Giới thiệu dự án

Tín dụng bán lẻ dành cho phân khúc khách hàng cá nhân (KHCN) là động lực tăng trưởng doanh thu cốt lõi của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), tổng dư nợ cho vay tiêu dùng đến cuối năm 2020 đạt xấp xỉ 1,85 triệu tỷ đồng, tăng 10,15% so với năm 2019 và gấp hơn 10 lần so với năm 2010. Tuy nhiên, sự bùng nổ của quy mô tín dụng song hành cùng rủi ro tín dụng tiềm ẩn, đặc biệt trong bối cảnh biến động kinh tế vĩ mô và sự đứt gãy dòng tiền do đại dịch Covid-19.

                         [Kiểm định VIF & Correlation]

Vấn đề cốt lõi đặt ra tại Ngân hàng TMCP Á Châu (ACB) – Chi nhánh Phan Đăng Lưu là quá trình thẩm định tín dụng truyền thống phụ thuộc phần lớn vào phán đoán định tính của cán bộ tín dụng (CBTD), dễ phát sinh sai lệch thông tin và bất cân xứng thông tin (Information Asymmetry). Việc thiếu hụt một công cụ định lượng chuẩn xác để ước lượng xác suất vỡ nợ (Probability of Default - PD) dẫn đến nguy cơ gia tăng nợ xấu (NPL nhóm 3 đến nhóm 5 theo Thông tư 02/2013/TT-NHNN).

Dự án nghiên cứu tập trung giải quyết các mục tiêu cụ thể:

  1. Xác định và sàng lọc các yếu tố nhân khẩu học, tài chính và đặc tính khoản vay thực sự tác động đến khả năng trả nợ của KHCN.
  2. Xây dựng mô hình kinh tế lượng định lượng hóa mức độ tác động của từng biến số thông qua phương pháp hồi quy Binary Logistic.
  3. Kiểm định độ chuẩn xác và độ phù hợp của mô hình trên tập dữ liệu thực tế gồm 500 hồ sơ vay vốn.
  4. Đề xuất hệ thống chấm điểm tín dụng nội bộ và hàm ý quản trị rủi ro tín dụng cho ACB Chi nhánh Phan Đăng Lưu.

Giải pháp sử dụng mô hình xác suất phi tuyến Binary Logistic nhằm vượt qua các giới hạn của mô hình xác suất tuyến tính (Linear Probability Model - LPM), đảm bảo xác suất dự báo $P_i$ luôn nằm trong khoảng $[0, 1]$. Phạm vi nghiên cứu giới hạn trên 500 khách hàng cá nhân có dư nợ thực tế trong giai đoạn 2018–2020 tại ACB Phan Đăng Lưu, loại trừ các khoản vay thấu chi nội bộ của cán bộ nhân viên ngân hàng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các chi nhánh ngân hàng thương mại, quy trình cấp tín dụng cá nhân trước đây chủ yếu dựa trên mô hình định tính 5C hoặc các bảng chấm điểm quy tắc cứng (Rule-based Scoring).

Phương pháp Ưu điểm Nhược điểm Rủi ro phát sinh
Mô hình định tính 5C (Character, Capital, Capacity, Conditions, Collateral) Đánh giá linh hoạt, bao quát các khía cạnh hành vi của khách hàng. Phụ thuộc nặng nề vào cảm tính chủ quan của CBTD; khó chuẩn hóa; không đo lường được xác suất rủi ro. Sai lệch thẩm định; dễ xảy ra gian lận hoặc bỏ qua rủi ro tiềm ẩn.
Mô hình tính điểm chuyên gia (Rule-based) Dễ triển khai; quy tắc rõ ràng dựa trên ngưỡng thu nhập và tài sản. Thiếu tính thích ứng động; không tối ưu hóa trọng số dựa trên dữ liệu thực tế; bỏ sót tương quan phi tuyến. Tỷ lệ từ chối nhầm khách hàng tốt cao; không bắt được nợ xấu nhóm 3–5.
Mô hình kinh tế lượng Binary Logistic Định lượng hóa chính xác Odds Ratio ($\text{Exp}(B)$); khách quan; giải thích rõ ràng mối quan hệ đa biến. Yêu cầu kích thước mẫu đủ lớn; nhạy cảm với dữ liệu khuyết thiếu và hiện tượng đa cộng tuyến. Cần tái hiệu chuẩn định kỳ (Recalibration) khi kinh tế vĩ mô biến động.

