Giới thiệu dự án

Hoạt động cấp tín dụng doanh nghiệp đóng vai trò huyết mạch trong việc tạo lập nguồn thu nhập cốt lõi của các ngân hàng thương mại (NHTM) tại Việt Nam, chiếm trung bình 65% - 70% tổng dư nợ toàn hệ thống. Tuy nhiên, theo thống kê ngành ngân hàng giai đoạn 2021–2023, tỷ lệ nợ xấu tiềm ẩn và rủi ro bất cân xứng thông tin tài chính từ khối khách hàng doanh nghiệp vừa và nhỏ (SMEs) luôn ở mức cao. Tình trạng gian lận chứng từ, làm đẹp báo cáo tài chính (BCTC) nhằm mục đích tiếp cận vốn vay đã gây ra nhiều vụ việc thất thoát vốn lên đến hàng nghìn tỷ đồng trên toàn thị trường tài chính.

Tại Ngân hàng TMCP Thịnh vượng và Phát triển (PGBank) – Chi nhánh Bắc Ninh, hoạt động cấp tín dụng cho khách hàng doanh nghiệp (KHDN) là động lực tăng trưởng chính trong bối cảnh Bắc Ninh là trung tâm công nghiệp trọng điểm phía Bắc. Dù lợi nhuận trước thuế (LNTT) của chi nhánh tăng trưởng ấn tượng (đạt tốc độ bình quân 53%/năm giai đoạn 2021–2023, từ 67,14 tỷ đồng năm 2021 lên 157,50 tỷ đồng năm 2023), công tác thẩm định và phân tích tài chính KHDN vẫn đối mặt với nhiều thách thức mang tính hệ thống.

+-----------------------------------------------------------------------------+
|                               PROBLEM STATEMENT                             |
|  - Báo cáo tài chính doanh nghiệp thiếu minh bạch, độ tin cậy chưa cao       |
|  - Quy trình phân tích thủ công, thời gian thẩm định kéo dài                |
|  - Đánh giá định tính chiếm tỷ trọng lớn, thiếu mô hình định lượng động      |
|  - Giám sát dòng tiền sau giải ngân thiếu công cụ cảnh báo sớm rủi ro       |
+-----------------------------------------------------------------------------+

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận chuẩn mực: Xây dựng khung lý thuyết toàn diện về phân tích tài chính KHDN trong quy trình cấp tín dụng ngân hàng thương mại.
  2. Đánh giá thực trạng hoạt động thẩm định: Khảo sát, phân tích chuyên sâu thực trạng phân tích tài chính KHDN tại PGBank Bắc Ninh giai đoạn 2021–2023 thông qua dữ liệu định lượng và nghiên cứu tình huống điển hình.
  3. Thiết kế giải pháp hoàn thiện quy trình: Đề xuất bộ giải pháp công nghệ và nghiệp vụ nhằm tối ưu hóa quy trình phân tích BCTC, tích hợp mô hình chấm điểm tín dụng nội bộ và kiểm soát dòng tiền tự động.
  4. Chuẩn hóa hệ thống chỉ tiêu tài chính: Thiết lập ma trận đánh giá năng lực tài chính toàn diện kết hợp phương pháp DuPont, phân tích cấu trúc vốn lưu động ròng và quản trị rủi ro nợ vay.

Phương pháp tiếp cận giải pháp

Đề tài kết hợp phương pháp phân tích tài chính cổ điển (tỷ số thanh khoản, hoạt động, đòn bẩy, sinh lời) với phân tích dòng tiền chuyên sâu (Net Working Capital - NWC, Working Capital Requirement - WCR, Net Cash Position - NCP) và mô hình phân rã DuPont 3 nhân tố. Giải pháp được số hóa thông qua việc chuẩn hóa quy trình nhập liệu, kiểm tra tính cân đối kế toán và tự động tính toán ma trận xếp hạng tín dụng nội bộ.

