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

Trong bối cảnh phát triển mạnh mẽ của công nghệ, ứng dụng AI trong ngân hàng đã trở thành một xu hướng tất yếu. 214 trang · Học viện Ngân hàng · 2022.

• Tác giả: Nguyễn Tiến Hưng
• Người hướng dẫn: TS. Bùi Tín Nghị
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Tài chính – Ngân hàng
• 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
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG
• 1.1. Các nghiên cứu về mô hình quản lý rủi ro tín dụng
• 1.2. Nghiên cứu về đánh giá rủi ro tín dụng
• 1.3. Nghiên cứu về đo lường xác suất vỡ nợ
• 1.4. Nghiên cứu về tổn thất khi vỡ nợ
• 1.5. Nghiên cứu về mức độ rủi ro khi vỡ nợ
• 1.6. Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 1.7. Khoảng trống nghiên cứu
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƯƠNG MẠI
• 2.1. Cơ sở lý luận về quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2. Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.3. Nội dung quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.4. Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.5. Khái quát về trí tuệ nhân tạo
• 2.6. Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.7. Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.8. Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.9. Các tiêu chí đánh giá kết quả ứng dụng mô hình trí tuệ nhân tạo trong đo lường rủi ro tín dụng
• 2.10. Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 2.11. Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 2.11.1. Kinh nghiệm từ Anh
• 2.11.2. Kinh nghiệm từ Mỹ
• 2.11.3. Kinh nghiệm từ Ấn Độ
• 2.11.4. Kinh nghiệm từ Hội đồng ổn định tài chính (FSB)
• 2.11.5. Kinh nghiệm từ Ngân hàng thế giới (WB)
• 2.12. Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam
• 2.13. Kết luận chương 2
• 3. CHƯƠNG 3: THỰC TRẠNG QUẢN LÝ RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM
• 3.1. Khái quát về Agribank
• 3.2. Lịch sử hình thành và phát triển
• 3.3. Tình hình hoạt động kinh doanh
• 3.4. Thực trạng quản lý rủi ro tín dụng tại Agribank
• 3.5. Mô hình quản lý rủi ro tín dụng
• 3.6. Tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank
• 3.7. Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank
• 3.8. Các kết quả đạt được
• 3.9. Các hạn chế và nguyên nhân
• 3.10. Kết luận chương 3
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH TRÍ TUỆ NHÂN TẠO ĐO LƯỜNG RỦI RO TÍN DỤNG TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM
• 4.1. Đề xuất mô hình
• 4.2. Xây dựng mô hình tính xác suất vỡ nợ (PD)
• 4.3. Mô tả dữ liệu thu thập
• 4.4. Kết quả các mô hình tính xác suất vỡ nợ (PD)
• 4.5. Xây dựng mô hình LGD
• 4.6. Mô tả dữ liệu
• 4.7. Kết quả mô hình LGD
• 4.8. Xây dựng mô hình EAD
• 4.9. Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 4.10. Kết luận chương 4
• 5. CHƯƠNG 5: GIẢI PHÁP 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
• 5.1. Định hướng phát triển hoạt động quản lý rủi ro tín dụng trong hệ thống ngân hàng thương mại Việt Nam
• 5.2. Định hướng phát triển hoạt động quản lý rủi ro tín dụng tại Agribank
• 5.3. Giải pháp ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank
• 5.4. Về cơ cấu tổ chức quản lý rủi ro tín dụng
• 5.5. Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 5.6. Về nhóm các giải pháp hỗ trợ cần thiết
• 5.7. Kiến nghị với Ngân hàng nhà nước Việt Nam
• 5.8. Kết luận chương 5
• PHẦN KẾT LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng AI trong quản lý rủi ro tín dụng tại Agribank

Trong bối cảnh phát triển mạnh mẽ của công nghệ, ứng dụng AI trong ngân hàng đã trở thành một xu hướng tất yếu. Agribank, với vai trò là ngân hàng lớn nhất tại Việt Nam, đang nỗ lực áp dụng trí tuệ nhân tạo (AI) để cải thiện quy trình quản lý rủi ro tín dụng. Việc áp dụng AI không chỉ giúp nâng cao hiệu quả trong việc đánh giá rủi ro mà còn tối ưu hóa quy trình cho vay, từ đó giảm thiểu tổn thất cho ngân hàng.

1.1. Khái niệm về quản lý rủi ro tín dụng và AI

Quản lý rủi ro tín dụng là quá trình nhận diện, đánh giá và kiểm soát các rủi ro liên quan đến khả năng khách hàng không trả nợ. AI trong ngân hàng giúp tự động hóa quy trình này thông qua việc phân tích dữ liệu lớn và đưa ra dự đoán chính xác hơn về khả năng vỡ nợ của khách hàng.

1.2. Lợi ích của việc ứng dụng AI trong quản lý rủi ro tín dụng

Việc ứng dụng AI mang lại nhiều lợi ích cho Agribank, bao gồm tăng cường khả năng phân tích dữ liệu, giảm thiểu thời gian xử lý hồ sơ vay, và nâng cao độ chính xác trong việc dự đoán rủi ro. Điều này không chỉ giúp ngân hàng bảo vệ tài sản mà còn cải thiện trải nghiệm của khách hàng.

II. Thách thức trong quản lý rủi ro tín dụng tại Agribank

Mặc dù có nhiều lợi ích, nhưng việc quản lý rủi ro tín dụng tại Agribank vẫn gặp phải nhiều thách thức. Các vấn đề như thiếu hụt dữ liệu chất lượng, sự phức tạp trong việc tích hợp công nghệ mới vào quy trình hiện tại, và sự thay đổi trong hành vi khách hàng đều là những yếu tố cần được xem xét.

