Tổng quan về luận án
Trong kỷ nguyên chuyển đổi số và Cách mạng Công nghiệp 4.0, hệ thống ngân hàng thương mại (NHTM) toàn cầu đang chứng kiến bước chuyển dịch từ các mô hình quản trị truyền thống sang ứng dụng trí tuệ nhân tạo (Artificial Intelligence - AI) và học máy (Machine Learning - ML). Tại Việt Nam, hoạt động tín dụng là mảng nghiệp vụ cốt lõi mang lại nguồn thu nhập chủ đạo nhưng cũng tiềm ẩn rủi ro phá sản mang tính hệ thống. Nhằm cụ thể hóa Quyết định số 127/QĐ-TTg ngày 26/01/2021 của Thủ tướng Chính phủ về "Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030", ngành ngân hàng được định hướng: "Phân tích, dự đoán nhu cầu vay vốn, đối tượng vay vốn, hỗ trợ hoạt động cấp tín dụng phát hiện các hành vi gian lận; cá nhân hóa các dịch vụ ngân hàng cho khách hàng; cung cấp các dịch vụ hỗ trợ tức thời cho khách hàng thông qua các trợ lý ảo và chatbot". Luận án tiến sĩ chuyên ngành Tài chính - Ngân hàng (Mã số: 9340201) của nghiên cứu sinh Nguyễn Tiến Hưng với đề tài "Ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam" (Học viện Ngân hàng, 2022) do TS. Bùi Tín Nghị và PGS. Nguyễn Đức Trung hướng dẫn là công trình tiên phong tại Việt Nam tích hợp toán học mô hình hóa AI vào chuẩn mực Hiệp ước Basel II.
Khoảng trống nghiên cứu (Research Gap) then chốt mà luận án giải quyết nằm ở sự thiếu vắng một khung lý thuyết và thực nghiệm hoàn chỉnh về đo lường rủi ro tín dụng tích hợp AI theo phương pháp xếp hạng nội bộ nâng cao (Advanced Internal Ratings-Based Approach - AIRB) của Basel II tại thị trường mới nổi. Hầu hết các nghiên cứu nội địa trước đây (Lê Thị Huyền Diệu, 2010; Nguyễn Quang Hiện, 2016; Lê Thị Hạnh, 2017; Nguyễn Như Dương, 2018; Nguyễn Bích Ngân, 2020) chỉ dừng lại ở mô hình xếp hạng định tính, phân tích hồi quy logit đơn lẻ hoặc mô phỏng phương pháp cơ bản (FIRB).
Luận án thiết lập 4 câu hỏi nghiên cứu (Research Questions - RQ) và hệ thống giả thuyết khoa học (Hypotheses - H) tương ứng:
- RQ1: Cơ sở lý luận và khung đo lường rủi ro tín dụng bằng trí tuệ nhân tạo theo chuẩn mực Basel II được thiết lập như thế nào? $\rightarrow$ H1: Các mô hình phi tuyến tính AI có khả năng giải thích cấu trúc rủi ro tín dụng vượt trội hơn các mô hình tham số truyền thống.
- RQ2: Thực trạng tổ chức quản lý rủi ro tín dụng tại Agribank bộc lộ những hạn chế và điều kiện tiền đề nào cho việc ứng dụng AI? $\rightarrow$ H2: Cơ cấu tổ chức phân tán và hạ tầng dữ liệu lịch sử tại Agribank tạo ra rào cản chuyển đổi sang mô hình 3 tuyến phòng thủ tập trung.
- RQ3: Các mô hình AI (Mạng nơ-ron nhân tạo - Multi-layer Perceptron - MLP, Cây quyết định - Decision Tree - DT) có hiệu năng phân loại và ước lượng bộ tham số rủi ro tín dụng (PD, LGD, EAD) tối ưu hơn mô hình Hồi quy Logistic (LR) không? $\rightarrow$ H3: Mô hình MLP tối ưu hóa chi phí sai lệch phân loại nợ xấu với độ chính xác cao hơn rõ rệt so với LR và DT.
- RQ4: Giải pháp và lộ trình kỹ thuật nào khả thi để chuyển đổi số quy trình quản lý rủi ro tín dụng tại Agribank giai đoạn 2022–2030? $\rightarrow$ H4: Tái cấu trúc mô hình quản lý tập trung kết hợp làm sạch dữ liệu lớn là điều kiện đủ để vận hành hệ thống AIRB hỗ trợ bởi AI.
Khung lý thuyết của công trình kết hợp Lý thuyết Bất đối xứng thông tin (Akerlof, 1970; Stiglitz & Weiss, 1981), Khung giám sát vốn Basel II/Basel III và Lý thuyết Mạng nơ-ron học sâu (Rumelhart et al., 1986). Phạm vi nghiên cứu bao quát dữ liệu khảo sát thực tế 95 cán bộ tín dụng Agribank và 2 bộ dữ liệu vi mô gồm 15.470 khoản vay tiêu dùng/kinh doanh (2009–2014) cùng 1.045 hồ sơ nợ xấu giai đoạn 1–3 năm, mang lại giá trị thực tiễn đột phá cho hệ thống NHTM quy mô lớn nhất Việt Nam.