Kết quả kỳ vọng và chỉ số đo lường

  • Rút ngắn thời gian xử lý hồ sơ: Giảm 35% thời gian thẩm định báo cáo tài chính KHDN (từ 5 ngày làm việc xuống còn 3,25 ngày).
  • Nâng cao độ chính xác cảnh báo rủi ro: Đạt tỷ lệ phát hiện sai lệch số liệu BCTC > 90% thông qua các hàm đối chiếu chéo (cross-check logic).
  • Kiểm soát nợ xấu: Duy trì tỷ lệ nợ xấu phân khúc KHDN tại chi nhánh dưới ngưỡng 1,2% tổng dư nợ.

Phạm vi và giới hạn

  • Không gian: Nghiên cứu thực tế tại PGBank – Chi nhánh Bắc Ninh.
  • Thời gian: Tập trung vào chuỗi dữ liệu tài chính và hoạt động tín dụng giai đoạn 2021–2023.
  • Khách thể: Khách hàng doanh nghiệp hoạt động trong lĩnh vực sản xuất, thương mại và phân phối (điển hình: Công ty TNHH Công nghệ phẩm Bắc Ninh).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại PGBank Bắc Ninh, quy trình phân tích tài chính KHDN truyền thống chủ yếu dựa trên việc cán bộ quan hệ khách hàng (RM) nhập liệu thủ công các báo cáo tài chính (Bảng cân đối kế toán - BCĐKT, Báo cáo kết quả hoạt động kinh doanh - BCKQKD, Báo cáo lưu chuyển tiền tệ - BCLCTT) vào bảng tính biểu mẫu nội bộ.

Tiêu chí so sánh Phương pháp thủ công truyền thống Mô hình chấm điểm nội bộ hiện tại Giải pháp hoàn thiện đề xuất
Tốc độ xử lý Chậm (4 - 6 ngày làm việc) Trung bình (2 - 3 ngày làm việc) Nhanh (< 1 ngày làm việc)
Khả năng xác thực dữ liệu Thủ công, dễ sai sót dữ liệu thuế/quản trị Đối chiếu chéo cơ bản với CIC Tự động đối chiếu chéo CIC, Hóa đơn điện tử & ERP
Độ sâu phân tích Chỉ tính tỷ số tĩnh đơn lẻ Tính điểm theo thang điểm cố định Phân tích động (Dynamic NWC/WCR, Stress-test DuPont)
Cảnh báo sớm rủi ro Không có cơ chế tự động Phụ thuộc vào kỳ rà soát định kỳ Cảnh báo thời gian thực theo biến động dòng tiền

Phân tích yêu cầu theo khung MoSCoW

  • Must have: Bắt buộc chuẩn hóa 4 nhóm tỷ số tài chính (Thanh khoản, Hoạt động, Cơ cấu vốn, Sinh lời); tích hợp công thức tính Vốn lưu động ròng ($VLĐ_{ròng}$), Nhu cầu vốn lưu động ($Nhu_cầu_VLĐ$), Ngân quỹ ròng ($Ngân_quỹ_{ròng}$).
  • Should have: Tích hợp mô hình DuPont 3 nhân tố để bóc tách động lực tăng trưởng ROE; kết nối cơ chế chấm điểm tín dụng nội bộ với hệ thống xếp hạng theo thang điểm chuẩn.
  • Could have: Tích hợp API tự động truy vấn thông tin Trung tâm Thông tin Tín dụng Quốc gia (CIC) và dữ liệu xếp hạng từ FiinRatings/Saigon Ratings.
  • Won't have: Chưa triển khai mô hình chấm điểm tự động hoàn toàn bằng Machine Learning (Black-box AI) nhằm đảm bảo tính giải trình theo quy định của Ngân hàng Nhà nước.
+-----------------------------------------------------------------------------------+
|                                  GAP ANALYSIS                                     |
|  HIỆN TRẠNG (PGBank Bắc Ninh)            KHOẢNG TRỐNG               MỤC TIÊU     |
|  - Báo cáo tài chính tĩnh       ----->  Thiếu phân tích      -----> Phân tích dòng|
|  - Nhập liệu Excel rời rạc              dòng tiền động &            tiền tự động, |
|  - Kiểm tra chứng từ thủ công           đối chiếu tự động           cảnh báo sớm  |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc giải pháp phân tích tài chính KHDN tối ưu hóa được thiết kế theo mô hình phân lớp module hóa (Modular Architecture):

