Mô hình chấm điểm tín dụng dựa trên sự kết hợp giữa mô hình Cây quyết định, Logit, K láng giềng gần nhất và Mạng thần kinh nhân tạo

46 © Học viện Ngân hàng ISSN 1859 - 011X Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 6. 2018 Mô hình chấm điểm tín dụng dựa trên sự kết hợp giữa mô hình Cây quyết định, Logit, K láng giềng gần nhất và Mạng thần kinh nhân tạo QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP Nguyễn Tiến Hưng Lê Thị Huyền Trang Ngày nhận: 03/06/2018 Ngày nhận bản sửa: 06/06/2018 Ngày duyệt đăng: 18/06/2018 Tìm kiếm một mô hình chấm điểm tín dụng hiệu quả đang là một vấn đề quan trọng khi tình trạng nợ xấu đã và đang ảnh hưởng nghiêm trọng tới hoạt động của các tổ chức tín dụng (TCTD) tại Việt Nam. Vài thập kỉ qua đã có nhiều nghiên cứu trong lĩnh vực thống kê tại các nước phát triển được tiến hành nhằm nâng cao tính chính xác của các mô hình chấm điểm tín dụng. Tuy nhiên, tại Việt Nam chưa có nhiều nghiên cứu về lĩnh vực này. Các nghiên cứu chủ yếu sử dụng các mô hình truyền thống như Logit (LR), phân tích phân biệt (DA). Một vài nghiên cứu có đề cập tới các mô hình học máy như cây quyết định (DT), K láng giềng gần nhất (KNN), mạng thần kinh nhân tạo (ANN). Bài nghiên cứu hướng đến việc xây dựng, đánh giá hiệu quả của các mô hình kết hợp DT_LR, DT_KNN, DT_ANN, đây là một xu hướng trong các nghiên cứu ứng dụng nhằm tăng cường độ chính xác cho các mô hình chấm điểm tín dụng. Từ khóa: Chấm điểm tín dụng, Cây quyết định, K láng giềng gần nhất, Mạng thần kinh nhân tạo 1. Giới thiệu hấm điểm tín dụng được hiểu một cách rộng rãi là việc đánh giá rủi ro tiềm tàng của các đối tượng đi vay theo một thang điểm nhất định. Mô hình chấm điểm tín dụng là một công cụ giúp cho nhà quản trị biết được khi nào họ nên cho vay, với số lượng tiền là bao nhiêu và họ cần phải xây dựng những chiến lược gì để gia tăng được lợi nhuận trong khi vẫn quản lý hiệu quả các rủi ro đi kèm. Việc xây dựng được một công cụ chấm điểm hiệu quả đem lại rất nhiều lợi ích cho các TCTD: ○ Cải thiện dòng vốn ○ Bảo đảm tài sản thế chấp là phù hợp ○ Giảm các khoản lỗ tín dụng QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 47Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 6. 2018 ○ Giảm chi phí phân tích tín dụng ○ Giảm thời gian đưa ra quyết định cấp tín dụng ○ Đa dạng hoá các sản phẩm tín dụng theo các phân cấp rủi ro khác nhau ○ Hiểu được hành vi của khách hàng. Chấm điểm tín dụng đo lường định lượng rủi ro tiềm tàng của khách hàng bằng cách phân tích dữ liệu cá nhân để tìm ra khả năng vỡ nợ của họ với khoản vay trong tương lai. Hoạt động này cũng có thể được hiểu như là một kỹ thuật khai phá dữ liệu, tìm kiếm các quy luật của các dữ liệu lịch sử và áp dụng đưa ra quyết định cấp tín dụng cho các khách hàng trong tương lai. Các kĩ thuật khai phá dữ liệu sử dụng trong lĩnh vực chấm điểm tín dụng được phát minh từ thập niên 50 thế kỉ trước (Lando, 2004). Đến nay, đã có rất nhiều các kĩ thuật được phát triển và ứng dụng, trong đó phổ biến nhất phải kể đến các kĩ thuật như: Phân tích phân biệt (DA), logit, K láng giềng gần nhất, mạng thần kinh nhân tạo (ANN) (Thomas và cộng sự, 2009; Abdou, 2011). Sự bùng nổ của công nghệ thông tin 4.0 cùng với sự phát triển của trí tuệ thông