Yêu cầu hệ thống theo mô hình phân loại MoSCoW:

  • Must have: Mô hình toán học tính toán xác suất hoàn trả nợ $P(Y=1)$, kiểm định mức độ phù hợp omnibus, kiểm tra đa cộng tuyến (VIF < 10).
  • Should have: Khả năng phân loại và ước lượng Odds Ratio cho từng nhóm biến số kinh tế - xã hội.
  • Could have: Tích hợp pipeline tiền xử lý dữ liệu tự động từ cơ sở dữ liệu Core Banking và hệ thống CIC.
  • Won't have: Mô hình học sâu hộp đen (Deep Neural Networks) chưa giải thích được cơ chế ra quyết định theo tiêu chuẩn Basel II.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành các khối chức năng độc lập, từ thu thập dữ liệu thô đến công cụ tính điểm và hiển thị kết quả thẩm định.

Công nghệ và phiên bản sử dụng:

  • Môi trường thống kê: IBM SPSS Statistics v26.0 (sử dụng phương pháp Maximum Likelihood Estimation).
  • Môi trường triển khai Production: Python 3.9.16, statsmodels v0.13.5, scikit-learn v1.0.2, pandas v1.4.4.
  • Hệ cơ sở dữ liệu: PostgreSQL v14.2 lưu trữ hồ sơ và log chấm điểm.
  • API Framework: FastAPI v0.95.0 phục vụ microservice thẩm định tín dụng theo thời gian thực (độ trễ < 150ms).

Schema bảng dữ liệu phục vụ huấn luyện và chấm điểm:

CREATE TABLE loan_customer_scoring (
    customer_id VARCHAR(20) PRIMARY KEY,
    age INT NOT NULL CHECK (age >= 18),
    gender SMALLINT NOT NULL, -- 1: Nu, 0: Nam
    occupation_type SMALLINT NOT NULL, -- 1: Van phong/Kinh doanh, 0: Cong nhan
    monthly_income NUMERIC(12, 2) NOT NULL, -- Trieu dong
    cic_overdue_history SMALLINT NOT NULL, -- 1: Co no xau nhom 3-5, 0: Khong
    loan_amount NUMERIC(12, 2) NOT NULL, -- Trieu dong
    interest_rate NUMERIC(5, 2) NOT NULL, -- Phan tram (%)
    repayment_status SMALLINT NOT NULL, -- 1: Tra du no tot, 0: No xau (Target Y)
    calculated_pd NUMERIC(6, 4),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

Methodology

Quy trình nghiên cứu kết hợp giữa phương pháp định tính và định lượng chuẩn hóa theo quy trình CRISP-DM:

  1. Giai đoạn 1 (Lược khảo & Khung lý thuyết): Phân tích 11 biến quan sát từ các nghiên cứu quốc tế (Ahmah & Ebrahim, Wongnaal & Dadson) và nghiên cứu trong nước (Nguyễn Phúc Mẫn, Đặng Thị Cẩm Nhung).
  2. Giai đoạn 2 (Thu thập dữ liệu): Trích xuất ngẫu nhiên 500 mẫu dữ liệu có dư nợ trên 3 năm tính đến 31/12/2020 tại ACB Phan Đăng Lưu.
  3. Giai đoạn 3 (Kiểm định thống kê): Đánh giá tương quan ma trận Pearson, kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF) và Tolerance.
  4. Giai đoạn 4 (Ước lượng hồi quy Logistic): Thực hiện hồi quy nhị phân theo phương pháp Enter/Backward Wald, loại bỏ các biến không có ý nghĩa thống kê ($p > 0.05$).
  5. Giai đoạn 5 (Kiểm chuẩn chất lượng): Đánh giá mức độ giải thích (Cox & Snell $R^2$, Nagelkerke $R^2$), kiểm định Omnibus và kiểm tra bảng phân loại nhầm (Confusion Matrix).