+-----------------------------------------------------------------------------+
|                               PRESENTATION TIER                             |
|       [Credit Officer UI]       [Risk Manager Dashboard]       [BI Reports] |
+-----------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------+
|                              APPLICATION LOGIC                              |
|  +--------------------+ +---------------------+ +------------------------+  |
|  | Financial Ratio    | | DuPont Decomposition| | Working Capital Engine |  |
|  | Engine             | | Module              | | (NWC / WCR / NCP)      |  |
|  +--------------------+ +---------------------+ +------------------------+  |
|  +--------------------+ +---------------------+ +------------------------+  |
|  | Credit Scoring &   | | Data Validation &   | | Post-Disbursement      |  |
|  | Rating Matrix      | | Cross-Check Module  | | Early Warning Engine   |  |
|  +--------------------+ +---------------------+ +------------------------+  |
+-----------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------+
|                                DATA ACCESS TIER                             |
|  [Core Banking Finacle v11.x]   [CIC Data Gateway]   [PostgreSQL v16 DB]    |
+-----------------------------------------------------------------------------+

Technology Stack và Versioning

  • Database Engine: PostgreSQL v16.2 / Oracle Database 19c Enterprise Edition.
  • Backend Analytics Engine: Python v3.11 với thư viện pandas v2.2.1, numpy v1.26.4, scipy v1.12.0.
  • API Framework: FastAPI v0.110.0 (RESTful Architecture).
  • Core Integration: Tích hợp với Core Banking Finacle v11.14 thông qua giao thức ISO 20022 / WebServices.
  • Data Visualization: Microsoft PowerBI Enterprise 2024 / Dash Plotly v2.16.

Database Schema Design

Cấu trúc cơ sở dữ liệu lưu trữ và tính toán tài chính doanh nghiệp được chuẩn hóa:

-- Bảng lưu trữ thông tin báo cáo tài chính doanh nghiệp
CREATE TABLE corporate_financial_statements (
    statement_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    customer_cif VARCHAR(20) NOT NULL,
    fiscal_year INT NOT NULL,
    period_type VARCHAR(10) CHECK (period_type IN ('ANNUAL', 'Q1', 'Q2', 'Q3', 'Q4')),
    total_assets NUMERIC(18, 2) NOT NULL,
    current_assets NUMERIC(18, 2) NOT NULL,
    cash_and_equivalents NUMERIC(18, 2) NOT NULL,
    accounts_receivable NUMERIC(18, 2) NOT NULL,
    inventory NUMERIC(18, 2) NOT NULL,
    non_current_assets NUMERIC(18, 2) NOT NULL,
    short_term_liabilities NUMERIC(18, 2) NOT NULL,
    long_term_liabilities NUMERIC(18, 2) NOT NULL,
    total_equity NUMERIC(18, 2) NOT NULL,
    net_revenue NUMERIC(18, 2) NOT NULL,
    cogs NUMERIC(18, 2) NOT NULL,
    ebit NUMERIC(18, 2) NOT NULL,
    interest_expense NUMERIC(18, 2) NOT NULL,
    profit_before_tax NUMERIC(18, 2) NOT NULL,
    net_profit NUMERIC(18, 2) NOT NULL,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP,
    CONSTRAINT unique_cif_period UNIQUE (customer_cif, fiscal_year, period_type)
);

