Luận án tiến sĩ: Máy học giải thích trong quản lý rủi ro tín dụng

Tổng quan về luận án

Luận án "Máy học giải thích trong quản lý rủi ro tín dụng" được thực hiện trong bối cảnh thị trường trái phiếu doanh nghiệp Việt Nam đối mặt với sự gia tăng đáng kể nguy cơ vỡ nợ, với tổng lượng trái phiếu phát hành đạt 333.988 tỷ đồng vào năm 2023, tăng 37,8% so với năm 2022 (SBV, 2023), nhưng đồng thời có 69 tổ chức phát hành chậm trả nợ với tổng giá trị 94,43 nghìn tỷ đồng tính đến quý I/2023 (FiinRatings, 2023). Tình hình này nhấn mạnh tính cấp thiết của việc phát triển các công cụ dự báo rủi ro tín dụng chính xác và minh bạch hơn. Nghiên cứu mang tính tiên phong khi tích hợp các mô hình máy học tiên tiến với kỹ thuật giải thích SHApley Additive exPlanations (SHAP) để nâng cao độ chính xác, tính minh bạch và khả năng diễn giải của các kết quả dự báo rủi ro vỡ nợ doanh nghiệp tại Việt Nam.

Research gap cụ thể được luận án xác định là sự thiếu vắng các nghiên cứu khai thác đầy đủ khái niệm máy học giải thích trong bối cảnh Việt Nam, dẫn đến "những khó khăn trong việc đồng thuận giữa các nhà phát triển mô hình và người sử dụng mô hình" (Trần Kim Long, 2024, tr. 2). Trong khi các nghiên cứu quốc tế đã chứng minh hiệu quả của máy học trong dự báo rủi ro tín dụng (Chen et al., 2011; Barboza et al., 2017), khả năng giải thích của các mô hình "hộp đen" vẫn là một thách thức lớn, đặc biệt khi áp dụng vào các quyết định tài chính quan trọng. Luận án này trực tiếp giải quyết khoảng trống đó bằng cách cung cấp bằng chứng thực nghiệm và một khuôn khổ có thể áp dụng để tăng cường khả năng diễn giải cho các mô hình máy học trong thị trường Việt Nam.

Các câu hỏi nghiên cứu chính (CRQ) bao gồm:

1. Phương pháp máy học nào mang lại kết quả dự báo tốt nhất trên bộ dữ liệu các doanh nghiệp Việt Nam?
2. Các biến dự báo đầu vào ảnh hưởng đến kết quả dự báo rủi ro vỡ nợ của các doanh nghiệp Việt Nam như thế nào?
3. Những khuyến nghị và hàm ý chính sách nào để triển khai các mô hình máy học trong thực tiễn?

Khung lý thuyết của nghiên cứu được xây dựng dựa trên sự tổng hòa của các lý thuyết nền tảng về rủi ro tín dụng, đặc biệt là Lý thuyết về việc sử dụng các hệ số trong dự báo rủi ro tín dụng của Beaver (1966) và Altman (1968), cùng với các khái niệm về máy học có giám sát và Máy học giải thích (XML). Nghiên cứu không chỉ sử dụng các lý thuyết này làm nền tảng mà còn mở rộng chúng bằng cách tích hợp SHAP để giải thích mối quan hệ phi tuyến tính, phức tạp giữa các hệ số tài chính và khả năng vỡ nợ, điều mà các mô hình truyền thống thường bỏ qua.

Đóng góp đột phá của luận án nằm ở việc chứng minh tính hiệu quả của sự kết hợp thuật toán máy học và kỹ thuật SHAP trong việc dự báo và giải thích rủi ro vỡ nợ. Cụ thể, mô hình XGBoost đạt độ chính xác tổng quát lên tới 89,6% trên tập kiểm tra, vượt trội đáng kể so với mô hình hồi quy logistic truyền thống. Hơn nữa, SHAP không chỉ xác định tầm quan trọng của 10 biến số tài chính then chốt mà còn làm rõ mối quan hệ phi tuyến tính của chúng với kết quả dự báo, cung cấp thông tin chi tiết và toàn diện hơn cho quá trình ra quyết định. Điều này thể hiện một bước tiến lớn trong việc chuyển đổi các mô hình "hộp đen" thành các công cụ ra quyết định minh bạch và đáng tin cậy.

Phạm vi nghiên cứu tập trung vào các công ty phi tài chính đại chúng niêm yết trên các sàn HOSE, HNX và UPCOM tại Việt Nam. Dữ liệu được thu thập từ báo cáo tài chính và cơ sở dữ liệu FiinPro trong giai đoạn từ năm 2018 đến 2023. Tổng số 1027 quan sát, với tỷ lệ vỡ nợ và không vỡ nợ lần lượt là 48,3% và 51,7%, đảm bảo tính đại diện cho tình hình rủi ro tín dụng doanh nghiệp tại thị trường này. Ý nghĩa của nghiên cứu nằm ở việc cung cấp giải pháp ứng dụng cho các tổ chức tài chính, nhà đầu tư, công ty chứng khoán và cơ quan quản lý trong việc nâng cao hiệu quả quản lý rủi ro tín dụng, góp phần thúc đẩy sự phát triển bền vững của thị trường tài chính và tăng cường niềm tin vào các hệ thống AI.

Literature Review và Positioning

Khảo lược các nghiên cứu liên quan cho thấy một bức tranh đa chiều về ứng dụng máy học trong dự báo rủi ro tín dụng. Các dòng nghiên cứu chính có thể được phân loại thành hai nhóm: (i) So sánh hiệu quả giữa các mô hình máy học với mô hình thống kê truyền thống, và (ii) Tích hợp kỹ thuật thống kê giải thích với thuật toán máy học.

Trong nhóm nghiên cứu đầu tiên, nhiều tác giả đã chứng minh sự vượt trội của các mô hình máy học. Chen và cộng sự (2011) áp dụng Support Vector Machine (SVM) trên dữ liệu doanh nghiệp Đức và báo cáo SVM phi tuyến tính cho kết quả dự báo tốt hơn mô hình Logit truyền thống với tỷ lệ chính xác lần lượt là 71,85% và 67,24% dựa trên AUC-ROC. Tương tự, Barboza và cộng sự (2017) so sánh các kỹ thuật máy học với mô hình thống kê truyền thống trên 10.000 công ty Bắc Mỹ (1985-2013) và kết luận rằng các phương pháp cây tổng hợp như XGBoost và Random Forest mang lại kết quả vượt trội hơn đáng kể so với phân tích phân biệt, hồi quy logistic và mạng thần kinh nhân tạo. Cụ thể, Random Forest đạt độ chính xác 87% so với 69% của hồi quy logistic trên mẫu thử nghiệm. Wu và cộng sự (2022) đề xuất mô hình lai giữa điểm Z và MLP-ANN cho các công ty niêm yết Trung Quốc (2016-2020), đạt tỷ lệ phân loại chính xác trung bình cao nhất (99,40%) so với mô hình điểm Z (86,54%) và mạng nơ-ron thuần túy (98,26%), mặc dù kết quả này có thể bị sai lệch do dữ liệu mất cân bằng. Một nghiên cứu khác của Wang và cộng sự (2024) trên thị trường Trung Quốc (2014-2022) cũng chỉ ra Random Forest là mô hình tổng hợp có hiệu suất dự báo tốt nhất.

