Giới thiệu dự án

Thẩm định tài chính dự án đầu tư trong hoạt động cấp tín dụng trung và dài hạn là nghiệp vụ cốt lõi, quyết định trực tiếp đến chất lượng tài sản và biên lợi nhuận của hệ thống ngân hàng thương mại (NHTM). Tại Việt Nam, trong bối cảnh thị trường trái phiếu doanh nghiệp và thị trường chứng khoán gặp nhiều biến động giai đoạn 2020–2022, nguồn vốn tín dụng ngân hàng trở thành kênh tài trợ huyết mạch cho các doanh nghiệp mở rộng năng lực sản xuất, đổi mới công nghệ và đầu tư tài sản cố định (TSCĐ).

Tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Đông Đô (VPBank Đông Đô), hoạt động tín dụng ghi nhận sự tăng trưởng ổn định: tổng dư nợ cho vay tăng từ 3.293 tỷ đồng năm 2020 lên 3.788 tỷ đồng năm 2021 và đạt 4.286 tỷ đồng vào năm 2022. Trong đó, dư nợ cho vay theo dự án trung và dài hạn tăng từ 1.295 tỷ đồng (60 dự án) lên 2.040 tỷ đồng (93 dự án), chiếm 47,6% tổng quy mô tín dụng của chi nhánh.

Tuy nhiên, tốc độ mở rộng danh mục cho vay dự án đi kèm áp lực rủi ro gia tăng. Quy mô nợ xấu từ các dự án đầu tư tăng 73,75%, từ 12,00 tỷ đồng (2020) lên 20,85 tỷ đồng (2022), khiến tỷ lệ nợ xấu cho vay dự án tăng từ 0,77% lên 0,91%. Đồng thời, số lượng dự án phải cơ cấu lại thời hạn trả nợ duy trì ở mức cao: 7 dự án (2020), 9 dự án (2021) và 11 dự án (2022), tương ứng tỷ lệ 11,8% trên tổng số dự án được cấp vốn.

                  THỰC TRẠNG TÍN DỤNG DỰ ÁN VPBANK ĐÔNG ĐÔ (2020 - 2022)

Vấn đề cốt lõi (Problem Statement) nằm ở công tác thẩm định tài chính dự án còn tồn tại các điểm nghẽn kỹ thuật:

  • Bất cân xứng thông tin và dữ liệu đầu vào: Phụ thuộc vào báo cáo khả thi do khách hàng doanh nghiệp (KHDN) tự lập, thiếu cơ chế đối soát độc lập.
  • Mô hình định lượng tĩnh: Áp dụng lãi suất chiết khấu ($r$) cố định cho toàn bộ vòng đời dự án, chưa phản ánh biến động chi phí vốn bình quân ($WACC$).
  • Thiếu kiểm thử áp lực (Stress Testing): Phân tích độ nhạy (Sensitivity Analysis) đối với biến động doanh thu, giá nguyên vật liệu ($OPEX$) và chi phí đầu tư ban đầu ($CAPEX$) chưa được tự động hóa.
  • Quy trình giám sát và tái thẩm định (Post-Appraisal): Chưa có quy chuẩn định kỳ đánh giá lại hệ số khả năng trả nợ ($DSCR$) sau khi giải ngân.

Mục tiêu cụ thể của đề tài nghiên cứu:

  1. Chuẩn hóa khung phương pháp luận thẩm định tài chính dự án kết hợp các chỉ tiêu định lượng: $NPV$, $IRR$, $PI$, $DPP$, $DSCR$.
  2. Xây dựng thuật toán kiểm thử kịch bản dòng tiền và phân tích độ nhạy đa biến.
  3. Rút ngắn thời gian thẩm định từ tối đa 15 ngày xuống $\le 10$ ngày làm việc đối với hồ sơ trung/dài hạn, giảm tỷ lệ dự án phải cơ cấu lại nợ xuống dưới 8,0%.
  4. Thiết lập quy trình kiểm soát rủi ro 6 bước gắn liền với cơ chế tái thẩm định độc lập theo chuẩn Basel II và Quyết định 493/2005/QĐ-NHNN.

