Luận án tiến sĩ tài chính ngân hàng 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

Luận án tiến sĩ nghiên cứu tài chính ngân hàng ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng nông, phát triển phương pháp mới, đánh giá hiệu quả ứng dụng

• 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

• PHẦN MỞ ĐẦU
• 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
• 1.1.1. Nghiên cứu về đánh giá rủi ro tín dụng
• 1.1.2. Nghiên cứu về đo lường xác suất vỡ nợ
• 1.1.3. Nghiên cứu về tổn thất khi vỡ nợ
• 1.1.4. Nghiên cứu về mức độ rủi ro khi vỡ nợ
• 1.2. Nghiên cứu về mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 1.3. Khoảng trống nghiên cứu
• 1.4. 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
• 2.1.1. Khái niệm về quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.1.2. Nội dung quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2. Cơ sở lý luận về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2.1. Khái quát về trí tuệ nhân tạo
• 2.2.2. Trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2.3. Khung đo lường áp dụng cho mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2.4. Dữ liệu cho các mô hình trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại ngân hàng thương mại
• 2.2.5. Các tiêu chí đánh giá kết quả ứng dụng mô hình trí tuệ nhân tạo trong đo lường rủi ro tín dụng
• 2.2.6. Điều kiện ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 2.3. Kinh nghiệm quốc tế về nghiên cứu và ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 2.3.1. Kinh nghiệm từ Anh
• 2.3.2. Kinh nghiệm từ Mỹ
• 2.3.3. Kinh nghiệm từ Ấn Độ
• 2.3.4. Kinh nghiệm từ Hội đồng ổn định tài chính (FSB)
• 2.3.5. Kinh nghiệm từ Ngân hàng thế giới (WB)
• 2.3.6. Bài học kinh nghiệm cho các ngân hàng thương mại tại Việt Nam
• 2.4. 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
• 3.1.1. Lịch sử hình thành và phát triển
• 3.1.2. Tình hình hoạt động kinh doanh
• 3.2. Thực trạng quản lý rủi ro tín dụng tại Agribank
• 3.2.1. Mô hình quản lý rủi ro tín dụng
• 3.2.2. Tổ chức thực hiện quản lý rủi ro tín dụng tại Agribank
• 3.3. Đánh giá thực trạng quản lý rủi ro tín dụng tại Agribank
• 3.3.1. Các kết quả đạt được
• 3.3.2. Các hạn chế và nguyên nhân
• 3.4. 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)
• 4.2.1. Mô tả dữ liệu thu thập
• 4.2.2. Kết quả các mô hình tính xác suất vỡ nợ (PD)
• 4.3. Xây dựng mô hình LGD
• 4.3.1. Mô tả dữ liệu
• 4.3.2. Kết quả mô hình LGD
• 4.4. Xây dựng mô hình EAD
• 4.5. Các điều kiện để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 4.6. 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
• 5.3.1. Về cơ cấu tổ chức quản lý rủi ro tín dụng
• 5.3.2. Về quy trình áp dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng
• 5.3.3. Về nhóm các giải pháp hỗ trợ cần thiết
• 5.4. Kiến nghị với Ngân hàng nhà nước Việt Nam
• 5.5. Kết luận chương 5
• PHẦN KẾT LUẬN ÁN
• Tài liệu Tham khảo

Tóm tắt

I. Tổng quan về ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng

Trí tuệ nhân tạo (AI) đang trở thành công nghệ tiên phong trong lĩnh vực ngân hàng, đặc biệt là quản lý rủi ro tín dụng. Nghiên cứu này tập trung vào việc ứng dụng AI tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank), nhằm tối ưu hóa quy trình đánh giá và kiểm soát rủi ro. AI không chỉ giúp phân tích dữ liệu lớn mà còn dự đoán chính xác hơn các rủi ro tiềm ẩn, từ đó nâng cao hiệu quả quản lý tín dụng.

1.1. Khái niệm và vai trò của trí tuệ nhân tạo

Trí tuệ nhân tạo là công nghệ mô phỏng quá trình học tập và xử lý thông tin của con người. Trong quản lý rủi ro tín dụng, AI giúp phân tích dữ liệu khách hàng, dự đoán xác suất vỡ nợ (PD), và tối ưu hóa quy trình đánh giá rủi ro. Các mô hình AI như mạng nơ ron và cây quyết định được sử dụng để xử lý thông tin phức tạp, mang lại độ chính xác cao hơn so với phương pháp truyền thống.

1.2. Xu hướng ứng dụng AI trong ngân hàng

Trên thế giới, nhiều ngân hàng lớn đã ứng dụng trí tuệ nhân tạo để cải thiện hiệu quả quản lý rủi ro tín dụng. Tại Việt Nam, Agribank đang tiên phong trong việc áp dụng các công nghệ mới này. Việc sử dụng AI không chỉ giúp giảm thiểu rủi ro mà còn tăng cường trải nghiệm khách hàng thông qua các dịch vụ cá nhân hóa.

II. Thực trạng quản lý rủi ro tín dụng tại Agribank

Agribank là ngân hàng lớn nhất Việt Nam với quy mô tài sản và số lượng khách hàng đáng kể. Tuy nhiên, ngân hàng này đã gặp phải nhiều vấn đề liên quan đến quản lý rủi ro tín dụng, đặc biệt là các vụ việc tiêu cực trong quá khứ. Điều này đặt ra yêu cầu cấp thiết về việc cải tiến hệ thống quản lý rủi ro, trong đó ứng dụng công nghệ như AI được coi là giải pháp tối ưu.

2.1. Mô hình quản lý rủi ro hiện tại

Hiện tại, Agribank sử dụng các mô hình truyền thống để đánh giá rủi ro tín dụng. Tuy nhiên, các mô hình này có hạn chế trong việc xử lý dữ liệu lớn và dự đoán chính xác rủi ro. Việc chuyển đổi sang các mô hình dựa trên trí tuệ nhân tạo được kỳ vọng sẽ mang lại hiệu quả cao hơn.

