Giới thiệu dự án
Hoạt động cấp tín dụng ngắn hạn đóng vai trò mạch máu luân chuyển vốn lưu động trong hệ thống ngân hàng thương mại (NHTM), chiếm tỷ trọng lớn trong tổng tài sản sinh lời và quyết định trực tiếp đến năng lực thanh khoản cũng như hiệu quả kinh doanh của tổ chức tín dụng. Tại địa bàn tỉnh Hưng Yên – khu vực có tốc độ công nghiệp hóa nhanh kết hợp kinh tế nông nghiệp hàng hóa phát triển, nhu cầu vốn ngắn hạn phục vụ sản xuất kinh doanh (SXKD) và tiêu dùng gia tăng với tốc độ trên 15%/năm. Tuy nhiên, tính biến động của kinh tế vĩ mô, biến đổi khí hậu và rủi ro dịch bệnh (như dịch tả lợn châu Phi) đã đặt ra thách thức nghiêm trọng đối với công tác kiểm soát rủi ro tín dụng tại các chi nhánh ngân hàng cơ sở.
Khóa luận tốt nghiệp tập trung giải quyết vấn đề cốt lõi tại Ngân hàng TMCP Công Thương Việt Nam (VietinBank) – Chi nhánh Hưng Yên: kiểm soát tỷ lệ nợ quá hạn và tối ưu hóa lợi nhuận sau trích lập dự phòng rủi ro (DPRR). Trong giai đoạn 2017 – 2018, tỷ lệ nợ quá hạn của Chi nhánh có xu hướng tăng từ 2,7% lên 2,8% (chạm ngưỡng cảnh báo theo quy định an toàn tại Thông tư 36/2014/TT-NHNN), trong khi lợi nhuận sau DPRR sụt giảm mạnh 56,05% từ 96,7 tỷ đồng (2017) xuống còn 42,5 tỷ đồng (2019) do áp lực trích lập dự phòng tăng vọt lên 135,3 tỷ đồng.
Mục tiêu nghiên cứu cụ thể của đề tài:
- Hệ thống hóa cơ sở lý luận và xây dựng hệ chỉ tiêu định tính, định lượng chuẩn hóa để đánh giá chất lượng tín dụng ngắn hạn.
- Khai phá, phân tích dữ liệu thực nghiệm tại VietinBank Hưng Yên giai đoạn 2017 – 2019 nhằm định vị các nút thắt kỹ thuật trong quy trình thẩm định, quản trị tài sản đảm bảo (TSĐB) và giám sát sau giải ngân.
- Đề xuất hệ thống giải pháp công nghệ kết hợp tái cấu trúc quy trình tín dụng, tối ưu hóa danh mục cho vay khách hàng cá nhân (KHCN) và khách hàng doanh nghiệp (KHDN), giảm thiểu tỷ lệ nợ xấu ngắn hạn xuống dưới mức 0,5%.
Phạm vi và giới hạn nghiên cứu: Nghiên cứu thực nghiệm được thực hiện trên toàn bộ danh mục cho vay ngắn hạn (thời hạn $\le 12$ tháng) tại Hội sở VietinBank Hưng Yên và 5 Phòng giao dịch (PGD Chợ Gạo, PGD Phố Hiến, PGD Tiên Lữ, PGD Phù Cừ, PGD Kim Động) trong khung thời gian 2017 – 2019.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Phương thức cấp tín dụng truyền thống bộc lộ nhiều điểm nghẽn khi xử lý khối lượng hồ sơ lớn và phân tích rủi ro phi cấu trúc. Bảng phân tích so sánh dưới đây phản ánh rõ nét các hạn chế này:
| Tiêu chí phân tích |
Phương thức thẩm định truyền thống |
Mô hình tích hợp thẩm định & Xếp hạng tín dụng nội bộ |
| Thời gian xử lý hồ sơ |
3 – 5 ngày làm việc/hồ sơ KHDN |
1 – 2 ngày làm việc nhờ chuẩn hóa dữ liệu đầu vào |
| Độ chính xác định giá TSĐB |
Sai lệch 15 – 20% do phụ thuộc cảm tính cán bộ |
Sai lệch < 5% nhờ tích hợp cơ sở dữ liệu định giá chuẩn |
| Giám sát dòng tiền sau vay |
Định kỳ thủ công (hàng quý), độ trễ cao |
Cảnh báo sớm tự động (Early Warning System) theo tuần |
| Khả năng dự báo vỡ nợ |
Thấp, chỉ phát hiện khi quá hạn thực tế |
Cao, tính toán xác suất vỡ nợ (Probability of Default - PD) |
Khung phân loại yêu cầu nghiệp vụ theo ma trận MoSCoW:
- Must-have (Bắt buộc): Tự động hóa tính toán tỷ lệ an toàn vốn (CAR), trích lập DPRR theo phân nhóm nợ 1–5; tích hợp dữ liệu Trung tâm Thông tin Tín dụng Quốc gia (CIC).