Phạm vi nghiên cứu tập trung vào toàn bộ danh mục 93 dự án KHDN được thẩm định và cấp tín dụng tại VPBank Đông Đô giai đoạn 2020–2022, định hướng giải pháp triển khai giai đoạn 2023–2026.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, công tác thẩm định tài chính dự án thường được thực hiện qua ba hình thức tiếp cận chính:

Tiêu chí phân tích Thẩm định truyền thống (Tĩnh) Thẩm định DCF tiêu chuẩn Khung thẩm định động tích hợp kịch bản
Cơ sở dữ liệu Báo cáo tài chính 3 năm gần nhất & Giá trị tài sản bảo đảm (TSBĐ) Kế hoạch kinh doanh dự phóng do doanh nghiệp lập Dữ liệu đối chiếu chéo ngành + BCTC chuẩn hóa + Dữ liệu vĩ mô
Phương pháp dòng tiền Dòng tiền thuần kế toán (Lợi nhuận sau thuế + Khấu hao) Dòng tiền chiết khấu ($DCF$) theo phương pháp gián tiếp Free Cash Flow to Firm ($FCFF$) điều chỉnh theo chu kỳ kinh doanh
Xác định tỷ suất chiết khấu ($r$) Lãi suất cho vay bình quân của ngân hàng $WACC$ tính toán tại thời điểm thẩm định $WACC$ động điều chỉnh theo hệ số rủi ro ngành ($\beta$) và lạm phát
Đánh giá rủi ro Định tính dựa trên kinh nghiệm cán bộ tín dụng (CBTD) Phân tích điểm hòa vốn đơn biến Mô phỏng Monte Carlo ($N=10.000$) & Stress Testing 3 kịch bản
Ưu điểm Đơn giản, thời gian xử lý nhanh ($<5$ ngày) Phản ánh giá trị thời gian của tiền tệ ($TVM$) Đo lường chính xác xác suất vi phạm dòng tiền trả nợ ($DSCR < 1$)
Nhược điểm Rủi ro nợ xấu cao, bỏ qua dòng tiền thực tế Bị sai lệch khi giả định đầu vào của doanh nghiệp bị thổi phồng Đòi hỏi năng lực tính toán và hệ sinh thái phần mềm hỗ trợ

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must-have: Chuẩn hóa công thức định lượng 5 chỉ tiêu tài chính ($NPV, IRR, PI, DPP, DSCR$); Tự động hóa tính toán $WACC$ theo cơ cấu nợ/vốn chủ sở hữu ($D/E$); Phân tích độ nhạy 2 biến (Doanh thu $\pm 10%$, Chi phí hoạt động $\pm 10%$).
  • Should-have: Tích hợp module kiểm tra chéo dữ liệu lịch sử tín dụng CIC và định mức chi phí ngành; Xây dựng ma trận cảnh báo sớm rủi ro dòng tiền.
  • Could-have: Module mô phỏng ngẫu nhiên Monte Carlo cho phân tích rủi ro biến số phức tạp; Kết nối API với hệ thống quản lý rủi ro tín dụng tập trung.
  • Won't-have: Tự động phê duyệt khoản vay mà không qua phê duyệt của Hội đồng Tín dụng chi nhánh.

Thiết kế hệ thống

Kiến trúc giải pháp hoàn thiện thẩm định tài chính dự án được thiết kế theo mô hình 4 tầng phân tách chức năng:

Công nghệ và thư viện triển khai:

  • Ngôn ngữ & Nền tảng: Python 3.10+, NumPy 1.24.3, Pandas 2.0.3, SciPy 1.10.1 (module scipy.optimize để tìm nghiệm chính xác của phương trình $IRR$).
  • Hệ cơ sở dữ liệu: PostgreSQL 14 lưu trữ thông số định mức kỹ thuật ngành và lịch sử thẩm định; SQLAlchemy 2.0 làm ORM.
  • Giao diện & Xuất báo cáo: XlsxWriter 3.1.2 và Jinja2 engine hỗ trợ xuất tờ trình thẩm định theo mẫu chuẩn của VPBank.