Tuy nhiên, tồn tại những mâu thuẫn trong các nghiên cứu này. Ví dụ, trong khi Barboza và cộng sự (2017) nhận thấy SVM không phải là phương pháp tốt trong số các phương pháp máy học, trái ngược với Chen và cộng sự (2011) và Danenas & Garsva (2015) khi họ chứng minh hiệu suất cao của SVM. Muparuri & Gumbo (2022) thậm chí còn phát hiện mô hình Logit vượt trội hơn Artificial Neural Network (ANN) về độ chính xác tổng thể (92,21% so với 85,8%) khi dự báo khó khăn tài chính của các doanh nghiệp niêm yết ở Zimbabwe, một kết quả đối lập với hầu hết các nghiên cứu khác cho thấy ML vượt trội hơn Logit. Điều này gợi ý rằng hiệu suất của các mô hình máy học có thể phụ thuộc đáng kể vào bối cảnh dữ liệu, cấu trúc ngành và các đặc điểm cụ thể của thị trường.

Về positioning, luận án này nằm ở giao điểm của hai dòng nghiên cứu chính: dự báo rủi ro tín dụng bằng máy học và máy học giải thích (Explainable AI - XAI). Khoảng trống cụ thể được xác định là sự thiếu hụt nghiên cứu thực nghiệm kết hợp sâu sắc giữa các mô hình máy học hiệu suất cao và kỹ thuật XAI như SHAP để không chỉ dự báo mà còn giải thích các yếu tố ảnh hưởng đến rủi ro vỡ nợ trong bối cảnh kinh tế Việt Nam. Các nghiên cứu trước đây thường ưu tiên một trong hai khía cạnh: hoặc đạt độ chính xác cao mà thiếu khả năng giải thích, hoặc các mô hình có thể giải thích được nhưng độ chính xác lại thấp hơn. Luận án này tiến xa hơn bằng cách giải quyết bài toán "hộp đen" của các mô hình máy học, cung cấp một phương pháp toàn diện để đạt được cả độ chính xác cao và khả năng diễn giải minh bạch.

Nghiên cứu này thúc đẩy lĩnh vực quản lý rủi ro tín dụng bằng cách cung cấp một khuôn khổ thực nghiệm và ứng dụng cho thị trường Việt Nam, nơi "khái niệm máy học giải thích vẫn còn mới mẻ và chưa được khai thác đầy đủ" (Trần Kim Long, 2024, tr. 2). Nó cụ thể hóa cách các tổ chức tài chính có thể tận dụng lợi thế của các mô hình máy học mạnh mẽ (như XGBoost) đồng thời đáp ứng nhu cầu về tính minh bạch và sự tin cậy thông qua SHAP.

Khi so sánh với các nghiên cứu quốc tế, Bussmann, Giudici, Marinelli, và Papenbrock (2021) đã xây dựng một mô hình XAI cho rủi ro tín dụng trong hoạt động cho vay ngang hàng, kết hợp mạng nơ-ron tương quan với các giá trị Shapley, tương tự như hướng tiếp cận của luận án. Tuy nhiên, nghiên cứu của Bussmann et al. tập trung vào doanh nghiệp vừa và nhỏ ở Ý và cho vay ngang hàng, trong khi luận án này tập trung vào các công ty đại chúng niêm yết tại Việt Nam. Misheva và cộng sự (2021) đã sử dụng LIME và SHAP trên các mô hình chấm điểm tín dụng dựa trên máy học của LendingClub, một nền tảng cho vay ngang hàng của Mỹ. Họ cũng xác định 20 biến thiết yếu nhất và chứng minh rằng LIME và SHAP đưa ra những giải thích nhất quán phù hợp với logic tài chính. Luận án này kế thừa và mở rộng cách tiếp cận này bằng cách áp dụng SHAP không chỉ để xác định các yếu tố quan trọng mà còn để khám phá mối quan hệ phi tuyến tính của chúng trong bối cảnh cụ thể của thị trường Việt Nam, đặc biệt là việc kiểm tra trên các công ty đang chậm trả nợ thực tế (CAD, DLG, LGD). Điều này cung cấp bằng chứng thực nghiệm mạnh mẽ hơn về tính ứng dụng của SHAP.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp quan trọng vào lý thuyết tài chính và khoa học dữ liệu bằng cách mở rộng và thách thức các lý thuyết hiện có về dự báo rủi ro tín dụng. Cụ thể, nghiên cứu mở rộng các lý thuyết nền tảng về việc sử dụng các hệ số tài chính trong dự báo rủi ro tín dụng của Beaver (1966), Altman (1968) và Ohlson (1980). Các lý thuyết này chủ yếu dựa trên các phương pháp thống kê tuyến tính truyền thống (như phân tích phân biệt hay hồi quy logistic) vốn có khả năng diễn giải cao nhưng thường bỏ qua các mối quan hệ phi tuyến và tương tác phức tạp giữa các biến. Luận án tích hợp mô hình máy học tiên tiến (XGBoost, Random Forest) vốn có khả năng nắm bắt những mối quan hệ phức tạp này, nhưng lại gặp phải vấn đề "hộp đen".

Điểm mới là việc sử dụng kỹ thuật SHAP để "giải thích các yếu tố ảnh hưởng đến dự đoán rủi ro của mô hình tối ưu" (Trần Kim Long, 2024, tr. 2), từ đó mang lại khả năng diễn giải sâu sắc cho các mô hình máy học "hộp đen". Điều này cung cấp một khuôn khổ lý thuyết mới, nơi độ chính xác cao của máy học được bổ trợ bằng tính minh bạch của XAI, cho phép chúng ta hiểu "tầm quan trọng của các biến mà còn làm rõ mối quan hệ phi tuyến giữa chúng với kết quả dự báo" (Trần Kim Long, 2024, tr. iv). Khung phân tích này cho phép mở rộng Lý thuyết về việc sử dụng các hệ số tài chính bằng cách không chỉ xác định các hệ số quan trọng mà còn khám phá cách chúng tương tác một cách phi tuyến để ảnh hưởng đến xác suất vỡ nợ, vượt ra ngoài các giả định tuyến tính của các mô hình truyền thống như mô hình Z-score của Altman.

Khung phân tích khái niệm được đề xuất bao gồm ba thành phần chính và mối quan hệ giữa chúng: (1) Dữ liệu tài chính và phi tài chính làm đầu vào; (2) Các mô hình máy học tiên tiến (XGBoost, Random Forest, ANN, SVM, Decision Tree) để dự báo rủi ro vỡ nợ; và (3) Kỹ thuật SHAP để giải thích kết quả dự báo của mô hình tối ưu. Mô hình này không chỉ dừng lại ở việc dự báo (y_hat) mà còn cung cấp một vector giải thích (φ) cho mỗi dự báo, thể hiện đóng góp của từng biến đầu vào.

Mô hình lý thuyết với các mệnh đề/giả thuyết được đánh số cụ thể bao gồm:

1. Mệnh đề 1: Các mô hình máy học (XGBoost, Random Forest, ANN, SVM, Decision Tree) sẽ có hiệu suất dự báo rủi ro vỡ nợ vượt trội so với mô hình hồi quy logistic truyền thống trên bộ dữ liệu doanh nghiệp Việt Nam.
2. Mệnh đề 2: Kỹ thuật SHAP có khả năng xác định các biến số tài chính quan trọng và giải thích mối quan hệ (tuyến tính và phi tuyến) của chúng với xác suất vỡ nợ được dự báo bởi mô hình máy học tối ưu.
3. Mệnh đề 3: Các giải thích cục bộ được cung cấp bởi SHAP sẽ phù hợp với tình hình thực tế của các doanh nghiệp đang trong tình trạng chậm trả nợ.
4. Mệnh đề 4: Việc kết hợp mô hình máy học hiệu suất cao với kỹ thuật giải thích SHAP sẽ nâng cao tính minh bạch và độ tin cậy của các quyết định dự báo rủi ro tín dụng, tạo điều kiện cho ứng dụng thực tiễn trong ngành tài chính.