2.1. Thiếu hụt dữ liệu và chất lượng dữ liệu

Một trong những thách thức lớn nhất là việc thu thập và xử lý dữ liệu chất lượng cao. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến những quyết định sai lầm trong việc đánh giá rủi ro tín dụng.

2.2. Khó khăn trong việc tích hợp AI vào quy trình hiện tại

Việc tích hợp AI vào quy trình quản lý rủi ro tín dụng hiện tại đòi hỏi sự thay đổi lớn trong cơ cấu tổ chức và quy trình làm việc. Điều này có thể gây ra sự kháng cự từ phía nhân viên và cần có thời gian để thích nghi.

III. Phương pháp ứng dụng AI trong quản lý rủi ro tín dụng

Để giải quyết các thách thức trên, Agribank đã áp dụng nhiều phương pháp khác nhau trong việc ứng dụng AI trong ngân hàng. Các phương pháp này bao gồm việc sử dụng các mô hình học máy để phân tích hành vi khách hàng và dự đoán khả năng vỡ nợ.

3.1. Mô hình học máy trong phân tích rủi ro tín dụng

Các mô hình học máy như hồi quy logistic, cây quyết định và mạng nơ ron đã được áp dụng để phân tích dữ liệu tín dụng. Những mô hình này giúp cải thiện độ chính xác trong việc dự đoán khả năng vỡ nợ của khách hàng.

3.2. Tối ưu hóa quy trình cho vay bằng AI

AI không chỉ giúp trong việc phân tích rủi ro mà còn tối ưu hóa quy trình cho vay. Việc tự động hóa quy trình này giúp giảm thiểu thời gian xử lý và nâng cao trải nghiệm của khách hàng.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu tại Agribank

Nghiên cứu cho thấy việc ứng dụng AI trong quản lý rủi ro tín dụng tại Agribank đã mang lại nhiều kết quả tích cực. Các mô hình AI đã giúp ngân hàng cải thiện khả năng dự đoán rủi ro và giảm thiểu tổn thất từ các khoản vay xấu.

4.1. Kết quả đạt được từ việc ứng dụng AI

Sau khi triển khai các mô hình AI, Agribank đã ghi nhận sự giảm đáng kể trong tỷ lệ nợ xấu. Điều này cho thấy hiệu quả của việc ứng dụng công nghệ trong quản lý rủi ro tín dụng.

4.2. Các bài học kinh nghiệm từ ứng dụng AI

Các bài học từ việc ứng dụng AI tại Agribank cho thấy tầm quan trọng của việc đầu tư vào công nghệ và đào tạo nhân viên. Sự phối hợp giữa công nghệ và con người là yếu tố quyết định cho thành công.

V. Kết luận và tương lai của ứng dụng AI trong quản lý rủi ro tín dụng

Tương lai của ứng dụng AI trong ngân hàng hứa hẹn sẽ mang lại nhiều cơ hội mới cho Agribank. Việc tiếp tục đầu tư vào công nghệ và cải tiến quy trình sẽ giúp ngân hàng nâng cao hiệu quả quản lý rủi ro tín dụng.

5.1. Định hướng phát triển ứng dụng AI trong tương lai

Agribank cần tiếp tục nghiên cứu và phát triển các mô hình AI mới để đáp ứng nhu cầu ngày càng cao của thị trường. Việc này không chỉ giúp ngân hàng duy trì vị thế cạnh tranh mà còn nâng cao chất lượng dịch vụ.

5.2. Tầm quan trọng của việc đào tạo nhân viên

Đào tạo nhân viên về công nghệ AI là rất quan trọng. Nhân viên cần được trang bị kiến thức và kỹ năng để có thể sử dụng hiệu quả các công cụ AI trong quản lý rủi ro tín dụng.

Nội dung chính

Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Hoạt động tín dụng là mảng kinh doanh truyền thống và đem lại nguồn thu lợi nhuận chủ yếu cho các ngân hàng thương mại tại Việt Nam, song cũng là hoạt động tiềm ẩn rủi ro cao nhất. Trong bối cảnh các sản phẩm tín dụng ngày càng phát triển đa dạng, các ngân hàng thương mại bộc lộ nhiều hạn chế trong công tác quản lý rủi ro tín dụng, đặc biệt là việc ứng dụng các công cụ hiện đại để kiểm soát rủi ro. Nhằm nâng cao an toàn hệ thống, Thống đốc Ngân hàng Nhà nước Việt Nam đã ban hành Chỉ thị 01/2021/CT-NHNN nhấn mạnh yêu cầu tăng trưởng tín dụng hợp lý đi đôi với nâng cao chất lượng tín dụng, tập trung vào lĩnh vực sản xuất và ưu tiên, kiểm soát chặt chẽ các lĩnh vực tiềm ẩn rủi ro (bất động sản, chứng khoán, dự án BOT, BT giao thông), đồng thời thực hiện phương án tái cơ cấu gắn với xử lý nợ xấu giai đoạn 2021–2025.

Song song đó, 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 đã giao nhiệm vụ cụ thể cho ngành ngân hàng triển khai trí tuệ nhân tạo trong việc phân tích, dự đoán nhu cầu vay vốn, hỗ trợ cấp tín dụng, phát hiện gian lận và tự động hóa dịch vụ.

Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam (Agribank) là ngân hàng thương mại có quy mô tổng tài sản và số lượng khách hàng lớn nhất hệ thống, giữ vai trò chủ lực trong đầu tư phát triển nông nghiệp, nông dân, nông thôn. Tuy nhiên, giai đoạn trước đó Agribank đã phát sinh nhiều vụ việc tiêu cực liên quan đến tín dụng, để lại hậu quả kéo dài đối với hoạt động kinh doanh và uy tín. Yêu cầu cải tiến hệ thống quản lý rủi ro tín dụng tại Agribank bằng các công cụ định lượng hiện đại trở nên cấp thiết.