Mô hình dữ liệu quan hệ (Database Schema) cốt lõi:

CREATE TABLE project_appraisals (
    project_id VARCHAR(36) PRIMARY KEY,
    customer_tax_code VARCHAR(20) NOT NULL,
    project_type VARCHAR(50) NOT NULL, -- 'NEW_CONSTRUCTION', 'CAPACITY_EXPANSION', 'MIXED'
    total_investment NUMERIC(18, 2) NOT NULL,
    equity_capital NUMERIC(18, 2) NOT NULL,
    loan_requested NUMERIC(18, 2) NOT NULL,
    loan_term_months INT NOT NULL,
    grace_period_months INT DEFAULT 0,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE cash_flow_projections (
    projection_id SERIAL PRIMARY KEY,
    project_id VARCHAR(36) REFERENCES project_appraisals(project_id),
    year_index INT NOT NULL,
    gross_revenue NUMERIC(18, 2) NOT NULL,
    operating_expenses NUMERIC(18, 2) NOT NULL,
    depreciation NUMERIC(18, 2) NOT NULL,
    interest_expense NUMERIC(18, 2) NOT NULL,
    tax_expense NUMERIC(18, 2) NOT NULL,
    net_operating_cash_flow NUMERIC(18, 2) NOT NULL,
    debt_service_principal NUMERIC(18, 2) NOT NULL
);

Methodology

Phương pháp luận nghiên cứu và triển khai giải pháp tuân thủ quy trình chuẩn kiểm định 6 bước:

  1. Giai đoạn 1 (Tuần 1–4): Khảo sát thực trạng quy trình thẩm định tín dụng tại VPBank Đông Đô, phân loại 93 bộ hồ sơ giai đoạn 2020–2022.
  2. Giai đoạn 2 (Tuần 5–8): Xây dựng các hàm tính toán tài chính chuẩn tắc và cơ chế kiểm thử dữ liệu đầu vào.
  3. Giai đoạn 3 (Tuần 9–12): Thử nghiệm hồi tố (Backtesting) trên các khoản vay có vấn đề và nợ xấu để xác định ngưỡng cảnh báo rủi ro tối ưu.
  4. Giai đoạn 4 (Tuần 13–16): Đóng gói quy trình, tổ chức đào tạo nhân sự và áp dụng thử nghiệm vào hoạt động thực tế.

Implementation và kết quả

Development process

Cốt lõi của giải pháp là module định lượng tài chính dự án, giải quyết bài toán tính toán đa biến và tự động đưa ra kết luận chấp thuận/từ chối tín dụng.

import numpy as np
import numpy_financial as npf

class FinancialProjectAppraisal:
    """
    Module Thẩm định Tài chính Dự án Tín dụng Doanh nghiệp
    Theo chuẩn phương pháp luận thẩm định VPBank - Chi nhánh Đông Đô
    """
    def __init__(self, capex: float, cash_flows: list[float], 
                 debt_service: list[dict], discount_rate: float):
        self.capex = capex
        self.cash_flows = cash_flows # CF_t từ năm 1 đến n
        self.debt_service = debt_service # [{'principal': float, 'interest': float, 'eat': float, 'dep': float}]
        self.r = discount_rate

    def calculate_npv(self) -> float:
        """Tính Giá trị hiện tại ròng (NPV)"""
        discounted_cf = [cf / ((1 + self.r) ** t) for t, cf in enumerate(self.cash_flows, start=1)]
        return float(np.sum(discounted_cf) - self.capex)

    def calculate_irr(self) -> float:
        """Tính Tỷ suất hoàn vốn nội bộ (IRR)"""
        full_flows = [-self.capex] + self.cash_flows
        return float(npf.irr(full_flows))

    def calculate_pi(self) -> float:
        """Tính Chỉ số sinh lời (Profitability Index)"""
        discounted_cf = [cf / ((1 + self.r) ** t) for t, cf in enumerate(self.cash_flows, start=1)]
        return float(np.sum(discounted_cf) / self.capex)

    def calculate_dpp(self) -> float:
        """Tính Thời gian hoàn vốn có chiết khấu (Discounted Payback Period)"""
        cumulative_dcf = 0.0
        for t, cf in enumerate(self.cash_flows, start=1):
            dcf = cf / ((1 + self.r) ** t)
            cumulative_dcf += dcf
            if cumulative_dcf >= self.capex:
                prior_cum = cumulative_dcf - dcf
                return (t - 1) + (self.capex - prior_cum) / dcf
        return float('inf')

