[Podcast] Mô hình học máy Picture Fuzzy Set cho bài toán ra quyết định đa tiêu chí chấm điểm tín dụng ngân hàng 

18 Tháng Mười Một, 2024

Từ khóa: Tín dụng tiêu dùng, Chấm điểm tín dụng, Quyết định đa tiêu chí, Tập mờ viễn cảnh

Tín dụng là một hoạt động quan trọng trong nền kinh tế của một quốc gia. Tuy nhiên, hoạt động tín dụng đi kèm những rủi ro về nợ xấu. Ở một quy mô đủ lớn, nợ xấu sẽ gây nhiều hậu quả cho nền kinh tế nói riêng và xã hội nói chung. Vì vậy, dưới góc độ của người cho vay, xác định đối tượng nào nên được giải ngân, đối tượng nào không nên được giải ngân là rất quan trọng. Để làm được điều đó cần đến bài toán chấm điểm tín dụng. Trong bài nghiên cứu “Xây dựng mô hình kết hợp giữa tập mờ hình ảnh Picture Fuzzy Set và Fuzzy Topsis cho bài toán ra quyết định tín dụng ngân hàng”, tác giả Đại học Kinh tế Thành phố Hồ Chí Minh (UEH) đã đề xuất một mô hình chấm điểm tín dụng, sử dụng lý thuyết về tập mờ viễn cảnh trong môi trường đa tiêu chí, có khả năng tốt trong việc phát hiện những đơn nợ xấu.

Tín dụng là một hoạt động quan trọng của nền kinh tế ở mỗi quốc gia và tại Việt Nam cũng không ngoại lệ. Dữ liệu từ Ngân hàng nhà nước Việt Nam (Dư nợ tín dụng đối với nền kinh tế, 2022) công bố cho thấy tổng dư nợ tín dụng của nền kinh tế từ đầu năm đến tháng 10, năm 2022 đạt mức 11,657 triệu tỷ, tăng 11,62% so với giai đoạn cuối năm 2021. Trong đó, dư nợ cho vay tiêu dùng đạt khoảng 2,42 triệu tỷ đồng tăng khoảng 16% so với cuối năm 2021, chiếm gần 21% dư nợ tín dụng nền kinh tế với 84 tổ chức tín dụng tham gia cho vay. Dư nợ cho vay tiêu dùng của các Công ty tài chính tiêu dùng đạt khoảng 145 nghìn tỷ, tăng hơn 20% so với cuối năm 2021, chiếm gần 6% dư nợ cho vay tiêu dùng của hệ thống và chiếm gần 1,3% dư nợ toàn nền kinh tế. 

Về tỷ lệ sở hữu thẻ tín dụng tại Việt Nam, số liệu được cập nhật năm 2017 từ bộ dữ liệu của World Bank (“Credit Card Statistics,” 2021) cho thấy tỷ lệ sở hữu thẻ tín dụng trong số người trưởng thành là 4,12% – tăng từ con số 1,93% của năm 2014 và 1,24% của năm 2011. Như vậy, dù rằng tỷ lệ sở hữu thẻ tín dụng ở Việt Nam chưa cao, tuy nhiên xu hướng chung là đang gia tăng. Mặc dù việc sử dụng thẻ tín dụng chưa thật sự phổ biến nếu so với các nước khác, chính phủ Việt Nam đang có những bước tiến để đẩy mạnh hoạt động thẻ tín dụng, đặc biệt là thẻ tín dụng nội địa.

Nhìn chung, hoạt động tín dụng luôn đi cùng rủi ro nợ xấu. Rủi ro này nếu không được kiểm soát tốt sẽ gây hậu quả nghiêm trọng cho các ngân hàng nói riêng và cho nền kinh tế nói chung. Đối với bên cho vay, cụ thể là các ngân hàng hoặc cơ quan, tổ chức tín dụng hoạt động tín dụng có thể gây tổn hại về tài chính, thậm chí góp phần khiến cho hoạt động kinh doanh thua lỗ. Nhìn rộng ra, việc các ngân hàng và các tổ chức tín dụng hứng chịu nợ xấu nhiều có thể gây ảnh hưởng đến khoản tiền gửi tiết kiệm của khách hàng, bởi đây là nguồn tiền chính để ngân hàng cho vay. Một khi tình trạng này diễn ra trên quy mô rộng, rất có thể xảy ra hiệu ứng dây chuyền, gây ảnh hưởng đến cả một hệ thống ngân hàng. Bất ổn kinh tế, xã hội là điều khó tránh khỏi. Báo cáo của The World Bank (Điểm lại tháng 8/2022, 2022) cho biết trong giai đoạn quý I/2022, tỷ lệ nợ xấu điều chỉnh ước tính lên đến 5,76%. Đặc biệt, mảng tín dụng tiêu dùng có vẻ xấu đi đáng kể với tỷ lệ nợ xấu trong lĩnh vực này tại các công ty tài chính tiêu dùng phi ngân hàng đã tăng vọt từ 5,5% trong năm 2020 lên mức 9,4% trong năm 2021.