Khoảng trống nghiên cứu được luận án chỉ ra gồm ba điểm:

1. Các nghiên cứu trong nước về quản lý rủi ro tín dụng chủ yếu dừng lại ở mô hình tổ chức, quy trình và phương pháp đo lường truyền thống; thiếu khung lý thuyết toàn diện về ứng dụng trí tuệ nhân tạo trong quy trình quản lý rủi ro.
2. Thiếu vắng các công trình trong và ngoài nước nghiên cứu tổng thể việc ứng dụng trí tuệ nhân tạo trong đo lường đầy đủ các cấu phần rủi ro tín dụng theo phương pháp tiếp cận nâng cao dựa trên xếp hạng nội bộ (AIRB) của Hiệp ước Basel.
3. Chưa có công trình thực nghiệm nào trong nước xây dựng và kiểm định hệ thống mô hình trí tuệ nhân tạo đo lường rủi ro tín dụng trên dữ liệu thực tế tại Agribank.

Mục tiêu nghiên cứu

• Mục tiêu tổng quát: Nghiên cứu tổng thể về lý luận và thực tiễn việc ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng, từ đó xây dựng mô hình định lượng và đề xuất hệ thống giải pháp, kiến nghị ứng dụng trí tuệ nhân tạo tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam.
• Mục tiêu cụ thể:
  1. Mục tiêu 1: Hệ thống hóa cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại.
  2. Mục tiêu 2: Đánh giá thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam nhằm xác định các điều kiện và cơ sở thực tế cho việc ứng dụng công nghệ mới.
  3. Mục tiêu 3: Ứng dụng trí tuệ nhân tạo xây dựng các mô hình đo lường rủi ro tín dụng (xác suất vỡ nợ - PD, tỷ lệ tổn thất khi vỡ nợ - LGD, dư nợ tại thời điểm vỡ nợ - EAD) theo phương pháp tiếp cận nội bộ nâng cao (AIRB) của Basel II trên dữ liệu của Agribank.
  4. Mục tiêu 4: Đề xuất hệ thống giải pháp và kiến nghị nhằm triển khai ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Việc ứng dụng trí tuệ nhân tạo trong hoạt động quản lý rủi ro tín dụng tại ngân hàng thương mại.
• Phạm vi không gian: Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam, tập trung vào mô hình hóa trí tuệ nhân tạo trong khâu đo lường rủi ro tín dụng đối với khách hàng cá nhân và doanh nghiệp.
• Phạm vi thời gian: Nghiên cứu thực trạng hoạt động quản lý rủi ro tín dụng giai đoạn 2009–2021. Dữ liệu thực nghiệm dùng để huấn luyện và kiểm định mô hình trí tuệ nhân tạo được thu thập trong giai đoạn 2009–2014.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Luận án đã tổng quan hệ thống tài liệu nghiên cứu trong và ngoài nước theo 4 nhóm trọng tâm:

1. Nghiên cứu về khung và mô hình tổ chức quản lý rủi ro tín dụng:

   • Bullivant (2010) hệ thống hóa toàn diện các khía cạnh quản lý rủi ro tín dụng từ chính sách, quy trình thẩm định, điều kiện tín dụng đến thu hồi nợ.
   • Viện Kiểm toán Nội bộ Hoa Kỳ - IIA (2013, 2020), Oliver Wyman (2016) và Ủy ban Basel (2015) thiết lập và chuẩn hóa mô hình "Ba tuyến phòng vệ" (Three Lines of Defence). Tammenga (2020) nghiên cứu khả năng tích hợp trí tuệ nhân tạo vào tuyến phòng vệ thứ hai nhằm tăng cường khả năng kiểm soát rủi ro độc lập.
   • Nguyễn Văn Tiến (2015), Ghosh (2012) và Trần Khánh Dương (2019) phân tích hai mô hình tổ chức: mô hình quản lý rủi ro tín dụng tập trung và phân tán, chứng minh tính tất yếu của mô hình tập trung trong việc phân tách chức năng kinh doanh, quản lý rủi ro và tác nghiệp nội bộ. Các luận án của Nguyễn Quang Hiện (2016), Lê Thị Hạnh (2017), Nguyễn Như Dương (2018) nghiên cứu thực trạng quản lý rủi ro tín dụng tại MB, Vietcombank, Vietinbank; Lê Thị Huyền Diệu (2010) và Nguyễn Bích Ngân (2020) nghiên cứu mô phỏng quản lý rủi ro danh mục theo phương pháp FIRB của Basel.

2. Nghiên cứu về phương pháp và mô hình đo lường rủi ro tín dụng theo chuẩn Basel:

   • Koulafetis (2017), Witzany (2017), Saunders và Allen (2010) phân tích các phương pháp đo lường tổn thất danh mục gồm Standard Approach (SA), Foundation IRB (FIRB), Advanced IRB (AIRB) và các mô hình tổ chức tài chính phát triển: CreditMetrics (JP Morgan, 1997), KMV (Moody's, 2002), CreditRisk+ (Credit Suisse, 1997), CreditPortfolioView (Wilson / McKinsey, 1997).
   • Các nghiên cứu của Acharya và cộng sự (2006), Carey và Gordy (2007), Engelmann và Rauhmeier (2006), Hibbeln (2010), Jacob (2010) làm rõ cơ sở tính toán ba tham số cốt lõi: Xác suất vỡ nợ (Probability of Default - PD), Tỷ lệ tổn thất khi vỡ nợ (Loss Given Default - LGD), Dư nợ tại thời điểm vỡ nợ (Exposure at Default - EAD).

