lệch của mô hình Logit 1 năm.
  3. Lý thuyết Hồi quy phân vị sống sót (Quantile Regression for Survival Data của Koenker & Bilias, 2001): Luận án mở rộng việc phân tích tác động biên của các biến độc lập không chỉ ở mức trung bình mà trên toàn bộ các phân vị ($\tau = 0.1, 0.25, 0.5, 0.75, 0.9$) của thời gian sống sót, tạo bước chuyển dịch mô hình (paradigm shift) từ đánh giá rủi ro đơn chiều sang phân tầng rủi ro đa phân vị.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liền mạch ba trụ cột toán kinh tế:

[Dữ liệu Khoản vay KHCN (Đặc tính khách hàng, Khoản vay, Quan hệ)]
                           │
             ┌─────────────┴─────────────┐
             ▼                           ▼
[Kiểm duyệt & Cắt cụt (Censoring)]   [Kiểm tra giả thiết tỷ lệ nguy cơ PH]
             │                           │
             ├───────────────────────────┤
             ▼                           ▼
┌─────────────────────────┐ ┌─────────────────────────┐ ┌─────────────────────────┐
│ Mô hình Cox PH mở rộng  │ │ Hồi quy Phân vị Sống sót │ │ Random Survival Forest  │
│ (Time-varying β(t))     │ │ (Quantile Survival)     │ │ (Machine Learning - RSF)│
└────────────┬────────────┘ └────────────┬────────────┘ └────────────┬────────────┘
             │                           │                           │
             └───────────────────────────┼───────────────────────────┘
                                         ▼
                 [Ước lượng S(t), H(t), PD(t) theo thời điểm]
                                         │
                                         ▼
                 [Tính toán Lifetime ECL & So sánh Mô hình Logit]
                                         │
                                         ▼
                 [Khuyến nghị Chính sách Tín dụng & Basel II]

Khung phân tích xác định rõ các điều kiện biên (boundary conditions): Áp dụng cho các khoản vay cá nhân chịu hiện tượng kiểm duyệt phải (Right Censoring - chiếm đa số), kiểm duyệt trái (Left Censoring) và cắt cụt khoảng (Interval Truncation) trong phạm vi quản trị danh mục ngân hàng thương mại.


Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý khoa học (Epistemological Stance): Luận án tuân thủ nghiêm ngặt chủ nghĩa thực chứng thực nghiệm (Empirical Positivism) kết hợp phương pháp toán kinh tế chuẩn tắc (Normative Econometrics). Mọi kết luận đều được kiểm định giả thuyết thống kê với độ tin cậy từ 95% đến 99%.
  • Thiết kế đa phương pháp định lượng (Multi-method Quantitative Design): Kết hợp hài hòa giữa tiếp cận tham số (AFT, Hồi quy phân vị sống sót), bán tham số (Cox PH, Extended Cox PH) và phi tham số hiện đại (Kaplan-Meier, Random Survival Forest - RSF).
  • Cỡ mẫu và tiêu chí chọn mẫu: Bộ dữ liệu thứ nhất bao gồm hàng chục nghìn khoản vay KHCN tại một NHTM Việt Nam, được phân chia theo tỷ lệ Train/Test tiêu chuẩn để kiểm chứng chéo. Bộ dữ liệu thứ hai là bộ số liệu chuẩn quốc tế Mortgage tại Hoa Kỳ với đầy đủ dữ liệu động về dư nợ từng kỳ thanh toán nhằm phục vụ tính toán Lifetime ECL.