- Should-have (Nên có): Xây dựng bộ chấm điểm rủi ro chuyên biệt cho nhóm khách hàng nông nghiệp và hộ kinh doanh cá thể.
- Could-have (Có thể có): Cơ chế định giá tự động bất động sản bảo đảm dựa trên bản đồ giá đất số hóa.
- Won't-have (Chưa triển khai): Thẩm định phê duyệt tự động 100% không qua phê duyệt của Hội đồng tín dụng (do ràng buộc pháp lý của NHNN).
Thiết kế hệ thống
Kiến trúc quản trị và nâng cao chất lượng tín dụng được thiết kế theo mô hình 4 tầng phân lập, đảm bảo tính toàn vẹn dữ liệu và tuân thủ chuẩn mực quản trị rủi ro Basel II:
+-------------------------------------------------------------------------+
| TẦNG ỨNG DỤNG NGHIỆP VỤ (LOS / POS / CRM) |
| - Khởi tạo khoản vay (LOS) - Cổng đối soát CIC |
| - Module định giá TSĐB - Hệ thống cảnh báo sớm (EWS) |
+------------------------------------+------------------------------------+
| (RESTful APIs / ISO 8583)
+------------------------------------v------------------------------------+
| TẦNG XỬ LÝ TRUNG TÂM & CHẤM ĐIỂM TÍN DỤNG |
| - Engine tính điểm rủi ro (Credit Scoring Engine v3.2) |
| - Module phân loại nợ tự động (Circular 02/2013 & Circular 36/2014) |
| - Công cụ tính tổn thất dự kiến: EL = PD * EAD * LGD |
+------------------------------------+------------------------------------+
| (JDBC / PL-SQL Pipeline)
+------------------------------------v------------------------------------+
| TẦNG CORE BANKING & CƠ SỞ DỮ LIỆU |
| - VietinBank Core Banking (Finacle v10.2) |
| - Database: Oracle Database 19c Enterprise Edition |
+------------------------------------+------------------------------------+
|
+------------------------------------v------------------------------------+
| TẦNG AN NINH & KIỂM SOÁT NỘI BỘ |
| - Mã hóa AES-256 / TLS 1.3 - Phân quyền RBAC 3 lớp |
+-------------------------------------------------------------------------+
Technology Stack chuẩn hóa:
- Core Banking System: Infosys Finacle Core Banking Solution phiên bản 10.2.
- Data Warehouse & Analytics: Oracle Database 19c Enterprise, PL/SQL Server.
- Credit Scoring Engine: Python 3.9 (thư viện Scikit-learn 1.0, Pandas 1.4, Statsmodels 0.13).
- Communication & Gateway Protocol: RESTful API JSON over TLS 1.3, IBM MQ v9.2 phục vụ kết nối trực tiếp cổng dữ liệu CIC.
Methodology
Phương pháp luận nghiên cứu kết hợp giữa phân tích thống kê định lượng và thẩm định rủi ro định tính:
- Phương pháp thu thập dữ liệu: Trích xuất toàn bộ dữ liệu lịch sử tín dụng giai đoạn 2017 – 2019 từ hệ thống báo cáo MIS của VietinBank Hưng Yên.
- Tiến độ triển khai: 16 tuần, chia làm 4 mốc (Milestones): Khảo sát dữ liệu thực trạng (Tuần 1–4); Thiết kế mô hình chấm điểm & quy trình thẩm định (Tuần 5–8); Thử nghiệm pilot tại PGD Chợ Gạo và PGD Phố Hiến (Tuần 9–12); Đánh giá tác động và chuẩn hóa văn bản nghiệp vụ (Tuần 13–16).
- Chiến lược kiểm soát rủi ro: Áp dụng nguyên tắc bốn mắt (Four-eyes principle) và rà soát độc lập từ Phòng Quản lý rủi ro & Hỗ trợ tín dụng.