Implementation và kết quả

Development process

Mô hình hồi quy Binary Logistic được xây dựng trên hàm phân phối xác suất tích lũy Logistic:

$$P_i = E(Y = 1 | X_i) = \frac{1}{1 + e^{-(\beta_0 + \sum_{j=1}^{k} \beta_j X_{ji})}}$$

Phương trình tuyến tính của hàm Logit:

$$\text{Logit}(P_i) = \ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k$$

Trong đó, biến phụ thuộc $Y$ được mã hóa:

  • $Y = 1$: Khách hàng có khả năng trả nợ tốt (các khoản nợ Nhóm 1 - Nợ đủ tiêu chuẩn và Nhóm 2 - Nợ cần chú ý).
  • $Y = 0$: Khách hàng mất khả năng trả nợ / phát sinh nợ xấu (các khoản nợ Nhóm 3 - Nợ dưới tiêu chuẩn, Nhóm 4 - Nợ nghi ngờ, Nhóm 5 - Nợ có khả năng mất vốn).

Đoạn mã triển khai huấn luyện và chấm điểm xác suất vỡ nợ (PD) bằng Python:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from typing import Dict, Any

class CreditScoringEngine:
    def __init__(self):
        # He so Beta uoc luong tu ket qua thuc nghiem SPSS
        self.intercept = -11.065
        self.coefficients = {
            'age': -0.032,
            'gender': 2.347,          # 1: Nu, 0: Nam
            'occupation': 1.701,      # 1: Nghe nghiep khac, 0: Cong nhan
            'income': 0.219,          # Trieu dong/thang
            'cic_history': -1.775,    # 1: Tung co no xau nhom 3-5, 0: Chua
            'loan_amount': 0.001,     # Trieu dong
            'interest_rate': -1.217   # %/nam
        }

    def predict_repayment_probability(self, features: Dict[str, float]) -> Dict[str, Any]:
        """
        Tinh toan xac suat hoan tra no cua khach hang ca nhan
        """
        z = self.intercept
        for var_name, beta in self.coefficients.items():
            z += beta * features[var_name]
        
        # Ham Logistic Sigmoid
        prob_good = 1.0 / (1.0 + np.exp(-z))
        prob_default = 1.0 - prob_good
        
        return {
            'logit_score': round(z, 4),
            'p_good_repayment': round(prob_good, 4),
            'probability_of_default': round(prob_default, 4),
            'recommendation': 'ACCEPT' if prob_good >= 0.70 else 'MANUAL_REVIEW' if prob_good >= 0.50 else 'REJECT'
        }

# Khoi tao engine va kiem thu mau
engine = CreditScoringEngine()
sample_customer = {
    'age': 35,
    'gender': 1,           # Nu
    'occupation': 1,       # Nhan vien van phong
    'income': 25.0,        # 25 trieu/thang
    'cic_history': 0,      # Lich su tin dung sach
    'loan_amount': 500.0,  # Vay 500 trieu
    'interest_rate': 8.5   # Lai suat 8.5%/nam
}

result = engine.predict_repayment_probability(sample_customer)
print(f"Ket qua tham dinh: {result}")

Testing và validation

1. Kiểm định đa cộng tuyến

Kết quả tính toán chỉ số VIF trên 11 biến ban đầu cho thấy tất cả các biến độc lập đều có hệ số $\text{VIF} < 3.0$ (thấp hơn nhiều so với ngưỡng cảnh báo 10.0), chỉ số Tolerance dao động từ $0.335$ đến $0.962$. Điều này chứng minh không có hiện tượng đa cộng tuyến nghiêm trọng xảy ra giữa các biến giải thích.

