Sử dụng dữ liệu lớn tại các ngân hàng trung ương châu Á

Theo khảo sát của IFC năm 2020, tỷ lệ các NHTW trên toàn cầu hiện đang sử dụng dữ liệu lớn đã tăng từ mức thấp khoảng 30% năm 2015 lên 80%; riêng tại châu Á, tỷ lệ này tăng nhanh từ 33% lên 86%. Kết quả khảo sát cũng cho thấy khoảng 60% NHTW ở châu Á đã có những thảo luận về dữ liệu lớn - tỷ lệ này cao hơn đáng kể so với phần còn lại của thế giới (42%). Ngoài ra, tất cả các NHTW châu Á được hỏi đều thể hiện sự quan tâm ở mức độ cao và rất cao ở đội ngũ hoạch định chính sách cấp cao, so với chỉ 58% bên ngoài khu vực.

Các lĩnh vực sử dụng dữ liệu lớn

Trong thực tiễn, dữ liệu lớn có thể bao gồm các thông tin hình thành từ rất nhiều nguồn khác nhau như phương tiện truyền thông xã hội, các hoạt động trên nền tảng web, cảm biến, các hoạt động quản trị hành chính, tài chính hoặc kinh doanh. Các NHTW châu Á có một cái nhìn toàn diện về dữ liệu lớn, có thể bao gồm các loại tập dữ liệu rất khác nhau. Trước hết, nó bao gồm dữ liệu lớn “phi truyền thống” (hoặc phi cấu trúc), đặc trưng bởi khối lượng lớn, tốc độ cao, đa dạng và được xử lý bằng các công nghệ tiên tiến. Tuy nhiên, đối với đại đa số (85%), dữ liệu lớn cũng bao gồm các tập dữ liệu lớn “truyền thống” (có cấu trúc). Đây có thể là kết quả của các yêu cầu báo cáo rõ ràng do các cơ quan quản lý đặt ra; chúng cũng thường là các sản phẩm phụ “hữu cơ” được thu thập do kết quả của các hoạt động thương mại, tài chính và hành chính - những dữ liệu thường được gọi là "dữ liệu lớn tài chính".

Dữ liệu lớn được các NHTW châu Á sử dụng trong hầu hết các lĩnh vực như chính sách tiền tệ và ổn định tài chính và nghiên cứu. Các dự án dữ liệu lớn do các NHTW châu Á thực hiện liên quan đến bốn loại ứng dụng chính, gồm: xử lý ngôn ngữ tự nhiên (natural language processing - NLP); các dự báo tức thời (nowcasting); các ứng dụng trích xuất thông tin chi tiết về nền kinh tế từ dữ liệu tài chính và các nguồn phi truyền thống khác; các ứng dụng quản lý, giám sát.

Đầu tiên, các ứng dụng NLP được sử dụng nhằm mục đích để chuyển các thông tin văn bản định tính thành định dạng số. Ví dụ, Ấn Độ thực hiện việc tính toán “chỉ số không chắc chắn về chính sách kinh tế” (EPU) để đánh giá mức độ không chắc chắn mà các tác nhân kinh tế phải đối mặt. Các chỉ số này về cơ bản được xây dựng bằng cách thiết lập từ điển các thuật ngữ đề cập đến sự không chắc chắn, và tìm kiếm chúng trong văn bản được nghiên cứu như bài báo hoặc trang web. Sau đó, chúng sẽ được tính toán và tổng hợp để cung cấp một chỉ số tổng hợp phản ánh mức độ không chắc chắn được thể hiển trong các văn bản tài liệu. Các chỉ số cảm tính cũng có thể được ước tính theo cách này để đo xác suất xảy ra các đợt bất ổn tài chính.