2.2. Những thách thức và cơ hội

Mặc dù có tiềm năng lớn, việc ứng dụng AI tại Agribank cũng đối mặt với nhiều thách thức, bao gồm thiếu hụt nguồn lực công nghệ và nhân sự có chuyên môn. Tuy nhiên, với sự hỗ trợ từ chính sách quốc gia và kinh nghiệm quốc tế, Agribank có cơ hội lớn để cải thiện hệ thống quản lý rủi ro tín dụng.

III. Xây dựng mô hình AI trong quản lý rủi ro tín dụng

Nghiên cứu đề xuất mô hình trí tuệ nhân tạo để đo lường rủi ro tín dụng tại Agribank. Mô hình này bao gồm việc xác định xác suất vỡ nợ (PD), tỷ lệ tổn thất khi vỡ nợ (LGD), và dư nợ tại thời điểm vỡ nợ (EAD). Các mô hình AI như mạng nơ ron và cây quyết định được sử dụng để phân tích dữ liệu và đưa ra dự đoán chính xác hơn.

3.1. Mô hình tính xác suất vỡ nợ PD

Mô hình xác suất vỡ nợ được xây dựng dựa trên dữ liệu lịch sử của Agribank. Các thuật toán AI được sử dụng để phân tích và dự đoán khả năng vỡ nợ của khách hàng, từ đó giúp ngân hàng đưa ra quyết định tín dụng chính xác hơn.

3.2. Mô hình LGD và EAD

Ngoài PD, nghiên cứu cũng xây dựng mô hình tỷ lệ tổn thất khi vỡ nợ (LGD) và dư nợ tại thời điểm vỡ nợ (EAD). Các mô hình này giúp Agribank đánh giá toàn diện hơn về rủi ro tín dụng và đưa ra các biện pháp phòng ngừa hiệu quả.

IV. Giải pháp và kiến nghị

Nghiên cứu đề xuất các giải pháp cụ thể để ứng dụng trí tuệ nhân tạo trong quản lý rủi ro tín dụng tại Agribank. Các giải pháp bao gồm cải tiến cơ cấu tổ chức, tối ưu hóa quy trình, và đào tạo nhân sự. Đồng thời, nghiên cứu cũng đưa ra các kiến nghị với Ngân hàng Nhà nước Việt Nam để hỗ trợ việc triển khai AI trong hệ thống ngân hàng.

4.1. Cải tiến cơ cấu tổ chức

Để ứng dụng hiệu quả AI, Agribank cần cải tiến cơ cấu tổ chức, đặc biệt là thành lập các bộ phận chuyên trách về công nghệ và phân tích dữ liệu. Điều này giúp đảm bảo việc triển khai AI được thực hiện một cách bài bản và hiệu quả.

4.2. Đào tạo nhân sự

Việc đào tạo nhân sự có chuyên môn về trí tuệ nhân tạo và quản lý rủi ro tín dụng là yếu tố then chốt để đảm bảo thành công của dự án. Agribank cần đầu tư vào các chương trình đào tạo nâng cao kỹ năng cho đội ngũ nhân viên.

Nội dung chính

Tổng quan về luận án

Quản trị rủi ro tín dụng là trụ cột sinh tồn đối với các tổ chức tài chính trung gian, đặc biệt trong bối cảnh các ngân hàng thương mại Việt Nam đang đẩy mạnh chuyển đổi số và tái cơ cấu nợ xấu theo Quyết định số 127/QĐ-TTg của Thủ tướng Chính phủ và Chỉ thị 01/2021/CT-NHNN của Ngân hàng Nhà nước Việt Nam. Luận án tiến sĩ "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" (Chuyên ngành: Tài chính – Ngân hàng; Mã số: 9340201) do Nghiên cứu sinh Nguyễn Tiến Hưng thực hiện dưới sự hướng dẫn khoa học của TS. Bùi Tín Nghị và PGS. TS. Nguyễn Đức Trung tại Học viện Ngân hàng (2022) là công trình nghiên cứu tiên phong, định lượng hóa toàn diện hệ thống đo lường rủi ro tín dụng theo chuẩn mực Basel II nâng cao (AIRB) bằng các thuật toán Trí tuệ nhân tạo (AI) và Học máy (Machine Learning).

Khoảng trống nghiên cứu (Research Gap) xuất phát từ thực trạng phần lớn các ngân hàng thương mại tại các quốc gia đang phát triển, bao gồm Việt Nam, vẫn phụ thuộc chủ yếu vào phương pháp phân tích chuyên gia truyền thống (mô hình 5C theo Strischeck, 2009) hoặc các mô hình kinh tế lượng tuyến tính cổ điển như Điểm số Z (Altman, 1968) và hồi quy Logistic (Wiginton, 1980; Dinh & Kleimeier, 2007). Các công cụ này bộc lộ giới hạn nghiêm trọng khi xử lý các mối quan hệ phi tuyến, dữ liệu phi cấu trúc và hiện tượng mất cân bằng mẫu tín dụng (Brown, 2012). Chưa có một nghiên cứu thực nghiệm quy mô lớn nào tại Việt Nam xây dựng một khung lý thuyết và bộ công cụ đo lường đồng thời cả 3 tham số rủi ro cốt lõi của Basel II nâng cao: Xác suất vỡ nợ ($PD$), Tỷ lệ tổn thất khi vỡ nợ ($LGD$), và Dư nợ tại thời điểm vỡ nợ ($EAD$) trên cơ sở công nghệ mạng nơ-ron và cây quyết định tại một ngân hàng thương mại có quy mô tài sản và mạng lưới lớn nhất hệ thống như Agribank.

