CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG 1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng Nghiên cứu về lý thuyết, Bullivant (2010) đã trình bày bao quát các khía cạnh của quản lý rủi ro tín dụng. Tất cả các vấn đề về mô hình quản lý rủi ro tín dụng được đề cập một cách chi tiết, bao gồm cả hướng dẫn về chính sách tín dụng và quản lý các chức năng tín dụng, điều kiện tín dụng, đánh giá rủi ro, quản lý và mô hình hóa, thu hồi nợ, bảo hiểm tín dụng, tín dụng xuất khẩu, tín dụng tiêu dùng, luật tín dụng thương mại và các dịch vụ tín dụng. Một số hướng dẫn, nghiên cứu của IIA (2020), Oliver Wyman (2016) về mô hình ba lớp bảo vệ hay theo cách gọi cải tiến của Basel (2015) là “bốn lớp bảo vệ” được coi như chuẩn mực trong lĩnh vực quản lý rủi ro nói chung và quản lý rủi ro tín dụng nói riêng.
Mô hình quản lý rủi ro theo “ba lớp phòng vệ” được phát triển lần đầu tiên bởi Institute of Internal Auditors (IIA) vào năm 2013, mô hình này cung cấp cách tiếp cận đơn giản và hiệu quả, để tăng cường sự trao đổi giữa quản lý rủi ro và kiểm soát bằng cách làm rõ vai trò và nhiệm vụ của các bên liên quan. Trong đó nhấn mạnh đến việc phân tách chức năng quản lý rủi ro theo ba lớp độc lập bao gồm bộ phận kinh doanh, quản lý rủi ro và kiểm toán nội bộ. Cũng nghiên cứu mô hình này, Tammenga (2020) tiếp cận trên góc độ đánh giá sự phù hợp của mô hình khi sử dụng các công cụ hiện đại như trí tuệ nhân tạo. Kết quả nghiên cứu cho thấy trí tuệ nhân tạo nếu được áp dụng theo cách có kiểm soát vào lớp bảo vệ thứ hai là phù hợp và an toàn đối với hoạt động quản lý rủi ro.
Nguyễn Văn Tiến (2015) nghiên cứu về mô hình quản trị ngân hàng trong đó xác định điểm căn bản của mô hình quản lý rủi ro tín dụng đó là sự độc lập giữa các khối kinh doanh, khối quản lý rủi ro và khối xử lý nội bộ nhưng vẫn 10 đảm bảo được quy trình quản lý tín dụng tập trung. Cũng trên cơ sở đề xuất mô hình tín dụng tập trung, Ghosh (2012) đã đề xuất về việc cần có bộ phận riêng trong ngân hàng để quản lý rủi ro tín dụng bởi tần suất xảy ra thường xuyên và độ lớn của rủi ro mà ngân hàng phải đối mặt. Cả hai nghiên cứu đều thống nhất việc lựa chọn mô hình tập trung đã phân tách được chức năng kinh doanh với chức năng giám sát và kiểm soát rủi ro. Đây là nền tảng lý thuyết về mô hình quản lý rủi ro mang tính chuẩn mực, phù hợp với xu hướng quản trị ngân hàng hiện đại.
Nghiên cứu của Trần Khánh Dương (2019) về phòng ngừa và hạn chế rủi ro tín dụng tại Ngân hàng Thương mại cổ phần Đầu tư và Phát triển Việt Nam đã đưa ra về mặt lý thuyết hai dạng mô hình phổ biến về cơ cấu tổ chức quản lý rủi ro tín dụng tại ngân hàng thương mại là mô hình quản lý rủi ro tín dụng tập trung và mô hình quản lý rủi ro tín dụng phân tán. Ngoài ra, nghiên cứu này cũng đưa ra các nhân tố ảnh hưởng đến lựa chọn mô hình quản lý rủi ro tín dụng tại ngân hàng thương mại bao gồm: định hướng quản lý rủi ro tín dụng, quy mô ngân hàng, trình độ công nghệ và trình độ nhân lực. Các nghiên cứu về quản lý rủi ro tín dụng tại một ngân hàng cụ thể khác có thể kể đến như, Luận án tiến sĩ của Nguyễn Quang Hiện (2016) về Ngân hàng TMCP Quân đội, luận án tiến sĩ của Lê Thị Hạnh (2017) về Vietcombank và Nguyễn Như Dương (2018) về Vietinbank. Nghiên cứu của Lê Thị Huyền Diệu (2010) trình bày tổng quát về các mô hình quản lý rủi ro tín dụng với nội dung là các luận cứ khoa học trong việc lựa chọn các mô hình thích hợp trong điều kiện của các ngân hàng thương mại tại Việt Nam.