minh, thì việc tập trung vào khai phá dữ liệu sử dụng các kỹ thuật trí tuệ nhân tạo đang là xu hướng trong lĩnh vực chấm điểm tín dụng. Bên cạnh sự phát triển của các kĩ thuật phân loại đơn lẻ, đã có nhiều nghiên cứu tiến hành đánh giá hiệu quả của việc kết hợp các thuật toán đơn lẻ nhằm tối đa hoá khả năng dự báo trong các mô hình chấm điểm tín dụng. Một số nghiên cứu của Kim và cộng sự (2001), Ahn và cộng sự (2009), Luo và cộng sự (2009) đề cập đến việc sử dụng các kĩ thuật phân loại dữ liệu như Seft-Organzing Map (SOM), thuật toán di truyền (GA), thuật toán phân nhóm (K-MC), sau đó sử dụng dữ liệu mới này cho các mô hình chấm điểm như phân tích phân biệt (DA), Logit (LR), K-NN, ANN. Một số nghiên cứu khác của Lee và cộng sự (2005), Li và cộng sự (2010) kết hợp các kĩ thuật phân loại, trong đó kết quả dự báo của kĩ thuật này sẽ được sử dụng như là một nhân tố đầu vào cho kĩ thuật khác. Đã có rất nhiều cách kết hợp hiệu quả đã được tìm ra, tuy nhiên càng kết hợp nhiều kỹ thuật thì việc giải thích sự tác động giữa các dữ liệu đầu vào đến kết quả điểm được chấm càng khó khăn. Bài nghiên cứu sẽ xây dựng, đánh giá hiệu quả của mô hình kết hợp các mô hình DT_LR, DT_KNN, DT_ANN, nhằm tăng cường độ chính xác cho các mô hình chấm điểm tín dụng. 2. Các mô hình xếp hạng tín dụng 2.1. Mô hình Logit Mô hình Logit là mô hình hồi quy với biến phụ thuộc (Y) là biến nhị phân, chỉ nhận hai giá trị là 0 và 1; các biến độc lập có thể là biến nhị phân, biến rời rạc hoặc biến liên tục. Trong mô hình xếp hạng tín dụng, biến phụ thuộc Y nhận giá trị 0 khi khách hàng không trả được nợ và 1 khi khách hàng trả được nợ (Lee và cộng sự, 2000). Các biến độc lập đại diện cho các thông tin định tính và định lượng của khách hàng như thu nhập, độ tuổi, giới tính, trình độ học vấn... Sau khi hồi quy mô hình Logit, thu được Ŷ = α + β 1 X 1 + β 2 X 2 + ... + β k X k là giá trị ước lượng của Y. Khi đó, xác suất trả nợ của khách hàng được tính bằng công thức sau: P = 1/ (1 + e−Y) Giá trị P nhận được trong khoảng (0,1) được so sánh với các ngưỡng mà ngân hàng đặt ra để xếp hạng khách hàng. Tuy nhiên, trong bài nghiên cứu này, để dễ dàng hơn trong việc so sánh hiệu quả của các mô hình, giá trị ngưỡng để phân loại khách hàng được chọn là 0,5. Điều này có nghĩa rằng nếu giá trị P < 0,5, khách hàng sẽ được dự báo vỡ nợ, và ngược lại nếu P Hình 1. Cây quyết định (Decision tree) Nguồn: Abdou. (2011) QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 48 Tạp chí Khoa học & Đào tạo Ngân hàngSố 193- Tháng 6. 2018 ≥ 0,5, khách hàng sẽ được dự báo trả được nợ. 2.2. Cây quyết định (Decision Tree- DT) Cây quyết định (DT) là một kiểu mô hình phân lớp các quan sát dựa vào dãy các luật. Mô hình này bao gồm một nút gốc (Root node), các nút bên trong (Internal node) và nút lá (Leaf node). Mỗi một nút trong DT tương ứng với một biến; đường nối giữa nó với nút con của nó thể hiện một giá trị cụ thể cho biến đó (đây chính là điều kiện hay luật để phân nhánh cho mỗi node). Mỗi nút lá đại diện cho giá trị dự đoán của biến mục tiêu; các giá trị cho trước của các biến được biểu diễn bởi đường đi từ nút gốc tới nút lá đó (Hình 1). Cây quyết định được xây dựng bằng cách phân tách thuộc tính các giá trị tại mỗi nút dựa trên một thuộc