Literature Review và Positioning
Tổng quan y văn quốc tế ghi nhận sự tiến hóa của các phương pháp lượng hóa rủi ro tín dụng qua ba làn sóng chính:
- Làn sóng phân tích thống kê cổ điển: Mở đầu bằng phương pháp phân tích phân biệt đa biến (Multiple Discriminant Analysis - MDA) tạo điểm số Z-Score của Altman (1968), tiếp nối bởi mô hình hồi quy Logistic (LR) của Wiginton (1980). Các công trình của Dinh & Kleimeier (2007) trên 56.037 quan sát tại Việt Nam hay Arminger et al. (1997) tại Đức đã chứng minh tính hữu dụng của mô hình tham số nhưng bộc lộ giới hạn nghiêm trọng khi dữ liệu vi phạm giả định phân phối chuẩn hoặc có mối quan hệ phi tuyến phức tạp.
- Làn sóng mô hình hóa rủi ro danh mục Basel: Nghiên cứu của Saunders & Allen (2010), Koulafetis (2017), Witzany (2017) tổng hợp các mô hình CreditMetrics (JP Morgan, 1997), KMV (Moody’s, 2002), CreditRisk+ (Credit Suisse, 1997) và CreditPortfolioView (Wilson, 1997) nhằm tính toán tổn thất ngoài dự tính (Unexpected Loss - UL) và Giá trị chịu rủi ro (Value at Risk - VaR). Các quy định AIRB của Basel II tập trung ước lượng 3 đại lượng rủi ro cốt lõi: 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).
- Làn sóng trí tuệ nhân tạo và học máy hiện đại: Bắt đầu từ nghiên cứu so sánh mô hình mạng nơ-ron đa lớp (MLP) với MDA/LR của Desai et al. (1996) tại Mỹ (962 quan sát), West (2000) tại Đức và Úc, Abdou et al. (2008) tại Ai Cập (581 quan sát), Tsai & Wu (2008) với mô hình kết hợp Multiple MLP (MMLP), Brown (2012) trên dữ liệu mất cân bằng (imbalanced data), Zhao et al. (2015) và Tang et al. (2018) với mô hình tỉa nơ-ron (Pruning Neural Network - PNN). Về mặt LGD và EAD, Loterman et al. (2012) khảo sát 24 kỹ thuật trên 6 bộ dữ liệu, Bastos (2010), Bellotti & Crook (2011), Barakova & Parthasarathy (2013), và Luo & Murphy (2020) đã chứng minh vai trò của biến kinh tế vĩ mô cùng thuật toán máy học.
┌─────────────────────────────────────────────────────────┐
│ TIẾN TRÌNH Y VĂN QUẢN TRỊ │
│ RỦI RO TÍN DỤNG │
└────────────────────────────┬────────────────────────────┘
│
┌───────────────────────────────┼───────────────────────────────┐
▼ ▼ ▼
┌─────────────────────┐ ┌─────────────────────┐ ┌─────────────────────┐
│ 1. Thống kê cổ điển │ │ 2. Khung Basel AIRB │ │ 3. Trí tuệ nhân │
│ (Altman 1968; │ │ (Koulafetis 2017; │ │ tạo & ML │
│ Wiginton 1980) │ │ Witzany 2017) │ │ (West 2000; Brown │
│ MDA, Logit tuyến │ │ PD - LGD - EAD │ │ 2012; Zhao 2015) │
│ tính │ │ VaR, UL danh mục │ │ MLP, SVM, DT, RF │
└──────────┬──────────┘ └──────────┬──────────┘ └──────────┬──────────┘
│ │ │
└───────────────────────┬───────┴───────────────────────────────┘
▼
┌─────────────────────────────────────────┐
│ KHOẢNG TRỐNG NGHIÊN CỨU │
│ (POSITIONING CỦA LUẬN ÁN TIẾN SĨ) │
│ Tích hợp mạng nơ-ron MLP & Decision │
│ Tree vào đo lường trọn bộ PD-LGD-EAD │
│ theo chuẩn AIRB tại Agribank VN │
└─────────────────────────────────────────┘
Trong y văn tồn tại hai luồng quan điểm tranh luận trái chiều sâu sắc:
- Quan điểm ủng hộ mô hình thống kê truyền thống (Bellotti & Crook, 2012; Luo & Murphy, 2020): Cho rằng các kỹ thuật OLS, Logistic Regression và Tobit có tính giải thích tường minh (explainability), chi phí tính toán thấp, kiểm soát tốt hiện tượng quá khớp (overfitting) và hoàn toàn đáp ứng yêu cầu thanh tra giám sát ngân hàng mà không cần tới các mô hình "hộp đen" phức tạp.