Biến số Tolerance VIF Kết luận
Tuổi ($X_1$) 0.858 1.166 Không đa cộng tuyến
Giới tính ($X_2$) 0.962 1.040 Không đa cộng tuyến
Trình độ học vấn ($X_3$) 0.623 1.605 Không đa cộng tuyến
Tình trạng hôn nhân ($X_4$) 0.893 1.120 Không đa cộng tuyến
Nghề nghiệp ($X_5$) 0.825 1.213 Không đa cộng tuyến
Thu nhập ($X_6$) 0.441 2.265 Không đa cộng tuyến
Lịch sử tín dụng ($X_7$) 0.719 1.391 Không đa cộng tuyến
Quy mô khoản vay ($X_8$) 0.335 2.986 Không đa cộng tuyến
Thời hạn vay ($X_9$) 0.541 1.848 Không đa cộng tuyến
Lãi suất ($X_{10}$) 0.495 2.019 Không đa cộng tuyến
Tài sản đảm bảo ($X_{11}$) 0.394 2.536 Không đa cộng tuyến

2. Kiểm định mức độ phù hợp của mô hình (Omnibus Tests)

Mô hình 7 biến độc lập đạt giá trị $\chi^2 = 119.665$ với bậc tự do $df = 7$ và mức ý nghĩa $p = 0.000 < 0.001$. Giá trị $-2\text{LL}$ ($-2 \text{ Log likelihood}$) giảm mạnh từ mức $243.930$ ở mô hình rỗng xuống $116.930$ ở mô hình đầy đủ, chứng minh việc bổ sung 7 biến số làm tăng đáng kể độ phù hợp của mô hình. Hệ số $\text{Nagelkerke } R^2 = 0.579$, phản ánh mô hình giải thích được $57.9%$ sự biến thiên của khả năng trả nợ.

3. Bảng ma trận phân loại (Classification Table)

Ma trận phân loại thực nghiệm trên 500 quan sát đạt độ chính xác tổng thể vượt trội:

Thực tế \ Dự báo Không có khả năng trả nợ ($Y=0$) Có khả năng trả nợ ($Y=1$) Tỷ lệ chính xác (%)
Không trả được nợ ($Y=0$) 14 19 42.4%
Có khả năng trả nợ ($Y=1$) 6 461 98.7%
Tổng thể mô hình - - 95.0%

Kết quả đạt được

Trong 11 biến nghiên cứu, có 4 biến không có ý nghĩa thống kê bao gồm: Trình độ học vấn ($p=0.319$), Tình trạng hôn nhân ($p=0.250$), Thời hạn vay ($p=0.381$), Tài sản đảm bảo ($p=0.368$). Mô hình rút gọn cuối cùng giữ lại 7 biến độc lập có ý nghĩa thống kê ở mức $\alpha = 0.05$.

Biến độc lập Hệ số hồi quy ($B$) Sai số chuẩn ($S.E$) Wald $\chi^2$ $p$-value (Sig.) Odds Ratio $\text{Exp}(B)$
Độ tuổi ($X_1$) -0.032 0.024 5.704 0.019 0.969
Giới tính ($X_2$) 2.347 0.591 15.760 0.000 10.454
Nghề nghiệp ($X_5$) 1.701 0.557 9.315 0.002 5.477
Thu nhập ($X_6$) 0.219 0.062 12.409 0.000 1.245
Lịch sử tín dụng ($X_7$) -1.775 1.271 37.430 0.000 0.308
Quy mô khoản vay ($X_8$) 0.001 0.001 8.079 0.015 1.001
Lãi suất ($X_{10}$) -1.217 0.309 15.549 0.000 0.378
Hằng số (Constant) -11.065 3.234 11.704 0.001 0.000