Quy trình nghiên cứu rigorous

  1. Xử lý dữ liệu sống sót: Xác định rõ mốc thời gian giải ngân ($L$), mốc theo dõi kết thúc ($R$), tình trạng khoản vay (vỡ nợ = 1, tất toán/chưa vỡ nợ = 0 tương ứng kiểm duyệt phải).
  2. Phân nhóm biến và biến đổi dữ liệu: Áp dụng thuật toán tối ưu hóa thông tin phân nhóm các biến liên tục như Tuổi (Age), Tỷ lệ khoản vay trên thu nhập (LoanPerIncome), Thời gian công tác, Vị trí công việc (Position), Trình độ học vấn và Hình thức trả lương. Biến Position được chuẩn hóa thành: Nhóm 1 (Lao động phổ thông/công nhân - nhóm cơ sở), Nhóm 2 (Chuyên viên, nhân viên - Position2), Nhóm 3 (Quản lý cấp cao - Position3).
  3. Kiểm định giả thiết Proportional Hazards: Sử dụng đồ thị Schoenfeld residuals và kiểm định tương quan giữa phần dư với hàm thời gian để phát hiện các biến vi phạm giả định tỷ lệ nguy cơ không đổi.
  4. Độ tin cậy và giá trị kiểm định: Sử dụng kiểm định Log-rank, Likelihood Ratio Test, Wald Test, chỉ số Concordance Index ($C\text{-index}$) và đường cong tích hợp diện tích dưới đường cong ROC phụ thuộc thời gian ($AUC(t)$).

Data và phân tích

  • Kỹ thuật phân tích nâng cao:
    • Mô hình RSF sử dụng giải thuật phân nhánh bảo toàn thời gian sống sót (Log-rank splitting rule), tạo dựng rừng ngẫu nhiên hàng nghìn cây quyết định, tính toán sai số Out-of-Bag (OOB) và trích xuất độ quan trọng của biến VIMP.
    • Mô hình Hồi quy phân vị sống sót ước lượng phương trình hàm mũ cho thời gian sống sót tại các điểm phân vị khác nhau: $\ln(T) = X'\beta_\tau + \epsilon_\tau$.
  • Phần mềm xử lý: Toàn bộ quy trình tính toán, ước lượng tham số và mô phỏng được lập trình độc lập và đối chiếu trên hai nền tảng chuyên dụng là R (các package survival, randomForestSRC, quantreg) và STATA 16.

Phát hiện đột phá và implications

Những phát hiện then chốt

So sánh Hiệu quả Ước lượng và Đánh giá Mô hình:
┌──────────────────────────────┬──────────────────┬─────────────────┐
│ Tiêu chí Đánh giá            │ Mô hình Cox PH   │ Mô hình RSF     │
├──────────────────────────────┼──────────────────┼─────────────────┤
│ Chỉ số C-index (Tập Test)    │ 0.78 - 0.82      │ 0.84 - 0.87     │
│ Khả năng nắm bắt phi tuyến   │ Hạn chế          │ Cực cao         │
│ Đo lường sai lệch ECL        │ Sát thực tế      │ Tối ưu danh mục │
└──────────────────────────────┴──────────────────┴─────────────────┘
  1. Bằng chứng thực nghiệm về sự vi phạm tỷ lệ nguy cơ hằng: Kiểm định Schoenfeld cho thấy các biến như vị trí công việc (Position) và hình thức nhận lương có hệ số tác động biến thiên theo thời gian ($p < 0.01$). Nguy cơ vỡ nợ của nhóm lao động phổ thông tăng đột biến trong giai đoạn đầu của khoản vay (từ tháng 6 đến tháng 18), sau đó có xu hướng hội tụ dần về mức trung bình.
  2. Tính bất đối xứng qua mô hình Hồi quy phân vị: Kết quả ước lượng hồi quy phân vị chỉ ra rằng biến tỷ lệ khoản vay trên thu nhập (LoanPerIncome) có tác động tiêu cực mạnh nhất tại phân vị thấp ($\tau = 0.1$ và $\tau = 0.25$ - nhóm khoản vay có thời gian sống sót ngắn), nhưng tác động suy giảm rõ rệt tại phân vị cao ($\tau = 0.9$). Điều này chứng minh khách hàng có độ bền vững tài chính cao ít bị ảnh hưởng bởi tỷ lệ đòn bẩy ban đầu.
  3. Độ chính xác vượt trội của Random Survival Forest (RSF): Mô hình RSF đạt chỉ số $C\text{-index}$ trên tập kiểm định Test vượt trội so với mô hình Cox PH truyền thống (đạt mức xấp xỉ 0.85 so với 0.79). Biểu đồ phân rã VIMP khẳng định LoanPerIncome, Tuổi khách hàng, và Thời gian công tác là 3 biến giải thích chi phối mạnh nhất đến thời gian duy trì hợp đồng tín dụng.
  4. Sai lệch nghiêm trọng trong ước lượng ECL của mô hình Logit: Trên tập dữ liệu thực nghiệm Mortgage, việc sử dụng mô hình Logit tĩnh truyền thống dẫn đến ước lượng chệch (overestimation/underestimation) tổn thất tín dụng dự kiến trọn đời lên tới 18.5% - 24.2% so với tổn thất thực tế. Ngược lại, phương pháp tích phân sống sót động qua mô hình Extended Cox PH cho kết quả ước lượng ECL tiệm cận sát với tổn thất thực nghiệm (độ sai lệch dưới 3.8%).

