Phân tích sống sót là gì?

Phân tích sống sót là gì?

Phân tích sống sót là phương pháp thống kê nghiên cứu thời gian từ một thời điểm gốc đến khi sự kiện quan tâm xảy ra. Trong ngành ngân hàng, phương pháp này được ứng dụng chủ yếu để ước tính xác suất và thời gian mà khách hàng sẽ gặp sự kiện tín dụng quan trọng như vỡ nợ, trả nợ trước hạn hoặc ngừng sử dụng dịch vụ.

Điểm đặc biệt của phân tích sống sót so với các phương pháp thống kê thông thường là khả năng xử lý dữ liệu bị kiểm duyệt (censored data). Điều này có nghĩa là một số quan sát trong nghiên cứu có thể chưa trải qua sự kiện trong suốt thời gian theo dõi — chẳng hạn khách hàng đã đóng tài khoản trước khi vỡ nợ, hoặc khoản vay vẫn đang trả đều đặn khi kết thúc giai đoạn quan sát.

Cốt lõi của phương pháp này là ước lượng hai hàm quan trọng: hàm sống sót (Survival Function) cho biết xác suất một cá thể không gặp sự kiện sau một khoảng thời gian nhất định, và hàm nguy hiểm (Hazard Function) cho biết tốc độ xảy ra sự kiện tại một thời điểm cụ thể.

Tại sao Phân tích sống sót quan trọng trong ngân hàng?

Phân tích sống sót đóng vai trò then chốt trong quản trị rủi ro tín dụng hiện đại vì những lý do sau:

• Xử lý dữ liệu chưa hoàn thành: Trong thực tế, không phải tất cả khách hàng đều vỡ nợ trong thời gian quan sát. Phương pháp này tận dụng tối đa thông tin từ các quan sát bị kiểm duyệt mà không cần loại bỏ chúng khỏi phân tích.

• Dự báo rủi ro theo thời gian: Xác suất vỡ nợ không cố định mà thay đổi theo vòng đời khoản vay. Phân tích sống sót giúp ngân hàng nắm bắt động thái này để phân bổ vốn và dự phòng phù hợp.

• So sánh hiệu quả giữa các nhóm khách hàng: Ngân hàng có thể đánh giá xem nhóm khách hàng có thu nhập cao hay thấp có tỷ lệ vỡ nợ khác nhau như thế nào qua từng năm.

• Hỗ trợ quyết định tín dụng: Kết quả phân tích giúp xây dựng bảng điểm tín dụng (credit scoring) chính xác hơn, từ đó định giá rủi ro và lãi suất hợp lý cho từng phân khúc khách hàng.

Cách hoạt động và Các mô hình phổ biến

1. Ước lượng Kaplan-Meier

Đây là phương pháp phi tham số dùng để ước tính hàm sống sót cho từng nhóm đối tượng. Công thức cơ bản:

S(t) = Π (nᵢ - dᵢ) / nᵢ

Trong đó:

• S(t): Xác suất sống sót tại thời điểm t
• nᵢ: Số cá thể có nguy cơ tại thời điểm i
• dᵢ: Số cá thể gặp sự kiện tại thời điểm i

Ước lượng Kaplan-Meier đặc biệt hữu ích khi cần mô tả trực quan hàm sống sót bằng đường cong Kaplan-Meier — đồ thị thể hiện tỷ lệ khách hàng chưa vỡ nợ qua từng thời điểm.

2. Mô hình hồi quy Cox (Cox Proportional Hazards)

Đây là mô hình bán tham số phổ biến nhất trong phân tích sống sót, cho phép phân tích đồng thời nhiều biến ảnh hưởng mà không cần giả định phân phối cụ thể cho thời gian sống sót. Công thức:

h(t) = h₀(t) × exp(β₁X₁ + β₂X₂ + ... + βₖXₖ)

Trong đó h₀(t) là hàm nguy hiểm cơ sở, còn các hệ số β cho biết mức độ ảnh hưởng của từng biến độc lập (ví dụ: thu nhập, tỷ lệ nợ trên thu nhập, tuổi).

Hazard Ratio (HR): Nếu HR = 2 cho biến "tỷ lệ nợ trên thu nhập", điều này có nghĩa khách hàng có tỷ lệ nợ cao hơn có xác suất vỡ nợ gấp 2 lần so với nhóm cơ sở tại bất kỳ thời điểm nào.