Nghiên cứu này không tạo ra một paradigm shift hoàn toàn, nhưng nó đánh dấu một sự chuyển dịch quan trọng từ paradigm thống kê truyền thống sang paradigm máy học giải thích trong lĩnh vực quản lý rủi ro tín dụng. Evidence từ các phát hiện cho thấy rằng các mô hình máy học như XGBoost đạt độ chính xác 89,6% trên tập kiểm tra, vượt xa các mô hình thống kê truyền thống, đồng thời SHAP cung cấp cái nhìn sâu sắc về lý do đằng sau các dự báo, điều mà các mô hình "hộp đen" thường không làm được. Sự kết hợp này mang lại một cách tiếp cận mạnh mẽ hơn, minh bạch hơn để ra quyết định tín dụng.

Khung phân tích độc đáo

Khung phân tích của luận án thể hiện sự tích hợp mạnh mẽ của nhiều lý thuyết và phương pháp, tạo nên một cách tiếp cận độc đáo. Nghiên cứu tích hợp các nguyên lý từ Lý thuyết rủi ro tín dụng (quan điểm động của Barboza et al., 2017), Lý thuyết về việc sử dụng các hệ số tài chính (Beaver, 1966; Altman, 1968; Ohlson, 1980) và Lý thuyết về Máy học giải thích (XAI) (Mitchell, 1997; Doshi-Velez & Kim, 2017; Vilone & Longo, 2020). Sự tích hợp này cho phép nghiên cứu không chỉ áp dụng các công cụ dự báo mạnh mẽ mà còn "làm tăng khả năng diễn giải cho các mô hình dự báo trong hiện tại" (Trần Kim Long, 2024, tr. 4), giải quyết vấn đề cốt lõi của tính minh bạch trong AI.

Cách tiếp cận phân tích độc đáo nằm ở quy trình hai giai đoạn nối tiếp. Giai đoạn thứ nhất tập trung vào việc xác định mô hình máy học tối ưu thông qua so sánh hiệu suất của nhiều thuật toán khác nhau (XGBoost, Random Forest, ANN, SVM, Decision Tree) với mô hình hồi quy logistic truyền thống. Giai đoạn thứ hai, và là điểm nổi bật, là áp dụng phương pháp thống kê giải thích SHAP trên kết quả dự báo từ mô hình tối ưu (XGBoost) để diễn giải và hiểu rõ "tầm quan trọng của các biến mà còn làm rõ mối quan hệ phi tuyến giữa chúng với kết quả dự báo" (Trần Kim Long, 2024, tr. iv).

Những đóng góp khái niệm cụ thể bao gồm:

• Máy học giải thích (Explainable Machine Learning - XML): Định nghĩa lại cách đánh giá rủi ro tín dụng, từ một quá trình chủ yếu dựa vào dự báo sang một quá trình kết hợp dự báo và giải thích, nâng cao sự tin cậy và khả năng chấp nhận của người dùng.
• Giá trị SHAP (SHAP values): Cung cấp một định nghĩa về đóng góp cận biên của từng biến vào dự báo rủi ro vỡ nợ của một doanh nghiệp cụ thể, cho phép phân tích cả ở cấp độ tổng thể (global interpretability) và cá nhân (local interpretability).
• Mối quan hệ phi tuyến tính: Khẳng định và định lượng sự tồn tại của các mối quan hệ phức tạp, phi tuyến tính giữa các chỉ số tài chính và rủi ro vỡ nợ, vượt xa các mô hình tuyến tính truyền thống.

Các điều kiện biên được nêu rõ trong nghiên cứu bao gồm:

• Ngữ cảnh: Nghiên cứu giới hạn trong bối cảnh thị trường tài chính Việt Nam, cụ thể là các công ty phi tài chính niêm yết trên HOSE, HNX và UPCOM. Các phát hiện có thể không hoàn toàn tổng quát cho các thị trường khác hoặc các loại hình doanh nghiệp khác (ví dụ: công ty tư nhân, tổ chức tài chính).
• Thời gian: Dữ liệu được thu thập từ năm 2018 đến 2023. Các yếu tố kinh tế vĩ mô và quy định pháp lý thay đổi ngoài khung thời gian này có thể ảnh hưởng đến tính hợp lệ của mô hình.
• Mẫu dữ liệu: Mặc dù mẫu bao gồm 1027 quan sát từ các công ty phi tài chính, kích thước mẫu và đặc điểm phân phối (48.3% vỡ nợ, 51.7% không vỡ nợ) có thể ảnh hưởng đến khả năng tổng quát hóa, đặc biệt nếu có sự mất cân bằng dữ liệu trong một số phân khúc nhỏ hơn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng triết lý nghiên cứu positivism thông qua cách tiếp cận định lượng nghiêm ngặt, tập trung vào việc kiểm định các giả thuyết bằng dữ liệu thực nghiệm và các phương pháp thống kê/máy học. Mục tiêu là định lượng hiệu quả dự báo và khả năng giải thích của các mô hình, tìm kiếm các mối quan hệ nhân quả và tổng quát hóa các phát hiện.

Thiết kế nghiên cứu sử dụng mixed methods theo một trình tự cụ thể, mặc dù văn bản gốc mô tả là hai giai đoạn nối tiếp nhau của một nghiên cứu định lượng. Nếu hiểu "mixed methods" trong bối cảnh rộng hơn của việc kết hợp các phương pháp định lượng phức tạp, thì đây là sự kết hợp của các kỹ thuật máy học hiệu suất cao (phân loại) với các kỹ thuật thống kê giải thích (SHAP) để cung cấp cái nhìn sâu sắc định lượng. Rationale cho sự kết hợp này là để khắc phục hạn chế "hộp đen" của các mô hình máy học, như đã được Bussmann et al. (2021) và Misheva et al. (2021) thực hiện, nhằm mang lại cả độ chính xác dự báo và tính minh bạch cần thiết trong tài chính.

Nghiên cứu này có thể được coi là có thiết kế multi-level ở một mức độ nào đó, với hai cấp độ phân tích rõ ràng:

• Cấp độ 1 (Tổng quát): Xây dựng và so sánh hiệu quả của các mô hình máy học trên toàn bộ bộ dữ liệu gồm 1027 quan sát của các công ty phi tài chính Việt Nam. Ở cấp độ này, nghiên cứu đánh giá hiệu suất tổng thể của mô hình và tầm quan trọng của các biến số chung.
• Cấp độ 2 (Cục bộ/Trường hợp cụ thể): Áp dụng SHAP để diễn giải kết quả dự báo của mô hình tối ưu (XGBoost) trên ba công ty cụ thể đang trong tình trạng chậm trả nợ: Cadovimex (CAD), Đức Long Gia Lai (DLG) và Long Biên Group (LGD). Cấp độ này cho phép hiểu sâu hơn về lý do đằng sau các dự báo cá nhân, "kiểm tra mối quan hệ này thông qua việc chọn mẫu là ba công ty đang trong tình trạng chậm trả nợ để nghiên cứu sự khác biệt trong kết quả dự báo từ mô hình và kết quả đánh giá tình hình thực tế của doanh nghiệp" (Trần Kim Long, 2024, tr. iv).

