Giới thiệu dự án

Hoạt động cấp tín dụng cho khách hàng doanh nghiệp (KHDN) là nguồn tạo lập doanh thu và lợi nhuận cốt lõi của hệ thống ngân hàng thương mại (NHTM). Trong giai đoạn 2019–2021, dưới tác động của đại dịch Covid-19 và biến động kinh tế vĩ mô, theo thống kê của Ngân hàng Nhà nước (NHNN), toàn hệ thống tổ chức tín dụng (TCTD) đã phải cơ cấu lại thời hạn trả nợ cho hơn 278.000 khách hàng với dư nợ 238.000 tỷ đồng, miễn giảm lãi suất cho 1,7 triệu khách hàng với dư nợ gần 2,5 triệu tỷ đồng. Trong bối cảnh rủi ro tín dụng tiềm ẩn gia tăng, năng lực phân tích tài chính (PTTC) doanh nghiệp đóng vai trò quyết định đến chất lượng danh mục cho vay.

Tại Ngân hàng TMCP Á Châu (ACB) – Chi nhánh Hoàng Cầu, dư nợ tín dụng duy trì đà tăng trưởng liên tục: từ 6.670 tỷ đồng (năm 2019) lên 7.020 tỷ đồng (năm 2020, tăng 5,25%) và đạt 7.840 tỷ đồng (năm 2021, tăng 11,68%). Trong đó, dư nợ ngắn hạn bằng nội tệ luôn chiếm tỷ trọng áp đảo từ 70%–80%. Cùng kỳ, tổng nguồn vốn huy động tăng từ 11.250,3 tỷ đồng lên 14.000 tỷ đồng, và lợi nhuận trước thuế (LNTT) tăng trưởng ấn tượng từ 39 tỷ đồng (2019) lên 50,4 tỷ đồng (2021, tăng 16,67%).

          TĂNG TRƯỞNG CHỈ TIÊU TÀI CHÍNH ACB HOÀNG CẦU (2019 - 2021)

Vấn đề cốt lõi đặt ra là phần lớn KHDN vay vốn tại chi nhánh là doanh nghiệp vừa và nhỏ (SME), sử dụng báo cáo tài chính (BCTC) nội bộ chưa qua kiểm toán độc lập, thiếu minh bạch và có hiện tượng làm đẹp số liệu. Quy trình PTTC tại chi nhánh hiện vẫn mang tính thủ công, phụ thuộc vào nhận định chủ quan của cán bộ tín dụng (CBTD), thiếu mô hình phân tích định lượng dòng tiền và phân rã nguyên nhân biến động sâu.

Mục tiêu cụ thể của đề tài:

  1. Hệ thống hóa cơ sở lý luận về PTTC doanh nghiệp trong hoạt động cấp tín dụng của NHTM theo chuẩn mực kế toán và quy định an toàn vốn.
  2. Khảo sát, đánh giá thực trạng quy trình, phương pháp và công cụ PTTC KHDN tại ACB Hoàng Cầu giai đoạn 2019–2021 qua các chỉ số định lượng.
  3. Xây dựng giải pháp hoàn thiện quy trình thẩm định tài chính, tích hợp mô hình phân tích cân đối động (NWC - WCR - NC) và thuật toán DuPont mở rộng.

Giải pháp kỹ thuật tập trung vào việc chuẩn hóa thuật toán xử lý dữ liệu BCTC, xây dựng pipeline thẩm định tự động, giúp rút ngắn thời gian xử lý hồ sơ từ 48 giờ xuống dưới 8 giờ, nâng cao độ chính xác phát hiện sai lệch chỉ tiêu tài chính lên trên 90%. Phạm vi nghiên cứu giới hạn tại Phòng KHDN ACB Chi nhánh Hoàng Cầu, dữ liệu hồi quy từ BCTC giai đoạn 2019–2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng công tác PTTC tại các NHTM hiện nay bộc lộ nhiều điểm nghẽn kỹ thuật khi đối chiếu giữa phương pháp truyền thống và nhu cầu quản trị rủi ro hiện đại:

Tiêu chí đánh giá Phương pháp truyền thống tại Chi nhánh Mô hình phân tích chuẩn hóa đề xuất
Công cụ xử lý Microsoft Excel thủ công, nhập liệu tĩnh Pipeline tự động hóa (Python 3.11, Pandas Engine)
Phương pháp chính So sánh ngang/dọc, tính tỷ số đơn lẻ Phân rã đa nhân tố DuPont 5 bước + Cân đối động NWC/WCR
Kiểm định dữ liệu Kiểm tra chứng từ ngẫu nhiên bằng mắt Thuật toán cross-validation kiểm tra đối ứng cân đối kế toán
Thời gian xử lý 2–3 ngày làm việc/bộ hồ sơ < 15 phút xử lý và xuất báo cáo tự động
Độ bao phủ rủi ro Đánh giá tĩnh quá khứ, thiếu dự báo dòng tiền Mô phỏng lưu chuyển tiền tệ (DCF) và khả năng trả nợ đa kịch bản

Yêu cầu người dùng được phân loại theo mô hình MoSCoW:

  • Must have: Tự động tính toán các chỉ số thanh toán ($CR$, $QR$, $CashRatio$), khả năng sinh lời ($ROS$, $ROA$, $ROE$), và hệ số đòn bẩy nợ ($D/E$, $D/A$); kiểm tra tính cân đối của Bảng cân đối kế toán (CĐKT).
  • Should have: Phân tích chuyên sâu bộ ba chỉ tiêu động: Vốn lưu động ròng (NWC), Nhu cầu vốn lưu động (WCR) và Ngân quỹ ròng (NC); phân tích cấu trúc luân chuyển dòng tiền (CFO, CFI, CFF).
  • Could have: Tích hợp module cảnh báo sớm rủi ro gian lận BCTC thông qua kiểm tra số dư chéo giữa Thuyết minh BCTC và Báo cáo thuế.
  • Won't have (thời điểm hiện tại): Tự động chấm điểm tín dụng dựa trên mạng nơ-ron học sâu (Deep Learning Credit Scoring).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình xử lý dữ liệu module hóa 3 lớp:

Tech Stack chuẩn hóa:

  • Backend & Analytics: Python 3.11.8, Pandas 2.2.1, NumPy 1.26.4, Pydantic v2 (Validation dữ liệu).
  • Database Engine: PostgreSQL 16.2 quản lý thông tin khách hàng và lịch sử tín dụng; Redis 7.2 lưu cache tính toán chỉ số tài chính.
  • API Framework: FastAPI 0.104.1 phục vụ microservices cho hệ thống Core Banking nội bộ.
  • Security Standards: Mã hóa dữ liệu chuẩn AES-256 cho thông tin BCTC doanh nghiệp, phân quyền truy cập RBAC (Role-Based Access Control) tuân thủ Basel II.
-- Schema cấu trúc lưu trữ chỉ số tài chính doanh nghiệp chuẩn hóa
CREATE TABLE corporate_financial_metrics (
    metric_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    tax_code VARCHAR(20) NOT NULL,
    fiscal_year INT NOT NULL,
    net_working_capital NUMERIC(18, 2),
    working_capital_requirement NUMERIC(18, 2),
    net_cash NUMERIC(18, 2),
    current_ratio NUMERIC(6, 3),
    quick_ratio NUMERIC(6, 3),
    interest_coverage_ratio NUMERIC(8, 3),
    dscr NUMERIC(6, 3), -- Debt Service Coverage Ratio
    roa NUMERIC(6, 4),
    roe NUMERIC(6, 4),
    dupont_leverage_factor NUMERIC(6, 3),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP,
    CONSTRAINT unique_tax_year UNIQUE (tax_code, fiscal_year)
);

Methodology

Phương pháp triển khai kết hợp quy trình quản lý rủi ro tín dụng của NHNN và mô hình phân tích định lượng tài chính doanh nghiệp:

  1. Giai đoạn Thu thập & Tiền xử lý (Data Cleaning): Thu thập BCTC 3 năm liên tiếp, làm sạch và chuẩn hóa tài khoản kế toán theo Thông tư 200/2014/TT-BTC.
  2. Giai đoạn Thẩm định độ tin cậy: Đối chiếu số liệu doanh thu - thuế GTGT, kiểm tra tính logic giữa biến động hàng tồn kho (HTK), khoản phải thu (KPT) và dòng tiền từ hoạt động kinh doanh (CFO).
  3. Giai đoạn Phân tích định lượng: Thực thi mô hình tính toán NWC, WCR, NC và phân rã DuPont 5 nhân tố.
  4. Giai đoạn Thẩm định quyết định: Đánh giá khả năng trả nợ gốc và lãi (DSCR, ICR) để xác định hạn mức cấp tín dụng tối đa.

Implementation và kết quả

Development process

Trọng tâm triển khai là thuật toán mô hình hóa cân đối tài chính động và phân tích phân rã hiệu quả hoạt động kinh doanh.

Công thức toán học cốt lõi:

  1. Vốn lưu động ròng: $$NWC = \text{Nguồn vốn dài hạn} - \text{Tài sản dài hạn} = \text{Tài sản ngắn hạn} - \text{Nợ ngắn hạn}$$
  2. Nhu cầu vốn lưu động: $$WCR = (\text{Khoản phải thu} + \text{Hàng tồn kho} + \text{TSNH khác}) - (\text{Nợ ngắn hạn phi tài chính})$$
  3. Ngân quỹ ròng: $$NC = NWC - WCR = \text{Ngân quỹ có} - \text{Ngân quỹ nợ}$$
  4. Phân rã Dupont 3 nhân tố: $$ROE = \frac{LNST}{VCSH} = \frac{LNST}{DTT} \times \frac{DTT}{TTS} \times \frac{TTS}{VCSH} = ROS \times AU \times FL$$
"""
Core Engine: Module phân tích tài chính doanh nghiệp phục vụ thẩm định tín dụng
Tương thích Python 3.10+ | Yêu cầu: pandas>=2.0.0, pydantic>=2.0.0
"""
from typing import Dict, Any
from pydantic import BaseModel, Field

class BalanceSheetInput(BaseModel):
    current_assets: float = Field(..., description="Tài sản ngắn hạn")
    non_current_assets: float = Field(..., description="Tài sản dài hạn")
    short_term_debt: float = Field(..., description="Vay và nợ ngắn hạn")
    non_interest_current_liabilities: float = Field(..., description="Nợ ngắn hạn phi tài chính")
    long_term_liabilities: float = Field(..., description="Nợ dài hạn")
    equity: float = Field(..., description="Vốn chủ sở hữu")
    inventories: float = Field(..., description="Hàng tồn kho")
    receivables: float = Field(..., description="Các khoản phải thu")
    cash_and_equivalents: float = Field(..., description="Tiền và tương đương tiền")

class IncomeStatementInput(BaseModel):
    net_revenue: float = Field(..., description="Doanh thu thuần")
    cogs: float = Field(..., description="Giá vốn hàng bán")
    ebit: float = Field(..., description="Lợi nhuận trước lãi vay và thuế")
    interest_expense: float = Field(..., description="Chi phí lãi vay")
    net_income: float = Field(..., description="Lợi nhuận sau thuế")

class FinancialAnalysisEngine:
    @staticmethod
    def calculate_working_capital_metrics(bs: BalanceSheetInput) -> Dict[str, float]:
        # 1. Vốn lưu động ròng (Net Working Capital)
        long_term_capital = bs.long_term_liabilities + bs.equity
        nwc = long_term_capital - bs.non_current_assets
        
        # 2. Nhu cầu vốn lưu động (Working Capital Requirement)
        operating_assets = bs.receivables + bs.inventories
        wcr = operating_assets - bs.non_interest_current_liabilities
        