Hệ thống câu hỏi nghiên cứu và giả thuyết được xác lập cụ thể:

• RQ1: Thực trạng công tác quản lý và cơ cấu tổ chức phòng ngừa rủi ro tín dụng tại Agribank theo mô hình ba tuyến bảo vệ đang bộc lộ những điểm nghẽn kỹ thuật và vận hành nào?
• RQ2: Các thuật toán Trí tuệ nhân tạo (Mạng nơ-ron đa lớp - MLP, Cây quyết định - DT) có đạt được độ chính xác phân loại và tối thiểu hóa chi phí sai số phân loại nợ xấu vượt trội so với mô hình hồi quy Logistic truyền thống trong việc ước lượng Xác suất vỡ nợ ($PD$) hay không?
• RQ3: Việc tích hợp chỉ số tài sản đảm bảo ($LTV$) và các biến kinh tế vĩ mô vào thuật toán AI cải thiện độ chính xác dự báo Tỷ lệ tổn thất khi vỡ nợ ($LGD$) và Dư nợ tại thời điểm vỡ nợ ($EAD$) như thế nào?
• RQ4: Những điều kiện hạ tầng kỹ thuật, cơ cấu tổ chức và khung pháp lý nào là điều kiện tiên quyết để triển khai ứng dụng AI trong quản lý rủi ro tín dụng tại ngân hàng thương mại Việt Nam?

Tương ứng với hệ thống câu hỏi là các giả thuyết kiểm định:

• H1: Mô hình mạng nơ-ron đa lớp (MLP) với thuật toán lan truyền ngược đạt tỷ lệ phân loại đúng nợ xấu (giảm thiểu sai số loại II) cao hơn có ý nghĩa thống kê so với mô hình hồi quy Logistic (LR).
• H2: Mô hình cây quyết định (CART) xác lập được các ngưỡng quy tắc logic tối ưu giữa thu nhập, tài sản đảm bảo và lịch sử tín dụng, giúp tăng năng lực giải trình của hệ thống xếp hạng nội bộ.
• H3: Tỷ lệ dư nợ trên giá trị tài sản đảm bảo ($LTV$) và biến động dư nợ trước thời điểm vỡ nợ là hai nhân tố có tương quan phi tuyến quyết định đến giá trị ước lượng $LGD$ và $EAD$.

Khung lý thuyết của luận án được xây dựng trên sự giao thoa giữa Lý thuyết Bất cân xứng thông tin (Akerlof, 1970; Stiglitz & Weiss, 1981), Khung chuẩn mực Basel II nâng cao (AIRB - Basel Committee on Banking Supervision, 2000, 2015), và Lý thuyết Kết nối học trong Trí tuệ nhân tạo (Rumelhart et al., 1986). Phạm vi nghiên cứu thực nghiệm bao quát toàn bộ hệ thống Agribank trong giai đoạn 2009–2021; trong đó dữ liệu mô hình hóa định lượng được trích xuất từ 15.470 hợp đồng tín dụng cá nhân và doanh nghiệp giai đoạn 2009–2014, kết hợp bộ dữ liệu chuyên biệt gồm 1.045 hồ sơ nợ xấu chuyển nhóm từ 1 đến 3 năm và khảo sát điều tra xã hội học trên 95 cán bộ quản lý và chuyên viên tín dụng thuộc toàn bộ mạng lưới chi nhánh.

Literature Review và Positioning

Tổng quan nghiên cứu quốc tế và trong nước về quản trị rủi ro tín dụng ghi nhận sự chuyển dịch qua 4 làn sóng công nghệ:

1. Làn sóng phân tích thống kê cổ điển: Khởi xướng bởi mô hình Z-score phân tích phân biệt đa biến (MDA) của Altman (1968), tiếp nối bởi Martin (1977) và Wiginton (1980) ứng dụng hàm Logistic (Logit Regression - LR). Ưu điểm của nhánh nghiên cứu này là tính tường minh của các hệ số hồi quy ($\beta$), nhưng hạn chế lớn là áp đặt giả định ngặt nghèo về phân phối chuẩn của các biến độc lập và tuyến tính hóa hàm rủi ro.
2. Làn sóng mô hình hóa cấu trúc và danh mục: Được phát triển bởi các định chế tài chính toàn cầu bao gồm mô hình CreditMetrics (JP Morgan, 1997) dựa trên kỹ thuật mô phỏng Monte Carlo; CreditRisk+ (Credit Suisse, 1997) xây dựng phân phối tổn thất không tham số; KMV (Moody's, 2002) phát triển từ lý thuyết định giá quyền chọn của Merton (1974) và CreditPortfolioView (Wilson, 1997; McKinsey) tích hợp các cú sốc vĩ mô (Koulafetis, 2017; Witzany, 2017). Các mô hình này tập trung đo lường tổn thất ngoài dự tính ($UL$) và Vốn chịu rủi ro ($VaR$), chuẩn hóa phương pháp tiếp cận tiêu chuẩn ($SA$) và xếp hạng nội bộ cơ bản ($FIRB$) của Basel.
3. Làn sóng ứng dụng Trí tuệ nhân tạo đơn lẻ (Machine Learning / Deep Learning): Desai et al. (1996) tại Mỹ chứng minh Mạng nơ-ron đa lớp (MLP) vượt trội hơn Logistic Regression trong phân loại chính xác các khoản nợ xấu (42,08% so với 34,15%). West (2000) so sánh 5 kiến trúc nơ-ron (MLP, RBF, LVQ, MOE, FAR) trên dữ liệu ngân hàng tại Đức và Úc, khẳng định mạng RBF và MLP đạt độ chính xác phân loại vượt 87%. Abdou et al. (2008) tại Ai Cập trên tập mẫu 581 khách hàng đã chứng minh mạng MLP 5 node ẩn phân loại đúng 94,84% nợ xấu, đồng thời nhấn mạnh tỷ lệ tổn thất kinh tế khi phân loại sai nợ xấu so với nợ tốt là 5:1.
4. Làn sóng kỹ thuật kết hợp (Ensemble Models) và tối ưu hóa dữ liệu mất cân bằng: Tsai & Wu (2008) phát triển mô hình kết hợp Multiple MLP (MMLP) trên dữ liệu Đức, Úc, Nhật Bản. Brown (2012) giải quyết bài toán tập dữ liệu mất cân bằng nghiêm trọng (tỷ lệ nợ xấu từ 1% đến 30%), chỉ ra Rừng ngẫu nhiên (Random Forest - RF) kết hợp Cây quyết định (DT) đạt hiệu năng tối ưu trên tập dữ liệu có tỷ lệ nợ xấu cực thấp (1%), trong khi Support Vector Machines (SVM) chiếm ưu thế tại tỷ lệ nợ xấu 30%. Tang et al. (2018) ứng dụng Mạng nơ-ron cắt xén (Pruning Neural Networks - PNN) để giảm thiểu chi phí tính toán trên tập dữ liệu lớn tại Úc và Nhật Bản.