NLP cũng hữu ích cho việc đánh giá chính sách. Ví dụ, người ta có thể định lượng lập trường chính sách tiền tệ được truyền thông tới công chúng thông qua các biên bản cuộc họp. Tại Indonesia, các kỳ vọng của thị trường về lãi suất đã được đánh giá bằng cách phân tích các bình luận thị trường trước các cuộc họp bàn chính sách. Các đánh giá như vậy có thể được cập nhật thường xuyên hơn và là một lợi thế chính so với các cuộc khảo sát truyền thống. Ngoài ra, các ứng dụng phân tích văn bản tại các NHTW châu Á cũng giúp: đánh giá độ tin cậy của chính sách tiền tệ; đảm bảo tính nhất quán trong truyền thông của NHTW về các vấn đề liên quan đến thanh tra giám sát với các tổ chức tài chính; nâng cao hiệu quả công tác thống kê; đánh giá trạng thái của thị trường lao động hoặc các điều kiện thương mại; trích xuất thông tin về các hoạt động du lịch; nắm bắt tâm lý của các doanh nghiệp hoặc đánh giá phản hồi của người lao động.

Thứ hai, ngày càng nhiều NHTW sử dụng các mô hình dự báo tức thời dựa trên dữ liệu lớn để hỗ trợ các phân tích kinh tế. Hơn 40% NHTW châu Á (24% ở các nước còn lại trên thế giới) sử dụng dữ liệu lớn cho mục đích này, đặc biệt là để cung cấp thêm thông tin về tiêu dùng tư nhân, doanh số ngành/bán lẻ, giá bán lẻ/nhà ở, các thanh toán và tỷ lệ thất nghiệp.

Thứ ba, các ứng dụng do NHTW phát triển để trích xuất thông tin chi tiết về nền kinh tế từ dữ liệu tài chính chi tiết hoặc các nguồn dữ liệu vi mô phi truyền thống khác. Bên cạnh đó, việc trích xuất thông tin từ dữ liệu phi truyền thống như các tìm kiếm trên Internet như Google Trends cũng được chú ý đặc biệt như tại Thái Lan để hỗ trợ các hoạt động giám sát. Tại Malaysia, các phân tích dữ liệu tiêu thụ điện để theo dõi thị trường nhà ở hoặc phân tích sức mạnh của lĩnh vực xuất khẩu; Thái Lan phân tích số lượng tìm kiếm việc làm để theo dõi sự phát triển của thị trường lao động; lưu lượng dữ liệu của người dùng điện thoại di động để đánh giá tác động của Covid-19 đối với tính di động và di cư. Nhật Bản phân tích dữ liệu về đơn xin cấp bằng sáng chế của các công ty khởi nghiệp để ước tính tác động kinh tế của các đổi mới đầu tư mạo hiểm,….

Nhóm ứng dụng thứ tư sử dụng dữ liệu lớn gồm một loạt các ứng dụng hỗ trợ các nhiệm vụ thanh tra, giám sát vi mô. Nhìn chung, nhiều ứng dụng được phát triển tại châu Á tập trung vào đánh giá rủi ro ở cấp độ vi mô như thông tin về các doanh nghiệp thu thập được từ báo cáo tài chính hoặc báo chí có thể được sử dụng để hỗ trợ các bài tập cảnh báo sớm hoặc nâng cao khả năng chấm điểm tín dụng. Một lĩnh vực quan trọng khác liên quan đến phát hiện gian lận, ví dụ: sàng lọc các hợp đồng tín dụng để tìm các điều khoản và điều kiện đáng ngờ nhằm tăng cường bảo vệ người tiêu dùng. Bên cạnh đó, khoảng 1/3 các NHTW châu Á được khảo sát triển khai các thuật toán dữ liệu lớn cho mục đích phòng chống rửa tiền, chống tài trợ cho khủng bố (AML/CFT) - như phân tích các giao dịch thanh toán để xác định các mẫu đáng ngờ.

Những thách thức chính trong việc sử dụng dữ liệu lớn

Việc sử dụng dữ liệu lớn đặt ra nhiều thách thức cho các NHTW châu Á như tính sẵn có của hạ tầng cơ sở CNTT, các vấn đề pháp lý, an ninh và quyền riêng tư, cũng như tính sẵn có và chiến lược sử dụng dữ liệu lớn.