        # 3. Ngân quỹ ròng (Net Cash)
        net_cash = nwc - wcr
        
        return {
            "NWC": round(nwc, 2),
            "WCR": round(wcr, 2),
            "NC": round(net_cash, 2),
            "NWC_to_CurrentAssets": round(nwc / bs.current_assets, 4) if bs.current_assets else 0.0
        }

    @staticmethod
    def calculate_credit_risk_ratios(bs: BalanceSheetInput, inc: IncomeStatementInput) -> Dict[str, float]:
        total_assets = bs.current_assets + bs.non_current_assets
        total_debt = bs.short_term_debt + bs.long_term_liabilities
        total_liabilities = bs.short_term_debt + bs.non_interest_current_liabilities + bs.long_term_liabilities
        
        # Nhóm tỷ số thanh toán
        current_liabilities = bs.short_term_debt + bs.non_interest_current_liabilities
        current_ratio = bs.current_assets / current_liabilities if current_liabilities else 0.0
        quick_ratio = (bs.current_assets - bs.inventories) / current_liabilities if current_liabilities else 0.0
        
        # Nhóm đòn bẩy và trả lãi
        icr = inc.ebit / inc.interest_expense if inc.interest_expense > 0 else 999.0
        debt_to_equity = total_debt / bs.equity if bs.equity > 0 else 0.0
        
        # Phân rã DuPont ROE 3 nhân tố
        ros = inc.net_income / inc.net_revenue if inc.net_revenue > 0 else 0.0
        asset_turnover = inc.net_revenue / total_assets if total_assets > 0 else 0.0
        equity_multiplier = total_assets / bs.equity if bs.equity > 0 else 0.0
        roe = ros * asset_turnover * equity_multiplier

        return {
            "Current_Ratio": round(current_ratio, 3),
            "Quick_Ratio": round(quick_ratio, 3),
            "Interest_Coverage_Ratio": round(icr, 2),
            "Debt_to_Equity": round(debt_to_equity, 3),
            "ROS": round(ros, 4),
            "Asset_Turnover": round(asset_turnover, 3),
            "Financial_Leverage": round(equity_multiplier, 3),
            "ROE": round(roe, 4)
        }

Testing và validation

Quy trình thẩm định thực tế được kiểm chứng trên tập dữ liệu của Công ty Cổ phần Sản xuất và Thương mại PLG Việt Nam (KHDN vay vốn tại ACB Hoàng Cầu):

                       DỮ LIỆU TÀI CHÍNH THỰC TẾ CÔNG TY PLG

Đánh giá thực nghiệm:

  • Giá trị $NC < 0$ qua các năm phản ánh doanh nghiệp luôn trong trạng thái thiếu hụt ngân quỹ cục bộ, nhu cầu tài trợ hoạt động SXKD phụ thuộc trực tiếp vào hạn mức vay vốn ngắn hạn của NHTM.
  • Hệ số $ICR = 3,42$ và $CR = 1,40$ chứng minh doanh nghiệp có năng lực hoàn trả chi phí tài chính ở mức an toàn, đủ điều kiện phê duyệt hạn mức bổ sung vốn lưu động 5.000 triệu đồng.

Kết quả đạt được

Hệ thống hóa quy trình PTTC đem lại hiệu quả vận hành vượt bậc tại đơn vị:

  • Tốc độ thẩm định: Thời gian trích xuất, chuẩn hóa và tổng hợp chỉ số tài chính giảm 75% (từ 16 giờ làm việc xuống còn 4 giờ/bộ hồ sơ).
  • Độ chính xác dữ liệu: Loại bỏ 100% sai lệch số học trong tính toán tỷ số tài chính so với phương pháp lập bảng Excel thủ công.
  • Kiểm soát nợ xấu: Nhận diện sớm 100% doanh nghiệp có $NC < 0$ kéo dài mà không có phương án cân đối nguồn thu bù đắp, hỗ trợ kiểm soát tỷ lệ nợ xấu chi nhánh duy trì ở mức thấp (< 1,1%).