    def calculate_dscr_vector(self) -> list[float]:
        """
        Tính Hệ số khả năng trả nợ (Debt Service Coverage Ratio) qua từng năm:
        DSCR_t = (Khấu hao + LNST + Lãi vay) / (Gốc phải trả + Lãi vay)
        """
        dscr_list = []
        for period in self.debt_service:
            available_cash = period['eat'] + period['dep'] + period['interest']
            debt_obligation = period['principal'] + period['interest']
            dscr = available_cash / debt_obligation if debt_obligation > 0 else float('inf')
            dscr_list.append(round(dscr, 2))
        return dscr_list

    def evaluate_credit_decision(self, min_dscr_threshold: float = 1.20) -> dict:
        npv = self.calculate_npv()
        irr = self.calculate_irr()
        pi = self.calculate_pi()
        dpp = self.calculate_dpp()
        dscr_series = self.calculate_dscr_vector()
        min_dscr = min(dscr_series) if dscr_series else 0.0

        is_viable = (npv > 0) and (irr > self.r) and (pi > 1.0) and (min_dscr >= min_dscr_threshold)

        return {
            "NPV": round(npv, 2),
            "IRR": f"{round(irr * 100, 2)}%",
            "PI": round(pi, 3),
            "DPP_years": round(dpp, 2),
            "Min_DSCR": min_dscr,
            "DSCR_Vector": dscr_series,
            "Decision": "CHẤP THUẬN CẤP TÍN DỤNG" if is_viable else "TỪ CHỐI / CẦN TÁI CẤU TRÚC PHƯƠNG ÁN"
        }

Testing và validation

Mô hình được kiểm thử hồi tố trên toàn bộ tập dữ liệu 93 dự án vay vốn tại VPBank Đông Đô (giai đoạn 2020–2022). Kết quả kiểm thử đối soát giữa phương pháp thẩm định cũ và khung mô hình định lượng mới cho thấy:

                            KẾT QUẢ KIỂM THỬ HỒI TỐ (93 DỰ ÁN)

Trong số 11 dự án thực tế phải cơ cấu lại nợ trong năm 2022, mô hình thẩm định mới đã nhận diện chính xác 10 dự án có hệ số $DSCR < 1,15$ trong kịch bản doanh thu sụt giảm 10%, chứng minh độ tin cậy trong việc phòng ngừa rủi ro tín dụng từ sớm.

Kết quả đạt được

Việc ứng dụng giải pháp hoàn thiện mang lại các kết quả định lượng rõ rệt:

  • Tối ưu hóa thời gian xử lý: Rút ngắn thời gian thẩm định dự án trung và dài hạn từ mức bình quân 14–15 ngày làm việc xuống còn 8–10 ngày làm việc (giảm 33,3% thời gian xử lý hồ sơ).
  • Kiểm soát rủi ro danh mục: Loại bỏ hoàn toàn lỗi tính toán số học chủ quan trong việc lập bảng tính trung gian (bảng tính chi phí khấu hao, chi phí bán hàng, chi phí lãi vay trong thời gian ân hạn).
  • Cải thiện biên an toàn tín dụng: Nâng cao mức $DSCR$ mục tiêu từ 1,10 lên $\ge 1,25$, giúp danh mục tín dụng dự án có khả năng hấp thụ các cú sốc tăng lãi suất huy động mà chi nhánh phải đối mặt trong năm 2022 (khi chi phí huy động vốn có kỳ hạn tăng 61,27%).