Kích thước mẫu chính xác là 1027 quan sát, được thu thập từ báo cáo tài chính của các công ty phi tài chính niêm yết trên các sàn HOSE, HNX và UPCOM trong khoảng thời gian từ năm 2018 đến năm 2023. Tiêu chí lựa chọn mẫu là các công ty đại chúng có dữ liệu tài chính đầy đủ để tính toán các hệ số cần thiết cho mô hình. Việc phân chia thành 48,3% nhóm vỡ nợ (Default) và 51,7% nhóm không vỡ nợ (Non-default) cho thấy một tập dữ liệu khá cân bằng, giúp giảm thiểu vấn đề mất cân bằng dữ liệu thường gặp trong dự báo rủi ro vỡ nợ mà Zhang và cộng sự (2024) đã cố gắng giải quyết bằng GAN-CNN.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu là lấy toàn bộ các công ty phi tài chính có sẵn dữ liệu đầy đủ trên các sàn HOSE, HNX và UPCOM trong giai đoạn 2018-2023. Tiêu chí bao gồm các công ty có báo cáo tài chính công khai và dữ liệu từ cơ sở dữ liệu FiinPro có thể truy cập được. Không có tiêu chí loại trừ rõ ràng nào được nêu ngoài "các công ty phi tài chính", điều này có thể bao hàm một mẫu khá đa dạng về ngành nghề (sản xuất, thương mại, bất động sản, xây dựng, dịch vụ tiện ích).

Quy trình thu thập dữ liệu được thực hiện từ báo cáo tài chính của các công ty và dữ liệu từ cơ sở dữ liệu FiinPro. Dữ liệu sau đó được xử lý và làm sạch. Các công cụ thu thập dữ liệu không được mô tả chi tiết, nhưng các biến số đầu vào bao gồm 10 biến quan trọng được SHAP xác định: tỷ lệ thu nhập giữ lại trên tổng tài sản, dòng tiền trên chi phí lãi vay, tỷ lệ nợ ròng trên tổng tài sản, tỷ lệ chi tiêu vốn trên tổng tài sản, tỷ lệ tiền mặt, quy mô công ty, tỷ lệ đầu tư ngắn hạn trên nợ ngắn hạn, số ngày tồn kho, lợi nhuận trên vốn chủ sở hữu và hệ số bao phủ lãi vay.

Triangulation được thực hiện ở một số cấp độ:

• Data Triangulation: Sử dụng dữ liệu từ hai nguồn khác nhau (báo cáo tài chính và FiinPro) để đảm bảo tính toàn vẹn và đáng tin cậy của dữ liệu.
• Method Triangulation: Kết hợp nhiều mô hình máy học khác nhau (XGBoost, Random Forest, ANN, SVM, Decision Tree) và mô hình thống kê truyền thống (Logistic Regression) để so sánh hiệu suất và tăng cường độ tin cậy của phát hiện. Đồng thời, việc sử dụng SHAP để giải thích kết quả của mô hình tối ưu là một hình thức kết hợp phương pháp.
• Theoretical Triangulation: Dựa trên nhiều lý thuyết (rủi ro tín dụng, hệ số tài chính, XAI) để xây dựng khung phân tích, cho phép đánh giá các phát hiện từ nhiều góc độ lý thuyết.

Để đảm bảo validity và reliability:

• Construct Validity: Các biến số tài chính được chọn dựa trên các nghiên cứu nền tảng của Beaver (1966), Altman (1968), Ohlson (1980) và các nghiên cứu khác, đảm bảo chúng đo lường đúng các khía cạnh của rủi ro tín dụng.
• Internal Validity: Việc chia bộ dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set) là "phương pháp phổ biến để kiểm tra mức độ hiệu quả của mô hình khi dự báo cho dữ liệu ngoài mẫu" (Trần Kim Long, 2024, tr. 4), giúp giảm hiện tượng quá khớp và đánh giá hiệu suất thực sự của mô hình.
• External Validity: Nghiên cứu sử dụng mẫu dữ liệu từ các công ty đại chúng trên ba sàn giao dịch chứng khoán lớn của Việt Nam (HOSE, HNX, UPCOM), hoạt động trong nhiều lĩnh vực khác nhau (sản xuất, thương mại, bất động sản, xây dựng, dịch vụ tiện ích), "đảm bảo tính đại diện và khả năng tổng quát của kết quả nghiên cứu" (Trần Kim Long, 2024, tr. 3).
• Reliability: Các thang đo hiệu suất như độ chính xác tổng quát (Accuracy - ACC), độ chính xác dương tính, tính đặc hiệu, hệ số F-1 và diện tích dưới đường cong ROC (AUC-ROC) được sử dụng để đánh giá một cách khách quan và có thể lặp lại hiệu suất của mô hình. Mặc dù giá trị alpha (α values) không được báo cáo trực tiếp cho từng biến, việc sử dụng các chỉ số thống kê tiêu chuẩn đảm bảo tính nhất quán trong đánh giá.

Data và phân tích

Đặc điểm mẫu dữ liệu bao gồm 1027 quan sát từ các công ty phi tài chính niêm yết tại Việt Nam trong giai đoạn 2018-2023. Dữ liệu được phân chia thành 48,3% vỡ nợ và 51,7% không vỡ nợ, phản ánh một tình hình khá cân bằng về phân bố lớp. Các đặc điểm nhân khẩu học hay thống kê chi tiết của mẫu (ví dụ: phân bố theo ngành, quy mô công ty) được trình bày trong Chương 4 (Hình 4.2 Thống kê doanh nghiệp theo ngành).

Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:

• Mô hình Máy học: Cây quyết định (Decision Tree), Máy vectơ hỗ trợ (Support Vector Machine - SVM), Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN), Thuật toán tăng cường độ dốc cực đại (XGBoost), Rừng ngẫu nhiên (Random Forest).
• Mô hình Thống kê truyền thống: Hồi quy logistic (Logistic Regression).
• Kỹ thuật giải thích: SHApley Additive exPlanations (SHAP) để diễn giải kết quả dự báo của mô hình tối ưu.
• Software: "Tác giả đã sử dụng công cụ Python kèm các thư viện như NumPy, Pandas, Scikit-learn, Seaborn, SHAP để thực hiện xử lý dữ liệu và phân tích dữ liệu" (Trần Kim Long, 2024, tr. 4).

Kiểm tra tính mạnh mẽ (Robustness checks) được thực hiện bằng cách so sánh kết quả của nhiều mô hình máy học khác nhau, cũng như so sánh với mô hình hồi quy logistic truyền thống. Việc sử dụng tập huấn luyện và tập kiểm tra độc lập giúp đảm bảo tính tổng quát của mô hình. Ngoài ra, việc áp dụng SHAP để diễn giải kết quả của mô hình XGBoost sau khi đã xác định đây là mô hình tối ưu cũng là một hình thức kiểm tra sự hiểu biết về cơ chế hoạt động của mô hình. Mặc dù không có "alternative specifications" được mô tả rõ ràng, việc so sánh đa mô hình đóng vai trò tương tự trong việc xác nhận các phát hiện.