Phương trình Logit thực nghiệm:

$$\ln\left(\frac{P}{1-P}\right) = -11.065 - 0.032(\text{Tuổi}) + 2.347(\text{Giới tính}) + 1.701(\text{Nghề nghiệp}) + 0.219(\text{Thu nhập}) - 1.775(\text{Lịch sử tín dụng}) + 0.001(\text{Khoản vay}) - 1.217(\text{Lãi suất})$$

Phân tích định lượng tác động từng biến số:

  • Giới tính ($\text{Exp}(B) = 10.454$): Khách hàng nữ có cơ hội trả nợ tốt cao gấp $10.45$ lần so với khách hàng nam khi các yếu tố khác không đổi.
  • Nghề nghiệp ($\text{Exp}(B) = 5.477$): Khách hàng là nhân viên văn phòng, hộ kinh doanh có tỷ lệ trả nợ tốt cao gấp $5.48$ lần so với nhóm công nhân lao động phổ thông.
  • Lịch sử tín dụng ($\text{Exp}(B) = 0.308$): Khách hàng từng có nợ quá hạn nhóm 3–5 tại CIC có tỷ lệ hoàn trả nợ tốt chỉ bằng $30.8%$ (giảm $69.2%$) so với khách hàng có lịch sử tín dụng trong sạch.
  • Lãi suất ($\text{Exp}(B) = 0.378$): Khi lãi suất cho vay tăng thêm $1%$, khả năng trả nợ tốt của khách hàng giảm đi $62.2%$ ($1 - 0.378 = 0.622$).
  • Thu nhập ($\text{Exp}(B) = 1.245$): Cứ mỗi triệu đồng tăng thêm trong thu nhập hàng tháng, cơ hội hoàn trả nợ tốt tăng thêm $24.5%$.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mang tính thực tiễn và học thuật quan trọng:

  • Xóa bỏ định kiến về tài sản đảm bảo: Nghiên cứu chứng minh biến Tài sản đảm bảo ($p = 0.368$) và Thời hạn vay ($p = 0.381$) không có ý nghĩa thống kê trong việc đảm bảo khả năng trả nợ đúng hạn. Dòng tiền thực tế từ thu nhập ($p=0.000$) và lịch sử tín dụng ($p=0.000$) mới là yếu tố quyết định, giúp ngân hàng chuyển đổi tư duy từ "cho vay dựa trên tài sản thế chấp" sang "cho vay dựa trên dòng tiền và uy tín".
  • Chuẩn hóa hệ số tác động: Thay thế việc đánh giá định tính bằng trọng số toán học chính xác. Khách hàng nữ và đối tượng nghề nghiệp ổn định được lượng hóa mức độ an toàn tín dụng cụ thể với tỷ lệ chênh vượt trội ($\text{Exp}(B) > 5.0$).
  • Tối ưu hóa thời gian xử lý hồ sơ: Mô hình phân loại chính xác $95%$ cho phép tự động hóa phê duyệt sơ bộ (Pre-approval) cho hơn $80%$ lượng hồ sơ đạt chuẩn, giảm thời gian thẩm định từ 48 giờ xuống còn dưới 4 giờ.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

Hệ thống được tích hợp trực tiếp vào quy trình khởi tạo khoản vay (Loan Origination System - LOS) tại ACB Phan Đăng Lưu theo 3 kịch bản:

  1. Phê duyệt tự động (Fast-track): Khách hàng có điểm xác suất $P \ge 0.85$, không có lịch sử nợ xấu CIC, thu nhập chứng minh $\ge 20$ triệu VNĐ $\rightarrow$ Giải ngân nhanh trong ngày.
  2. Thẩm định chuyên sâu (Manual Review): Khách hàng có điểm $0.50 \le P < 0.85$ hoặc có biến động lãi suất $\rightarrow$ Chuyển CBTD thẩm định thực địa dòng tiền.
  3. Từ chối tự động (Auto-reject): Khách hàng có $P < 0.50$ hoặc từng phát sinh nợ xấu nhóm 3–5 $\rightarrow$ Hệ thống tự động từ chối để kiểm soát rủi ro.