Với những phân tích và nhận định trên không khó hiểu khi chủ đề về kiểm soát tín dụng xấu luôn nhận được sự quan tâm của cả các nhà nghiên cứu cũng như những người làm thực tế. Trong khuôn khổ bài báo này, tác giả UEH đã đề xuất một mô hình chấm điểm tín dụng tiêu dùng giúp phát hiện sớm những đơn xin cấp tín dụng không tốt, nhằm hỗ trợ hạn chế tín dụng xấu, góp phần giữ vững an ninh kinh tế, xã hội.

Hình 1: Khung làm việc tổng quát chấm điểm tín dụng tiêu dùng

Hình 1 mô tả chi tiết mô hình đề xuất trong bài toán chấm điểm tín dụng tiêu dùng, trong đó bao gồm các yếu tố đầu vào, cung cấp thông tin và dữ liệu; quá trình phân tích để chấm điểm tín dụng sử dụng lý thuyết tập mờ viễn cảnh và đầu ra là danh sách các đơn tín dụng được sắp xếp theo điểm tín dụng. Phần sau đây mô tả chi tiết các thành phần của mô hình đề xuất.

  • Đầu vào của mô hình gồm: 
  • Dữ liệu về các đơn xin cấp tín dụng mà người tiêu dùng có nhu cầu vay tín dụng đã điền trước đó. Dữ liệu này được trích xuất từ hệ thống lưu trữ của tổ chức tín dụng.
  • Trọng số của các tiêu chí được cung cấp từ chuyên gia.
  • Hàm tính số mờ viễn cảnh tổng hợp từ số mờ viễn cảnh của từng tiêu chí được lựa chọn bởi người xây dựng và sử dụng mô hình.
  • Hàm tính điểm tín dụng được lựa chọn bởi người xây dựng và sử dụng mô hình.
  • Dạng hàm thuộc và các hàm thích hợp để tính tham số của hàm thuộc được lựa chọn bởi người xây dựng và sử dụng mô hình.
  • Quá trình xử lý của mô hình:
      • Bước 1: Người xây dựng mô hình lựa chọn dạng hàm thuộc và hàm tính tham số thích hợp cho các hàm thuộc, hàm trung lập và hàm không thuộc cho từng tiêu chí. Thông thường ta có thể sử dụng dạng hàm và hàm tính tham số giống nhau cho các tiêu chí. Tuy nhiên, tùy trường hợp người xây dựng mô hình cũng có thể sử dụng các dạng hàm và hàm tính tham số khác nhau cho các tiêu chí khác nhau.
  • Bước 2: Đưa dữ liệu thực tế của các đơn xin cấp tín dụng đang được lưu trữ tại hệ thống của tổ chức vào các dạng hàm và hàm tính tham số đã chọn ở bước 1 để tạo ra các hàm thuộc, hàm trung lập và hàm không thuộc của từng tiêu chí
      • Bước 3: Dữ liệu từ hệ thống lưu trữ được đưa vào các hàm thuộc, hàm trung lập và hàm không thuộc của từng tiêu chí để cho ra các số mờ viễn cảnh (picture fuzzy number) của từng tiêu chí
      • Bước 4: Các số mờ viễn cảnh này kết hợp với trọng số của các tiêu chí theo phương pháp tập mờ viễn cảnh trung bình có trọng số (picture fuzzy weighted average) để thu được số mờ viễn cảnh tổng thể, tính cho toàn bộ các tiêu chí
      • Bước 5: Từ số mờ viễn cảnh tổng thể, sử dụng hàm tính điểm (scoring function) để chấm điểm tín dụng tiêu dùng cho từng đơn xin cấp tiêu dùng
      • Bước 6: Từ điểm số của từng đơn xin cấp tín dụng tiêu dùng, tiến hành sắp xếp theo thứ tự từ lớn đến bé
  • Đầu ra của mô hình:

Sau quá trình xử lý gồm 6 bước của mô hình, kết quả cuối cùng được trả ra từ mô hình đề xuất là một danh sách gồm các đơn xin cấp tín dụng được sắp xếp theo thứ tự điểm tín dụng từ cao xuống thấp.