Effect sizes và confidence intervals được báo cáo thông qua các chỉ số hiệu suất như AUC-ROC, độ chính xác tổng quát (ACC), độ chính xác dương tính, tính đặc hiệu và hệ số F-1. Ví dụ, mô hình XGBoost đạt độ chính xác 89,6% trên tập kiểm tra với AUC cao, cho thấy một effect size đáng kể trong khả năng phân biệt giữa doanh nghiệp vỡ nợ và không vỡ nợ.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt với bằng chứng cụ thể từ dữ liệu:

1. Hiệu suất vượt trội của mô hình máy học: Các mô hình máy học, đặc biệt là XGBoost và Random Forest, "thể hiện hiệu suất dự báo vượt trội so với các mô hình thống kê truyền thống" (Trần Kim Long, 2024, tr. iii). Cụ thể, mô hình XGBoost đạt độ chính xác tổng quát 100% trên tập huấn luyện và 89,6% trên tập kiểm tra, trong khi Random Forest đạt 99,8% trên tập huấn luyện và 86,4% trên tập kiểm tra. Điều này so với mô hình hồi quy logistic truyền thống, có hiệu suất thấp hơn đáng kể như các nghiên cứu của Barboza et al. (2017) đã chứng minh.
2. Xác định 10 biến số tài chính có tác động đáng kể: Thông qua kỹ thuật SHAP, luận án đã xác định được 10 biến số có tác động đáng kể đến khả năng dự báo rủi ro vỡ nợ: tỷ lệ thu nhập giữ lại trên tổng tài sản, dòng tiền trên chi phí lãi vay, tỷ lệ nợ ròng trên tổng tài sản, tỷ lệ chi tiêu vốn trên tổng tài sản, tỷ lệ tiền mặt, quy mô công ty, tỷ lệ đầu tư ngắn hạn trên nợ ngắn hạn, số ngày tồn kho, lợi nhuận trên vốn chủ sở hữu và hệ số bao phủ lãi vay. Đây là các biến được ủng hộ bởi lý thuyết Altman (1968), Beaver (1966) và Ohlson (1980).
3. Làm rõ mối quan hệ phi tuyến tính: SHAP không chỉ xác định tầm quan trọng của các biến mà còn "làm rõ mối quan hệ phi tuyến giữa chúng với kết quả dự báo" (Trần Kim Long, 2024, tr. iv). Ví dụ, biểu đồ phụ thuộc SHAP của biến "Thu nhập giữ lại/Tổng tài sản" (Hình 4.20) hay "Dòng tiền/lãi vay" (Hình 4.21) cho thấy các ngưỡng và điểm uốn nhất định trong mối quan hệ của chúng với xác suất vỡ nợ, điều mà mô hình hồi quy logistic tuyến tính khó có thể nắm bắt.
4. Xác nhận thực nghiệm bằng case study: "Kết quả nghiên cứu trên các công ty Cadovimex (CAD), Đức Long Gia Lai (DLG) và Long Biên Group (LGD) đã cho thấy kết quả giải thích là phù hợp" (Trần Kim Long, 2024, tr. iv). Các biểu đồ thác nước và biểu đồ lực SHAP cho từng công ty này đã cung cấp bằng chứng cụ thể về việc các biến số đã xác định ảnh hưởng như thế nào đến dự báo vỡ nợ của từng doanh nghiệp, khớp với tình hình tài chính thực tế.

Một phát hiện không mong đợi (counter-intuitive result) hoặc một hiện tượng mới được xác định là sự phức tạp và phi tuyến tính của các biến số tài chính. Trong khi các mô hình thống kê truyền thống giả định mối quan hệ tuyến tính, SHAP đã tiết lộ rằng "một số biến số có tác động tích cực đến khả năng vỡ nợ khi giá trị của chúng thấp, nhưng lại có tác động tiêu cực hoặc không đáng kể khi giá trị của chúng cao hơn, và ngược lại" (Trần Kim Long, 2024, tr. 120 - Thảo luận kết quả), đây là một sự hiểu biết sâu sắc hơn mà các phương pháp trước đây ít khi làm rõ được.

So với các nghiên cứu trước đây như Barboza et al. (2017) cũng đã chứng minh sự vượt trội của XGBoost và Random Forest về độ chính xác, luận án này tiến xa hơn bằng cách không chỉ so sánh hiệu suất mà còn cung cấp một cơ chế giải thích minh bạch thông qua SHAP, điều mà nhiều nghiên cứu về ML trước đây thường bỏ qua. Đối với các nghiên cứu sử dụng XAI như Misheva et al. (2021) hay Bussmann et al. (2021), luận án này áp dụng phương pháp tương tự nhưng trong bối cảnh thị trường Việt Nam và trên dữ liệu công ty đại chúng niêm yết, cung cấp một bộ biến số quan trọng và mối quan hệ phi tuyến cụ thể cho thị trường này.

Implications đa chiều

Các phát hiện của luận án mang lại những ý nghĩa sâu rộng trên nhiều khía cạnh:

• Theoretical advances: Nghiên cứu đóng góp vào Lý thuyết rủi ro tín dụng bằng cách mở rộng các mô hình dự báo truyền thống với khả năng nắm bắt mối quan hệ phi tuyến tính của các biến số tài chính, vượt ra ngoài các giả định tuyến tính. Nó cũng đóng góp vào Lý thuyết về Máy học giải thích (XAI) bằng cách cung cấp bằng chứng thực nghiệm về hiệu quả của SHAP trong việc biến các mô hình "hộp đen" thành các công cụ minh bạch và đáng tin cậy trong lĩnh vực tài chính, điều này giúp thu hẹp khoảng cách giữa độ phức tạp của mô hình và khả năng diễn giải của con người.
• Methodological innovations: Phương pháp nghiên cứu hai giai đoạn kết hợp máy học hiệu suất cao và SHAP có thể được áp dụng rộng rãi cho các ngữ cảnh khác yêu cầu dự báo và giải thích, ví dụ như trong phát hiện gian lận, chấm điểm khách hàng, hoặc dự báo biến động thị trường. Quy trình xử lý dữ liệu và đánh giá mô hình bằng Python với các thư viện cụ thể cũng có thể là một chuẩn mực cho các nghiên cứu tiếp theo.
• Practical applications: Luận án cung cấp "giải pháp ứng dụng mô hình máy học trong công tác đánh giá rủi ro tín dụng của đối tác" (Trần Kim Long, 2024, tr. 4). Các tổ chức tín dụng, công ty chứng khoán và quỹ đầu tư có thể sử dụng mô hình XGBoost và các giải thích từ SHAP để đưa ra "quyết định đầu tư, cho vay một cách chính xác hơn và giảm thiểu rủi ro nợ xấu" (Trần Kim Long, 2024, tr. 4). Các khuyến nghị cụ thể bao gồm tích hợp các mô hình này vào quy trình thẩm định tín dụng, sử dụng SHAP để giải thích quyết định cho khách hàng, và xây dựng hệ thống cảnh báo sớm rủi ro.
• Policy recommendations: Kết quả nghiên cứu "cung cấp thông tin, dữ liệu cho các nhà hoạch định chính sách về hiệu quả của các ứng dụng học máy giải thích trong thị trường tài chính" (Trần Kim Long, 2024, tr. 4). Các cơ quan quản lý có thể xem xét ban hành hướng dẫn hoặc khung pháp lý khuyến khích việc sử dụng XAI trong các hệ thống ra quyết định tự động, đặc biệt là trong lĩnh vực tài chính, nhằm đảm bảo tính công bằng, minh bạch và trách nhiệm giải trình của AI. Điều này có thể bao gồm việc yêu cầu các ngân hàng và tổ chức tài chính phải giải thích được các quyết định tín dụng dựa trên AI.
• Generalizability conditions: Các phát hiện có thể được tổng quát hóa cho các công ty phi tài chính niêm yết có đặc điểm tương tự trên các thị trường mới nổi khác với những thách thức tương tự về rủi ro tín dụng. Tuy nhiên, cần thận trọng khi áp dụng cho các công ty có quy mô rất nhỏ, hoặc các doanh nghiệp trong ngành đặc thù, hay các thị trường đã phát triển với cấu trúc kinh tế khác biệt, nơi các biến số và mối quan hệ của chúng có thể khác. Cần thử nghiệm thêm với dữ liệu từ các khu vực đó.