Cùng trên cơ sở đó, nghiên cứu của Nguyễn Bích Ngân (2020) thực hiện mô phỏng mô hình quản lý rùi ro danh mục theo cách tiếp cận cơ bản dựa trên xếp hạng nội bộ (FIRB) của Basel. Nghiên cứu về đánh giá rủi ro tín dụng. Koulafetis (2017) nghiên cứu một cách toàn diện về các mô hình đo lường rủi ro tín dụng trong đó nêu chi tiết về các mô hình đo lường rủi ro danh mục, từ mô hình được Basel khuyến nghị theo cách tiếp cận tiêu chuẩn (SA), cách tiếp cận cơ bản dựa trên xếp hạng tín dụng nội bộ (FIRB) và cách tiếp cận nâng cao dự trên xếp hạng tín dụng nâng cao (AIRB) đến các mô hình do các định chế tài chính lâu đời trên thế giới phát triển như CreditMetrics của JP Morgan (1997), KMV của Moody’s (2002), CreditRisk+ của Credit Suise (1997), CreditPortfolioView của Wilson (1997) và được sử dụng bởi McKinsey. Nghiên cứu cũng chỉ ra những mô hình này tập trung đo lường cùng một đại lượng về mặt lý thuyết, đó là mức tổn thất ngoài dự tính (UL) trong khi đó một số mô hình khác tập trung và hướng thiết lập các cơ chế mô phỏng giá trị danh mục trong tương lai (Saunders & Allen, 2010).
Witzany (2017) đưa ra cơ sở lý thuyết của các mô hình đo lường rủi ro danh mục tín dụng và mô phỏng các bước tính toán của các mô hình, trong đó mô hình CreditMetrics dựa trên mô phỏng Monte Carlo, mô hình CreditRisk+ xây dựng một khung tính toán phân bổ tổn thất của danh mục tín dụng mà không cần thông qua mô phỏng Monte Carlo, mô hình CreditPortfolioView đưa vào các yếu tố vĩ mô như là yếu tố ảnh hưởng khả năng vỡ nợ, mô hình KMV dựa trên giá trị chịu rủi ro (VaR) và xem khoản vay như một hợp đồng quyền chọn. Nhiều nghiên cứu tập trung vào phân tích mô hình đo lường rủi ro tín dụng theo cách tiếp cận của Basel có thể kể đến như Acharya và cộng sự (2006), Carey & Gordy (2007), Hibbeln (2010), Engelmann & Rauhmeier (2006), Witzany (2017), Jacob (2010). Các nghiên cứu này mô tả chi tiết cơ sở lý thuyết và mô phỏng áp dụng khuyến nghị trong Basel II đối với rủi ro tín dụng. Các 12 mô hình quan trọng nhất trong cách tiếp cận của Basel để đánh giá rủi ro tín dụng, bao gồm xác suất khách hàng không trả được nợ (PD), tỷ lệ tổn thất trong trường hợp khách hàng vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD).
Trong luận án này, tác giả kế thừa các luận cứ lý thuyết về mô hình quản lý rủi ro tín dụng dựa trên cách tiếp cận xếp hạng tín dụng nội bộ nâng cao (AIRB) của Basel II để xây dựng hệ thống xếp hạng tín dụng nội bộ cho Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam. Nghiên cứu về đo lường xác suất vỡ nợ Altman (1968) là một trong những người đầu tiên đặt nền móng cho việc phân loại khách hàng vay theo rủi ro tín dụng bằng mô hình định lượng. Nghiên cứu của Altman đưa ra điểm số Z (Z score) phân loại khả năng vỡ nợ của các khách hàng vay dựa trên phương pháp phân tích phân biệt (Multiple Discriminant Analysis – MDA). Tương tự như vậy, Wiginton (1980) góp phần đưa mô hình Logit (LR) trở nên phổ biến trong các nghiên cứu và ứng dụng về xếp hạng tín dụng.