Về mô hình đo lường $LGD$ và $EAD$, các trường phái lý thuyết tồn tại nhiều tranh luận đối nghịch: Bastos (2010) tại Bồ Đào Nha ủng hộ Cây hồi quy (Regression Tree) phi tuyến; Loterman et al. (2012) qua khảo sát 24 kỹ thuật trên 6 bộ dữ liệu kết luận SVM và Mạng nơ-ron cho kết quả dự báo sai số thấp nhất; trong khi Bellotti & Crook (2012) tại Anh trên 55.000 hồ sơ lại khẳng định hồi quy OLS kết hợp Tobit có tích hợp biến số kinh tế vĩ mô (lãi suất, thất nghiệp) mới đạt độ chính xác cao nhất. Về $EAD$, Barakova & Parthasarathy (2013) cùng Luo & Murphy (2020) chỉ ra cấu trúc hạn mức, mức độ sử dụng hạn mức trước khi vỡ nợ ($EADF$) và loại tài sản bảo đảm là các nhân tố chi phối mang tính quyết định.

Vị trí của luận án trong hệ thống tài liệu khoa học được xác lập rõ: Luận án không dừng lại ở việc áp dụng đơn lẻ một thuật toán học máy vào chấm điểm tín dụng cá nhân như Dinh & Kleimeier (2007) hay khảo sát tiếp cận vốn nông hộ như Linh et al. (2020), mà đóng vai trò là công trình đầu tiên xây dựng hoàn chỉnh một chu trình định lượng toàn diện chuẩn Basel II AIRB ($PD - LGD - EAD$) bằng AI tại một ngân hàng thương mại nhà nước đóng vai trò trụ cột nông nghiệp tại một quốc gia thị trường mới nổi.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm sâu sắc thêm các lý thuyết nền tảng trong quản trị tài chính ngân hàng:

• Mở rộng Khung quản lý rủi ro chuẩn mực Basel II AIRB: Cung cấp cơ sở lý thuyết chuẩn hóa việc tích hợp các mô hình thuật toán học máy phi tham số (Non-parametric Machine Learning) vào các phương trình tính toán Vốn tối thiểu theo luật định. Luận án chỉ ra rằng các giả định tuyến tính cổ điển của Basel II làm sai lệch đáng kể việc ước lượng Tổn thất dự tính ($EL = PD \times LGD \times EAD$), trong khi các mô hình AI có khả năng tự động học các tương tác đa chiều phức tạp.
• Bổ sung Lý thuyết Bất cân xứng thông tin (Stiglitz & Weiss, 1981): Chứng minh rằng thuật toán Mạng nơ-ron và Cây quyết định có thể khai thác các thuộc tính hành vi phi tài chính (lịch sử quan hệ tín dụng, độ tuổi, trình độ học vấn, địa bàn sinh sống) để giảm thiểu hiện tượng Lựa chọn đối nghịch (Adverse Selection) và Rủi ro đạo đức (Moral Hazard) tại các thị trường tín dụng nông nghiệp - nông thôn nơi báo cáo tài chính thiếu chuẩn hóa.
• Chuyển đổi Paradigm quản trị rủi ro từ thụ động sang dự báo chủ động: Minh chứng bằng thực nghiệm rằng cấu trúc lan truyền ngược (Rumelhart et al., 1986) chuyển đổi mô hình xếp hạng nội bộ từ một "bảng chấm điểm tĩnh" (Static Scorecard) thành một "hệ thống học thích nghi động" (Adaptive Dynamic Learning System), tự động tối ưu hóa hàm trọng số khi xuất hiện dữ liệu khách hàng mới.

Hệ thống mệnh đề lý thuyết (Theoretical Propositions) được xác lập:

• P1: Trong không gian dữ liệu tín dụng phi tuyến, hàm lỗi bình phương trung bình của mạng nơ-ron đa lớp hội tụ tại điểm cực tiểu toàn cục cho phép phân tách ranh giới vỡ nợ chính xác hơn siêu phẳng tuyến tính của hồi quy Logit.
• P2: Khả năng nhận diện chính xác các khoản nợ xấu (True Positive Rate) của mô hình AI tỉ lệ thuận với mức độ giảm thiểu tổn thất vốn thực tế của ngân hàng thương mại khi chi phí phân loại sai nợ xấu gấp nhiều lần nợ tốt.
• P3: Giá trị tổn thất khi vỡ nợ ($LGD$) phụ thuộc phi tuyến vào tỷ lệ $LTV$ và thời gian xử lý tài sản bảo đảm, chịu sự điều tiết của tính thanh khoản thị trường tài sản tại địa phương.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 trụ cột lý thuyết và phương pháp luận:

1. Khung quản trị rủi ro "Ba tuyến bảo vệ" chuẩn hóa theo Basel (2015) và Viện Kiểm toán Nội bộ quốc tế (IIA, 2013, 2020), định vị chính xác vị trí triển khai của các công cụ AI tại Tuyến thứ hai (Khối Quản lý rủi ro) nhằm đảm bảo sự phân tách độc lập hoàn toàn với Tuyến thứ nhất (Khối Kinh doanh) và Tuyến thứ ba (Kiểm toán nội bộ) theo khuyến nghị của Tammenga (2020).
2. Chu trình quản lý rủi ro tín dụng khép kín 4 bước (Nhận diện – Đo lường – Sử dụng công cụ – Báo cáo & Giám sát) theo Ghosh (2012) và Nguyễn Văn Tiến (2015).
3. Khung phân tích định lượng đo lường rủi ro nâng cao (AIRB Framework) xử lý song song 3 vector tham số:

$$\text{Tổn thất dự tính } (EL) = PD(X_{i}) \times LGD(Z_{i}) \times EAD(W_{i})$$

Trong đó $X_{i}, Z_{i}, W_{i}$ là các vector đặc trưng gồm thông tin nhân khẩu học, chỉ số tài chính, lịch sử giao dịch và tài sản bảo đảm của khoản vay.

Điều kiện biên (Boundary Conditions): Mô hình được thiết lập và kiểm định trong điều kiện khuôn khổ pháp lý của hệ thống ngân hàng Việt Nam (Thông tư 02/2013/TT-NHNN, Thông tư 41/2016/TT-NHNN), áp dụng cho danh mục cho vay khách hàng cá nhân và doanh nghiệp quy mô vừa và nhỏ tại Agribank.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng thế giới quan thực chứng (Positivism Paradigm) với lập trường nhận thức luận khách quan (Objectivist Epistemology), kết hợp phương pháp nghiên cứu hỗn hợp đa cấp độ (Multi-level Mixed Methods Design):

• Cấp độ định tính/chẩn đoán tổ chức: Thiết kế bảng hỏi cấu trúc điều tra khảo sát trực tiếp 95 cán bộ tín dụng tại hệ thống Agribank, phân tầng theo 3 nhóm chức danh: 05 Lãnh đạo Ban/Phòng Tín dụng loại 1 và Phó Giám đốc chi nhánh; 28 Lãnh đạo Phòng Tín dụng chi nhánh loại 2 và Giám đốc Phòng giao dịch; 62 Chuyên viên tín dụng trực tiếp thực hiện quy trình cấp tín dụng.
• Cấp độ định lượng thực nghiệm: Thiết kế quy trình thử nghiệm song song (Benchmark Test) so sánh hiệu năng giữa mô hình kinh tế lượng truyền thống (Logistic Regression) và các thuật toán Trí tuệ nhân tạo (Decision Tree CART, Multi-Layer Perceptron Neural Networks).

Quy trình nghiên cứu rigorous

Quy trình thu thập, làm sạch và xử lý dữ liệu trải qua các bước kiểm chuẩn nghiêm ngặt:

• Tập dữ liệu 1 (Mô hình hóa $PD$): Thu thập toàn diện 15.470 hồ sơ tín dụng khách hàng cá nhân và kinh doanh tại Agribank trong giai đoạn 2009–2014. Cơ cấu mẫu gồm 12.118 khoản nợ tốt (chiếm tỷ trọng 78,3%) và 3.352 khoản nợ xấu (chiếm tỷ trọng 21,7%), với 19 biến số đặc trưng bao gồm nhân khẩu học, thu nhập, lịch sử quan hệ tín dụng, thời hạn vay, mục đích vay và tình trạng tài sản thế chấp.
• Tập dữ liệu 2 (Mô hình hóa $LGD$ và $EAD$): Thu thập 1.045 hồ sơ khách hàng chuyển nợ xấu từ 1 đến 3 năm, kế thừa 18 biến đặc trưng của tập 1 và bổ sung 2 biến số kỹ thuật quan trọng: Tỷ lệ dư nợ trên giá trị tài sản đảm bảo ($LTV$) và Tỷ lệ tổn thất thực tế trên tổng dư nợ tại thời điểm xử lý nợ xấu.
• Tam giác hóa phương pháp (Methodological Triangulation): Kết hợp kết quả phân tích thống kê định lượng, kết quả mô hình hóa máy học và phản hồi khảo sát thực địa từ 95 cán bộ ngân hàng nhằm triệt tiêu thiên lệch đo lường.

Data và phân tích

Hệ thống phương trình toán học và thuật toán được triển khai chi tiết:

1. Mô hình Hồi quy Logistic (LR Baseline):

$$\hat{Y} = \alpha + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k$$

Xác suất trả nợ được ước lượng qua hàm Sigmoid:

$$P = \frac{1}{1 + e^{-\hat{Y}}}$$

Ngưỡng phân loại (Cut-off Threshold) chuẩn hóa ở mức 0,5: Nếu $P < 0,5$, khách hàng được phân loại vào nhóm dự báo vỡ nợ; nếu $P \ge 0,5$, khách hàng được xếp vào nhóm trả nợ tốt (Lee et al., 2000).

2. Mô hình Mạng nơ-ron đa lớp truyền thẳng (MLP Neural Networks): Cấu trúc mạng gồm 3 tầng (Lớp đầu vào - Input Layer với 19 nơ-ron đặc trưng; Lớp ẩn - Hidden Layer tối ưu hóa số lượng node; Lớp đầu ra - Output Layer với 1 nơ-ron nhị phân). Các trọng số kết nối ($W_{ij}$) được huấn luyện bằng Thuật toán Lan truyền ngược (Back-Propagation Algorithm theo Rumelhart et al., 1986) nhằm tối thiểu hóa hàm sai số toàn mạng:

$$E = \frac{1}{p} \sum_{i=1}^{p} |f(X_i) - Y_i|$$

Trong đó $f(X_i)$ là đầu ra ước lượng của mạng cho quan sát thứ $i$, $Y_i$ là nhãn thực tế của khoản nợ (0: nợ xấu, 1: nợ tốt), và $p$ là tổng số quan sát trong tập huấn luyện ($p = 15.470$).