3. Mô hình tham số

Khi có giả định về dạng phân phối của thời gian sống sót, ngân hàng có thể sử dụng các mô hình tham số như:

• Phân phối Weibull: Linh hoạt, phù hợp khi hazard tăng hoặc giảm theo thời gian
• Phân phối mũ: Phù hợp khi hazard không đổi theo thời gian
• Phân phối log-normal: Phù hợp khi thời gian sống sót có phân phối lệch phải

Ví dụ thực tế

Ví dụ 1: Mô hình xác suất vỡ nợ theo thời gian

Ngân hàng A cho vay mua nhà với thời hạn 20 năm. Sử dụng mô hình Cox với các biến độc lập gồm thu nhập hàng tháng, tỷ lệ nợ trên thu nhập (DTI) và lịch sử tín dụng, kết quả cho thấy:

• Khách hàng B có DTI = 50% có HR = 2.3 so với khách hàng có DTI = 30%
• Điều này nghĩa là tại bất kỳ thời điểm nào trong vòng đời khoản vay, khách hàng B có xác suất vỡ nợ cao hơn 2.3 lần

Ví dụ 2: Phân tích tỷ lệ khách hàng rời bỏ (Churn)

Ngân hàng B theo dõi 10,000 khách hàng đăng ký dịch vụ ngân hàng điện tử trong 36 tháng. Sau khi áp dụng ước lượng Kaplan-Meier:

• Tháng thứ 12: 85% khách hàng vẫn sử dụng dịch vụ
• Tháng thứ 24: 70% khách hàng tiếp tục sử dụng
• Tháng thứ 36: 58% khách hàng còn duy trì

Ngân hàng nhận thấy tỷ lệ churn tập trung cao trong 6 tháng đầu tiên, từ đó thiết kế chương trình khuyến mãi đặc biệt cho giai đoạn này để giữ chân khách hàng hiệu quả hơn.

Phân biệt với thuật ngữ liên quan

Điểm khác biệt cốt lõi: Hồi quy logistic chỉ trả lời câu hỏi "có hay không" xảy ra sự kiện, trong khi phân tích sống sót trả lời cả câu hỏi "khi nào" sự kiện xảy ra — thông tin cực kỳ giá trị cho việc lập kế hoạch dự phòng rủi ro và quản trị danh mục tín dụng.

Câu hỏi thường gặp trong đề thi

1. Đặc điểm nào sau đây là ưu điểm của phân tích sống sót so với hồi quy thông thường trong đánh giá rủi ro tín dụng?

2. Trong mô hình hồi quy Cox, nếu Hazard Ratio của biến "tỷ lệ nợ trên thu nhập" bằng 1.5, điều này có ý nghĩa gì?

3. Dữ liệu bị kiểm duyệt phải (right-censored) trong ngữ cảnh ngân hàng là gì và phân tích sống sót xử lý loại dữ liệu này như thế nào?

4. Khi nào ngân hàng nên sử dụng mô hình Kaplan-Meier thay vì mô hình hồi quy Cox?

5. Nếu đường cong Kaplan-Meier của nhóm khách hàng A nằm trên đường cong của nhóm B, điều này cho thấy điều gì về khả năng vỡ nợ của hai nhóm?

Tổng kết

Phân tích sống sót là công cụ thống kê nâng cao không thể thiếu trong kho vũ khí của chuyên viên quản trị rủi ro ngân hàng hiện đại. Phương pháp này vượt trội so với các kỹ thuật thông thường nhờ khả năng tận dụng tối đa dữ liệu — kể cả những quan sát chưa hoàn thành — để cung cấp bức tranh toàn cảnh về xác suất và thời gian xảy ra sự kiện tín dụng.

Đối với thí sinh chuẩn bị thi tuyển dụng ngân hàng hoặc thi chứng chỉ nghiệp vụ, cần nắm vững khái niệm dữ liệu kiểm duyệt, cách đọc và diễn giải đường cong Kaplan-Meier, ý nghĩa của hệ số Hazard Ratio trong mô hình Cox, và nhận biết khi nào nên áp dụng từng loại mô hình. Đây là những kiến thức xuất hiện thường xuyên trong các đề thi về quản trị rủi ro tín dụng và phân tích dữ liệu ngân hàng.

Hãy luyện tập với các bài tập tính toán ước lượng Kaplan-Meier và diễn giải kết quả từ mô hình Cox để làm quen với dạng câu hỏi tính toán trong kỳ thi. Chúc các bạn ôn thi hiệu quả!