3. Nghiên cứu về các kỹ thuật đo lường PD, LGD và EAD:

   • Về đo lường PD: Altman (1968) xây dựng mô hình Z-score dựa trên phân tích phân biệt (MDA); Wiginton (1980) ứng dụng mô hình hồi quy Logit (LR). Arminger và cộng sự (1997), Vasanthi và Raja (2006), Kocenda và Vojtek (2011), Nwachukwu (2013) nghiên cứu tác động của các biến nhân khẩu học và tài chính đến xác suất trả nợ. Tại Việt Nam, Dinh và Kleimeier (2007) sử dụng mô hình Logit trên 56.037 quan sát; Tra Pham và Lensink (2008), Linh và cộng sự (2020), Thu và cộng sự (2020) khảo sát các nhân tố ảnh hưởng đến tiếp cận tín dụng và vỡ nợ ở khu vực hộ gia đình và nông thôn.
   • Về đo lường LGD: Loterman và cộng sự (2012) so sánh 24 kỹ thuật trên 6 bộ dữ liệu, chỉ ra nhóm mô hình trí tuệ nhân tạo (SVM, Mạng nơ-ron) vượt trội hơn phương pháp truyền thống (OLS, Logit). Bastos (2010) đánh giá cây hồi quy (Regression Tree) cho kết quả tốt trên dữ liệu Bồ Đào Nha; trong khi Bellotti và Crook (2012) nhận thấy OLS dự báo tốt trên dữ liệu tại Anh. Các nghiên cứu của Altman và cộng sự (2005), Caselli và cộng sự (2008), Khieu và cộng sự (2012), Dermine và Carvalho (2006), Rosh và Sheule (2012) phân tích vai trò của biến kinh tế vĩ mô (GDP, thất nghiệp, lãi suất) đối với LGD.
   • Về đo lường EAD: Valvonis (2008), Barakova và Parthasarathy (2013), Leow và Crook (2015), Tong và cộng sự (2016), Luo và Murphy (2020) chỉ ra mức độ biến động dư nợ trước vỡ nợ, hạn mức tín dụng và loại tài sản bảo đảm là các nhân tố trọng yếu tác động tới EAD.

Nghiên cứu	Dữ liệu	Quốc gia	Giai đoạn	Biến kinh tế vĩ mô	Mô hình sử dụng	Ảnh hưởng của biến vĩ mô
Altman và CS (2005)	1.000 quan sát	Mỹ	1982–2001	GDP	Hồi quy đa biến	Không ảnh hưởng
Bastos (2010)	374 quan sát	Bồ Đào Nha	1995–2000	—	Logit (LR), Cây quyết định (DT)	—
Bellotti & Crook (2011)	55.000 quan sát	Anh	1999–2005	Lãi suất, tỷ lệ thất nghiệp, chỉ số thu nhập	Hồi quy tuyến tính, Logit, Tobit, DT	Tất cả biến vĩ mô đều ảnh hưởng
Caselli và CS (2008)	11.649 quan sát	Ý	1990–2004	GDP, việc làm, tiêu dùng hộ gia đình, đầu tư	Hồi quy đa biến	GDP và tình trạng việc làm ảnh hưởng
Dermine & Carvalho (2006)	374 quan sát	Bồ Đào Nha	1995–2000	GDP, tần suất vỡ nợ ngành	Logit (LR)	Không ảnh hưởng
Khieu và CS (2012)	1.364 quan sát	Mỹ	1987–2007	GDP	OLS, Logit	GDP ảnh hưởng
Rosh & Sheule (2012)	1.653 quan sát	Mỹ	1982–2009	GDP	Tobit	GDP ảnh hưởng

4. Nghiên cứu về mô hình trí tuệ nhân tạo trong xếp hạng và phân loại rủi ro tín dụng:
   • Latimore (2018), Abdou và Pointon (2011), Chen và cộng sự (2016) phân loại các ứng dụng AI trong ngân hàng (Machine Learning, Deep Learning).
   • Desai và cộng sự (1996), West (2000), Abdou và cộng sự (2008), Tsai và Wu (2008), Brown (2012), Zhao và cộng sự (2015), Tang và cộng sự (2018) so sánh thực nghiệm Mạng nơ-ron đa lớp (MLP), Mạng nơ-ron xác suất (PNN), Cây quyết định (DT), Rừng ngẫu nhiên (RF), Máy véc-tơ hỗ trợ (SVM) với Hồi quy Logistic (LR) và Phân tích phân biệt (MDA).

Nghiên cứu	Dữ liệu thực nghiệm	Mô hình kiểm định	Mô hình có hiệu quả phân loại tốt nhất
West (2000)	Đức (1.000 quan sát, 30% nợ xấu) Úc (690 quan sát, 56% nợ xấu)	MDA, LR, KNN, NN (MLP, MOE, RBF, LVQ, FAR)	Đức: MOE (chính xác 78,6%) Úc: RBF (88,78%), MLP (87,68%)
Desai và CS (1996)	Mỹ (3 tập dữ liệu: 962, 918, 853 quan sát)	NN (MLP, MNN), MDA, LR	Tổng thể: LR (81,7%) Phân loại nợ xấu: MLP (42,15%)
Abdou (2008)	Ai Cập (581 quan sát, 25,5% nợ xấu)	NN (MLP, PNN), Logit	MLP 5 node (chính xác nợ xấu 94,84%)
Brown và CS (2012)	5 bộ dữ liệu mất cân bằng (tỷ lệ nợ xấu 1% đến 30%)	MDA, LR, DT, KNN, SVM, NN, RF, GB	Dữ liệu 30% nợ xấu: SVM Dữ liệu 1% nợ xấu: RF
Tsai & Wu (2008)	Đức (1.000 quan sát), Úc (690 quan sát), Nhật Bản (690 quan sát)	MLP, Multiple MLP (MMLP)	Đức: MMLP (83,38%) Úc: MLP (97,32%) Nhật Bản: MLP (87,94%)
Altman (1968)	66 quan sát doanh nghiệp	MDA	MDA (chính xác 95%)
Wiginton (1980)	1.908 quan sát (41,8% nợ xấu)	MDA, LR	LR (chính xác 61,84%)
Tang và CS (2018)	Úc (690 quan sát), Nhật Bản (690 quan sát)	NN (PNN, MLP)	Úc: PNN (85,64%) Nhật Bản: PNN (85,54%)
Zhao và CS (2015)	Đức (1.000 quan sát)	MLP tối ưu hóa	MLP (chính xác 87%)