Dữ liệu dùng để thử nghiệm mô hình đề xuất là dữ liệu thực tế của một ngân hàng thương mại tại Việt Nam gồm 8182 dòng được ghi nhận trong giai đoạn từ tháng 5/2015 đến tháng 12/2020. Dữ liệu được thu thập trong quá trình người tiêu dùng điền đơn xin cấp tín dụng tiêu dùng. Bộ dữ liệu sử dụng cho nghiên cứu đã được lọc ra 07 trường dữ liệu có liên quan đến bài toán với những tiêu chí như đã đề cập ở phần trước. Sau các bước tiền xử lý dữ liệu, bộ dữ liệu gốc còn 3367 dòng và tiếp tục được đưa vào mô hình đề xuất.

Kết quả thực nghiệm cho thấy: Sử dụng ngưỡng điểm Credit Score = 0.5 để phân loại đơn tín dụng tốt hoặc không tốt. Thực tế, khi áp dụng, các tổ chức tín dụng hoặc các cá nhân, đơn vị sử dụng mô hình có thể chọn những ngưỡng điểm khác nhau để thử nghiệm kết quả tùy thuộc vào rủi ro. Đầu ra của bài toán chấm điểm tín dụng tương đương với bài toán phân loại, vì vậy tác giả sử dụng ma trận nhầm lẫn để đánh giá kết quả mô hình đề xuất với bộ dữ liệu cụ thể này.

Bảng 1: Kết quả ma trận nhầm lẫn của mô hình đề xuất

Tổng số quan sát Dự đoán
100% Không phải 

Nợ xấu

Nợ xấu
Thực Tế Không phải

Nợ xấu

65.30% 34.70%
Nợ xấu 7.50% 92.50%

Đối với bài toán chấm điểm tín dụng, mục tiêu là xác định những đơn xin cấp tín dụng có khả năng trở thành nợ xấu, vì vậy, nhóm tác giả lựa chọn chỉ số True Positive trong ma trận nhầm lẫn để đánh giá các mô hình. Bảng 2 dưới đây so sánh kết quả giữa mô hình đề xuất và hai kỹ thuật học máy là Hồi quy Logistic và Cây quyết định.

Bảng 2: Kết quả so sánh các mô hình dựa trên tiêu chí điểm True Positive

Mô hình Điểm True Positive
Mô hình đề xuất (với ngưỡng điểm là 0.5) 0.925
Mô hình Hồi quy Logistic 0.822
Mô hình cây quyết định 0.923

Như vậy, mô hình đề xuất sử dụng lý thuyết tập mờ viễn cảnh cho thấy kết quả khả quan nhất trong số các mô hình thử nghiệm trong việc phát hiện ra các đơn xin trợ cấp tín dụng tiêu dùng trở thành nợ xấu. Mô hình cây quyết định cũng cho thấy kết quả khả quan với điểm số True Positive sát sao và cuối cùng là mô hình Hồi quy Logistic.

Tín dụng là một thành phần quan trọng trong nền kinh tế, tuy nhiên sự phát triển của các hoạt động tín dụng luôn đi kèm với rủi ro về nợ xấu, nợ khó đòi. Nếu không có những biện pháp tích cực giảm thiểu, hạn chế những rủi ro về nợ xấu, hoạt động tín dụng sẽ dễ gây tổn hại cho nền kinh tế và khiến mất an ninh trật tự xã hội. Một trong những biện pháp giảm thiểu nợ xấu là siết chặt quá trình cho vay tín dụng, thông qua việc xem xét kỹ lưỡng khả năng trả nợ của người đi vay. Trước thực tế đó, bài toán về chấm điểm tín dụng ra đời và nhận được nhiều sự quan tâm của giới học thuật cũng như những người làm quản trị.

Trong bài viết này, tác giả UEH đề xuất một mô hình mới giúp chấm điểm tín dụng, cụ thể là trong mảng cho vay tín dụng tiêu dùng, sử dụng lý thuyết về tập mờ viễn cảnh, tận dụng ý kiến chuyên gia để tính điểm cho các đơn xin vay tín dụng tiêu dùng. Mô hình đề xuất được thực nghiệm trên bộ dữ liệu thực tế, với hơn 3000 dòng dữ liệu của một ngân hàng thương mại tại Việt Nam. Kết quả của mô hình đề xuất trên bộ dữ liệu mẫu cho thấy sự hiệu quả trong việc phát hiện ra các trường hợp nợ xấu. Mô hình đề xuất bổ sung một khoảng trống nghiên cứu trong môi trường học thuật với chủ đề về chấm điểm tín dụng và ứng dụng lý thuyết mờ. Ngoài ra, ngân hàng và các bên cho vay nói chung có thể thử nghiệm mô hình đề xuất để chấm điểm tín dụng. Đầu ra của mô hình là danh sách các đơn xin cấp tín dụng từ đầu vào được sắp xếp theo thứ tự từ lớn đến bé theo điểm tín dụng. Dựa vào kết quả này, bên cho vay có thể có hai hướng khai thác kết quả của mô hình. Thứ nhất, bên cho vay có thể lựa chọn một ngưỡng điểm phù hợp để chuyển đổi kết quả về dạng phân loại, như đã thực hiện ở trên. Thứ hai, đầu ra là danh sách đã được sắp xếp từ cao đến thấp dựa trên điểm tín dụng, người cho vay có thể giải ngân theo ngân sách có sẵn từ trên xuống dưới cho đến khi hết ngân sách. 