tính đầu vào. Quá trình phân lớp sử dụng các thuộc tính phân tách được thực hiện liên tục cho tới khi gặp các nút lá (giá trị mục tiêu). Tập hợp các luật đường đi từ nút gốc tới nút lá sẽ xác định cho chúng ta các luật quyết định mà hàm mục tiêu trả về giá trị là mức độ rủi ro tương ứng với khách hàng. DT là một phương pháp phân lớp rất hiệu quả và dễ hiểu. Tuy nhiên, hiệu quả phân lớp của cây quyết định phụ thuộc rất lớn vào dữ liệu huấn luyện (training data). Do vậy, việc sử dụng một bộ dữ liệu lớn về lịch sử vay nợ của khách hàng là rất cần thiết để xây dựng mô hình DT đáng tin cậy. 2.3. K Láng giềng gần nhất (K-Nearest Neighbor- KNN) KNN là phương pháp học máy để phân lớp các đối tượng dựa vào khoảng cách gần nhất giữa đối tượng cần xếp lớp và tất cả các đối tượng trong dữ liệu huấn luyện. Lớp của một điểm dữ liệu mới (hay phân loại khách hàng) được suy ra trực tiếp từ K điểm dữ liệu gần nhất trong dữ liệu huấn luyện. Lớp này có thể được quyết định theo lớp có số lượng điểm (trong K điểm gần nhất) nhiều nhất. Từ Hình 2 có thể thấy, nếu chọn số điểm gần nhất để phân loại là 3 thì xung quanh điểm cần phân lớp có 3 điểm trong đó 1 điểm thuộc lớp 1 và 2 điểm thuộc lớp 2. Với số điểm thuộc lớp 2 nhiều hơn, điểm cần phân lớp được đưa vào lớp số 1. Tương tự như vậy, nếu lựa chọn số điểm gần nhất k=5 thì có năm điểm xung quanh điểm cần phân lớp, trong đó có 3 điểm thuộc lớp số 1 và 2 điểm thuộc lớp 2. Nếu theo dữ liệu này thì điểm cần phân lớp sẽ thuộc lớp số 1. Trên thực tế dữ liệu cần phân loại có nhiều thuộc tính trong đó mỗi thuộc tính tương ứng với một chiều không gian, do vậy khi tính khoảng cách gần nhất cần tính khoảng cách vector trong không gian đa chiều với công thức khoảng cách Euclidean: Hình 2. K Láng giềng gần nhất (K-Nearest neighbor- KNN) Nguồn: Marinakis và cộng sự (2008) QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 49Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 6. 2018 Trong đó: x, y là 2 điểm cần xác định khoảng cách; n là số chiều không gian (số thuộc tính của biến mục tiêu). 2.4. Mô hình Mạng Nơ ron nhân tạo (ANN) Nơ ron nhân tạo Ý tưởng về mạng nơ ron nhân tạo (ANN) được hình thành từ những quan sát bộ não con người với chức năng cơ bản là tiếp nhận thông tin, xử lý thông tin và đưa ra kết quả. Cụ thể, bộ não được cấu thành từ các nơ ron liên kết với nhau. Mỗi nơ ron tiếp nhận thông tin đầu vào, xử lý và xuất thông tin đầu ra. Vì các nơ ron có sự liên kết phức tạp với nhau nên thông tin đầu ra của nơ ron này sẽ là thông tin đầu vào của nơ ron khác. Đến khi các thông tin được xử lý thỏa mãn theo các yêu cầu thì não bộ sẽ ngừng quá trình này lại và đưa ra kết quả cuối cùng. Sự tương tác phức tạp của hàng tỉ nơ ron được mô hình hóa thành các mô hình nơ ron nhân tạo (ANN). Về cơ bản, ANN cấu tạo bởi các nơ ron nhân tạo hay còn được gọi là các “node”. Hình 3 mô tả cơ chế hoạt động của một node. Các biến số sẽ được các node tiếp nhận theo các trọng số khác nhau thể hiện sự quan trọng của các nhân tố đầu vào này. Các biến số đầu vào sau khi nhân với các trọng số sẽ được lấy tổng để trở thành 1 đầu vào duy nhất. Tại các node sẽ có các hàm kích hoạt để tính toán các kết quả đầu ra. Trong nghiên cứu này, để có sự tương đồng với mô hình logit, hàm kích hoạt sigmoid sẽ được dùng để xây dựng mô hình ANN. Hàm Hình 3. Cơ chế hoạt động nơ ron nhân tạo (node) Nguồn: Lee và cộng sự (2000) Hình 4. Mô hình mạng nơ ron đa lớp truyền thẳng (MLP) Nguồn: Lee và cộng sự (2005) QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 50 Tạp chí Khoa học & Đào tạo Ngân hàngSố 193- Tháng 6. 