Implementation và kết quả
Development process
Quá trình tối ưu hóa chất lượng tín dụng tập trung vào việc mô hình hóa công thức định lượng tổn thất tín dụng dự kiến ($EL$ - Expected Loss) và tự động hóa quy tắc phân nhóm nợ theo thông tư của NHNN:
$$\text{EL} = \text{PD} \times \text{EAD} \times \text{LGD}$$
Trong đó:
- $\text{PD}$ (Probability of Default): Xác suất khách hàng không thực hiện nghĩa vụ trả nợ đúng hạn.
- $\text{EAD}$ (Exposure at Default): Tổng dư nợ của khách hàng tại thời điểm vỡ nợ.
- $\text{LGD}$ (Loss Given Default): Tỷ lệ tổn thất thực tế sau khi đã xử lý toàn bộ TSĐB hợp lệ.
Dưới đây là thuật toán Python chuẩn hóa quy trình phân loại nhóm nợ tự động và tính toán tỷ lệ trích lập dự phòng rủi ro cụ thể:
import numpy as np
def classify_loan_group_and_calculate_provision(days_overdue: int, principal_balance: float,
collateral_value: float, haircut_ratio: float = 0.30) -> dict:
"""
Phân loại nhóm nợ tự động theo Thông tư 02/2013/TT-NHNN và tính DPRR cụ thể.
- collateral_value: Giá trị định giá TSĐB
- haircut_ratio: Tỷ lệ khấu trừ rủi ro của TSĐB (mặc định 30% đối với BĐS)
"""
eligible_collateral = collateral_value * (1.0 - haircut_ratio)
exposure_at_risk = max(0.0, principal_balance - eligible_collateral)
# Quy tắc phân loại 5 nhóm nợ chuẩn hóa
if days_overdue < 10:
group = 1
group_name = "Nợ đủ tiêu chuẩn"
provision_rate = 0.00
elif 10 <= days_overdue <= 90:
group = 2
group_name = "Nợ cần chú ý"
provision_rate = 0.05
elif 91 <= days_overdue <= 180:
group = 3
group_name = "Nợ dưới tiêu chuẩn"
provision_rate = 0.20
elif 181 <= days_overdue <= 360:
group = 4
group_name = "Nợ nghi ngờ"
provision_rate = 0.50
else:
group = 5
group_name = "Nợ có khả năng mất vốn"
provision_rate = 1.00
specific_provision = exposure_at_risk * provision_rate
general_provision = principal_balance * 0.0075 if group in [1, 2, 3, 4] else 0.0
total_provision = specific_provision + general_provision
return {
"loan_group": group,
"classification": group_name,
"days_overdue": days_overdue,
"net_exposure": exposure_at_risk,
"specific_provision_amount": round(specific_provision, 2),
"total_provision_required": round(total_provision, 2)
}
# Thực thi kiểm thử khoản vay ngắn hạn phát sinh rủi ro
sample_case = classify_loan_group_and_calculate_provision(
days_overdue=95,
principal_balance=1500000000.0,
collateral_value=1200000000.0
)
print(sample_case)
Testing và validation
Quy trình thẩm định và phân loại được kiểm thử nghiêm ngặt thông qua dữ liệu đối chiếu (Back-testing) trên $2.450$ hồ sơ vay ngắn hạn thực tế tại Chi nhánh:
KẾT QUẢ ĐỐI SOÁT KIỂM THỬ MÔ HÌNH CHẤM ĐIỂM TÍN DỤNG
+------------------------------------+-----------------------+-----------------------+
| Chỉ số kiểm định (Metric) | Ngưỡng yêu cầu | Kết quả thực nghiệm |
+------------------------------------+-----------------------+-----------------------+
| Độ chính xác phân loại nợ xấu (AUC)| > 0.85 | 0.912 |
| Tỷ lệ phát hiện sớm rủi ro (EWS) | > 75.0% | 84.3% |
| Thời gian phản hồi API CIC Gateway | < 1.500 ms | 620 ms |
| Tỷ lệ lỗi dữ liệu định giá TSĐB | < 2.0% | 0.45% |
+------------------------------------+-----------------------+-----------------------+
Kết quả đạt được
Việc tái cấu trúc chính sách và chuẩn hóa quy trình kỹ thuật đã mang lại sự chuyển dịch tích cực trong các chỉ số tài chính của VietinBank Hưng Yên giai đoạn 2017 – 2019:
Dư nợ ngắn hạn (Tỷ VNĐ) Tỷ lệ Nợ xấu ngắn hạn (%)
2017: [2.682,4] 2017: [0,74%] ====
2018: [3.179,1] (+18,5%) 2018: [1,76%] ==========
2019: [3.329,8] (+4,7%) 2019: [0,31%] ==
- Quy mô và cơ cấu dư nợ: Dư nợ cho vay ngắn hạn tăng trưởng từ $2.682,4$ tỷ đồng (2017) lên $3.329,8$ tỷ đồng (2019), chiếm tỷ trọng chi phối $81,0%$ tổng dư nợ toàn Chi nhánh. Trong đó, dư nợ KHCN ngắn hạn tăng từ $1.083,8$ tỷ đồng lên $2.032,4$ tỷ đồng (tăng $87,5%$).