3. Mô hình Cây quyết định (Decision Tree - DT / CART): Phân nhánh đệ quy dựa trên chỉ số đồng nhất Gini (Gini Impurity) hoặc Entropy để trích xuất hệ thống luật logic phân lớp tường minh từ nút gốc (Root Node) qua các nút trung gian (Internal Nodes) đến các nút lá (Leaf Nodes) thể hiện mức độ rủi ro.

Tiêu chí đánh giá hiệu năng mô hình được xây dựng trên Ma trận nhầm lẫn (Confusion Matrix):

• Tỷ lệ phân loại đúng tổng thể (Accuracy Rate).
• Sai số loại I (Type I Error - Phân loại sai khách hàng tốt thành xấu, gây mất cơ hội kinh doanh).
• Sai số loại II (Type II Error - Phân loại sai khách hàng nợ xấu thành nợ tốt, gây tổn thất vốn trực tiếp).
• Chi phí phân loại sai (Misclassification Cost) theo tỷ lệ tổn thất kinh tế $5:1$ (Abdou et al., 2008).

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án ghi nhận 4 phát hiện thực nghiệm mang tính đột phá:

1. Ưu thế vượt trội của Mạng Nơ-ron MLP trong việc tối thiểu hóa Sai số loại II: Trong khi mô hình hồi quy Logistic truyền thống đạt tỷ lệ đúng tổng thể 81,70% nhưng chỉ nhận diện chính xác được 42,15% các khoản nợ xấu thực tế (để lọt tới 57,85% nợ xấu vào danh mục nợ tốt), thì mô hình Mạng Nơ-ron MLP đạt tỷ lệ phân loại đúng tổng thể 88,45% và nâng tỷ lệ phát hiện chính xác nợ xấu lên 82,10%. Với trọng số chi phí tổn thất nợ xấu gấp 5 lần nợ tốt, mô hình MLP giúp cắt giảm hơn 60% tổn thất rủi ro tín dụng tiềm tàng so với mô hình kinh tế lượng cổ điển. Kết quả này tương đồng với các phát hiện của Desai et al. (1996) tại Mỹ và Abdou et al. (2008) tại Ai Cập.
2. Khai phá các quy tắc phi tuyến bằng Cây Quyết định (CART): Mô hình DT xác định được cây cấu trúc logic phân tầng rủi ro: Khách hàng có thâm niên giao dịch dưới 12 tháng, không có tài sản bảo đảm dạng bất động sản, và tỷ lệ thu nhập/nợ gốc dưới 1,5 lần có xác suất chuyển nhóm nợ xấu lên tới 76,4%, bất kể trình độ học vấn hay giới tính.
3. Mô hình hóa thành công $LGD$ và $EAD$ theo chuẩn AIRB: Kết quả từ tập 1.045 hồ sơ nợ xấu chỉ ra rằng tỷ lệ $LTV$ và loại hình tài sản bảo đảm là hai nhân tố chi phối 71,3% biến thiên của $LGD$. Các khoản vay có $LTV > 80%$ có mức độ tổn thất thực tế khi vỡ nợ tăng vọt lên mức bình quân 48,2% so với mức 18,5% của nhóm có $LTV < 50%$. Đối với $EAD$, các khoản tín dụng hạn mức biến động (thẻ tín dụng, thấu chi) ghi nhận hệ số chuyển đổi tín dụng ($CCF$) tăng mạnh trong 6 tháng trước thời điểm vỡ nợ chính thức, khẳng định giả thuyết của Barakova & Parthasarathy (2013).
4. Điểm nghẽn tổ chức trong hệ thống quản trị rủi ro Agribank: Khảo sát 95 cán bộ ngân hàng chỉ ra rằng: 78,9% ý kiến xác nhận hệ thống quản trị rủi ro hiện tại còn phân tán, thiếu sự độc lập giữa khâu thẩm định bán hàng và phê duyệt; 84,2% cán bộ đánh giá hạ tầng cơ sở dữ liệu bị phân mảnh (Silo Data), chưa tích hợp dữ liệu lớn thời gian thực từ Trung tâm Thông tin Tín dụng Quốc gia (CIC) vào hệ thống xếp hạng nội bộ tự động.

Implications đa chiều

• Ý nghĩa lý thuyết: Xác lập khung phương pháp luận kết hợp hoàn chỉnh giữa chuẩn mực AIRB Basel II và thuật toán trí tuệ nhân tạo, giải quyết mâu thuẫn giữa độ chính xác dự báo (Accuracy) và khả năng giải trình (Interpretability) thông qua mô hình tích hợp MLP - Decision Tree.
• Ý nghĩa thực tiễn cho Agribank: Cung cấp bộ công cụ tính toán tự động $PD - LGD - EAD$, cho phép ban điều hành Agribank tính toán chính xác mức trích lập dự phòng rủi ro cụ thể và phân bổ vốn kinh tế (Economic Capital) tối ưu cho từng chi nhánh, thay vì áp dụng hệ số cào bằng theo phương pháp tiếp cận tiêu chuẩn ($SA$).
• Hàm ý chính sách cho Ngân hàng Nhà nước: Cung cấp luận cứ khoa học để hoàn thiện Thông tư 41/2016/TT-NHNN và Thông tư 13/2018/TT-NHNN, xây dựng lộ trình cho phép các ngân hàng thương mại Việt Nam đủ điều kiện được áp dụng phương pháp Xếp hạng tín dụng nội bộ nâng cao (AIRB) có sử dụng các thuật toán AI đã qua kiểm định hộp cát pháp lý (Regulatory Sandbox).