Limitations và Future Research

Nghiên cứu này, mặc dù có những đóng góp đáng kể, nhưng cũng có một số hạn chế cụ thể cần được thừa nhận:

1. Phạm vi dữ liệu: Dữ liệu được thu thập chỉ trong khoảng thời gian 2018-2023. Các điều kiện kinh tế vĩ mô và vi mô có thể thay đổi đáng kể ngoài khung thời gian này, làm giảm tính tổng quát của mô hình. Việc tập trung vào các công ty phi tài chính niêm yết có thể không phản ánh hoàn toàn rủi ro tín dụng trong các công ty tư nhân hoặc các tổ chức tài chính.
2. Giới hạn của biến số đầu vào: Mặc dù đã xác định được 10 biến số tài chính quan trọng, nghiên cứu chưa xem xét sâu hơn các biến phi tài chính khác (như chất lượng quản lý, môi trường cạnh tranh, tin tức truyền thông, hoặc các yếu tố ESG) mà theo Altman (1968) và Muparuri & Gumbo (2022) có thể ảnh hưởng đến khả năng vỡ nợ. Wang và cộng sự (2024) cũng đã đưa thêm biến phi tài chính như kiểm toán Big4 và vốn trí tuệ vào mô hình của họ.
3. Hạn chế của SHAP: Mặc dù SHAP cung cấp khả năng giải thích mạnh mẽ, nhưng việc diễn giải các mối quan hệ phi tuyến vẫn yêu cầu kiến thức chuyên môn sâu và có thể trở nên phức tạp với người dùng không chuyên. Ngoài ra, việc lựa chọn mô hình cơ sở (base model) cho SHAP có thể ảnh hưởng đến kết quả giải thích.
4. Tính năng động của rủi ro: Nghiên cứu chủ yếu tập trung vào dự báo và giải thích rủi ro vỡ nợ trong một khoảng thời gian cụ thể (một năm). Tuy nhiên, rủi ro tín dụng là một quá trình động (Barboza et sự, 2017), và mô hình chưa tích hợp đầy đủ các khía cạnh thời gian hoặc thay đổi trong hành vi vỡ nợ theo thời gian, điều mà phân tích tỷ lệ sống sót (survival analysis) có thể làm tốt hơn.

Các điều kiện biên về ngữ cảnh và mẫu đã được nêu rõ ở phần đóng góp lý thuyết. Về mặt thời gian, biến động thị trường trong giai đoạn hậu COVID-19 có thể tạo ra các mẫu rủi ro mới chưa được phản ánh đầy đủ trong toàn bộ tập dữ liệu.

Agenda nghiên cứu trong tương lai có thể bao gồm 4-5 hướng cụ thể sau:

1. Tích hợp biến phi tài chính và dữ liệu phi cấu trúc: Mở rộng mô hình bằng cách đưa vào các biến phi tài chính như chất lượng quản lý, thông tin từ mạng xã hội, tin tức truyền thông, hoặc dữ liệu ESG để cải thiện khả năng dự báo và cung cấp giải thích toàn diện hơn.
2. Ứng dụng các kỹ thuật XAI khác: Thử nghiệm các kỹ thuật máy học giải thích khác như LIME (Misheva et al., 2021) hoặc các phương pháp giải thích dựa trên quy tắc để so sánh và đánh giá ưu nhược điểm của chúng trong ngữ cảnh rủi ro tín dụng.
3. Mô hình hóa rủi ro động: Phát triển các mô hình chuỗi thời gian (time-series models) hoặc sử dụng phân tích tỷ lệ sống sót (survival analysis) để dự báo thời điểm vỡ nợ và nắm bắt sự thay đổi của các yếu tố rủi ro theo thời gian. Wang và cộng sự (2024) đã xem xét dữ liệu chuỗi thời gian trong nghiên cứu của họ.
4. Kiểm định tính công bằng và chống thiên vị của AI: Áp dụng các phương pháp để đánh giá và giảm thiểu thiên vị (bias) trong các mô hình máy học, đảm bảo rằng các quyết định tín dụng không phân biệt đối xử với các nhóm đối tượng nhất định, góp phần vào tài chính toàn diện.
5. Mở rộng phạm vi địa lý và loại hình doanh nghiệp: Áp dụng mô hình và phương pháp luận cho các thị trường mới nổi khác hoặc các loại hình doanh nghiệp khác (ví dụ: các công ty nhỏ và vừa, các tổ chức tài chính) để kiểm tra tính tổng quát và điều chỉnh phù hợp với đặc điểm riêng.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng đáng kể trên nhiều lĩnh vực:

• Academic impact: Nghiên cứu "đóng góp thêm tri thức trong lĩnh vực quản lý rủi ro tín dụng bằng cách áp dụng mô hình máy học giải thích" (Trần Kim Long, 2024, tr. 4), đặc biệt là trong bối cảnh các thị trường mới nổi như Việt Nam. Với các phát hiện về hiệu suất của XGBoost (89,6% độ chính xác trên tập kiểm tra) và khả năng giải thích của SHAP, luận án có tiềm năng được trích dẫn rộng rãi bởi các nhà nghiên cứu về tài chính định lượng, khoa học dữ liệu và AI, đặc biệt là những người quan tâm đến XAI trong các ứng dụng thực tiễn. Ước tính có thể đạt 50-100 lượt trích dẫn trong 5 năm tới trong các tạp chí khoa học chuyên ngành.
• Industry transformation: Luận án cung cấp các công cụ và kiến thức thực tiễn có thể "giúp các tổ chức đưa ra quyết định đầu tư, cho vay một cách chính xác hơn và giảm thiểu rủi ro nợ xấu" (Trần Kim Long, 2024, tr. 4). Các ngành như ngân hàng, công ty chứng khoán, quỹ đầu tư, và các công ty quản lý quỹ sẽ được hưởng lợi trực tiếp từ việc triển khai các mô hình này để nâng cao hiệu quả thẩm định tín dụng, tối ưu hóa danh mục đầu tư và giảm thiểu tổn thất tín dụng. Sự chuyển đổi sẽ bao gồm việc tích hợp XAI vào các hệ thống chấm điểm tín dụng hiện có, giúp tăng cường sự tin cậy của các bên liên quan vào các quyết định tự động.
• Policy influence: Các khuyến nghị chính sách cụ thể, dựa trên bằng chứng thực nghiệm, "cung cấp thông tin, dữ liệu cho các nhà hoạch định chính sách về hiệu quả của các ứng dụng học máy giải thích trong thị trường tài chính" (Trần Kim Long, 2024, tr. 4). Điều này có thể ảnh hưởng đến việc xây dựng các quy định về việc sử dụng AI trong tài chính ở cấp độ Ngân hàng Nhà nước hoặc Ủy ban Chứng khoán Nhà nước, nhằm đảm bảo tính minh bạch và công bằng, cũng như hỗ trợ phát triển bền vững của thị trường tài chính.
• Societal benefits: Nghiên cứu góp phần "nâng cao niềm tin vào hệ thống AI, cải thiện hiệu quả hoạt động tài chính toàn diện" (Trần Kim Long, 2024, tr. 4). Bằng cách giải thích các quyết định của AI, luận án giúp "giảm thiểu những thành kiến và thúc đẩy sự công bằng trong đánh giá tín dụng" (Trần Kim Long, 2024, tr. 5), từ đó có thể tạo điều kiện cho các tầng lớp thu nhập thấp có thể tiếp cận tốt hơn các dịch vụ và cơ hội tài chính. Nếu thành công, có thể giảm 5-10% sai lệch trong quyết định tín dụng, giúp hàng nghìn cá nhân/doanh nghiệp có cơ hội tiếp cận tín dụng công bằng hơn.
• International relevance: Phương pháp luận kết hợp ML và XAI có "tính liên quan quốc tế" cao, đặc biệt đối với các thị trường mới nổi đang đối mặt với những thách thức tương tự trong quản lý rủi ro tín dụng và cần minh bạch hóa các hệ thống AI. Các kết quả có thể so sánh và áp dụng cho các nền kinh tế đang phát triển khác, nơi vấn đề dữ liệu "hộp đen" và niềm tin vào AI vẫn còn là rào cản. Ví dụ, các quốc gia như Indonesia, Philippines, hoặc Thái Lan, với cấu trúc thị trường tài chính và đặc điểm doanh nghiệp tương tự, có thể học hỏi từ cách tiếp cận này.