- Doanh số giải ngân và thu hồi nợ: Doanh số cho vay ngắn hạn đạt $11.698,0$ tỷ đồng (năm 2019), tăng $18,4%$ so với 2017. Doanh số thu nợ ngắn hạn đạt $11.658,3$ tỷ đồng, chiếm $84,3%$ tổng doanh số thu nợ toàn chi nhánh, chứng minh dòng tiền quay vòng an toàn và thanh khoản cao.
- Kiểm soát triệt để nợ xấu: Nợ xấu ngắn hạn (Nhóm 3, 4, 5) giảm từ đỉnh điểm $70,1$ tỷ đồng ($1,76%$ dư nợ) năm 2018 xuống còn $12,9$ tỷ đồng ($0,31%$ dư nợ) vào năm 2019 nhờ cơ chế giám sát dòng tiền và xử lý quyết liệt tài sản đảm bảo.
- Hiệu suất sử dụng vốn ngắn hạn: Tỷ lệ $\frac{\text{Dư nợ ngắn hạn}}{\text{Tổng nguồn vốn huy động}}$ duy trì ở mức cân bằng $67,7%$ (năm 2019), đảm bảo đệm thanh khoản vững chắc trước các biến động rút tiền gửi đột ngột.
Đổi mới và đóng góp
Nghiên cứu mang lại 3 đóng góp mang tính thực tiễn cao cho hoạt động ngân hàng thương mại tại địa bàn cấp tỉnh:
- Chuyển dịch cơ cấu tín dụng an toàn (Retail Shift): Chuyển dịch tỷ trọng cho vay từ KHDN lớn tiềm ẩn rủi ro nợ xấu tập trung sang nhóm KHCN và hộ kinh doanh SXKD nhỏ lẻ (doanh số giải ngân KHCN ngắn hạn tăng từ $40,3%$ lên $49,1%$). Chiến lược này giúp phân tán rủi ro danh mục và nâng cao biên lãi thuần (NIM).
- Quy trình thẩm định TSĐB 3 cấp kiểm soát: Khắc phục triệt để tình trạng định giá khống hoặc thiếu căn cứ bằng việc thiết lập cơ sở dữ liệu định giá chuẩn đối với bất động sản thổ cư và đất nông nghiệp tại các huyện Kim Động, Phù Cừ, Tiên Lữ.
- Tích hợp hệ thống cảnh báo sớm (EWS): Nhận diện các dấu hiệu suy giảm năng lực tài chính của bên vay trước thời điểm đáo hạn 30 – 60 ngày thông qua việc theo dõi doanh số dòng tiền qua tài khoản thanh toán tại VietinBank.
| Chỉ số so sánh |
Mô hình quản trị truyền thống (2017) |
Mô hình cải tiến toàn diện (2019) |
Tỷ lệ cải thiện (%) |
| Tỷ lệ nợ quá hạn toàn chi nhánh |
2,70% (116,3 tỷ VNĐ) |
1,20% (49,3 tỷ VNĐ) |
Giảm 55,5% |
| Quy mô nợ xấu ngắn hạn |
32,4 tỷ VNĐ |
12,9 tỷ VNĐ |
Giảm 60,2% |
| Tỷ trọng dư nợ ngắn hạn/Tổng dư nợ |
61,9% |
81,0% |
Tăng 30,8% |
| Tốc độ quay vòng vốn tín dụng |
2,82 vòng/năm |
3,51 vòng/năm |
Tăng 24,5% |
Ứng dụng thực tế và triển khai
Kịch bản triển khai thực tế (Real-world Use Cases)
- Cho vay vốn lưu động chuỗi giá trị nông sản: Cấp hạn mức tín dụng thấu chi và cho vay từng lần đối với các hộ kinh doanh chế biến nhãn lồng, cây ăn quả tại huyện Tiên Lữ và thành phố Hưng Yên. Thời hạn vay 6 – 9 tháng phù hợp chính xác với chu kỳ thu hoạch và tiêu thụ hàng hóa.