Khoảng trống luận án lựa chọn giải quyết

Luận án tập trung giải quyết việc thiết lập khung lý luận và mô hình định lượng hoàn chỉnh ứng dụng trí tuệ nhân tạo (kết hợp Mạng nơ-ron đa lớp MLP, Cây quyết định DT và Hồi quy Logit) để tính toán đồng thời các chỉ số PD, LGD, EAD theo chuẩn tiếp cận nội bộ nâng cao (AIRB) của Basel II trên tập dữ liệu vi mô của Agribank.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và khái niệm sử dụng

• Khái niệm rủi ro tín dụng và quản lý rủi ro tín dụng: Kế thừa định nghĩa của Ủy ban Basel (2000), Bessis (2002), Duffie và Singleton (2015), Thông tư 02/2013/TT-NHNN và Nguyễn Văn Tiến (2015), luận án xác định rủi ro tín dụng là khả năng xảy ra tổn thất tài chính mà ngân hàng phải gánh chịu do khách hàng vay không thực hiện hoặc không có khả năng thực hiện nghĩa vụ hoàn trả nợ gốc và lãi theo cam kết. Quản lý rủi ro tín dụng là quá trình toàn diện gồm 4 khâu: (1) Nhận diện, (2) Đo lường, (3) Sử dụng công cụ kiểm soát/xử lý, (4) Giám sát và báo cáo rủi ro.
• 17 Nguyên tắc quản lý rủi ro tín dụng của Basel (2000): Được phân thành 5 nhóm: (i) Thiết lập môi trường rủi ro tín dụng phù hợp (3 nguyên tắc); (ii) Vận hành theo quy trình cấp tín dụng hiệu quả (4 nguyên tắc); (iii) Duy trì hệ thống quản lý, đo lường và giám sát phù hợp (6 nguyên tắc); (iv) Đảm bảo hệ thống kiểm soát nội bộ an toàn (3 nguyên tắc); (v) Vai trò của cơ quan thanh tra, giám sát (1 nguyên tắc).
• Mô hình tổ chức Ba tuyến phòng vệ: Tuyến 1 (các đơn vị kinh doanh/chi nhánh trực tiếp nhận diện và kiểm soát rủi ro ban đầu); Tuyến 2 (khối quản lý rủi ro và tuân thủ xây dựng chính sách, công cụ đo lường và giám sát danh mục); Tuyến 3 (kiểm toán nội bộ đánh giá độc lập tính hiệu lực của hai tuyến trước).
• Phương pháp tiếp cận nâng cao (AIRB) của Basel II: Đòi hỏi ngân hàng phải tự xây dựng các mô hình định lượng nội bộ để ước lượng:
  • Xác suất vỡ nợ ($PD$ - Probability of Default)
  • Tỷ lệ tổn thất khi vỡ nợ ($LGD$ - Loss Given Default)
  • Dư nợ tại thời điểm vỡ nợ ($EAD$ - Exposure at Default)

Phương pháp nghiên cứu thực tế

• Phương pháp định tính và khảo sát thực địa:
  • Phương pháp tổng hợp, phân tích tài liệu thứ cấp, văn bản pháp lý và báo cáo hoạt động của Agribank.
  • Phương pháp điều tra khảo sát: Tác giả tiến hành điều tra qua bảng hỏi đối với 95 cán bộ và lãnh đạo liên quan trực tiếp đến hoạt động tín dụng tại Agribank, cơ cấu gồm: 05 Phó Giám đốc chi nhánh và Lãnh đạo ban/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. Nội dung khảo sát bao quát các khâu trong quy trình quản lý rủi ro tín dụng tại đơn vị.
• Phương pháp định lượng và mô hình hóa:
  • Mô hình Hồi quy Logit (LR): Đóng vai trò mô hình tham chiếu truyền thống. Biến phụ thuộc $Y$ nhận giá trị nhị phân ($Y=0$ khi khách hàng không trả được nợ / vỡ nợ; $Y=1$ khi khách hàng trả được nợ). Xác suất hoàn trả nợ $P$ được ước lượng qua hàm hồi quy: $$P = \frac{1}{1 + e^{-\hat{Y}}}$$ Trong đó: $\hat{Y} = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k$. Ngưỡng phân loại được chọn là $0,5$ (nếu $P < 0,5$: dự báo vỡ nợ; nếu $P \ge 0,5$: dự báo không vỡ nợ).
  • Mô hình Cây quyết định (Decision Tree - DT): Cấu trúc phân cấp gồm nút gốc (Root node), các nút nội bộ (Internal nodes) và nút lá (Leaf nodes). Quá trình phân lớp tách dữ liệu dựa trên thuộc tính tối ưu để tạo ra tập hợp các luật rẽ nhánh (if-then rules) xác định mức độ rủi ro tín dụng.
  • Mô hình Mạng nơ-ron nhân tạo truyền thẳng đa lớp (MLP): Gồm lớp đầu vào (Input layer), lớp ẩn (Hidden layer) và lớp đầu ra (Output layer). Mạng được huấn luyện bằng thuật toán lan truyền ngược (Back-Propagation) để điều chỉnh liên tục ma trận trọng số liên kết nhằm cực tiểu hóa hàm sai số: $$E = \frac{1}{p} \sum_{i=1}^{p} |f(X_i) - Y_i|$$ Trong đó: $f(X_i)$ là đầu ra ước lượng của quan sát thứ $i$, $Y_i$ là giá trị thực tế và $p$ là tổng số quan sát mẫu.