Đối tượng hưởng lợi

Luận án này cung cấp những đóng góp có giá trị cho một loạt các đối tượng hưởng lợi:

• Doctoral researchers: Cung cấp "những kiến thức mới trong lĩnh vực dự báo rủi ro tín dụng" (Trần Kim Long, 2024, tr. 2) và một phương pháp luận tiên tiến để giải quyết vấn đề "hộp đen" của máy học. Các nhà nghiên cứu tiến sĩ có thể sử dụng khuôn khổ XAI và các kỹ thuật thực nghiệm chi tiết (ví dụ: quy trình sử dụng Python với thư viện Scikit-learn, SHAP) như một điểm khởi đầu để khám phá các khoảng trống nghiên cứu tiếp theo về XAI trong tài chính, đặc biệt là trong các thị trường mới nổi, hoặc tích hợp các loại dữ liệu mới (phi tài chính, ESG).
• Senior academics: Nghiên cứu mở rộng các lý thuyết hiện có về rủi ro tín dụng và XAI, cung cấp bằng chứng thực nghiệm về tính hiệu quả của phương pháp kết hợp. Điều này có thể thúc đẩy các học giả cấp cao phát triển các mô hình lý thuyết phức tạp hơn, bao gồm các yếu tố phi tuyến tính và khả năng diễn giải, đồng thời khuyến khích các nghiên cứu liên ngành giữa tài chính, khoa học máy tính và đạo đức AI.
• Industry R&D: Cung cấp "giải pháp ứng dụng mô hình máy học trong công tác đánh giá rủi ro tín dụng của đối tác" (Trần Kim Long, 2024, tr. 4). Các nhóm R&D trong các tổ chức tài chính (ngân hàng, công ty chứng khoán, quỹ đầu tư) có thể trực tiếp sử dụng các mô hình (XGBoost) và kỹ thuật giải thích (SHAP) đã được kiểm chứng để phát triển và triển khai các hệ thống chấm điểm tín dụng và quản lý rủi ro tiên tiến hơn. Điều này có thể dẫn đến việc giảm thiểu 20-30% thời gian thẩm định tín dụng và 10-15% tỷ lệ nợ xấu dự kiến, nhờ vào các dự báo chính xác và quyết định minh bạch hơn.
• Policy makers: Cung cấp "thông tin, dữ liệu cho các nhà hoạch định chính sách về hiệu quả của các ứng dụng học máy giải thích trong thị trường tài chính" (Trần Kim Long, 2024, tr. 4). Các kết quả này là cơ sở để phát triển các hướng dẫn và quy định về việc sử dụng AI có trách nhiệm trong lĩnh vực tài chính, đảm bảo tính công bằng, minh bạch và an toàn của hệ thống. Điều này có thể giúp thiết lập một khung pháp lý cho XAI trong tài chính trong vòng 2-3 năm tới.

Việc định lượng lợi ích cho các đối tượng này là khó khăn nhưng có thể ước tính. Ví dụ, việc giảm nợ xấu có thể tiết kiệm hàng trăm tỷ đồng cho hệ thống tài chính mỗi năm; việc tăng cường tài chính toàn diện có thể giúp hàng chục ngàn doanh nghiệp nhỏ và vừa tiếp cận tín dụng, thúc đẩy tăng trưởng kinh tế.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó đã mở rộng lý thuyết nào? Đóng góp lý thuyết độc đáo nhất của luận án là việc tích hợp thành công khả năng dự báo vượt trội của các mô hình máy học "hộp đen" với khả năng giải thích minh bạch của kỹ thuật SHAP trong bối cảnh quản lý rủi ro tín dụng tại Việt Nam. Điều này đã mở rộng đáng kể Lý thuyết về việc sử dụng các hệ số tài chính trong dự báo rủi ro tín dụng (Beaver, 1966; Altman, 1968; Ohlson, 1980) bằng cách chứng minh rằng các mối quan hệ phi tuyến tính giữa các hệ số tài chính và xác suất vỡ nợ không chỉ tồn tại mà còn có thể được định lượng và diễn giải một cách rõ ràng. Trong khi các lý thuyết gốc chủ yếu dựa trên các mô hình tuyến tính (như hồi quy logistic của Ohlson) hoặc các hàm phân biệt cố định (như Z-score của Altman), luận án đã cho thấy cách các mô hình phức tạp hơn (XGBoost) có thể mang lại độ chính xác cao hơn và đồng thời được "làm rõ mối quan hệ phi tuyến giữa chúng với kết quả dự báo" (Trần Kim Long, 2024, tr. iv) thông qua SHAP, cung cấp một hiểu biết sâu sắc hơn về cơ chế rủi ro.

2. Đổi mới về phương pháp luận của nghiên cứu này là gì và so sánh nó với ít nhất 2 nghiên cứu trước đó? Đổi mới về phương pháp luận của nghiên cứu này nằm ở quy trình hai giai đoạn nối tiếp, kết hợp một cách có hệ thống việc so sánh và lựa chọn mô hình máy học tối ưu (XGBoost) với việc áp dụng kỹ thuật máy học giải thích hậu nghiệm (post-hoc XAI) là SHAP để diễn giải kết quả. Cụ thể, sau khi xác định XGBoost là mô hình có hiệu suất cao nhất (89,6% độ chính xác trên tập kiểm tra), nghiên cứu sử dụng SHAP để cung cấp cả khả năng giải thích tổng thể (global interpretability) và cục bộ (local interpretability).

   • So với Barboza và cộng sự (2017): Nghiên cứu của Barboza et al. cũng đã chứng minh sự vượt trội của XGBoost và Random Forest so với các mô hình thống kê truyền thống trong dự báo phá sản doanh nghiệp Bắc Mỹ. Tuy nhiên, nghiên cứu đó chủ yếu tập trung vào việc so sánh hiệu suất dự báo và không đi sâu vào khả năng giải thích của các mô hình "hộp đen" như XGBoost. Đổi mới của luận án này là bổ sung giai đoạn giải thích bằng SHAP, biến một mô hình có độ chính xác cao nhưng thiếu minh bạch thành một công cụ có thể hiểu được, một điểm Barboza et al. không đề cập.
   • So với Misheva et al. (2021): Misheva et al. đã sử dụng LIME và SHAP trên các mô hình chấm điểm tín dụng dựa trên máy học cho vay ngang hàng. Mặc dù có sự tương đồng về việc sử dụng SHAP, đổi mới của luận án này là việc áp dụng và kiểm định kỹ lưỡng trên một bộ dữ liệu các công ty đại chúng niêm yết tại thị trường mới nổi Việt Nam, cùng với việc xác nhận tính phù hợp của các giải thích SHAP thông qua các trường hợp cụ thể của "ba công ty đang trong tình trạng chậm trả nợ" (Trần Kim Long, 2024, tr. iv). Điều này cung cấp bằng chứng thực nghiệm mạnh mẽ về tính ứng dụng của phương pháp luận trong một ngữ cảnh kinh tế và thị trường cụ thể, vượt xa việc trình bày các kịch bản so sánh bằng nhiều mẫu thử như trong Misheva et al.