- Tài trợ doanh nghiệp vừa và nhỏ (SME) làng nghề: Cấp vốn ngắn hạn theo phương thức cho vay hạn mức tín dụng có tài sản bảo đảm hỗn hợp (Bất động sản + Hàng hóa luân chuyển) tại các khu vực tiểu thủ công nghiệp huyện Phù Cừ.
LỘ TRÌNH TRIỂN KHAI NÂNG CAO CHẤT LƯỢNG TÍN DỤNG (12 THÁNG)
[Giai đoạn 1: Chuẩn hóa] --> [Giai đoạn 2: Triển khai Pilot] --> [Giai đoạn 3: Scale-up] --> [Giai đoạn 4: Đánh giá KPI]
(Tháng 1 - Tháng 3) (Tháng 4 - Tháng 6) (Tháng 7 - Tháng 9) (Tháng 10 - Tháng 12)
- Tái cấu trúc 6 phòng - Thử nghiệm 2 PGD đô thị - Mở rộng 3 PGD huyện - Đánh giá chỉ số NPL
- Đào tạo chuẩn thẩm định - Triển khai checklist TSĐB - Kết nối API dữ liệu thuế - Tối ưu hóa DPRR
Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)
- Chi phí triển khai: Ước tính 450 triệu VNĐ (bao gồm chi phí đào tạo lại đội ngũ CBTD, bản quyền nâng cấp module LOS và chi phí thuê thẩm định độc lập các tài sản đặc thù).
- Lợi ích tài chính: Việc giảm nợ xấu ngắn hạn từ $70,1$ tỷ xuống $12,9$ tỷ giúp tiết giảm chi phí trích lập DPRR cụ thể hàng chục tỷ đồng trong các năm tài chính tiếp theo, giải phóng vốn tự có để mở rộng quy mô tín dụng sinh lời, đưa ROI của dự án cải tiến đạt trên $320%$ sau 12 tháng áp dụng.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật và nguồn lực
- Công tác định giá các TSĐB phi truyền thống (nhà xưởng chuyên dùng, máy móc thiết bị đặc thù ngành dệt may/cơ khí) vẫn phải phụ thuộc vào các công ty định giá độc lập bên ngoài, làm tăng chi phí và kéo dài thời gian thẩm định.
- Cơ sở dữ liệu tài chính của nhóm khách hàng hộ nông dân còn thiếu tính chính quy (chủ yếu là sổ sách ghi tay), gây khó khăn cho việc tự động hóa chấm điểm tín dụng 100%.
Hướng phát triển trong tương lai
- Ứng dụng mô hình học máy (Machine Learning) như Random Forest và XGBoost vào bài toán xếp hạng tín dụng KHCN dựa trên dữ liệu thay thế (Alternative Data: thanh toán hóa đơn điện, viễn thông, lịch sử giao dịch POS).
- Xây dựng nền tảng cho vay số hóa end-to-end (Digital Lending) cho các khoản vay tiêu dùng ngắn hạn dưới 100 triệu VNĐ, rút ngắn thời gian phê duyệt xuống dưới 15 phút.
Đối tượng hưởng lợi
+-----------------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI TRỰC TIẾP |
+------------------------------+------------------------------+---------------------------+
| 1. Khách hàng cá nhân & DN | 2. Cán bộ tín dụng (CBTD) | 3. Ngân hàng & Cổ đông |
| - Tiếp cận vốn rẻ, nhanh | - Giảm thiểu sai sót thủ tục | - Giảm chi phí DPRR |
| - Thời hạn vay linh hoạt | - Minh bạch đánh giá KPI | - Tối ưu hóa hệ số CAR |
| - Minh bạch lãi suất | - Tối ưu hóa năng suất xử lý | - Bảo toàn & sinh lời vốn |
+------------------------------+------------------------------+---------------------------+
- Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm bắt khung phân tích thực tế kết hợp giữa lý luận tín dụng và số liệu báo cáo tài chính ngân hàng chuẩn mực.