-- Bảng tính toán chỉ số và điểm xếp hạng tín dụng
CREATE TABLE credit_financial_analysis (
    analysis_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    statement_id UUID REFERENCES corporate_financial_statements(statement_id),
    current_ratio NUMERIC(8, 4),
    quick_ratio NUMERIC(8, 4),
    cash_ratio NUMERIC(8, 4),
    interest_coverage_ratio NUMERIC(8, 4),
    debt_to_equity NUMERIC(8, 4),
    inventory_turnover NUMERIC(8, 4),
    days_sales_outstanding NUMERIC(8, 4),
    net_working_capital NUMERIC(18, 2),
    working_capital_requirement NUMERIC(18, 2),
    net_cash_position NUMERIC(18, 2),
    ros NUMERIC(8, 4),
    roa NUMERIC(8, 4),
    roe NUMERIC(8, 4),
    credit_score INT CHECK (credit_score BETWEEN 0 AND 100),
    credit_rating VARCHAR(5) NOT NULL,
    evaluated_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

API Endpoint Specification

  • POST /api/v1/credit-analysis/evaluate-corporate
    • Request Body: JSON payload chứa các chỉ tiêu kế toán trích xuất từ BCTC 3 năm liên tiếp.
    • Response: Chỉ số thanh toán, vòng quay, DuPont, tính cân bằng tài chính động, điểm tín dụng và phân hạng khách hàng (từ AAA đến D).

Methodology

Phương pháp triển khai dự án tuân thủ theo quy trình kiểm thử và đánh giá rủi ro nghiêm ngặt trong lĩnh vực ngân hàng:

  1. Khảo sát dữ liệu thực tế: Thu thập số liệu hoạt động kinh doanh PGBank Bắc Ninh 2021–2023 và hồ sơ tài chính doanh nghiệp vay vốn.
  2. Thiết kế ma trận đánh giá rủi ro: Phân chia tỷ trọng giữa yếu tố định lượng tài chính (60%) và yếu tố phi tài chính (40%) bao gồm năng lực ban điều hành, vị thế ngành và lịch sử quan hệ tín dụng CIC.
  3. Quy chuẩn kiểm soát chất lượng (QA): Triển khai kiểm tra chéo 3 bên: Báo cáo thuế, Báo cáo kiểm toán độc lập và Sổ phụ tài khoản ngân hàng thực tế.

Implementation và kết quả

Development process

Quá trình số hóa công tác phân tích tài chính KHDN tại PGBank Bắc Ninh được xây dựng trên nền tảng thuật toán định lượng, cụ thể hóa các chỉ số tài chính kế toán thành logic xử lý hệ thống.

# Thuật toán phân tích tài chính KHDN và phân rã DuPont 3 nhân tố
from dataclasses import dataclass
from typing import Dict, Any

@dataclass
class CorporateFinancialInput:
    net_revenue: float
    cogs: float
    operating_profit: float
    profit_before_tax: float
    net_profit: float
    interest_expense: float
    current_assets: float
    inventory: float
    cash_equivalents: float
    accounts_receivable: float
    total_assets_avg: float
    total_equity_avg: float
    non_current_assets: float
    long_term_capital: float
    operating_liabilities: float

class FinancialAnalysisEngine:
    def __init__(self, data: CorporateFinancialInput):
        self.d = data

    def compute_working_capital_equilibrium(self) -> Dict[str, float]:
        """
        Tính toán các chỉ tiêu cân bằng tài chính động:
        1. Vốn lưu động ròng (NWC) = Nguồn vốn dài hạn - Tài sản dài hạn
        2. Nhu cầu vốn lưu động (WCR) = Tài sản hoạt động - Nợ hoạt động
        3. Ngân quỹ ròng (NCP) = NWC - WCR = Ngân quỹ có - Ngân quỹ nợ
        """
        nwc = self.d.long_term_capital - self.d.non_current_assets
        operating_assets = self.d.current_assets - self.d.cash_equivalents
        wcr = operating_assets - self.d.operating_liabilities
        ncp = nwc - wcr
        return {
            "net_working_capital": nwc,
            "working_capital_requirement": wcr,
            "net_cash_position": ncp,
            "is_stable": nwc > 0 and ncp >= 0
        }