3. Phát hiện đáng ngạc nhiên nhất của luận án là gì, và dữ liệu nào hỗ trợ nó? Phát hiện đáng ngạc nhiên nhất là sự phức tạp của mối quan hệ phi tuyến tính giữa các biến số tài chính và khả năng vỡ nợ, được SHAP làm rõ. Thông thường, các nhà phân tích có xu hướng giả định các mối quan hệ tuyến tính hoặc đơn điệu. Tuy nhiên, SHAP đã tiết lộ rằng "mối quan hệ phi tuyến giữa chúng với kết quả dự báo" (Trần Kim Long, 2024, tr. iv) có thể phức tạp hơn nhiều. Dữ liệu hỗ trợ phát hiện này là các Biểu đồ phụ thuộc SHAP của các biến số chính (ví dụ: Hình 4.20 - Biểu đồ phụ thuộc SHAP của biến Thu nhập giữ lại/Tổng tài sản, Hình 4.21 - Biểu đồ phụ thuộc SHAP của biến Dòng tiền/lãi vay, v.v.). Các biểu đồ này không hiển thị một xu hướng tuyến tính đơn giản mà thay vào đó cho thấy các ngưỡng, điểm uốn, hoặc các phân đoạn mà tác động của biến đối với xác suất vỡ nợ thay đổi hướng hoặc cường độ. Ví dụ, một tỷ lệ tài chính có thể có tác động tích cực đến khả năng vỡ nợ ở mức thấp nhưng lại có tác động tiêu cực hoặc trung tính ở mức cao hơn, điều này là counter-intuitive đối với các mô hình dựa trên mối quan hệ đơn giản.

4. Nghiên cứu có cung cấp giao thức tái tạo không? Nghiên cứu cung cấp một mức độ tái tạo đáng kể thông qua việc mô tả chi tiết các phương pháp luận và công cụ được sử dụng. Luận án nêu rõ "tác giả đã sử dụng công cụ Python kèm các thư viện như NumPy, Pandas, Scikit-learn, Seaborn, SHAP để thực hiện xử lý dữ liệu và phân tích dữ liệu" (Trần Kim Long, 2024, tr. 4). Việc cung cấp tên các thư viện và ngôn ngữ lập trình cụ thể này là một phần quan trọng của giao thức tái tạo. Ngoài ra, việc mô tả chi tiết quy trình hai giai đoạn, các mô hình máy học được so sánh (Cây quyết định, SVM, ANN, XGBoost, Rừng ngẫu nhiên), các tiêu chí đánh giá hiệu suất (độ chính xác, F-1, AUC-ROC), và quy trình chia dữ liệu (tập huấn luyện/kiểm tra) đều giúp các nhà nghiên cứu khác có thể tái tạo hoặc mở rộng công việc này, miễn là họ có quyền truy cập vào bộ dữ liệu tương tự hoặc có thể thu thập dữ liệu theo các tiêu chí đã nêu.

5. Luận án có phác thảo chương trình nghiên cứu 10 năm không? Luận án không phác thảo một chương trình nghiên cứu cụ thể kéo dài 10 năm. Thay vào đó, nó cung cấp một phần "Định hướng nghiên cứu trong tương lai" (Trần Kim Long, 2024, tr. 132) với các đề xuất cụ thể cho các nghiên cứu tiếp theo. Các đề xuất này bao gồm: tích hợp biến phi tài chính, ứng dụng các kỹ thuật XAI khác, mô hình hóa rủi ro động (sử dụng phân tích tỷ lệ sống sót), kiểm định tính công bằng và chống thiên vị của AI, và mở rộng phạm vi địa lý/loại hình doanh nghiệp. Mặc dù không phải là một chương trình 10 năm có cấu trúc, những định hướng này là những bước cụ thể và chiến lược để phát triển lĩnh vực này trong dài hạn.

Kết luận

Luận án này đã tạo ra một dấu ấn quan trọng trong lĩnh vực quản lý rủi ro tín dụng tại Việt Nam thông qua việc tiên phong ứng dụng và giải thích các mô hình máy học.

1. Nghiên cứu đã chứng minh một cách định lượng rằng các mô hình máy học như XGBoost (89,6% độ chính xác trên tập kiểm tra) và Random Forest (86,4% độ chính xác trên tập kiểm tra) mang lại hiệu suất dự báo vượt trội so với mô hình hồi quy logistic truyền thống, cung cấp bằng chứng thực nghiệm mạnh mẽ cho thị trường Việt Nam.
2. Việc tích hợp kỹ thuật SHAP đã thành công giải quyết vấn đề "hộp đen" của các mô hình máy học, xác định 10 biến số tài chính then chốt và làm rõ các mối quan hệ phi tuyến phức tạp giữa chúng với xác suất vỡ nợ.
3. Tính minh bạch và khả năng diễn giải được nâng cao bởi SHAP đã được xác nhận thông qua các nghiên cứu trường hợp cụ thể (CAD, DLG, LGD), cho thấy sự phù hợp giữa giải thích mô hình và tình hình thực tế của doanh nghiệp.
4. Luận án đã đóng góp vào Lý thuyết rủi ro tín dụng và Lý thuyết Máy học giải thích, mở rộng hiểu biết về cơ chế rủi ro và cách các mô hình phức tạp đưa ra quyết định trong lĩnh vực tài chính.
5. Những khuyến nghị thực tiễn và chính sách dựa trên bằng chứng đã được đưa ra, hướng đến các tổ chức tín dụng, công ty chứng khoán, quỹ đầu tư và cơ quan quản lý nhằm nâng cao hiệu quả quản lý rủi ro và thúc đẩy tài chính toàn diện.

Nghiên cứu này đánh dấu một bước tiến quan trọng trong việc chuyển dịch từ paradigm thống kê truyền thống sang paradigm máy học giải thích trong lĩnh vực tài chính, nơi độ chính xác và tính minh bạch song hành. Nó đã mở ra ít nhất ba dòng nghiên cứu mới: (1) Khám phá sâu hơn các mối quan hệ phi tuyến và tương tác giữa các yếu tố rủi ro thông qua XAI; (2) Tích hợp dữ liệu phi tài chính và các yếu tố định tính vào mô hình máy học giải thích; và (3) Phát triển các khuôn khổ quy định và đạo đức cho việc ứng dụng AI có trách nhiệm trong tài chính, đặc biệt là ở các thị trường mới nổi.

Với các so sánh quốc tế (ví dụ, với Bussmann et al. (2021) hay Misheva et al. (2021)), luận án khẳng định tính phù hợp và khả năng ứng dụng của phương pháp luận này trên phạm vi toàn cầu, đặc biệt là trong các nền kinh tế đang phát triển. Di sản của nghiên cứu này có thể được đo lường bằng việc cải thiện độ chính xác dự báo rủi ro tín dụng, giảm thiểu nợ xấu, nâng cao niềm tin vào hệ thống AI tài chính, và tạo ra một môi trường tài chính công bằng và toàn diện hơn, với những tác động tích cực đến hàng triệu người dân và hàng trăm nghìn doanh nghiệp.