Cả hai nghiên cứu đều đánh giá hiệu quả mô hình dựa trên ma trận phân loại trong đó so sánh tỷ lệ phân loại đúng và sai nợ xấu nợ tốt. Arminger và cộng sự (1997) sử dụng 3 phương pháp là phân tích phân biệt logistic (logistic discriminant analysis), phân tích CART trên bộ mẫu dữ liệu 8.163 quan sát trong 2 năm 1991 – 1992 ở một ngân hàng Đức. Kết quả cho thấy người trưởng thành, người có thâm niên công tác, người có ôtô, nữ giới và những người có gia đình có khả năng trả nợ tốt hơn. Vasanthi & Raja (2006) ước tính khả năng vỡ nợ liên quan đến thu nhập và các yếu tố khác với dữ liệu của Úc cho một mẫu gồm 3.431 hộ gia đình.
Nghiên cứu cũng chỉ ra rằng độ tuổi của khách hàng, thu nhập và các yếu tố nhân khẩu học là những yếu tố quan trọng ảnh hưởng đến khả năng vỡ nợ. 13 Autio và cộng sự (2009) nghiên cứu việc sử dụng các khoản vay nóng ở Phần Lan. Khảo sát trực tuyến được tiến hành cho các đối tượng từ 18 đến 29 tuổi với các câu hỏi về tuổi tác, giới tính, tình hình tài chính, thu nhập, việc làm và tình trạng lao động cũng như cấu trúc gia đình. Các yếu tố ảnh hưởng đến số lượng các khoản vay là tình trạng nghề nghiệp, thu nhập và cơ cấu hộ gia đình.
Giới tính dường như không có ảnh hưởng. Kocenda & Vojtek (2011) nghiên cứu một mẫu gồm 3.403 quan sát với 21 biến giải thích. Với 2 phương pháp hồi quy logistic và phân tích CART, kết quả cho thấy các đặc tính về tài sản, trình độ học vấn, tình trạng hôn nhân, mục đích của khoản vay và thời gian có tài khoản ngân hàng có tác động rõ ràng đến khả năng vỡ nợ trong danh mục vay tiêu dùng. Nwachukwu (2013) nghiên cứu về các khoản vay trong lĩnh vực nông nghiệp tại Nigeria với đặc điểm khả năng vỡ nợ của khách hàng tại đây là rất cao, trên 50% các khoản vay.
Dữ liệu thu thập bao gồm 36 đặc điểm về người vay chia theo 06 nhóm thông tin về: cá nhân và hộ gia đình, việc kinh doanh, khoản vay và tổ chức cho vay, tham gia các nhóm tiết kiệm và hợp tác xã, tài sản, thu nhập và chi tiêu, cơ sở hạ tầng. Kết quả nghiên cứu chỉ ra rằng 04 yếu tố bao gồm độ tuổi, tần suất kiểm tra của người cho vay, tiền gửi tiết kiệm trong các nhóm tương hỗ và tổng tiền tiết kiệm theo năm là những yếu tố ảnh hưởng đáng kể đến khả năng trả nợ của khách hàng. Nghiên cứu của Dinh & Kleimeier (2007) là một trong ít những nghiên cứu ở Việt Nam sử dụng mô hình định lượng (mô hình logistic) trong nghiên cứu xếp hạng tín dụng cá nhân. Mục đích của nghiên cứu là tìm ra mô hình chấm điểm tín dụng và chính sách sử dụng phù hợp đối với mảng tín dụng cá nhân tại Việt Nam.
Bộ dữ liệu sử dụng xây dựng mô hình gồm 56.037 quan sát với 22 đặc điểm khách hàng. Kết quả cho thấy 16 yếu tố ảnh hưởng đáng 14 kể.