Implications đa chiều

  • Về mặt lý thuyết: Thiết lập cầu nối hoàn chỉnh giữa lý thuyết kinh tế lượng sống sót và chuẩn mực kế toán tài chính quốc tế IFRS 9 / Basel II trong phân tích rủi ro ngân hàng tại các thị trường mới nổi.
  • Về mặt phương pháp luận: Cung cấp quy trình chuẩn hóa từ khâu kiểm định giả thiết tỷ lệ nguy cơ PH, hồi quy phân vị động, đến ứng dụng học máy phi tham số RSF, có thể tổng quát hóa cho các bài toán phân tích rút tiền gửi, hủy hợp đồng bảo hiểm hoặc rủi ro vỡ nợ trái phiếu doanh nghiệp.
  • Về mặt quản trị thực tiễn: Cho phép các NHTM xây dựng hệ thống chấm điểm tín dụng động (Dynamic Credit Scoring), theo dõi hàm nguy cơ vỡ nợ theo từng tháng trong suốt vòng đời khoản vay. Khi một khoản vay bước vào "vùng thời gian nguy cơ đạt đỉnh", hệ thống cảnh báo sớm (Early Warning System) sẽ tự động kích hoạt để cán bộ tín dụng thực hiện tái cấu trúc hoặc giám sát dòng tiền trả nợ.
  • Về mặt chính sách: Cung cấp cơ sở khoa học vững chắc để Ngân hàng Nhà nước ban hành hướng dẫn kỹ thuật chi tiết về trích lập dự phòng rủi ro tín dụng trọn đời, hỗ trợ các NHTM nhanh chóng đạt chuẩn Trụ cột 1 và Trụ cột 2 của Basel II.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Hạn chế về dữ liệu lịch sử dòng tiền: Do yêu cầu bảo mật nghiêm ngặt từ phía ngân hàng thương mại Việt Nam cung cấp số liệu, tập dữ liệu thứ nhất chưa cung cấp chi tiết biến động dư nợ định kỳ theo từng kỳ trả lời và giá trị thanh lý tài sản đảm bảo tức thời, đòi hỏi phải minh họa việc tính toán Lifetime ECL trên tập số liệu chuẩn đối sánh Mortgage của Hoa Kỳ.
  2. Điều kiện biên về biến số vĩ mô: Luận án chủ yếu tập trung vào các biến số vi mô cấp độ khách hàng và khoản vay; các biến số vĩ mô động (GDP, lạm phát, lãi suất điều hành, biến động thị trường bất động sản) chưa được đưa vào mô hình dưới dạng các biến biến đổi theo thời gian thực (Time-varying Covariates) đa kỳ.
  3. Vấn đề rủi ro cạnh tranh (Competing Risks): Luận án mới tập trung vào sự kiện vỡ nợ (Default), chưa mô hình hóa đồng thời sự kiện tất toán trả nợ trước hạn (Prepayment) như một nguy cơ cạnh tranh trong mô hình Fine-Gray hoặc Multi-state Survival Models.