Đầu tiên, một cơ sở hạ tầng CNTT an toàn, mạnh mẽ và đáng tin cậy là điều kiện tiên quyết không chỉ để phân tích dữ liệu lớn mà còn để ngăn chặn các cuộc tấn công mạng. Tuy nhiên, việc thiết lập cơ sở hạ tầng CNTT như vậy đòi hỏi chi phí ban đầu cao. Nhiều NHTW đã thực hiện các sáng kiến ​​quan trọng để phát triển các nền tảng dữ liệu lớn nhằm tạo điều kiện thuận lợi cho việc lưu trữ và xử lý các tập dữ liệu lớn và phức tạp.

Thứ hai, các NHTW cần xây dựng nguồn nhân lực để khai thác dữ liệu lớn. Việc thiết lập và duy trì nền tảng dữ liệu lớn đòi hỏi những kỹ năng nhất định kết hợp các khía cạnh thống kê, CNTT và phân tích/toán học. Tuy nhiên, trong khi nhu cầu nguồn cung nhân lực chất lượng tăng cao ở cả khu vực công và tư nhân thì nguồn cung lại đang rất thiếu hụt. Một vấn đề khác là thu hút và giữ chân nhân tài, đặc biệt là đối với các khu vực kém phát triển ở châu Á trước sự cạnh tranh gay gắt từ khu vực tư nhân và từ các nền kinh tế phát triển.

Thách thức thứ ba với việc sử dụng dữ liệu lớn tại các NHTW châu Á đó là nền tảng pháp lý và các khía cạnh đạo đức đối với dữ liệu bí mật và quyền riêng tư. Việc sử dụng thông tin có nguồn từ internet có những rủi ro về tính chính xác và không đảm bảo các tiêu chuẩn phương pháp luận mà các NHTW phải tuân thủ, đặc biệt là về vai trò quan trọng của họ trong hệ thống thống kê quốc gia. Ví dụ: các chỉ số dựa trên internet như lượng tìm kiếm và tin nhắn trên mạng xã hội có thể không đại diện cho nền kinh tế thực – khi không phải tất cả mọi người đều sử dụng các nền tảng mạng xã hội. Hơn nữa, các điều khoản và điều kiện khác có thể hạn chế việc sử dụng những dữ liệu này và một số hình thức khai thác dữ liệu web là bất hợp pháp ở một số nơi. Nhìn chung, các trình thu thập dữ liệu web không thể lấy dữ liệu từ các trang web có yêu cầu xác thực.

Dưới khía cạnh đạo đức và quyền riêng tư, người dân có thể cảm thấy không thoải mái với việc các NHTW đang nghiên cứu kỹ lưỡng về lịch sử tìm kiếm của họ, các bài đăng trên mạng xã hội hoặc danh sách trên các nền tảng thị trường. Mặc dù vấn đề này không phải là mới, nhưng lượng dữ liệu được tạo ra trong một môi trường hầu như không được kiểm soát khiến chúng trở nên cấp thiết hơn. Khảo sát tại Hoa Kỳ cho thấy người tiêu dùng ít tin tưởng các công nghệ lớn (big techs) nhất trong việc bảo vệ dữ liệu cá nhân của họ. Trên thực tế, người tiêu dùng tin tưởng hơn nhiều vào các tổ chức tài chính truyền thống, tiếp theo là các cơ quan của chính phủ và fintech. Các kết quả tương tự cũng được thấy ở các nước châu Á. Việc đảm bảo quyền riêng tư chống lại sự xâm nhập bất hợp pháp có thể coi là một quyền cơ bản, do đó, vấn đề quản trị dữ liệu đã nổi lên như là một mối quan tâm chính của chính sách công.