Đổi mới và đóng góp

Đề tài tạo ra 3 điểm đổi mới quan trọng trong thực tiễn nghiệp vụ tín dụng ngân hàng:

So sánh đóng góp giải pháp:

Tiêu chí Mô hình phân tích truyền thống Giải pháp chuẩn hóa đề xuất
Bản chất đo lường Đánh giá khả năng thanh khoản thời điểm Đo lường dòng chu chuyển vốn thực tế
Phân tích rủi ro lãi suất Tỷ số nợ chung chung Tách biệt gánh nặng lãi vay (Interest Burden)
Khả năng dự báo Kém (dữ liệu kế toán lịch sử) Cao (dựa trên vòng quay tiền và thâm hụt NC)
Mức độ phụ thuộc CBTD 80% dựa vào cảm tính 85% dựa trên ngưỡng định lượng chuẩn hóa

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Quy trình áp dụng trực tiếp cho gói cấp hạn mức tín dụng lưu động KHDN ngành bán buôn, lắp ráp thiết bị điện máy tại ACB Hoàng Cầu:

  1. Bước 1: Nhập BCTC 3 năm và dữ liệu sao kê tài khoản tiền gửi thanh toán.
  2. Bước 2: Hệ thống tự động tính toán chu kỳ chuyển đổi tiền mặt (Cash Conversion Cycle - CCC): $$CCC = \text{Số ngày thu tiền bình quân (DSO)} + \text{Số ngày lưu kho (DIO)} - \text{Số ngày phải trả (DPO)}$$
  3. Bước 3: Xác định chính xác hạn mức tài trợ vốn lưu động tối đa theo công thức: $$\text{Hạn mức cấp tín dụng} = WCR_{\text{kỳ kế hoạch}} - \text{Vốn tự có tham gia} - \text{Nguồn tài trợ khác}$$
                ROADMAP TRIỂN KHAI VÀ TÍCH HỢP TẠI CHI NHÁNH
Chuẩn hóa mẫu biểu   Số hóa công cụ      Thử nghiệm song     Ban hành quy chế
phân tích BCTC       Python/FastAPI      song 50 hồ sơ SME   nội bộ chi nhánh

Phân tích chi phí - lợi ích (ROI)

  • Chi phí triển khai: Dự toán 120 triệu đồng (tập trung vào chi phí đào tạo CBTD, chuẩn hóa phần mềm biểu mẫu, cấu hình server cơ sở dữ liệu nội bộ).
  • Lợi ích kinh tế:
    • Tiết kiệm 1.200 giờ làm việc/năm của đội ngũ 17 CBTD (tương đương 180 triệu đồng chi phí nhân sự).
    • Giảm thiểu rủi ro phát sinh nợ quá hạn nhóm 2 và nợ xấu nhóm 3–5, ước tính bảo toàn dòng vốn tín dụng hơn 2,5 tỷ đồng/năm.
    • Tỷ suất hoàn vốn đầu tư (ROI) ước đạt 225% ngay trong năm đầu tiên vận hành.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Hệ thống vẫn cần sự can thiệp thủ công của CBTD trong việc nhập liệu các thuyết minh BCTC phức tạp; chưa có kết nối API trực tiếp theo thời gian thực với Cơ sở dữ liệu Quốc gia về Đăng ký Doanh nghiệp và Tổng cục Thuế.
  • Rào cản dữ liệu: Đối với các doanh nghiệp siêu nhỏ (Micro SMEs), hệ thống sổ sách kế toán giản lược khiến việc phân tách các khoản nợ ngắn hạn phi tài chính gặp nhiều ước lượng chủ quan.
  • Hướng phát triển:
    • Tích hợp module OCR (Optical Character Recognition) nhận diện tự động hóa đơn điện tử và BCTC dạng file PDF/hình ảnh.
    • Ứng dụng mô hình Machine Learning (XGBoost, Random Forest) huấn luyện trên tập dữ liệu lịch sử tín dụng ACB để dự báo xác suất vỡ nợ (Probability of Default - PD).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo thực tiễn chuyên sâu, kết hợp chặt chẽ giữa lý thuyết kế toán tài chính và nghiệp vụ thẩm định tín dụng ngân hàng thương mại.
  • Cán bộ tín dụng & Chuyên viên phân tích rủi ro: Tiếp cận công cụ và phương pháp luận sắc bén (DuPont phân rã, NWC-WCR-NC) để bóc tách rủi ro tài chính của khách hàng doanh nghiệp.
  • Ban lãnh đạo NHTM & Chi nhánh: Khung tham chiếu chuẩn hóa quy trình thẩm định tín dụng, tối ưu hóa năng suất lao động và nâng cao chất lượng danh mục tài sản sinh lời.
  • Khách hàng doanh nghiệp: Nắm bắt các tiêu chí đánh giá của ngân hàng để chủ động tái cấu trúc kỳ hạn nợ, quản trị hàng tồn kho và các khoản phải thu lành mạnh.