Nguồn tư liệu và dữ liệu nghiên cứu

Mô hình định lượng được xây dựng trên 2 bộ dữ liệu thực tế thu thập từ hồ sơ cấp tín dụng tại Agribank giai đoạn 2009–2014:

Thông số dữ liệu	Bộ dữ liệu 1 (Dùng cho mô hình PD)	Bộ dữ liệu 2 (Dùng cho mô hình LGD & EAD)
Quy mô mẫu	15.470 khoản vay	1.045 hồ sơ vay vốn
Phân loại trạng thái nợ	12.118 khoản nợ tốt (78,3%) 3.352 khoản nợ xấu (21,7%)	100% khách hàng chuyển nhóm nợ xấu thời gian từ 1 đến 3 năm
Loại hình khoản vay	Cho vay phục vụ nhu cầu tiêu dùng và kinh doanh	Các khoản vay phát sinh tổn thất thực tế
Số lượng biến thông tin	19 đặc tính (nhân khẩu học, tài chính, khoản vay)	18 đặc tính tương tự bộ 1, bổ sung chỉ số LTV và tỷ lệ tổn thất thực tế

---

Nội dung chính theo từng chương

Chương 1: Tổng quan nghiên cứu về trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Chương 1 hệ thống hóa các công trình nghiên cứu trên thế giới và tại Việt Nam xoay quanh bốn chủ đề: mô hình tổ chức quản lý rủi ro tín dụng, kỹ thuật đo lường rủi ro tín dụng danh mục, các mô hình ước lượng cấu phần rủi ro (PD, LGD, EAD) và ứng dụng trí tuệ nhân tạo trong phân loại tín dụng. Tác giả phân tích điểm mạnh, điểm yếu của các công cụ truyền thống (MDA, hồi quy tuyến tính, Logit) so với các thuật toán học máy (MLP, SVM, DT, RF, PNN). Từ việc tổng hợp tài liệu, chương 1 xác định rõ 3 khoảng trống nghiên cứu chính về mặt lý luận và thực tiễn, làm cơ sở định hình hướng tiếp cận cho các chương sau của luận án.

Chương 2: Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại

Chương này làm rõ nền tảng lý luận về quản lý rủi ro tín dụng, chi tiết hóa 17 nguyên tắc theo chuẩn Basel (2000), phân tích ưu và nhược điểm của mô hình quản lý tập trung và phân tán, đồng thời phân định nhiệm vụ theo mô hình Ba tuyến phòng vệ. Chương 2 thiết lập khung lý thuyết ứng dụng trí tuệ nhân tạo vào 4 bước của quy trình quản lý rủi ro:

1. Nhận diện rủi ro: Tự động trích xuất thông tin, cảnh báo hành vi gian lận và phát hiện dấu hiệu bất thường trước, trong và sau giải ngân.
2. Đo lường rủi ro: Ứng dụng AI ước lượng các tham số PD, LGD, EAD theo chuẩn AIRB của Basel II.
3. Sử dụng công cụ quản lý: Hỗ trợ xác định hạn mức tín dụng, tối ưu hóa danh mục tài sản bảo đảm và trích lập dự phòng rủi ro.
4. Báo cáo và giám sát rủi ro: Tự động hóa kết xuất báo cáo và giám sát biến động chất lượng danh mục liên tục.

Bên cạnh đó, chương 2 tổng kết kinh nghiệm ứng dụng AI trong quản lý rủi ro tín dụng tại các quốc gia (Anh, Mỹ, Ấn Độ) cùng khuyến nghị từ Hội đồng Ổn định Tài chính (FSB) và Ngân hàng Thế giới (WB), rút ra 5 bài học cho các ngân hàng thương mại Việt Nam về chuẩn bị hạ tầng dữ liệu, quản trị thuật toán và nâng cao năng lực nhân sự.

Chương 3: Thực trạng quản lý rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Chương 3 trình bày khái quát lịch sử hình thành, quy mô mạng lưới và kết quả hoạt động kinh doanh của Agribank. Phân tích thực trạng tổ chức quản lý rủi ro tín dụng cho thấy mô hình của Agribank vẫn mang tính chất phân tán giữa các chi nhánh, cơ chế chấm điểm và xếp hạng tín dụng nội bộ còn phụ thuộc nhiều vào phân tích chuyên gia và các chỉ tiêu định tính thủ công.

Kết quả điều tra khảo sát 95 cán bộ và lãnh đạo tín dụng tại Agribank chỉ ra các hạn chế cụ thể:

• Quy trình nhận diện rủi ro chưa mang tính chủ động, hệ thống cảnh báo sớm hoạt động chưa hiệu quả.
• Công tác đo lường rủi ro chưa bóc tách và định lượng hóa đầy đủ các tham số PD, LGD và EAD theo chuẩn nâng cao Basel II.
• Cơ sở dữ liệu tín dụng còn phân tán, thiếu chuẩn hóa và chưa có sự liên thông đồng bộ giữa các hệ thống tác nghiệp.
• Nguồn nhân lực chuyên trách về khoa học dữ liệu và mô hình hóa định lượng trong quản lý rủi ro còn thiếu hụt.