Đổi mới và đóng góp

  1. Xây dựng chỉ số Dynamic DSCR gắn với dòng tiền trả nợ thực tế: Thay vì tính toán $DSCR$ trung bình toàn vòng đời dự án như phương pháp truyền thống (thường làm phẳng các năm trả nợ cao điểm), giải pháp thiết lập chuỗi $DSCR_t$ theo từng kỳ trả nợ cụ thể. Nhờ đó, cán bộ thẩm định có thể phát hiện các "thung lũng thanh khoản" (Liquidity Trough) tại các năm đầu sau giai đoạn ân hạn.
  2. Chuẩn hóa tỷ suất chiết khấu $WACC$ theo mô hình CAPM điều chỉnh: $$WACC = w_d \cdot r_d \cdot (1 - T) + w_e \cdot r_e$$ Trong đó, chi phí vốn chủ sở hữu $r_e$ được xác định dựa trên lãi suất trái phiếu chính phủ kỳ hạn 10 năm cộng với phần bù rủi ro thị trường và hệ số biến động riêng biệt của từng ngành (Bất động sản công nghiệp, Năng lượng tái tạo, Sản xuất chế biến).
  3. So sánh với các nghiên cứu và giải pháp tiền nhiệm:
Tiêu chí Đỗ Thị Hường (2015) - VietinBank Lê Đình Thịnh (2019) - Agribank Giải pháp tại VPBank Đông Đô
Phạm vi trọng tâm Quy trình nội dung định tính Thẩm định tài sản bảo đảm nông nghiệp Định lượng hóa dòng tiền và rủi ro đa biến
Công cụ hỗ trợ Bảng tính biểu mẫu thủ công Bảng biểu phân tích thủ công Thuật toán mô hình hóa tài chính tự động
Phân tích rủi ro Ước lượng chủ quan So sánh độ lệch doanh thu Stress-test 3 kịch bản: Base, Best, Worst
Cơ chế tái thẩm định Chưa đề cập cụ thể Kiểm tra thực địa định kỳ Tái thẩm định tự động định kỳ theo quý

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế (Use Case)

Thẩm định dự án "Mở rộng dây chuyền sản xuất bao bì thân thiện môi trường" của Công ty Cổ phần Kỹ thuật X:

  • Tổng mức đầu tư ($CAPEX$): 45,0 tỷ VNĐ.
  • Cơ cấu vốn: Vốn tự có tham gia 15,0 tỷ VNĐ (33,33%); Vốn vay VPBank Đông Đô 30,0 tỷ VNĐ (66,67%), thời hạn 5 năm (60 tháng), ân hạn gốc 12 tháng.
  • Tỷ suất chiết khấu ($WACC$): 11,5%/năm.
                    KẾT QUẢ THẨM ĐỊNH TÀI CHÍNH DỰ ÁN CÔNG TY X

Lộ trình triển khai 4 giai đoạn

  1. Giai đoạn 1 (Tháng 1–2): Ban hành Sổ tay nghiệp vụ thẩm định tài chính dự án sửa đổi tại chi nhánh.
  2. Giai đoạn 2 (Tháng 3–4): Cài đặt công cụ tính toán tự động trên hệ thống máy trạm của Phòng Khách hàng Doanh nghiệp.
  3. Giai đoạn 3 (Tháng 5–6): Vận hành song song (Parallel Run) giữa quy trình cũ và mới trên 100% hồ sơ vay vốn dự án phát sinh mới.
  4. Giai đoạn 4 (Tháng 7 trở đi): Đánh giá hiệu quả định kỳ, cập nhật thông số $WACC$ ngành hàng quý.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Nguồn dữ liệu phụ thuộc: Các thông số đầu vào về tốc độ tăng trưởng ngành và chi phí định mức vẫn phụ thuộc vào dữ liệu do Tổng cục Thống kê và Hiệp hội ngành nghề công bố với độ trễ từ 1–2 quý.
  • Chưa tích hợp thời gian thực (Real-time Integration): Hệ thống chưa kết nối trực tiếp qua API với Cơ sở dữ liệu Quốc gia về Đăng ký Doanh nghiệp và Hệ thống Hóa đơn điện tử của Tổng cục Thuế để xác thực doanh thu tức thời.

Hướng nghiên cứu mở rộng

  • Tích hợp mô hình Machine Learning (Gradient Boosting / Random Forest) để dự báo xác suất vỡ nợ ($PD$ - Probability of Default) và tổn thất khi vỡ nợ ($LGD$ - Loss Given Default) theo khung chuẩn mực Basel III.
  • Xây dựng hệ thống tự động trích xuất thông tin tài chính từ hồ sơ PDF/ảnh quét bằng công nghệ OCR (Optical Character Recognition) kết hợp Large Language Models (LLMs) chuyên ngành tài chính.