Limitations và Future Research

Luận án thừa nhận một cách khách quan các giới hạn khoa học:

1. Giới hạn chuỗi thời gian dữ liệu thực nghiệm: Dữ liệu mô hình hóa định lượng được trích xuất từ giai đoạn 2009–2014 do tính chất bảo mật nghiêm ngặt của ngân hàng thương mại nhà nước. Mặc dù bộ dữ liệu bao gồm 15.470 quan sát có giá trị thống kê cao, dữ liệu chưa phản ánh được các biến động vĩ mô phức tạp trong giai đoạn đại dịch COVID-19 và chu kỳ kinh tế 2020–2022.
2. Tính chất "Hộp đen" (Black-box) của thuật toán Deep Learning: Mạng nơ-ron đa lớp (MLP) tối ưu hóa trọng số thông qua lan truyền ngược nhưng thiếu khả năng giải thích tường minh từng quyết định từ chối tín dụng cho khách hàng vay, chưa tích hợp các công cụ giải thích AI hiện đại như SHAP (Shapley Additive exPlanations) hay LIME.
3. Phạm vi dữ liệu cấu trúc truyền thống: Nghiên cứu mới chỉ khai thác 19 biến số dữ liệu cấu trúc từ hồ sơ tín dụng và báo cáo tài chính nội bộ, chưa tích hợp nguồn dữ liệu phi cấu trúc (dữ liệu viễn thông, mạng xã hội, hành vi số, dữ liệu chuỗi cung ứng nông nghiệp).

Chương trình nghiên cứu tương lai (Future Research Agenda):

• Mở rộng 1: Phát triển các mô hình Trí tuệ nhân tạo có khả năng giải thích (Explainable AI - XAI) trong xếp hạng tín dụng nhằm đáp ứng yêu cầu tuân thủ của cơ quan giám sát.
• Mở rộng 2: Tích hợp các thuật toán Học máy tăng cường (Gradient Boosting, XGBoost, LightGBM) và Mạng nơ-ron tích chập (CNN) trên các tập dữ liệu phi cấu trúc và giao dịch số thời gian thực.
• Mở rộng 3: Thiết kế mô hình kiểm tra sức chịu tải rủi ro tín dụng (Credit Risk Stress Testing) tích hợp các kịch bản biến đổi khí hậu và rủi ro thiên tai đối với danh mục tín dụng nông nghiệp của Agribank.
• Mở rộng 4: Khảo sát mở rộng và kiểm định chéo (Cross-validation) mô hình trên toàn bộ hệ thống các Ngân hàng TMCP quy mô lớn tại Việt Nam (Vietcombank, VietinBank, BIDV).

Tác động và ảnh hưởng

• Tác động học thuật: Công trình đóng vai trò là tài liệu tham khảo chuẩn mực trong các chương trình đào tạo tiến sĩ và sau đại học chuyên ngành Tài chính - Ngân hàng và Khoa học Dữ liệu Tài chính (FinTech) tại Việt Nam, mở ra hướng nghiên cứu kết hợp giữa toán tài chính và khoa học máy tính ứng dụng.
• Chuyển đổi ngành ngân hàng: Cung cấp lộ trình thực thi chuyển đổi số cho mạng lưới hơn 2.200 chi nhánh và phòng giao dịch của Agribank, hỗ trợ tối ưu hóa quy trình phê duyệt tự động các khoản vay nông nghiệp quy mô nhỏ, cắt giảm thời gian thẩm định từ 3–5 ngày xuống còn vài phút.
• Tác động kinh tế - xã hội: Giảm thiểu tỷ lệ nợ xấu hệ thống, khơi thông dòng vốn tín dụng an toàn cho khu vực "Tam nông" (Nông nghiệp, Nông dân, Nông thôn), hạn chế tình trạng tín dụng đen tại các địa bàn vùng sâu vùng xa nhờ hệ thống chấm điểm tín dụng AI khách quan, công bằng.
• Ý nghĩa quốc tế: Đóng góp bằng chứng thực nghiệm từ một quốc gia đang phát triển vào kho tàng nghiên cứu của Ngân hàng Thế giới (WB) và Hội đồng Ổn định Tài chính (FSB) về ứng dụng AI an toàn trong hệ thống tài chính toàn cầu.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phân tích phương pháp luận hoàn chỉnh từ xây dựng dữ liệu, làm sạch, tối ưu hóa hàm lỗi mạng nơ-ron đến quy trình kiểm định đối sánh mô hình định lượng chuẩn quốc tế.
• Ban Lãnh đạo và Khối Quản trị rủi ro các NHTM: Sở hữu bản thiết kế quy trình và công thức toán học cụ thể để triển khai hệ thống đo lường rủi ro tín dụng theo chuẩn Basel II AIRB, nâng cao năng lực định giá khoản vay dựa trên mức độ rủi ro (Risk-Based Pricing).
• Các kỹ sư dữ liệu và chuyên gia FinTech: Ứng dụng hệ thống kiến trúc mạng nơ-ron MLP và cây quyết định đã được kiểm chuẩn thực tế trên 15.470 khoản vay để phát triển các sản phẩm cho vay số (Digital Lending) và ví điện tử.
• Cơ quan Quản lý Nhà nước (NHNN, Cơ quan Thanh tra Giám sát Ngân hàng): Có cơ sở khoa học định lượng để hoạch định chính sách cấp phép, giám sát các mô hình AI và ban hành khung tiêu chuẩn xếp hạng nội bộ nâng cao cho hệ thống ngân hàng thương mại Việt Nam.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Đóng góp độc đáo nhất là việc chuẩn hóa Khung đo lường tích hợp Basel II AIRB bằng Trí tuệ nhân tạo, mở rộng Lý thuyết Bất cân xứng thông tin của Stiglitz & Weiss (1981) và Lý thuyết Kết nối học của Rumelhart et al. (1986). Luận án chứng minh rằng trong thị trường tín dụng nông thôn với dữ liệu phi tuyến và thiếu báo cáo kiểm toán, mạng nơ-ron đa lớp có khả năng tự động trích xuất các đặc trưng tiềm ẩn từ 19 biến số hành vi để ước lượng xác suất vỡ nợ ($PD$) chính xác hơn các mô hình tham số cổ điển.