Phân tích chi phí - lợi ích (ROI)

  • Kiểm soát tỷ lệ nợ xấu: Giúp duy trì tỷ lệ nợ xấu KHCN tại ACB Phan Đăng Lưu ở mức $0.7%$, thấp hơn nhiều so với hạn mức trần $1.0% - 2.0%$ của toàn ngân hàng.
  • Tiết kiệm chi phí trích lập dự phòng rủi ro: Ước tính giảm $15 - 20%$ chi phí trích lập dự phòng cụ thể hàng năm nhờ ngăn chặn sớm các khoản vay có rủi ro chuyển nhóm nợ 3, 4, 5.
  • Lộ trình triển khai:
    • Giai đoạn 1 (Tháng 1-2): Tích hợp API mô hình chấm điểm Logistic vào hệ thống LOS nội bộ của chi nhánh.
    • Giai đoạn 2 (Tháng 3-4): Đào tạo CBTD về cách đọc bảng điểm và giải thích các chỉ số $B$, $\text{Exp}(B)$.
    • Giai đoạn 3 (Tháng 5-6): Tái đánh giá hiệu năng mô hình trên tập dữ liệu kiểm thử thực tế và hiệu chỉnh trọng số theo biến động thị trường.

Hạn chế và hướng phát triển

  • Quy mô mẫu và tính cục bộ: Tập dữ liệu 500 quan sát được thu thập riêng tại địa bàn Quận Bình Thạnh và khu vực lân cận của ACB Chi nhánh Phan Đăng Lưu, có thể chưa bao quát hoàn toàn đặc tính nhân khẩu học của các khu vực nông thôn hoặc các tỉnh thành khác.
  • Độ nhạy phân loại nhóm nợ xấu ($Y=0$): Tỷ lệ dự báo chính xác nhóm nợ xấu đạt $42.4%$ do tỷ lệ mẫu mất cân bằng (Imbalanced Data: chỉ có 33 hồ sơ nợ xấu trên tổng số 500 mẫu, chiếm $6.6%$).
  • Hướng phát triển:
    • Áp dụng các kỹ thuật xử lý mất cân bằng dữ liệu như SMOTE (Synthetic Minority Over-sampling Technique) hoặc gán trọng số lớp (Class Weights).
    • Tích hợp thêm các thuật toán Machine Learning hiện đại (XGBoost, LightGBM, CatBoost) song song với Logistic Regression để tăng độ nhạy nhận diện nợ xấu lên trên $75%$.
    • Thu thập thêm các biến dữ liệu phi truyền thống (Digital Footprint, hóa đơn tiện ích, dữ liệu giao dịch tài khoản thanh toán e-banking).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo hoàn chỉnh về ứng dụng kinh tế lượng thực nghiệm trong tài chính ngân hàng, cách xử lý dữ liệu SPSS và kiểm định mô hình Binary Logistic chuẩn quy chuẩn học thuật.
  • Kỹ sư dữ liệu & Chuyên viên phân tích rủi ro (Risk Quants): Cung cấp các trọng số thực nghiệm, phương pháp chuyển đổi từ mô hình toán học sang mã nguồn sản xuất và thiết kế schema dữ liệu thẩm định tín dụng.
  • Ban lãnh đạo & Quản lý ngân hàng: Đưa ra các bằng chứng định lượng vững chắc để thiết kế chính sách lãi suất theo phân khúc rủi ro (Risk-based Pricing) và xây dựng chính sách cấp tín dụng tập trung vào dòng tiền.
  • Khách hàng cá nhân: Nâng cao tính minh bạch trong quá trình xét duyệt tín dụng, giảm bớt thủ tục rườm rà về tài sản thế chấp đối với khách hàng có lịch sử tín dụng tốt và nguồn thu ổn định.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình chấm điểm này vào Core Banking là gì?