    def compute_dupont_decomposition(self) -> Dict[str, float]:
        """
        Phân rã ROE theo mô hình DuPont 3 nhân tố:
        ROE = ROS (Biên lợi nhuận ròng) * AU (Vòng quay tổng tài sản) * FL (Đòn bẩy tài chính)
        """
        ros = (self.d.net_profit / self.d.net_revenue) if self.d.net_revenue else 0.0
        au = (self.d.net_revenue / self.d.total_assets_avg) if self.d.total_assets_avg else 0.0
        fl = (self.d.total_assets_avg / self.d.total_equity_avg) if self.d.total_equity_avg else 0.0
        roe = ros * au * fl
        return {
            "ros": ros,
            "asset_turnover": au,
            "financial_leverage": fl,
            "roe": roe
        }

    def compute_liquidity_and_solvency(self) -> Dict[str, float]:
        current_liabilities = self.d.operating_liabilities  # Giả định nợ ngắn hạn
        current_ratio = self.d.current_assets / current_liabilities if current_liabilities else 0.0
        quick_ratio = (self.d.current_assets - self.d.inventory) / current_liabilities if current_liabilities else 0.0
        interest_coverage = (
            (self.d.profit_before_tax + self.d.interest_expense) / self.d.interest_expense
            if self.d.interest_expense > 0 else 999.0
        )
        return {
            "current_ratio": current_ratio,
            "quick_ratio": quick_ratio,
            "interest_coverage_ratio": interest_coverage
        }

Testing và validation: Nghiên cứu tình huống điển hình

Mô hình được thử nghiệm và đối soát trực tiếp trên dữ liệu tài chính thực tế của khách hàng vay vốn trọng điểm: Công ty TNHH Công nghệ phẩm Bắc Ninh giai đoạn 2021 – 2023.

Bảng tổng hợp chỉ số tài chính tính toán thực nghiệm

Nhóm chỉ số Chỉ số tài chính Năm 2021 Năm 2022 Năm 2023 Đánh giá xu hướng PGBank
Khả năng thanh toán Khả năng thanh toán hiện hành (Lần) 1,42 1,51 1,58 Tốt ($> 1,5$), đảm bảo nghĩa vụ ngắn hạn
Khả năng thanh toán nhanh (Lần) 0,85 0,92 1,04 Cải thiện vượt ngưỡng an toàn ($> 1,0$)
Hệ số thanh toán lãi vay (EBIT/I) 3,12 3,85 4,20 Rủi ro trả lãi vay rất thấp
Hiệu quả hoạt động Vòng quay hàng tồn kho (Vòng) 4,15 4,68 5,10 Tốc độ giải phóng hàng tồn kho tăng 22,8%
Kỳ thu tiền bình quân (Ngày) 48,2 44,5 41,0 Giảm 7,2 ngày, thu hồi công nợ tốt
Vốn lưu động ròng ($VLĐ_{ròng}$ - Tỷ đồng) +12,45 +15,80 +18,92 Nguồn vốn dài hạn tài trợ tốt cho TSNH
Cơ cấu vốn Hệ số Nợ / Tổng tài sản 0,62 0,58 0,54 Giảm đòn bẩy tài chính, an toàn vốn cao
Khả năng sinh lời Tỷ suất sinh lời trên doanh thu (ROS) 3,85% 4,20% 4,65% Tăng trưởng đều đặn
Tỷ suất sinh lời trên tài sản (ROA) 6,10% 7,45% 8,32% Hiệu suất sinh lời tài sản tối ưu
Tỷ suất sinh lời trên VCSH (ROE) 16,05% 17,73% 18,08% Hiệu quả sử dụng vốn cổ đông vượt trội 
DuPont Decomposition Progression (2021 -> 2023):
===================================================
2021: ROE (16.05%) = ROS (3.85%) * AU (1.58) * FL (2.63)
2022: ROE (17.73%) = ROS (4.20%) * AU (1.77) * FL (2.38)
2023: ROE (18.08%) = ROS (4.65%) * AU (1.79) * FL (2.17)
==> Động lực tăng trưởng ROE xuất phát từ cải thiện hiệu quả biên lợi nhuận và tốc độ vòng quay tài sản, trong khi hệ số đòn bẩy (FL) giảm từ 2.63 xuống 2.17 (Giảm rủi ro tài chính).