Chương trình nghiên cứu mở rộng trong tương lai bao gồm:

  • Hướng 1: Phát triển mô hình Rủi ro cạnh tranh (Competing Risk Models) và Mô hình đa trạng thái (Multi-state Models) để phân tích đồng thời 3 trạng thái: Đang trả nợ bình thường - Trả nợ trước hạn - Vỡ nợ.
  • Hướng 2: Nhúng các chuỗi thời gian kinh tế vĩ mô vào mô hình phân tích sống sót thông qua phương pháp kiểm tra sức chịu đựng (Stress Testing) danh mục tín dụng theo kịch bản suy thoái kinh tế.
  • Hướng 3: Tích hợp các thuật toán học sâu sống sót (DeepSurv, Neural Multi-Task Logistic Regression) để tối ưu hóa khả năng dự báo trên các tập dữ liệu lớn hàng triệu quan sát.

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án là công trình tiên phong toàn diện tại Việt Nam về phân tích sống sót ứng dụng trong toán kinh tế và tài chính ngân hàng. Công trình mở ra hướng nghiên cứu mới, được kỳ vọng trở thành tài liệu tham khảo chuẩn mực với khả năng trích dẫn cao trong các nghiên cứu định lượng rủi ro tín dụng, kinh tế lượng ứng dụng và khoa học dữ liệu tài chính.
  • Tác động ngành ngân hàng: Kết quả nghiên cứu trực tiếp chuyển giao công cụ định lượng cho khối Quản trị rủi ro (Risk Management) và Phân tích dữ liệu (Data Analytics) tại các NHTM, giúp tiết kiệm hàng trăm tỷ đồng chi phí vốn dự phòng thừa và phòng ngừa tổn thất ngoài dự kiến ($UL$).
  • Tác động chính sách: Đóng góp luận cứ khoa học thực chứng phục vụ NHNN và Cơ quan Thanh tra, Giám sát Ngân hàng trong việc hoàn thiện khung pháp lý về quản trị an toàn vốn, thẩm định mô hình xếp hạng tín dụng nội bộ (IRB Approach) theo lộ trình nâng cấp từ Basel II lên Basel III.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận quy trình phương pháp luận chuẩn xác về Survival Analysis, hệ thống mã nguồn phân tích trên R/STATA và phương pháp kiểm định mô hình định lượng phức tạp.
  • Chuyên gia Quản trị Rủi ro NHTM: Nhận chuyển giao công thức toán kinh tế ước lượng Lifetime PD và Lifetime ECL theo từng mốc thời gian, nâng cao độ chính xác của hệ thống xếp hạng tín dụng nội bộ.
  • Cơ quan Giám sát Ngân hàng (NHNN): Có cơ sở định lượng để đánh giá mức độ đủ vốn (Capital Adequacy Ratio) và xây dựng chính sách trích lập dự phòng bám sát thực tiễn rủi ro của từng nhóm khách hàng.
  • Khách hàng vay vốn: Hưởng lợi từ chính sách lãi suất linh hoạt và hạn mức tín dụng được thiết kế cá nhân hóa dựa trên dự báo thời gian sống sót thực tế của từng hồ sơ vay.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Trả lời: Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Mô hình Nguy cơ Tỷ lệ của Cox (1972)Lý thuyết Đo lường Tổn thất Tín dụng của Bluhm et al. (2003) sang không gian động phụ thuộc thời gian và đa phân vị. Luận án đã chỉ ra sự suy giảm tác động của các biến nhân khẩu học theo thời gian sống sót của khoản vay thông qua mô hình Extended Cox PH với hệ số $\beta(t)$, đồng thời chứng minh cấu trúc bất đối xứng của rủi ro tín dụng qua Hồi quy phân vị sống sót, điều mà các mô hình kinh tế lượng tĩnh hoàn toàn bất lực.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu trước đây là gì?

Trả lời: So với nghiên cứu của Bellotti & Crook (2009) (chỉ dùng Cox PH cổ điển) và Ishwaran et al. (2008) (chỉ dùng RSF thuần túy trên dữ liệu y sinh), luận án đã: (1) Kết hợp đối chiếu đồng thời cả 3 phương pháp tham số (Quantile Survival), bán tham số (Extended Cox PH) và phi tham số học máy (RSF); (2) Đưa ra quy trình phân nhóm dữ liệu tối ưu hóa thông tin; (3) Thiết lập thuật toán chuyển đổi trực tiếp từ hàm sống sót phi tham số sang đường cong xác suất vỡ nợ trọn đời phục vụ tính toán Lifetime ECL.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và bằng chứng dữ liệu ra sao?