Về mặt học thuật, mô hình đề xuất đã giúp bổ sung một khoảng trống nghiên cứu trong chủ đề về chấm điểm tín dụng đặc biệt là chấm điểm tín dụng tiêu dùng. Ngoài ra những nghiên cứu liên quan đến ứng dụng về lý thuyết tập mờ và lý thuyết tập mờ viễn cảnh cũng có thể tham khảo báo cáo này. Về mặt thực tiễn, mô hình đề xuất có thể được ứng dụng thực tế để hỗ trợ hoạt động quyết định cho vay tiêu dùng của các ngân hàng thương mại và các tổ chức tín dụng nói chung. Từ đó, góp phần thúc đẩy hoạt động cho vay tín dụng tiêu dùng, tránh tình trạng người dân có nhu cầu phải tìm đến tín dụng đen và góp phần hạn chế nợ xấu, giúp ổn định an ninh, trật tự xã hội.

Xem toàn bộ bài nghiên cứu Xây dựng mô hình kết hợp giữa tập mờ hình ảnh Picture Fuzzy Set và Fuzzy Topsis cho bài toán ra quyết định tín dụng ngân hàng TẠI ĐÂY.

Tác giả: TS. Nguyễn Quốc Hùng – Đại học Kinh tế Thành phố Hồ Chí Minh.

Đây là bài viết nằm trong Chuỗi bài lan tỏa nghiên cứu và kiến thức ứng dụng từ UEH với thông điệp “Research Contribution For All – Nghiên Cứu Vì Cộng Đồng”, UEH trân trọng kính mời Quý độc giả cùng đón xem bản tin UEH Research Insights tiếp theo.

Tin, ảnh: Tác giả, Ban Truyền thông và Phát triển đối tác UEH

Giọng đọc: Thanh Kiều

Chu kỳ giảm giá của đồng USD?

TS. Đinh Thị Thu Hồng và nhóm nghiên cứu

26 Tháng Sáu, 2021

Việt Nam cần kịch bản cho thương mại tương lai

ThS. Tô Công Nguyên Bảo

26 Tháng Sáu, 2021

Hệ thống tiền tệ tiếp theo như thế nào?

TS. Lê Đạt Chí và nhóm nghiên cứu

26 Tháng Sáu, 2021

Chuyển đổi số trong khu vực công tại Việt Nam

Khoa Quản lý nhà nước

26 Tháng Sáu, 2021

Cần đưa giao dịch công nghệ lên sàn chứng khoán

Bộ Khoa học và Công nghệ

5 Tháng Sáu, 2021

Thiết kế đô thị: tầm nhìn vững chắc cho đô thị bền vững

Viện Đô thị thông minh và Quản lý

5 Tháng Sáu, 2021

Phục hồi du lịch và nỗ lực thoát khỏi vòng xoáy ảnh hưởng bởi Covid-19

Viện Đô thị thông minh và Quản lý

5 Tháng Sáu, 2021

2021 sẽ là năm khởi đầu của chu kỳ tăng trưởng mới

PGS.TS Nguyễn Khắc Quốc Bảo

5 Tháng Sáu, 2021

Quỹ vaccine sẽ khả thi khi có người dân đóng góp

Phạm Khánh Nam, Việt Dũng

5 Tháng Sáu, 2021

Kích thích kinh tế, gia tăng vận tốc dòng tiền

Quách Doanh Nghiệp

5 Tháng Sáu, 2021

Đi tìm chiến lược hậu Covid-19 cho doanh nghiệp bảo hiểm Việt Nam

PGS TS Nguyễn Khắc Quốc Bảo, ThS Lê Văn

5 Tháng Sáu, 2021

Insurtech – Cơ hội và thách thức cho Startup Việt

Ths. Lê Thị Hồng Hoa

5 Tháng Sáu, 2021