- Quan điểm ủng hộ mô hình học máy / trí tuệ nhân tạo (Loterman et al., 2012; Zhao et al., 2015; Tang et al., 2018): Khẳng định rằng tương tác phi tuyến và cấu trúc dữ liệu hành vi phức tạp của người vay chỉ có thể được khai phá tối ưu thông qua mạng nơ-ron hoặc mô hình tập hợp (ensemble models). Phân loại sai một khoản nợ xấu gây tổn thất lớn gấp nhiều lần so với phân loại sai nợ tốt (Abdou et al., 2008 xác định tỷ lệ tổn thất lỗi phân loại nợ xấu/nợ tốt lên tới 5:1).
Luận án định vị chính xác vào giao điểm của hai luồng tranh luận trên: Thực nghiệm xây dựng hệ thống đo lường rủi ro tín dụng toàn diện gồm cả 3 cấu phần PD, LGD, EAD theo chuẩn AIRB của Basel II bằng thuật toán AI (MLP và DT), đặt trong sự đối sánh trực tiếp với mô hình truyền thống (LR) trên tập dữ liệu vi mô ngân hàng thương mại nông nghiệp lớn nhất Việt Nam. So với nghiên cứu quốc tế của Desai et al. (1996) tại Mỹ hay Tsai & Wu (2008) tại Đài Loan/Nhật Bản vốn chỉ đo lường điểm số PD nhị phân, nghiên cứu này tiến xa hơn khi chuẩn hóa toàn bộ quy trình định lượng tổn thất dự kiến $EL = PD \times LGD \times EAD$.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mang lại những đóng góp nền tảng cho lý luận học thuật ngân hàng:
- Mở rộng Lý thuyết Bất đối xứng thông tin (Asymmetric Information Theory): Trong thị trường tín dụng nông nghiệp - nông thôn, hiện tượng lựa chọn đối nghịch (adverse selection) và rủi ro đạo đức (moral hazard) theo mô hình Stiglitz & Weiss (1981) diễn ra gay gắt do sự thiếu hụt báo cáo tài chính kiểm toán và tài sản bảo đảm chuẩn hóa. Luận án chứng minh rằng các thuật toán AI phi tham số có khả năng giải mã các mối quan hệ phi tuyến tính ẩn giữa 19 thuộc tính hành vi/nhân khẩu học của khách hàng, giảm thiểu độ lệch thông tin mà hệ thống chấm điểm chuyên gia truyền thống 5C (Character, Capacity, Capital, Collateral, Conditions) không thể bao quát (Strischeck, 2009; Wang et al., 2011).
- Phát triển Khung lượng hóa rủi ro nâng cao Basel II (AIRB Framework): Cung cấp bằng chứng thực nghiệm khẳng định mạng nơ-ron truyền thẳng đa lớp (MLP) tích hợp thuật toán lan truyền ngược (Rumelhart et al., 1986) có khả năng tối ưu hóa việc phân tách biên độ rủi ro giữa nhóm nợ tốt và nợ xấu, tạo lập cơ sở lý thuyết vững chắc cho việc ước lượng tham số tổn thất tín dụng tại các định chế tài chính thuộc khối thị trường mới nổi (Emerging Markets).
┌─────────────────────────────────────────────────────────────┐
│ KHUNG PHÂN TÍCH ĐO LƯỜNG TỔN THẤT │
│ TÍN DỤNG TÍCH HỢP AI │
└──────────────────────────────┬──────────────────────────────┘
│
┌───────────────────────┼───────────────────────┐
▼ ▼ ▼
┌─────────────────────┐ ┌─────────────────────┐ ┌─────────────────────┐
│ Xác suất vỡ nợ │ │ Tỷ lệ tổn thất khi │ │ Dư nợ tại thời │
│ (PD) │ │ vỡ nợ (LGD) │ │ điểm vỡ nợ (EAD) │
│ ─────────────────── │ │ ─────────────────── │ │ ─────────────────── │
│ • MLP Neural Net │ │ • Cây quyết định DT │ │ • Phân loại dòng SP │
│ • Decision Tree │ │ • Tỷ lệ LTV │ │ • Hạn mức & số dư │
│ • Logistic Baseline │ │ • Thu hồi nợ xấu │ │ • Hệ số CCF / LEQ │
└──────────┬──────────┘ └──────────┬──────────┘ └──────────┬──────────┘
│ │ │
└───────────────────────┼───────────────────────┘
▼
┌───────────────────────────────────────────────┐
│ TỔN THẤT TÍN DỤNG DỰ KIẾN (EL) │
│ EL = PD x LGD x EAD │
│ -> Tối ưu hóa vốn đệm rủi ro Basel II │
└───────────────────────────────────────────────┘
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp liên ngành giữa 3 nền tảng lý thuyết: (1) Lý thuyết Quản trị rủi ro ngân hàng theo mô hình ba tuyến phòng thủ (IIA, 2013; Basel, 2015; Tammenga, 2020); (2) Lý thuyết Học máy tính toán (Computational Machine Learning); (3) Khung an toàn vốn Basel II AIRB.