Thách thức thứ tư là sự "công bằng trong các thuật toán" (algorithmic fairness). Việc xem xét này có thể ít liên quan hơn đối với một số nhiệm vụ (như dự báo), nhưng nó có thể quan trọng đối với những nhiệm vụ khác (như: đánh giá tính phù hợp của các ứng dụng regtech) và nói chung, bất kỳ ứng dụng học máy nào ảnh hưởng đến các cá nhân đều cần phải được xác nhận tính công bằng. Vấn đề chính là các thuật toán thường được đào tạo trên các tập dữ liệu đã được phân loại trước có thể bị ảnh hưởng bởi thiên kiến (đã biết hoặc chưa biết) liên quan đến giới tính và dân tộc. Hơn nữa, mối quan hệ giữa dữ liệu phi cấu trúc và một hiện tượng nhất định có thể xấu đi một cách bất ngờ khi có thông tin bổ sung (ví dụ: kết hợp thông tin mới, "không thuộc mẫu").

Cuối cùng, các vấn đề về chất lượng dữ liệu cũng rất quan trọng, vì phần lớn dữ liệu lớn mới được thu thập như một sản phẩm phụ của các hoạt động kinh tế hoặc xã hội cần được quản lý trước khi tiến hành phân tích thống kê phù hợp. Điều này trái với các nguồn dữ liệu truyền thống của thống kê chính thức vốn được thiết kế cho một mục đích cụ thể, ví dụ như khảo sát và điều tra dân số. Những thách thức lớn bao gồm việc làm sạch dữ liệu (ví dụ: đối với các nguồn như báo chí, mạng xã hội hoặc hồ sơ dữ liệu lớn tài chính), chọn mẫu và tính đại diện (như trong trường hợp các tìm kiếm của Google hoặc dữ liệu từ các website việc làm) và đối sánh dữ liệu mới với các nguồn hiện có.

Vai trò của hợp tác chính sách trong sử dụng dữ liệu lớn

Hợp tác có thể thúc đẩy việc sử dụng dữ liệu lớn của các NHTW, đặc biệt thông qua việc thu thập và giới thiệu các dự án thành công và tạo điều kiện chia sẻ kinh nghiệm. Thảo luận kỹ thuật giữa các tổ chức được coi là một cách tốt để xây dựng tập hợp kỹ năng cần thiết cho đội ngũ nhân viên và phát triển các công cụ IT và thuật toán phù hợp nhất với nhu cầu của các NHTW. Trong tương lai, hợp tác trong dữ liệu thanh toán toàn cầu có thể là một lĩnh vực hợp tác đầy hứa hẹn giữa các NHTW ở châu Á. Kết quả khảo sát cho thấy 85% NHTW châu Á tích cực sử dụng dữ liệu thanh toán ở tần suất cao hơn nhiều so với các NHTW khác trên thế giới. Hơn nữa, tất cả các NHTW châu Á bày tỏ quan tâm đến việc đóng góp vào một nghiên cứu thí điểm về dữ liệu thanh toán, đặc biệt là phát triển các bài tập giám sát tập trung vào tính liên kết trong hệ thống tài chính.

Các tổ chức tài chính quốc tế có thể thúc đẩy hợp tác xung quanh dữ liệu lớn như phát triển kiến ​​thức dữ liệu lớn nội bộ, giúp giảm sự phụ thuộc của các NHTW vào các nhà cung cấp dịch vụ dữ liệu lớn, vốn có thể tốn kém và dẫn đến rủi ro đáng kể về pháp lý và hoạt động. Các tổ chức quốc tế cũng có thể tạo điều kiện cho sự đổi mới bằng cách thúc đẩy các giải pháp và sáng kiến ​​công nghệ để nâng cao cơ sở hạ tầng thống kê toàn cầu. Liên quan vấn đề này, Ngân hàng thanh toán quốc tế (BIS) đã xác định các ưu tiên chiến lược, trong đó giám sát hiệu quả và ngân hàng/tài chính mở có thể được hưởng lợi từ việc sử dụng các nguồn và công cụ dữ liệu lớn.

HN (theo BIS)