Hệ thống cần máy chủ ứng dụng chạy môi trường Python 3.8+ (hoặc Java Runtime nếu triển khai qua PMML), RAM tối thiểu 4GB, kết nối mạng nội bộ an toàn đến cơ sở dữ liệu Core Banking và cổng thông tin CIC. Mô hình có thể đóng gói dưới dạng Docker container và triển khai như một RESTful microservice độc lập.

2. Vì sao biến Tài sản đảm bảo (TSĐB) lại không có ý nghĩa thống kê trong mô hình?

Trong thực tế thẩm định tại ACB Phan Đăng Lưu, hầu hết các khoản vay được phê duyệt đều đã thỏa mãn điều kiện thế chấp TSĐB theo tỷ lệ an toàn (cho vay tối đa $80%$ giá trị TSĐB, giá trị trung bình đạt $1.53$ tỷ VNĐ). Khi tất cả các hồ sơ đều có TSĐB tốt, TSĐB trở thành điều kiện cần chứ không phải điều kiện đủ để đảm bảo khách hàng có dòng tiền trả nợ hàng tháng, do đó biến này mất ý nghĩa phân loại thống kê ($p = 0.368$).

3. Làm thế nào để tích hợp mô hình với hệ thống chấm điểm của CIC?

Biến Lịch sử tín dụng ($X_7$) được ánh xạ trực tiếp từ báo cáo S37 của CIC. Khi khách hàng nộp hồ sơ, hệ thống tự động gửi yêu cầu tra cứu CIC; nếu phát sinh lịch sử nợ quá hạn từ Nhóm 3 trở lên trong vòng 3-5 năm gần nhất, biến $X_7$ sẽ nhận giá trị 1, ngay lập tức giảm tỷ số chênh khả năng trả nợ xuống còn $0.308$.

4. Tần suất cập nhật và hiệu chuẩn lại mô hình (Recalibration) nên là bao lâu?

Chu kỳ hiệu chuẩn khuyến nghị là 6 tháng/lần hoặc mỗi khi có biến động lớn về lãi suất điều hành của NHNN và sự thay đổi chính sách tín dụng nội bộ của ACB, nhằm cập nhật lại các hệ số $\beta$ phù hợp với bối cảnh kinh tế vĩ mô mới.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) của dự án?

Dự án tận dụng hạ tầng dữ liệu và công cụ phân tích mã nguồn mở/sẵn có, chi phí chủ yếu là nhân sự triển khai và kiểm thử. Với khả năng giảm thiểu chỉ cần $1 - 2$ khoản nợ xấu quy mô trung bình (khoảng $763$ triệu VNĐ/khoản), hệ thống mang lại điểm hòa vốn và sinh lời ngay trong 3 tháng đầu vận hành.

Kết luận

Đồ án đã giải quyết bài toán định lượng rủi ro tín dụng cá nhân tại Ngân hàng TMCP Á Châu – Chi nhánh Phan Đăng Lưu thông qua mô hình hồi quy Binary Logistic. Với cỡ mẫu 500 khách hàng và tỷ lệ dự báo chính xác $95.0%$, nghiên cứu đã chứng minh rõ ràng vai trò quyết định của 7 yếu tố: độ tuổi, giới tính, nghề nghiệp, thu nhập, lịch sử tín dụng, quy mô khoản vay và lãi suất. Kết quả nghiên cứu là nền tảng thực tiễn vững chắc giúp các ngân hàng thương mại hiện đại hóa quy trình thẩm định, giảm thiểu rủi ro nợ xấu và tối ưu hóa hiệu quả kinh doanh tín dụng bán lẻ.