2. Đột phá về phương pháp luận của luận án khi so sánh với các nghiên cứu trước đây? So sánh với các nghiên cứu của Dinh & Kleimeier (2007) tại Việt Nam (chỉ sử dụng hồi quy Logistic đơn lẻ) và West (2000) hay Abdou et al. (2008) trên thế giới (chỉ tập trung vào $PD$ với các bộ mẫu nhỏ dưới 1.000 quan sát), luận án thực hiện bước nhảy vọt về quy mô và chiều sâu: Xây dựng đồng thời toàn bộ 3 trụ cột $PD - LGD - EAD$ trên tập dữ liệu lớn 15.470 khoản vay thực tế và 1.045 hồ sơ nợ xấu, đồng thời kết hợp kiểm định tam giác hóa với cuộc điều tra thực địa 95 cán bộ quản lý tín dụng.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Phát hiện bất ngờ nhất là sự tương phản gay gắt về năng lực kiểm soát Sai số loại II giữa Logistic Regression và Mạng Nơ-ron MLP: Mô hình Logistic Regression dù đạt tỷ lệ đúng tổng thể 81,70% nhưng bỏ sót tới 57,85% các khoản nợ xấu (chỉ nhận diện đúng 42,15%), trong khi mạng MLP đạt tỷ lệ phát hiện nợ xấu 82,10%. Điều này chỉ ra rằng các ngân hàng sử dụng hồi quy Logit đang phải chịu rủi ro tổn thất vốn tiềm tàng rất lớn mà các chỉ số đo lường độ chính xác tổng thể thông thường đã che giấu.

4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không? Có. Luận án mô tả chi tiết toàn bộ cấu trúc 19 biến số đầu vào, công thức hàm lỗi $E = \frac{1}{p}\sum |f(X_i) - Y_i|$, quy trình khởi tạo trọng số ngẫu nhiên, thuật toán lan truyền ngược, phương pháp chuẩn hóa dữ liệu, ngưỡng cắt phân loại ($Cut-off = 0,5$) và tiêu chí lựa chọn node lớp ẩn, cho phép các nhà nghiên cứu độc lập hoàn toàn có thể tái lập lại mô hình trên các tập dữ liệu tín dụng tương đương.

5. Chương trình nghiên cứu 10 năm được định hình như thế nào? Chương trình nghiên cứu 10 năm tập trung vào 3 giai đoạn: (i) Giai đoạn 2022–2025: Hoàn thiện hệ thống Trí tuệ nhân tạo giải thích được (XAI) và tích hợp dữ liệu lớn CIC theo thời gian thực; (ii) Giai đoạn 2025–2028: Mở rộng mô hình học sâu tích hợp dữ liệu phi cấu trúc và xây dựng mô hình kiểm tra sức chịu tải rủi ro khí hậu cho tín dụng nông nghiệp; (iii) Giai đoạn 2028–2032: Phát triển hệ thống tự động hóa ra quyết định tín dụng phi tập trung (Decentralized AI Credit Scoring) trên nền tảng ngân hàng mở (Open Banking).

Kết luận

1. Luận án đã hệ thống hóa và hoàn thiện cơ sở lý luận về ứng dụng Trí tuệ nhân tạo trong toàn bộ chu trình 4 bước của quản lý rủi ro tín dụng tại ngân hàng thương mại, định vị mô hình AI trong Tuyến bảo vệ thứ hai theo chuẩn mực quản trị quốc tế Basel.
2. Công trình đã phân tích sâu sắc thực trạng quản lý rủi ro tín dụng tại Agribank thông qua cuộc điều tra khảo sát khoa học 95 cán bộ tín dụng, chỉ rõ các rào cản về cơ cấu tổ chức phân tán và hạ tầng dữ liệu.
3. Luận án đã mô hình hóa định lượng thành công 3 tham số rủi ro cốt lõi theo phương pháp tiếp cận nâng cao (AIRB) của Basel II gồm Xác suất vỡ nợ ($PD$), Tỷ lệ tổn thất khi vỡ nợ ($LGD$), và Dư nợ tại thời điểm vỡ nợ ($EAD$) trên tập dữ liệu thực nghiệm 15.470 khoản vay và 1.045 hồ sơ nợ xấu của Agribank.
4. Nghiên cứu chứng minh bằng thực nghiệm sự vượt trội của Mạng Nơ-ron MLP với thuật toán lan truyền ngược trong việc tối ưu hóa tỷ lệ nhận diện nợ xấu (đạt 82,10%) và cắt giảm chi phí sai số phân loại so với các mô hình kinh tế lượng truyền thống.
5. Luận án đã đề xuất một hệ thống giải pháp toàn diện và lộ trình kiến nghị khả thi đối với Agribank và Ngân hàng Nhà nước Việt Nam nhằm hoàn thiện thể chế, hạ tầng công nghệ và nguồn nhân lực phục vụ chuyển đổi số an toàn trong quản trị rủi ro tín dụng.
6. Nghiên cứu mở ra 3 hướng nghiên cứu học thuật mới tại Việt Nam: Ứng dụng AI giải thích được (XAI) trong tài chính ngân hàng, Kiểm tra sức chịu tải tín dụng tích hợp rủi ro môi trường - xã hội, và Xây dựng hệ sinh thái chấm điểm tín dụng thông minh trên nền tảng dữ liệu lớn liên ngành.

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. 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.