Luận án xây dựng quy trình phân tích gồm 4 bước khép kín:
- Nhận diện rủi ro: Nhận diện rủi ro trước, trong và sau cấp tín dụng, phân tách rõ rủi ro sai lệch thông tin và rủi ro suy giảm năng lực tài chính.
- Đo lường rủi ro: Ứng dụng mô hình MLP và DT để ước lượng đồng bộ 3 tham số $PD$, $LGD$, $EAD$.
- Sử dụng công cụ kiểm soát: Thiết lập hạn mức tín dụng, trích lập dự phòng rủi ro chính xác và quản trị tài sản bảo đảm (LTV).
- Giám sát và báo cáo: Tích hợp mô hình AI vào tuyến phòng thủ thứ hai để tự động hóa cảnh báo sớm nợ có vấn đề.
Điều kiện biên (Boundary Conditions) của khung phân tích được xác định rõ: Khung mô hình áp dụng cho danh mục cho vay cá nhân, hộ sản xuất và doanh nghiệp vừa và nhỏ trong điều kiện hệ thống ngân hàng có dữ liệu lịch sử tối thiểu 5 năm và tỷ lệ nợ xấu danh mục dao động từ 1% đến 30%.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Nghiên cứu được thiết kế theo trường phái thực chứng (Positivism) với lập trường nhận thức luận khách quan (Objectivist Epistemology), kết hợp phương pháp nghiên cứu hỗn hợp (Mixed Methods Research Design) với trọng tâm là định lượng mô hình hóa:
- Nghiên cứu định tính & khảo sát thực địa: Thực hiện khảo sát trực tiếp cấu trúc bảng hỏi đối với 95 cán bộ và lãnh đạo tín dụng thuộc mạng lưới Agribank nhằm đánh giá thực trạng quy trình quản lý rủi ro và các điều kiện hạ tầng kỹ thuật công nghệ.
- Nghiên cứu định lượng thực nghiệm: Sử dụng các thuật toán máy học hiện đại để xử lý dữ liệu lớn, kiểm định hiệu năng mô hình qua ma trận nhầm lẫn (Confusion Matrix), diện tích dưới đường cong ROC (AUC) và chi phí phân loại sai.
┌──────────────────────────────────────────────────────────────────┐
│ THIẾT KẾ PHƯƠNG PHÁP NGHIÊN CỨU HỖN HỢP │
└────────────────────────────────┬─────────────────────────────────┘
│
┌──────────────────────────┴──────────────────────────┐
▼ ▼
┌────────────────────────────────────┐ ┌────────────────────────────────────┐
│ 1. KHẢO SÁT THỰC ĐỊA │ │ 2. THỰC NGHIỆM ĐỊNH LƯỢNG │
│ ────────────────────────────────── │ │ ────────────────────────────────── │
│ • Quy mô mẫu: N = 95 cán bộ │ │ • Bộ dữ liệu 1 (PD): 15.470 khoản │
│ - 05 PGĐ/Lãnh đạo Ban Hội sở │ │ vay (12.118 tốt / 3.352 xấu) │
│ - 28 Lãnh đạo Phòng Tín dụng │ │ • Bộ dữ liệu 2 (LGD): 1.045 hồ sơ │
│ - 62 Chuyên viên tín dụng │ │ nợ xấu chuyển nhóm 1-3 năm │
│ • Mục tiêu: Đánh giá thực trạng tổ │ │ • Thuật toán: MLP Neural Network, │
│ chức & hạ tầng triển khai AI │ │ Decision Tree (CART), Logit (LR) │
└────────────────────────────────────┘ └────────────────────────────────────┘
Quy trình nghiên cứu rigorous
Quy trình thu thập và tiền xử lý dữ liệu được thiết lập chặt chẽ qua các giai đoạn:
- Lấy mẫu và làm sạch:
- Dữ liệu tín dụng được trích xuất từ hệ thống ngân hàng lõi (Core Banking) và cơ sở dữ liệu tín dụng Agribank trong giai đoạn 2009–2014, loại bỏ các bản ghi khuyết thiếu (missing values) và ngoại lai (outliers).
- Mẫu khảo sát định tính $N = 95$ được phân tầng chuẩn xác: 05 phó giám đốc chi nhánh và lãnh đạo ban tín dụng/phòng tín dụng loại 1; 28 lãnh đạo phòng tín dụng chi nhánh loại 2 và lãnh đạo phòng giao dịch; 62 chuyên viên tín dụng phụ trách trực tiếp hồ sơ khách hàng.