2018 sigmoid được mô tả bởi công thức S(x) = 1/ (1- ), do đó, với mọi giá trị đầu vào x nhận giá trị từ -∞ đến +∞ thì kết quả đầu ra nằm trong khoảng (0,1) Mạng Nơ ron nhân tạo Một mạng nơ ron đầy đủ bao gồm 3 lớp với tên gọi lớp đầu vào (input layer), lớp ẩn (hidden layer) và lớp đầu ra (output layer). Trong đó một mạng nơ ron có thể có nhiều hơn một lớp ẩn, tuy nhiên, Lee và cộng sự (2005) chỉ ra rằng mạng nơ ron một lớp ẩn có thể giải quyết hầu hết các bộ số liệu kinh tế phức tạp. Mỗi lớp được cấu tạo từ một cho đến nhiều node. Trong lịch sử phát triển của mạng nơ ron nhân tạo, nhiều kiểu kiến trúc mạng quy định kết nối giữa các node được hình thành, tuy nhiên, bài nghiên cứu sử dụng mạng nơ ron truyền thẳng đa lớp (MLP), một trong những mạng được sử dụng phổ biến và đem lại hiệu quả cao nhất. Cấu trúc của mạng truyền thẳng đa lớp được mô tả trong Hình 4. Số lượng node trong một lớp và số lượng lớp phụ thuộc vào sự phức tạp của cơ sở dữ liệu đầu vào và yêu cầu xử lý. Các node của lớp trước sẽ được truyền thẳng và kết nối tới tất cả node của lớp sau. Thông tin lan truyền trong mạng sẽ được gắn với các trọng số khác nhau. Các trọng số được ước lượng bằng thuật toán lan truyền ngược (Back-Propagation alogorithm), lần đầu tiên được giới thiệu bởi Rumelhart và cộng sự (1986). Thuật toán này điều chỉnh liên tục các trọng số của các kết nối trong mạng để tối thiểu hóa sự khác biệt giữa giá trị đầu ra ước lượng và giá trị đầu ra thực tế, quá trình này còn được gọi là quá trình huấn luyện mạng. Cụ thể, trong giai đoạn đầu tiên khi hình thành mạng MLP, các trọng số được khởi tạo ngẫu nhiên. Các giá trị đầu ra của mạng được thiết lập thông qua giá trị bộ giữ liệu đầu vào. Sự chênh lệch giữa giá trị đầu ra ước lượng và đầu ra thực tế, hay còn gọi là sai số của mạng được xác định bởi công thức: Trong đó f(X i ) là ước lượng đầu ra thứ i, Yj là giá trị đầu ra thực tế và p là số trường hợp trong bộ dữ liệu. Sau mỗi lần huấn luyện mạng sai số sẽ được lan truyền ngược lại và các trọng số sẽ được điều chỉnh để giảm sai số. Quá trình huấn luyện sẽ dừng lại khi khi mạng đạt được sai số nhỏ nhất, hay nói cách khác, mạng MLP đạt được cấu trúc hợp lý nhất để hiểu về bộ dữ liệu. 3. Đề xuất Mô hình kết hợp Phương pháp kết hợp này dùng để cải thiện hiệu suất và độ chính xác phân loại. Hệ thống phân loại được chia làm nhiều lớp dựa trên sự kết hợp của hai hay nhiều các mô hình phân loại để đạt được hiệu suất cao hơn. Mục tiêu của các mô hình kết hợp là sẽ điều chỉnh các tập dữ liệu huấn luyện, xây dựng các tập dữ liệu đào tạo mới trong đó có sử dụng được kết quả (thế mạnh dự báo) của các mô hình khác. Nhiều nghiên cứu chỉ ra rằng dữ liệu huấn luyện có thể không cung cấp đủ thông tin để lựa chọn một mô hình phân loại tốt nhất. Việc sử dụng các mô hình phân loại kết hợp có thể bù trừ giảm thiểu những hạn chế của các mô hình đơn lẻ. Một số nghiên cứu trước đây của Peter