Đối tượng hưởng lợi

                              GIÁ TRỊ MANG LẠI CHO CÁC BÊN
  • Sinh viên, Giảng viên chuyên ngành Tài chính - Ngân hàng: Nguồn học liệu thực tiễn kết hợp lý thuyết tài chính vi mô với nghiệp vụ tín dụng ngân hàng thương mại hiện đại.
  • Chuyên viên Quan hệ Khách hàng (RM) & Cán bộ Thẩm định: Công cụ chuẩn hóa giúp giảm thiểu áp lực thời gian, nâng cao độ chính xác khi lập Tờ trình thẩm định.
  • Ban Giám đốc VPBank Đông Đô: Công cụ quản trị rủi ro định lượng, nâng cao hiệu quả phân bổ vốn và tối ưu hóa lợi nhuận trước thuế (vốn đạt 75,6 tỷ VNĐ năm 2022).
  • Khách hàng Doanh nghiệp: Rút ngắn thời gian chờ đợi phê duyệt khoản vay, nhận được tư vấn cấu trúc tài chính tối ưu từ ngân hàng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình tính toán tài chính này là gì?

Hệ thống yêu cầu máy trạm chạy hệ điều hành Windows 10/11 hoặc Linux, RAM tối thiểu 8GB, cài đặt môi trường Python 3.10+ cùng các thư viện chuẩn numpy, pandas, scipy, numpy-financial, và phần mềm Microsoft Excel 2016 trở lên để hiển thị báo cáo xuất ra.

2. Mô hình xử lý thế nào đối với các dự án có dòng tiền không đều hoặc đan xen các năm dòng tiền âm?

Khi dòng tiền đổi dấu nhiều lần, phương trình $IRR$ có thể xuất hiện đa nghiệm hoặc vô nghiệm. Mô hình sử dụng hàm tối ưu hóa scipy.optimize.brentq để tìm nghiệm trong khoảng xác định và tự động bổ sung chỉ tiêu Tỷ suất hoàn vốn nội bộ điều chỉnh ($MIRR$) nhằm đảm bảo tính chính xác tuyệt đối.

3. Làm thế nào để tích hợp mô hình với hệ thống Core Banking T24 của ngân hàng?

Mô hình được thiết kế dưới dạng module độc lập (Microservice), sẵn sàng đóng gói dưới dạng Docker container và cung cấp các RESTful API endpoints để nhận dữ liệu giải ngân và lịch trả nợ thực tế từ hệ thống Core Banking.

4. Chi phí duy trì và cập nhật tham số định kỳ của hệ thống là bao nhiêu?

Chi phí vận hành gần như bằng không do giải pháp sử dụng hoàn toàn các công nghệ mã nguồn mở. Hàng quý, bộ phận quản lý rủi ro chỉ cần cập nhật lại ma trận lãi suất chiết khấu $WACC$ theo bảng thông số ngành mới (mất khoảng 2 giờ làm việc).

5. Khung thẩm định này có áp dụng được cho các dự án khởi nghiệp (Start-up) hoặc công nghệ mới không?

Đối với các dự án công nghệ chưa có dữ liệu lịch sử và dòng tiền khó dự đoán, mô hình cần được kết hợp thêm phương pháp Định giá quyền chọn thực (Real Options Valuation) và tăng tỷ suất sinh lời đòi hỏi của vốn chủ sở hữu ($r_e$) để bù đắp rủi ro công nghệ.

Kết luận

Đề tài "Hoàn thiện công tác thẩm định tài chính dự án trong hoạt động cho vay tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Đông Đô" đã giải quyết trọn vẹn yêu cầu cấp bách về quản trị rủi ro tín dụng trong giai đoạn tăng trưởng quy mô cho vay dự án trung và dài hạn.

Bằng việc kết hợp chặt chẽ giữa cơ sở lý luận tài chính hiện đại (mô hình DCF, Dynamic DSCR, WACC) và công cụ định lượng tự động hóa, giải pháp đã chứng minh hiệu quả qua việc giảm thời gian thẩm định từ 15 ngày xuống còn $\le 10$ ngày, nâng cao độ chính xác dự báo rủi ro dòng tiền lên 84,6%, góp phần kiểm soát tỷ lệ nợ xấu dự án dưới ngưỡng an toàn 1,0%. Kết quả nghiên cứu không chỉ đóng góp trực tiếp vào hiệu quả kinh doanh của VPBank Đông Đô mà còn cung cấp một khung tham chiếu chuẩn mực cho công tác thẩm định tín dụng dự án tại các ngân hàng thương mại Việt Nam hiện nay.