- Đặc tả công thức toán học của các mô hình:
- Mô hình Hồi quy Logistic (LR): Xác suất vỡ nợ được tính theo hàm phi tuyến sigmoid:
$$P = \frac{1}{1 + e^{-\hat{Y}}}$$
Trong đó $\hat{Y} = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k$. Ngưỡng phân loại được thiết lập chuẩn hóa tại mốc $P = 0,5$ (nếu $P < 0,5$: khách hàng dự báo vỡ nợ; nếu $P \ge 0,5$: khách hàng trả nợ tốt).
- Mô hình Mạng nơ-ron đa lớp (Multi-layer Perceptron - MLP): Kiến trúc gồm 3 lớp: Lớp đầu vào (Input Layer), Lớp ẩn (Hidden Layer) và Lớp đầu ra (Output Layer). Các trọng số kết nối $W$ được cập nhật tối ưu thông qua Thuật toán Lan truyền ngược (Back-Propagation Algorithm) của Rumelhart et al. (1986). Sai số toàn mạng $E$ được cực tiểu hóa qua hàm mục tiêu:
$$E = \frac{1}{p} \sum_{i=1}^p |f(X_i) - Y_i|$$
Trong đó $f(X_i)$ là giá trị dự báo đầu ra thứ $i$, $Y_i$ là giá trị thực tế của khoản nợ (0 hoặc 1), và $p$ là tổng số lượng quan sát trong tập huấn luyện.
- Mô hình Cây quyết định (Decision Tree - DT): Sử dụng cấu trúc phân nhánh nhị phân gồm Root node, Internal nodes và Leaf nodes dựa trên thuật toán phân tách thuộc tính (như chỉ số Gini / Information Gain) nhằm xác lập bộ luật quyết định if-then tối ưu.
Data và phân tích
Đặc tính 2 bộ dữ liệu vi mô được tác giả phân tích chi tiết:
- Bộ dữ liệu 1 (Ước lượng PD): Bao gồm 15.470 khoản vay tiêu dùng và sản xuất kinh doanh tại Agribank. Trong đó, nhóm nợ tốt có 12.118 khoản (chiếm 78,3%) và nhóm nợ xấu có 3.352 khoản (chiếm 21,7%), bao quát 19 biến số giải thích độc lập (nhân khẩu học, tài chính, tài sản bảo đảm, thời hạn vay, lịch sử tín dụng CIC).
- Bộ dữ liệu 2 (Ước lượng LGD và EAD): Gồm 1.045 hồ sơ khách hàng chuyển nợ xấu từ 1 đến 3 năm với 18 đặc điểm tương đồng bộ dữ liệu 1, được bổ sung 2 biến số then chốt: Tỷ lệ dư nợ trên giá trị tài sản bảo đảm (Loan to Value - LTV) và Tỷ lệ tổn thất thực tế trên tổng dư nợ tại thời điểm phát sinh nợ xấu.
Phát hiện đột phá và implications
Những phát hiện then chốt
Quá trình phân tích thực nghiệm và thống kê khảo sát mang lại 5 phát hiện mang tính bước ngoặt:
| Tiêu chí phân tích |
Mô hình Mạng nơ-ron (MLP) |
Mô hình Cây quyết định (DT) |
Mô hình Logistic (LR) |
Ý nghĩa thực tiễn ngân hàng |
| Độ chính xác phân loại nợ xấu |
Tối ưu vượt trội (>90%) |
Khá cao (80% - 85%) |
Thấp nhất (dưới 80%) |
Giảm thiểu tối đa rủi ro mất vốn gốc |
| Xử lý quan hệ phi tuyến |
Tự động học thuộc tính sâu |
Phân nhánh quy tắc cụ thể |
Kém (chỉ bắt được tương quan tuyến tính) |
Nhận diện khách hàng gian lận tinh vi |
| Tỷ lệ sai số loại I / loại II |
Cực tiểu hóa sai số loại II |
Kiểm soát tốt theo nhánh |
Sai số loại II cao |
Giảm chi phí phân loại sai (tỷ lệ 5:1) |
| Tính ứng dụng theo chuẩn AIRB |
Rất cao cho tính toán PD |
Tốt cho giải thích cây LGD |
Chuẩn baseline truyền thống |
Đáp ứng kiểm định nghiêm ngặt Basel II |
SO SÁNH HIỆU NĂNG MÔ HÌNH ƯỚC LƯỢNG PD
100% ┌─────────────────────────────────────────────────────────────────┐
│ ┌──────────┐ │
90% │ │ MLP │ │
│ ┌──────────┐ │ (Tối ưu) │ │
80% │ ┌──────────┐ │ DT │ │ │ │
│ │ LR │ │ (Quy tắc)│ │ │ │
70% │ │(Baseline)│ │ │ │ │ │
│ └──────────┘ └──────────┘ └──────────┘ │
0% └─────────────────────────────────────────────────────────────────┘
Hiệu năng phân loại nợ xấu
- Hiệu năng vượt trội của Mạng nơ-ron MLP trong dự báo PD: Tương đồng với phát hiện của Desai et al. (1996) tại Mỹ, Abdou et al. (2008) tại Ai Cập và Zhao et al. (2015) tại Đức, mô hình MLP chứng minh khả năng nhận diện chính xác nợ xấu cao hơn hẳn so với hồi quy Logistic. Trong thực tế ngành ngân hàng, chi phí phân loại sai một khoản nợ xấu thành nợ tốt (Sai số loại II) gây tổn thất vốn gấp ít nhất 5 lần so với việc từ chối nhầm một khách hàng tốt (Sai số loại I). Do đó, MLP giúp Agribank tối đa hóa hàm mục tiêu lợi nhuận và hạn chế trích lập dự phòng dư thừa.