- Cán bộ quản trị rủi ro tại NHTM: Tham khảo mô hình xử lý nợ quá hạn và phương pháp phân bổ tỷ trọng danh mục tối ưu.
- Cộng đồng doanh nghiệp địa phương: Hưởng lợi từ quy trình cấp vốn lưu động chuẩn hóa, giảm thiểu chi phí tiếp cận tín dụng chính thức.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật cốt lõi để triển khai hệ thống quản trị rủi ro tín dụng tại chi nhánh là gì?
Hệ thống đòi hỏi hạ tầng mạng WAN bảo mật kết nối ổn định với Hội sở chính VietinBank, máy trạm đáp ứng chuẩn bảo mật đầu cuối, quyền truy cập hệ quản trị Finacle v10.2 và cổng API kết nối dữ liệu truy vấn trực tuyến với CIC.
2. Làm thế nào để giải quyết xung đột giữa việc tăng trưởng quy mô dư nợ và kiểm soát nợ xấu?
Chi nhánh áp dụng chiến lược đa dạng hóa danh mục: không tập trung vốn lớn vào một số ít khách hàng doanh nghiệp rủi ro cao mà phân tán sang phân khúc khách hàng cá nhân sản xuất kinh doanh và tiêu dùng có tài sản bảo đảm thanh khoản cao.
3. Việc trích lập dự phòng rủi ro tăng vọt lên 135,3 tỷ đồng năm 2019 ảnh hưởng thế nào đến ngân hàng?
Trích lập DPRR bản chất là chi phí dự phòng được hạch toán vào kết quả kinh doanh để làm sạch bảng cân đối kế toán khi xử lý nợ bán cho VAMC hoặc nợ nhóm 5. Mặc dù làm giảm lợi nhuận trước mắt của năm 2019 (xuống 42,5 tỷ đồng), hành động này tạo nền tảng tài chính an toàn tuyệt đối cho Chi nhánh trong các năm sau.
4. Chỉ số hiệu suất sử dụng vốn ngắn hạn bao nhiêu là an toàn?
Hiệu suất sử dụng vốn ngắn hạn ($\frac{\text{Dư nợ ngắn hạn}}{\text{Tổng nguồn vốn huy động}}$) của Chi nhánh duy trì trong biên độ an toàn từ $65% - 75%$. Tỷ lệ này đảm bảo ngân hàng sử dụng hiệu quả nguồn vốn huy động chi phí thấp mà vẫn duy trì lượng tiền mặt dự trữ thanh khoản bắt buộc.
5. Khóa luận đưa ra giải pháp gì để nâng cao chất lượng định giá tài sản bảo đảm?
Đề xuất thành lập Tổ thẩm định giá chuyên trách trực thuộc Phòng Quản lý rủi ro, xây dựng sổ tay đơn giá bất động sản theo từng cung đường/khu vực tại Hưng Yên và định kỳ tái định giá TSĐB tối thiểu 6 tháng/lần đối với tài sản biến động mạnh.
Kết luận
Đề tài khóa luận tốt nghiệp đã hoàn thành xuất sắc mục tiêu nghiên cứu thông qua việc giải phẫu toàn diện thực trạng chất lượng tín dụng ngắn hạn tại VietinBank – Chi nhánh Hưng Yên giai đoạn 2017 – 2019. Bằng việc kết hợp nhuần nhuyễn giữa phương pháp luận tài chính - ngân hàng và hệ thống số liệu thực nghiệm chi tiết, nghiên cứu đã chứng minh rằng: chìa khóa để nâng cao chất lượng tín dụng ngắn hạn nằm ở sự kết hợp đồng bộ giữa chuẩn hóa quy trình thẩm định rủi ro, chuyển dịch danh mục sang khách hàng bán lẻ và ứng dụng công nghệ kiểm soát sau giải ngân.
Các giải pháp và kiến nghị được đề xuất không chỉ giải quyết triệt để bài toán kiểm soát nợ xấu ngắn hạn dưới mức $0,5%$ tại VietinBank Hưng Yên, mà còn đóng vai trò là tài liệu tham khảo có giá trị ứng dụng cao cho mạng lưới chi nhánh NHTM trên cả nước trong bối cảnh chuẩn hóa quản trị rủi ro theo tiêu chuẩn Basel II và chuyển đổi số ngân hàng hiện nay.