và cộng sự (2015), Radall (2017) đã tiến hành kết hợp mô hình DT và mô hình mạng ANN. Sự kết hợp này được đánh giá là hiệu quả khi hai mô hình được kết hợp có chung khả năng là xử lý khối lượng dữ liệu lớn. Mô hình DT với ưu điểm là khả năng giải thích biến rõ ràng giúp cải thiện khả năng giải thích của mô hình chấm điểm tín dụng khi kết hợp với các mô hình “hộp đen” như ANN. Mô hình đề xuất trong bài nghiên cứu là sự kết hợp giữa mô hình DT và các mô hình LR, KNN, ANN nhằm so sánh hiệu quả giữa mô hình kết hợp với các kĩ thuật hiện đại và truyền thống. Quy trình kết hợp được mô tả trong Hình 5, trong đó mô hình DT được thiết lập dựa trên bộ dữ liệu nghiên cứu. Kết quả từ mô hình DT bao gồm dự báo về phân loại khách hàng và xác xuất rủi ro được xem như 2 biến mới để kết hợp với bộ dữ liệu đã có làm nhân tố đầu vào cho các mô hình được kết hợp cùng. 4. Dữ liệu nghiên cứu QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 51Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 6. 2018 Bài nghiên cứu sử dụng dữ liệu thông tin về các khoản vay tiêu dùng và kinh doanh cá nhân được trích xuất trực tiếp từ cơ sở dữ liệu tại một ngân hàng thương mại Nhà nước trong khoảng thời gian từ năm 2009 đến 2014. Sau khi loại bỏ các trường hợp thiếu sót và cân nhắc giữa số lượng đặc điểm khách hàng và số lượng khách hàng, bộ dữ liệu cuối cùng được sử dụng bao gồm thông tin về 15.470 khách hàng cá nhân với 19 đặc điểm (trong đó 18 đặc điểm được ký hiệu thành các biến từ x 1 đến x 18 , đặc điểm thứ 19 là tình trạng nợ, tương ứng với cột “Tỷ lệ”- Bảng 1). Các khoản nợ cá nhân được phân loại thành 12.118 khoản nợ tốt (hoàn trả trong hạn hoặc thời gian quá hạn dưới 90 ngày) chiếm tỉ trọng 78,3% và 3.352 khoản nợ xấu (quá hạn từ 90 ngày trở lên) chiếm tỉ trọng 21,7%. Có một lưu ý rằng, nợ xấu và nợ tốt trong bài nghiên cứu này có sự khác biệt với nợ đủ tiêu chuẩn và nợ xấu theo quy định phân loại nợ của Ngân hàng Nhà nước Việt Nam, và những tỉ lệ này không đại diện cho tỉ lệ nợ xấu và nợ đủ tiêu chuẩn của toàn bộ hệ thống ngân hàng mà tác giả nghiên cứu. Bảng 1 mô tả về các dữ liệu khách hàng được đưa vào xây dựng mô hình chấm điểm tín dụng, mỗi đặc tính được phân chia thành các nhóm với tỉ trọng từng nhóm. Bảng thống kê cho thấy cơ sở dữ liệu có sự đa dạng về thông tin khách hàng và phù hợp trong việc xây dựng các mô hình xếp hạng tín dụng. 5. Kết quả nghiên cứu 5.1. Kết quả của các mô hình đơn lẻ Nguồn: Tác giả đề xuất Hình 5. Cấu trúc của mô hình kết hợp Bảng 1. Mô tả dữ liệu Biến số Phân nhóm và tỉ lệ nợ xấu trong mỗi nhóm Đặc điểm khách hàng Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Tuổi (X1) 0 đến 30 6,90 30 đến 45 49,60 45 đến 60 40,20 Trên 60 3,30 Giới tính (X2) Nữ 30,30 Nam 67,90 QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 52 Tạp chí Khoa học & Đào tạo Ngân hàngSố 193- Tháng 6. 