Chương 4: Xây dựng mô hình trí tuệ nhân tạo đo lường rủi ro tín dụng tại Ngân hàng Nông nghiệp và Phát triển nông thôn Việt Nam

Chương 4 là chương thực nghiệm trọng tâm của luận án, tiến hành xây dựng và so sánh hiệu quả của các mô hình trí tuệ nhân tạo trên tập dữ liệu thực tế của Agribank:

• Xây dựng mô hình ước lượng Xác suất vỡ nợ (PD): Thực hiện huấn luyện trên Bộ dữ liệu 1 (15.470 khoản vay, 19 biến giải thích). Tác giả so sánh kết quả phân loại giữa mô hình Hồi quy Logit (LR), mô hình Cây quyết định (Decision Tree - DT) và Mạng nơ-ron đa lớp (MLP) sử dụng thuật toán lan truyền ngược. Kết quả kiểm định cho thấy các mô hình trí tuệ nhân tạo (đặc biệt là MLP) đạt tỷ lệ phân loại chính xác tổng thể và tỷ lệ nhận diện nợ xấu cao hơn so với mô hình hồi quy Logit truyền thống.
• Xây dựng mô hình ước lượng Tỷ lệ tổn thất khi vỡ nợ (LGD): Sử dụng Bộ dữ liệu 2 (1.045 hồ sơ nợ xấu có tổn thất thực tế). Mô hình định lượng xác định mối quan hệ phi tuyến giữa tỷ lệ tổn thất với các biến đặc trưng khoản vay, đặc biệt là tỷ lệ dư nợ trên tài sản đảm bảo (LTV) và loại tài sản thế chấp.
• Xây dựng mô hình ước lượng Dư nợ tại thời điểm vỡ nợ (EAD): Phân tích sự biến động của hạn mức tín dụng và số dư nợ trước thời điểm chuyển nợ xấu đối với các sản phẩm tín dụng có số dư biến động.
• Xác định các điều kiện ứng dụng: Tổng kết các điều kiện kỹ thuật về làm sạch dữ liệu, cấu hình mạng nơ-ron, quy trình thẩm định mô hình (validation) để áp dụng AI vào hệ thống công nghệ thông tin của Agribank.

Chương 5: Giải pháp 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

Dựa trên định hướng phát triển hoạt động quản lý rủi ro của Ngân hàng Nhà nước và mục tiêu tái cơ cấu của Agribank, chương 5 đề xuất hệ thống giải pháp gồm 3 nhóm:

1. Tái cơ cấu tổ chức quản lý rủi ro tín dụng: Chuyển đổi từ mô hình phân tán sang mô hình quản lý rủi ro tập trung; kiện toàn tổ chức theo mô hình Ba tuyến phòng vệ; thành lập bộ phận chuyên trách về phân tích dữ liệu và mô hình hóa rủi ro tín dụng tại Hội sở chính.
2. Hoàn thiện quy trình ứng dụng AI trong quản lý rủi ro: Chuẩn hóa quy trình 4 bước tích hợp AI từ thu thập dữ liệu tự động, chấm điểm PD/LGD/EAD thời gian thực, phê duyệt tín dụng theo luồng tự động đến giám sát cảnh báo sớm danh mục.
3. Nhóm giải pháp hỗ trợ cần thiết: Nâng cấp hạ tầng công nghệ thông tin và lưu trữ dữ liệu lớn (Big Data); xây dựng chính sách quản trị dữ liệu; đào tạo và phát triển nguồn nhân lực chất lượng cao kết hợp giữa nghiệp vụ ngân hàng và kỹ năng khoa học máy tính.
4. Kiến nghị với Ngân hàng Nhà nước Việt Nam: Hoàn thiện khung khổ pháp lý về ứng dụng trí tuệ nhân tạo và xử lý dữ liệu tự động trong ngành ngân hàng; ban hành lộ trình, hướng dẫn chi tiết triển khai Basel II/Basel III theo phương pháp AIRB; tăng cường liên thông và chia sẻ dữ liệu từ Trung tâm Thông tin Tín dụng Quốc gia (CIC).

---

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận

• Luận án đã hệ thống hóa và phát triển khung lý thuyết toàn diện về ứng dụng trí tuệ nhân tạo trong toàn bộ quy trình quản lý rủi ro tín dụng tại ngân hàng thương mại (nhận diện, đo lường, kiểm soát/xử lý và báo cáo/giám sát).
• Thiết lập khung phân tích lý thuyết tích hợp các mô hình học máy (Cây quyết định DT, Mạng nơ-ron truyền thẳng MLP) vào việc ước lượng đồng thời 3 cấu phần rủi ro tín dụng theo cách tiếp cận nâng cao (AIRB) của Basel II gồm PD, LGD và EAD.

Đóng góp về mặt thực tiễn

• Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank thông qua cuộc điều tra khảo sát thực địa với 95 cán bộ và lãnh đạo tín dụng, chỉ ra các nút thắt về mô hình tổ chức, dữ liệu và công cụ đo lường.
• Ứng dụng dữ liệu vi mô thực tế từ 15.470 khoản vay và 1.045 hồ sơ nợ xấu tại Agribank để xây dựng và kiểm định thành công các mô hình trí tuệ nhân tạo (MLP, DT), chứng minh thực nghiệm rằng mô hình AI mang lại hiệu quả phân loại nợ và dự báo tổn thất chính xác hơn các mô hình truyền thống (Logit, MDA).
• Xây dựng hệ thống giải pháp chi tiết và khả thi cho Agribank về chuyển đổi mô hình tổ chức sang quản lý tập trung, tái cấu trúc quy trình tín dụng tự động hóa và chuẩn bị hạ tầng dữ liệu đáp ứng yêu cầu ứng dụng trí tuệ nhân tạo.