- Khả năng chiết xuất quy tắc trực quan của Cây quyết định (DT) trong phân tích LGD: Cây quyết định thể hiện ưu thế vượt trội trong việc phân đoạn mức độ tổn thất khi vỡ nợ (LGD). Tỷ lệ LTV (Loan-to-Value) và loại tài sản bảo đảm (bất động sản, động sản, bảo lãnh) là các nút phân tách (splitting nodes) quan trọng nhất quyết định tốc độ và tỷ lệ thu hồi nợ xấu sau 1–3 năm.
- Đặc thù sản phẩm quyết định mô hình hóa EAD: Đối với các khoản vay nông nghiệp có hạn mức giải ngân cố định 1 lần, Dư nợ tại thời điểm vỡ nợ ($EAD$) thực tế bằng đúng số dư nợ gốc tại thời điểm đánh giá. Đối với hạn mức thấu chi và thẻ tín dụng, các hệ số chuyển đổi tín dụng (Credit Conversion Factor - CCF) chịu ảnh hưởng lớn bởi biến động hạn mức và lịch sử giao dịch trước khi vỡ nợ, hoàn toàn phù hợp với lý thuyết của Valvonis (2008) và Barakova & Parthasarathy (2013).
- Nút thắt thể chế và mô hình tổ chức tại Agribank: Kết quả khảo sát 95 cán bộ tín dụng chỉ ra rằng: Agribank vẫn vận hành cơ cấu quản lý rủi ro phân tán cục bộ tại các chi nhánh loại 1, loại 2, dẫn đến xung đột lợi ích giữa chỉ tiêu tăng trưởng doanh số và kiểm soát chất lượng nợ. Chưa có bộ phận độc lập chuyên trách thu thập và làm sạch dữ liệu lớn (Big Data) phục vụ huấn luyện mô hình AI.
- Tính nhạy cảm cao của danh mục tín dụng nông nghiệp đối với các yếu tố nhân khẩu học: Địa bàn sinh sống, mục đích sử dụng vốn vay, trình độ học vấn, thâm niên quan hệ tín dụng và sự tham gia vào các tổ chức/hội đoàn địa phương có tương quan phi tuyến mạnh mẽ đến xác suất hoàn trả nợ, củng cố kết luận của Tra Pham & Lensink (2008) và Linh et al. (2020).
Implications đa chiều
- Về mặt học thuật và phương pháp luận: Công trình cung cấp quy trình mẫu (blueprint) về việc kết hợp các thuật toán học máy (MLP, DT) với chuẩn mực xếp hạng nội bộ AIRB của Basel II, có thể chuyển giao và áp dụng cho các NHTM khác tại các quốc gia đang phát triển.
- Về mặt quản trị kinh doanh tại Agribank:
- Tái cấu trúc tổ chức: Chuyển đổi triệt để từ mô hình quản trị rủi ro phân tán sang mô hình tập trung hóa theo chuẩn mực 3 tuyến phòng thủ (Three Lines of Defense).
- Tự động hóa phê duyệt tín dụng: Tích hợp mô hình chấm điểm AI tự động cho các khoản vay tiêu dùng và hộ nông dân có giá trị nhỏ dưới 100 triệu VNĐ nhằm cắt giảm 40–50% thời gian thẩm định.
- Về mặt chính sách quản lý nhà nước: Đề xuất Ngân hàng Nhà nước Việt Nam (NHNN) sớm ban hành thông tư hướng dẫn chi tiết về khung quản trị thuật toán AI (AI Governance Framework), tiêu chuẩn kiểm định mô hình (Model Validation) và hành lang pháp lý bảo vệ dữ liệu cá nhân trong kỷ nguyên số.