Trả lời: Phát hiện bất ngờ nhất là biến tỷ lệ khoản vay trên thu nhập (LoanPerIncome) không duy trì mức độ tác động đồng đều lên rủi ro vỡ nợ như giả định truyền thống. Tại phân vị sống sót thấp ($\tau = 0.1$, các khoản vay vỡ nợ sớm), LoanPerIncome làm tăng vọt nguy cơ vỡ nợ với độ dốc hệ số hồi quy lớn nhất ($p < 0.001$). Tuy nhiên, đối với các khoản vay duy trì an toàn qua 24 tháng đầu (thuộc phân vị $\tau \ge 0.75$), hệ số của biến này giảm mạnh và mất dần ý nghĩa thống kê. Điều này chứng minh rằng thói quen kỷ luật thanh toán và sự ổn định nghề nghiệp dài hạn của người vay triệt tiêu áp lực đòn bẩy ban đầu.

4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không?

Trả lời: Luận án cung cấp chi tiết toàn bộ cấu trúc biến số, thuật toán tiền xử lý dữ liệu, cách thức mã hóa biến giả, các câu lệnh ước lượng trong môi trường R và STATA 16, cùng quy trình tính toán chỉ số $C\text{-index}$, đồ thị hàm sống sót Kaplan-Meier và bảng kết quả kiểm tra giả thiết tỷ lệ nguy cơ PH. Bất kỳ nhà nghiên cứu nào có dữ liệu tín dụng tương đương đều có thể tái lập hoàn toàn quy trình phân tích thực nghiệm này.

5. Chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Trả lời: Chương trình nghiên cứu 10 năm tập trung vào: (1) Xây dựng hệ thống chấm điểm tín dụng học sâu sống sót thời gian thực (Real-time Deep Survival Scoring); (2) Tích hợp dữ liệu phi cấu trúc và dữ liệu hành vi số (Digital Footprint) vào hàm nguy cơ vỡ nợ; (3) Thiết lập mô hình vĩ mô tích hợp đo lường tác động biến đổi khí hậu và rủi ro chuyển đổi lên tuổi thọ danh mục tín dụng xanh của hệ thống ngân hàng.


Kết luận

  1. Luận án là công trình định lượng học thuật đầu tiên tại Việt Nam ứng dụng đồng bộ hệ thống mô hình phân tích sống sót tham số, bán tham số và học máy phi tham số trong quản trị rủi ro tín dụng khách hàng cá nhân.
  2. Chứng minh thực nghiệm việc áp dụng mô hình Extended Cox PH và Random Survival Forest (RSF) nâng cao năng lực phân loại rủi ro ($C\text{-index} > 0.85$) và phản ánh chính xác bản chất thời gian của sự kiện vỡ nợ.
  3. Khắc phục triệt để sai số ước lượng tổn thất tín dụng dự kiến trọn đời (Lifetime ECL) của mô hình Logit truyền thống, giảm thiểu độ chệch từ trên 20% xuống dưới 3.8% so với tổn thất thực tế.
  4. Mở ra 3 hướng nghiên cứu chuyên sâu mới trong kinh tế học ứng dụng: Mô hình sống sót rủi ro cạnh tranh đa trạng thái, kiểm tra sức chịu đựng danh mục tín dụng động dưới cú sốc vĩ mô, và học sâu sống sót (Deep Survival Learning).
  5. Cung cấp hệ thống khuyến nghị chính sách cụ thể, khả thi cho Ngân hàng Nhà nước và các NHTM Việt Nam trong việc tối ưu hóa tỷ lệ an toàn vốn, trích lập quỹ dự phòng và hiện thực hóa toàn diện chuẩn mực quốc tế Basel II, Basel III và IFRS 9.