2018 Để đảm bảo độ tin cậy và tính đại diện của các kết quả phân loại, các mô hình được thực hiện lặp lại 10 lần và kết quả phân loại cuối cùng là trung bình kết quả của các lần chạy trước. Kết quả của các mô hình đơn lẻ cho thấy mô hình ANN có độ chính xác cao nhất khi phân loại các khoản nợ xấu với tỷ lệ phân loại đúng 52,47% trong khi mô hình KNN kém hiệu quả nhất khi chỉ phân loại đúng được 36,28% các khoản nợ xấu. Đối với các khoản nợ tốt thì Biến số Phân nhóm và tỉ lệ nợ xấu trong mỗi nhóm Đặc điểm khách hàng Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Nhóm Tỉ lệ (%) Trình độ (X3) Dưới trung học 34,40 Trung học 35,30 Trung cấp, và trên 30,30 Sở hữu nhà (X4) không 4,50 có 95,50 Người phụ thuộc (X5) 0 đến 1 35,20 Trên 1 64,80 Hôn nhân (X6) Độc thân 8,80 Đã có gia đình 91,20 Quan hệ với gia đình (X7) Xấu 2,10 Tốt 97,90 Năm làm việc (X8) 0 đến 5 8,80 5 đến 10 15,90 Trên 10 75,30 Nghề nghiệp (X9) Lao động không đào tạo 16,80 Lao động được đào tạo 52,50 Văn phòng, CNVC 30,70 Bảo hiểm nhân thọ (X10) Không 90,90 Có 9,10 Thu nhập hàng tháng (X11) (triệu VND) 0 đến 3,5 11,30 3,5 đến 10 39,90 Trên 10 48,70 Tài khoản thanh toán (X12) Không 46,40 Có 53,60 Tài khoản tiết kiệm (X13) Không 95,30 Có 4,70 Đặc điểm khoản vay Lãi suất (X14) Thấp 4,90 Cao 95,10 Thời hạn (X15) (ngày) 0 đến 185 36,40 185 đến 365 41,00 Trên 365 22,60 Giá trị khoản vay (X16) 0 đến 50 37,10 50 đến 100 22,60 100 đến 200 18,30 Trên 200 22,00 Mục đích vay (X17) Tiêu dùng 9,00 Kinh doanh 91,00 Phương thức trả (X18) Một lần 78,40 Từng phần 21,60 Tình trạng nợ (X19) Nợ xấu 21,7 Nợ tốt 78,3 Bảng 2. Kết quả phân loại của các mô hình đơn lẻ Mô hình Mẫu huấn luyện (30%) Mẫu kiểm tra (70%) Tổng thể CCB% CCG% Tổng thể% CCB% CCG% Tổng thể% CCB% CCG% Tổng thể% DT 37,60 89,49 78,24 38,91 87,42 76,90 38,52 88,04 77,31 LR 39,50 92,94 81,36 38,89 93,94 82,01 39,07 93,64 81,81 KNN 35,54 97,94 84,42 36,59 96,83 83,78 36,28 97,16 83,97 ANN 51,97 94,33 85,15 52,69 94,02 85,06 52,47 94,11 85,09 Ghi chú: CCB%: Tỷ lệ phân loại đúng các khoản nợ xấu; CCG%: Tỷ lệ phân loại đúng các khoản nợ tốt Nguồn: Tác giả tính toán bằng phần mềm SPSS và NeuroSolutions QUẢN TRỊ NGÂN HÀNG & DOANH NGHIỆP 53Tạp chí Khoa học & Đào tạo Ngân hàng Số 193- Tháng 6. 2018 mô hình được coi là hiệu quả nhất là KNN với 97,16% khoản nợ loại này được phân loại chính xác. 5.2. Kết quả các mô hình kết hợp Kết quả phân loại tổng thể cho thấy rõ rằng phương pháp kết hợp đem lại kết quả dự báo tốt hơn với cả 3 mô hình (Bảng 4). Trong khi mô hình kết hợp DT_ANN cho thấy có sự cải thiện trong cả kết quả phân loại các khoản nợ xấu và nợ tốt, thì đối với mô hình DT_LR và DT_KNN hiệu phân loại nợ xấu và nợ tốt thay đổi theo hai xu hướng ngược nhau. Tỷ lệ phân loại nợ xấu đúng tăng từ 8-11% cho cả ba mô hình kết hợp trong khi tỷ lệ phân loại nợ tốt đúng giảm nhẹ từ 1-2% với mô hình DT_LR và DT_KNN. Trên thực tế, việc cải thiện khả năng dự báo các khoản nợ xấu đúng đem lại lợi ích lớn cho các ngân hàng khi so sánh với việc dự báo đúng các khoản nợ tốt. Quan sát tình trạng vay nợ của khách hàng cho thấy thiệt hại đến từ các khoản nợ xấu thường cao hơn nhiều lần lợi nhuận của một khoản nợ tốt mang lại. Đặc biệt trong bối cảnh hiện nay khi mà các hệ thống ngân hàng đang tập trung vào hoạt động quản trị rủi ro, giảm thiểu nợ xấu thì việc dự báo các khoản nợ xấu sẽ có ý nghĩa cấp thiết hơn. 6. Kết luận So với nhiều nước phát triển, hoạt động chấm điểm tín dụng tại Việt Nam chưa nhận được nhiều sự quan tâm nghiên cứu. Những mô hình truyền thống đang được sử dụng phổ biến tại các ngân hàng thương mại là mô hình chuyên gia dựa trên kinh nghiệm và một số m