Limitations và Future Research
Luận án thẳng thắn chỉ rõ 4 giới hạn nghiên cứu:
- Giới hạn chuỗi thời gian dữ liệu: Bộ dữ liệu vi mô 15.470 khoản vay được thu thập trong giai đoạn 2009–2014. Mặc dù bộ dữ liệu này có giá trị lịch sử cao khi bao hàm trọn vẹn một chu kỳ kinh tế và chu kỳ nợ xấu tại Việt Nam, các thuộc tính số hóa mới của người vay trong giai đoạn 2015–2021 chưa được tích hợp đầy đủ.
- Phạm vi đối tượng nghiên cứu: Nghiên cứu tập trung duy nhất vào trường hợp điển hình của Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank), nơi có tỷ trọng dư nợ cho vay tam nông chiếm ưu thế, do đó một số đặc tính mô hình có thể cần hiệu chỉnh khi áp dụng cho các ngân hàng bán lẻ tư nhân đô thị.
- Rào cản về tính giải thích của mô hình (Black-box Nature): Mạng nơ-ron MLP tuy đạt độ chính xác cao nhưng độ phức tạp trong các tầng ẩn gây khó khăn trong việc diễn giải trực quan cơ chế ra quyết định cho từng hồ sơ tín dụng cá biệt trước cơ quan thanh tra.
- Thiếu vắng dữ liệu phi cấu trúc: Luận án chưa kết hợp các nguồn dữ liệu thay thế (Alternative Data) như hành vi mạng xã hội, dữ liệu hóa đơn điện nước hay lịch sử thương mại điện tử vào mô hình AI.
Chương trình nghiên cứu tương lai (Future Research Agenda):
- Hướng 1: Mở rộng thử nghiệm các kiến trúc học sâu tiên tiến như Random Forests (RF), Extreme Gradient Boosting (XGBoost), LightGBM và Deep Neural Networks kết hợp kỹ thuật XAI (Explainable AI - SHAP/LIME) để phá vỡ rào cản "hộp đen".
- Hướng 2: Nghiên cứu tích hợp dữ liệu kinh tế vĩ mô động (GDP, Lãi suất, Chỉ số giá tiêu dùng CPI) theo mô hình Tobit/Stress-testing để dự báo LGD và EAD trong các kịch bản khủng hoảng.
- Hướng 3: Xây dựng mô hình chấm điểm tín dụng liên ngân hàng ứng dụng kỹ thuật Học liên kết (Federated Learning) bảo mật dữ liệu.
Tác động và ảnh hưởng
- Ảnh hưởng học thuật: Đặt nền móng lý luận cho việc kết hợp khoa học máy tính và tài chính ngân hàng tại Việt Nam; mở ra tiềm năng trích dẫn cao trong các nghiên cứu về Basel II/III, FinTech và AI Banking.
- Chuyển đổi ngành ngân hàng: Thúc đẩy cuộc cách mạng số hóa quy trình thẩm định tín dụng tại hệ thống NHTM Việt Nam, đặc biệt là tái cơ cấu mô hình chấm điểm tín dụng bán lẻ tại các ngân hàng quốc doanh (Agribank, BIDV, Vietcombank, VietinBank).
- Tác động kinh tế - xã hội: Giúp hàng triệu hộ nông dân và doanh nghiệp nông nghiệp tiếp cận nguồn vốn tín dụng chính thức nhanh chóng, giảm thiểu sự phụ thuộc vào tín dụng đen, hạ thấp tỷ lệ nợ xấu hệ thống về dưới ngưỡng an toàn 2% theo định hướng của Ngân hàng Nhà nước.
Đối tượng hưởng lợi
- Nghiên cứu sinh & Giới học thuật: Tiếp cận khung phương pháp luận mô hình hóa AI chuẩn mực (MLP Back-propagation formula, Confusion Matrix, AUC-ROC) để ứng dụng vào các nghiên cứu định lượng tài chính.
- Ban điều hành & Khối Quản lý rủi ro NHTM: Nhận được cẩm nang hướng dẫn chuyển đổi từ mô hình tính vốn SA sang AIRB của Basel II, đi kèm giải pháp tối ưu hóa trích lập dự phòng rủi ro.
- Cơ quan hoạch định chính sách (NHNN, Bộ Tài chính): Có cơ sở thực tiễn để xây dựng quy chuẩn kỹ thuật cho việc cấp phép và giám sát các mô hình AI/ML trong hệ thống tổ chức tín dụng quốc gia.
- Khách hàng vay vốn (Hộ nông dân & Doanh nghiệp vừa và nhỏ): Thụ hưởng quy trình cấp tín dụng minh bạch, nhanh chóng và công bằng hơn dựa trên điểm số thuật toán khách quan.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
Luận án đã mở rộng Lý thuyết Bất đối xứng thông tin của Stiglitz & Weiss (1981) và Khung Basel II AIRB bằng cách chứng minh bằng thực nghiệm rằng: Các mô hình phi tham số học sâu (MLP) có khả năng giải mã tương tác phi tuyến tính phức tạp giữa các biến số hành vi của người vay nông nghiệp, giúp cực tiểu hóa sai số phân loại loại II (phân loại nhầm nợ xấu thành nợ tốt) với hiệu quả cao hơn hẳn mô hình Hồi quy Logistic truyền thống.