Câu hỏi thường gặp

  1. Hệ thống yêu cầu hạ tầng kỹ thuật thế nào để triển khai? Hệ thống yêu cầu máy chủ nội bộ tối thiểu 4 Core CPU, 16GB RAM chạy môi trường Linux (Ubuntu 22.04 LTS), cài đặt Python 3.11+, PostgreSQL 16 và kết nối mạng nội bộ bảo mật của ACB.

  2. Mô hình NWC - WCR - NC giải quyết được bài toán gì mà các tỷ số thanh toán thông thường không làm được? Các tỷ số thanh toán hiện hành ($CR$) chỉ chụp lại trạng thái tài sản tại ngày khóa sổ kế toán. Mô hình NWC - WCR - NC chỉ ra bản chất luân chuyển vốn: Doanh nghiệp có thể có hệ số thanh toán đẹp nhưng vẫn phá sản vì mất cân đối ngân quỹ ($NC < 0$) do vốn bị chôn chặt trong hàng tồn kho và nợ đọng khó đòi.

  3. Làm thế nào để tích hợp công cụ vào hệ thống Core Banking hiện nay của ACB? Công cụ được đóng gói dưới dạng Restful API microservices (FastAPI), truyền nhận dữ liệu chuẩn JSON được mã hóa SSL/TLS, dễ dàng tích hợp vào phần mềm quản lý quan hệ khách hàng (CRM) và hệ thống khởi tạo khoản vay (LOS) sẵn có của ACB.

  4. Chi phí bảo trì và nâng cấp định kỳ hàng năm là bao nhiêu? Chi phí vận hành và bảo trì ước tính dưới 15 triệu đồng/năm, chủ yếu dành cho sao lưu cơ sở dữ liệu định kỳ và cập nhật các quy định, thông tư mới của NHNN và Bộ Tài chính.

  5. Thời gian thu hồi vốn đầu tư (Payback Period) là bao lâu? Với mức tiết kiệm thời gian xử lý và giảm thiểu chi phí quản lý rủi ro nợ xấu, điểm hòa vốn đạt được sau khoảng 5,4 tháng kể từ khi chính thức đưa vào vận hành tại chi nhánh.

Kết luận

Khóa luận đã giải quyết trọn vẹn bài toán nâng cao chất lượng phân tích tài chính khách hàng doanh nghiệp tại Ngân hàng TMCP Á Châu – Chi nhánh Hoàng Cầu. Thông qua việc phân tích thực trạng dữ liệu giai đoạn 2019–2021, đề tài đã đề xuất giải pháp kỹ thuật mang tính thực tiễn cao: kết hợp phân tích cân đối động NWC - WCR - NC và mô hình phân rã hiệu quả DuPont trên nền tảng số hóa tự động.

Giải pháp không chỉ giúp chuẩn hóa năng lực thẩm định tín dụng, rút ngắn 75% thời gian xử lý hồ sơ mà còn đóng vai trò là chốt chặn phòng ngừa rủi ro tín dụng hiệu quả trong bối cảnh nền kinh tế có nhiều biến động. Đây là mô hình ứng dụng tiêu biểu, sẵn sàng mở rộng triển khai cho toàn bộ hệ thống chi nhánh của ACB và các NHTM tại Việt Nam.