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Dữ liệu thực nghiệm xây dựng mô hình được thu thập trong giai đoạn 2009–2014 tại Agribank; chưa bao quát toàn bộ các sản phẩm phái sinh hoặc các gói tín dụng dự án phức tạp.
  • Phạm vi khảo sát thực trạng định tính giới hạn ở 95 cán bộ tín dụng của Agribank.
  • Việc giải thích cơ chế nội tại ("hộp đen") của các mạng nơ-ron phức tạp vẫn là thách thức trong bối cảnh các quy định pháp lý đòi hỏi tính minh bạch cao khi ra quyết định từ chối tín dụng.
• Hướng nghiên cứu tiếp:
  • Mở rộng thu thập dữ liệu cập nhật theo chu kỳ kinh tế mới và bổ sung các nguồn dữ liệu phi cấu trúc (dữ liệu hành vi, giao dịch số).
  • Ứng dụng các thuật toán học máy giải thích được (Explainable AI - XAI) và mở rộng phạm vi kiểm định sang các ngân hàng thương mại cổ phần khác tại Việt Nam.

---

Giá trị tham khảo

• Đối với các nhà nghiên cứu và nghiên cứu sinh: Cung cấp tài liệu tham khảo có giá trị về phương pháp luận kết hợp giữa lý thuyết tài chính ngân hàng (chuẩn Basel II AIRB) và kỹ thuật học máy (MLP, DT, Logit); làm rõ quy trình xử lý dữ liệu và ước lượng PD, LGD, EAD.
• Đối với các ngân hàng thương mại (đặc biệt là Agribank): Cung cấp mô hình định lượng thực nghiệm có thể ứng dụng trực tiếp để nâng cấp hệ thống chấm điểm và xếp hạng tín dụng nội bộ, đồng thời là cơ sở khoa học để tái thiết kế cơ cấu tổ chức theo mô hình tập trung và Ba tuyến phòng vệ.
• Đối với cơ quan quản lý (Ngân hàng Nhà nước Việt Nam): Cung cấp luận cứ thực tiễn để xây dựng quy chế hướng dẫn triển khai Basel II theo phương pháp nâng cao, xây dựng chính sách quản trị rủi ro công nghệ và thúc đẩy chuyển đổi số ngành ngân hàng.

---

Câu hỏi thường gặp

1. Luận án sử dụng những mô hình định lượng cụ thể nào để đo lường rủi ro tín dụng?

Luận án sử dụng và so sánh ba nhóm mô hình định lượng:

1. Mô hình Hồi quy Logit (Logit Regression - LR) đại diện cho phương pháp thống kê truyền thống.
2. Mô hình Cây quyết định (Decision Tree - DT).
3. Mô hình Mạng nơ-ron truyền thẳng đa lớp (Multi-Layer Perceptron - MLP) sử dụng thuật toán lan truyền ngược (Back-Propagation).

2. Dữ liệu thực nghiệm dùng trong mô hình định lượng của luận án gồm những gì?

Mô hình sử dụng hai bộ dữ liệu thu thập tại Agribank giai đoạn 2009–2014:

• Bộ dữ liệu 1 (cho mô hình PD): Gồm 15.470 khoản vay tiêu dùng và kinh doanh (12.118 khoản nợ tốt, chiếm 78,3%; 3.352 khoản nợ xấu, chiếm 21,7%) với 19 biến đặc trưng.
• Bộ dữ liệu 2 (cho mô hình LGD và EAD): Gồm 1.045 hồ sơ vay vốn của khách hàng chuyển nợ xấu từ 1 đến 3 năm, bao gồm 18 đặc tính tương tự bộ 1 và bổ sung thêm tỷ lệ dư nợ trên tài sản đảm bảo (LTV) cùng tỷ lệ tổn thất thực tế.

3. Quy mô cuộc khảo sát thực trạng quản lý rủi ro tín dụng tại Agribank được thực hiện như thế nào?

Cuộc khảo sát được tiến hành trên mẫu gồm 95 cán bộ và lãnh đạo liên quan trực tiếp đến hoạt động cấp tín dụng tại Agribank, bao gồm:

• 05 Phó Giám đốc chi nhánh và Lãnh đạo Ban/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.

4. Thuật toán lan truyền ngược trong mạng MLP được thiết lập với hàm sai số nào?

Thuật toán lan truyền ngược trong luận án điều chỉnh trọng số kết nối giữa các node nhằm tối thiểu hóa sai số $E$ của mạng theo công thức: $$E = \frac{1}{p} \sum_{i=1}^{p} |f(X_i) - Y_i|$$ Trong đó $f(X_i)$ là đầu ra ước lượng, $Y_i$ là giá trị thực tế của quan sát thứ $i$, và $p$ là tổng số quan sát trong tập dữ liệu huấn luyện.

---

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Tiến Hưng đã hệ thống hóa toàn diện cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng theo chuẩn mực Basel II nâng cao (AIRB). Thông qua việc kết hợp phương pháp điều tra khảo sát 95 cán bộ tín dụng và phân tích định lượng trên 16.515 hồ sơ vay vốn thực tế tại Agribank giai đoạn 2009–2014, công trình đã chứng minh tính hiệu quả vượt trội của các mô hình Mạng nơ-ron (MLP) và Cây quyết định (DT) so với phương pháp truyền thống trong việc ước lượng các tham số PD, LGD và EAD. Các kết quả nghiên cứu và hệ thống giải pháp chuyển đổi mô hình tổ chức, quy trình công nghệ được đề xuất là tài liệu tham khảo quan trọng cho công tác quản trị rủi ro tại Agribank và hệ thống ngân hàng thương mại Việt Nam.

Trích đoạn nội dung tài liệu

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.