2. Sự đổi mới về phương pháp luận so với các nghiên cứu trước đây?
So với các nghiên cứu của Desai et al. (1996) tại Mỹ hay Tsai & Wu (2008) tại Nhật Bản chỉ giới hạn ở việc chấm điểm xác suất vỡ nợ (PD) trên tập mẫu nhỏ, luận án đã xây dựng đồng bộ bộ ba tham số $PD$, $LGD$ và $EAD$ theo chuẩn AIRB trên 2 tập dữ liệu lớn với 15.470 khoản vay và 1.045 hồ sơ nợ xấu thực tế tại Agribank, đồng thời kết hợp phương pháp khảo sát thực địa 95 chuyên gia để thẩm định tính khả thi của mô hình.
3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Phát hiện bất ngờ nhất là đối với các sản phẩm cho vay nông nghiệp truyền thống của Agribank, tỷ lệ tổn thất khi vỡ nợ ($LGD$) phụ thuộc chủ yếu vào giá trị thanh lý thực tế của tài sản thế chấp (thông qua chỉ số LTV) hơn là các biến số tài chính của khách hàng; trong khi đó, dư nợ tại thời điểm vỡ nợ ($EAD$) đối với các khoản vay từng lần hoàn toàn mang tính tất định (bằng 100% dư nợ gốc sổ sách), cho thấy không nhất thiết phải áp dụng các mô hình máy học quá phức tạp cho các phân khúc sản phẩm tín dụng tĩnh.
4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?
Có. Luận án công bố chi tiết: (1) Cấu trúc 19 biến số giải thích; (2) Công thức hàm lan truyền ngược và hàm mất mát $E = \frac{1}{p} \sum |f(X_i) - Y_i|$; (3) Quy chuẩn phân chia mẫu và tiêu chí thiết lập ngưỡng phân loại $P=0,5$; (4) Bộ câu hỏi khảo sát thực trạng 95 cán bộ tín dụng, cho phép các nhà nghiên cứu độc lập tái lập và kiểm chứng thực nghiệm trên các tập dữ liệu ngân hàng khác.
5. Lộ trình nghiên cứu 10 năm (2022–2032) được phác thảo ra sao?
Lộ trình 10 năm gồm 3 giai đoạn: (1) 2022–2024: Chuẩn hóa kho dữ liệu lớn tập trung và ứng dụng mô hình AI chấm điểm PD cho mảng tín dụng tiêu dùng tại Agribank; (2) 2025–2027: Triển khai toàn diện bộ mô hình PD-LGD-EAD tích hợp AI cho toàn bộ danh mục doanh nghiệp và phê duyệt theo chuẩn Basel II AIRB; (3) 2028–2032: Phát triển hệ thống AI tự động hóa hoàn toàn kết hợp Học liên kết (Federated Learning) và AI giải thích được (XAI) đáp ứng chuẩn mực Basel III và Basel IV.
Kết luận
Công trình nghiên cứu tiến sĩ của tác giả Nguyễn Tiến Hưng đã đạt được 5 đóng góp học thuật và thực tiễn mang tính then chốt:
- Hệ thống hóa toàn diện cơ sở lý luận về quản trị rủi ro tín dụng bằng trí tuệ nhân tạo theo phương pháp tiếp cận nâng cao (AIRB) của Basel II.
- Chứng minh thực nghiệm vượt trội của mô hình Mạng nơ-ron đa lớp (MLP) trong việc phân loại nợ xấu và giảm thiểu chi phí sai sót so với mô hình Hồi quy Logistic trên bộ dữ liệu 15.470 khoản vay tại Agribank.
- Mô hình hóa thành công tham số LGD và EAD dựa trên cây quyết định và chỉ số LTV trên tập mẫu 1.045 hồ sơ nợ xấu thực tế.
- Đánh giá thực chứng sâu sắc thực trạng quản trị rủi ro tín dụng tại Agribank qua khảo sát 95 cán bộ quản lý và chuyên viên, chỉ rõ các hạn chế của mô hình phân tán.
- Đề xuất hệ thống giải pháp đồng bộ về tổ chức bộ máy 3 tuyến phòng thủ, hoàn thiện quy trình dữ liệu lớn và kiến nghị chính sách với Ngân hàng Nhà nước Việt Nam.
Luận án khẳng định bước tiến nhận thức luận quan trọng: Việc chuyển đổi từ phương pháp thống kê tham số cổ điển sang các mô hình trí tuệ nhân tạo tự thích ứng là xu thế tất yếu để nâng cao năng lực an toàn vốn, định hình tương lai phát triển bền vững cho hệ thống ngân hàng thương mại Việt Nam trên trường quốc tế.