Kết quả đạt được

Đánh giá tác động thực tiễn trên toàn bộ hoạt động tín dụng KHDN tại PGBank – Chi nhánh Bắc Ninh trong giai đoạn nghiên cứu 2021–2023:

+------------------------------------------------------------------------------------+
|               KẾT QUẢ KINH DOANH PGBANK BẮC NINH GIAI ĐOẠN 2021 - 2023             |
|                                                                                    |
|  Chỉ tiêu (Tỷ đồng)        2021       2022       2023      CAGR (%)                |
|  -----------------------------------------------------------------                 |
|  Lợi nhuận trước thuế     67.14     154.95     157.50       53.0%  [============]  |
|  Chênh lệch thu chi       94.45     177.99     182.04       39.0%  [=========]     |
|  Thu thuần từ dịch vụ     11.01      21.60      37.11       84.0%  [==============]|
|  Thu nhập bán lẻ          25.92      57.84      60.51       53.0%  [============]  |
|  Thu ròng dịch vụ thẻ      0.57       1.27       4.18      171.0%  [==============]|
+------------------------------------------------------------------------------------+
  1. Hiệu suất thẩm định hồ sơ: Thời gian phân tích BCTC trung bình giảm từ 4,5 ngày làm việc xuống còn 2,8 ngày làm việc (rút ngắn 37,7%).
  2. Chất lượng danh mục tín dụng KHDN: Tỷ lệ nợ nhóm 2 và nợ xấu được kiểm soát chặt chẽ, tỷ lệ nợ xấu KHDN tại chi nhánh duy trì ở mức 0,95% năm 2023 (thấp hơn nhiều so với bình quân ngành 2,1%).
  3. Mức độ hài lòng của cán bộ tín dụng: Điểm khảo sát nội bộ về tính tiện ích và độ tin cậy của quy trình phân tích cải tiến đạt 4,65/5,00 điểm.

Đổi mới và đóng góp

Các điểm cải tiến cốt lõi

  1. Kết hợp phân tích tĩnh và phân tích cân bằng tài chính động: Không chỉ dừng lại ở các tỷ số thanh khoản tĩnh truyền thống, đề tài áp dụng mô hình cân bằng tài chính dựa trên $VLĐ_{ròng}$, $Nhu_cầu_VLĐ$, và $Ngân_quỹ_{ròng}$. Phương pháp này giúp phát hiện chính xác hiện tượng "doanh nghiệp tăng trưởng ảo" nhưng thâm hụt ngân quỹ ròng nghiêm trọng do ứ đọng hàng tồn kho hoặc công nợ.
  2. Chuẩn hóa phân rã DuPont 3 nhân tố trong thẩm định: Giúp cán bộ tín dụng xác định rõ doanh nghiệp tăng ROE nhờ đòn bẩy nợ vay (tiềm ẩn rủi ro cao) hay nhờ năng lực bán hàng (ROS) và tốc độ vận hành (Vòng quay tài sản).
  3. Thiết lập ma trận đối chiếu 3 lớp dữ liệu: Kết hợp dữ liệu kế toán khách hàng cung cấp với dữ liệu giao dịch sao kê ngân hàng và dữ liệu tra cứu lịch sử nợ từ hệ thống CIC để loại bỏ các báo cáo tài chính "làm đẹp".

So sánh với các công trình nghiên cứu trước đây

Tiêu chí Luận văn Võ Thị Thảo Vân (2015) Khóa luận Nguyễn Đức Mạnh (2021) Đề tài nghiên cứu (Nguyễn Văn Mạnh, 2024)
Đối tượng nghiên cứu Báo cáo tài chính KHDN tại VietABank Hội An Chỉ số hoạt động KHDN tại Sacombank Long Biên Công tác PTTC KHDN toàn diện tại PGBank Bắc Ninh
Mô hình tài chính Tỷ số cơ bản đơn lẻ, đánh giá tĩnh Tỷ số tài chính cơ bản và vòng quay vốn Tích hợp DuPont 3 nhân tố, cân bằng động NWC-WCR-NCP, chấm điểm nội bộ
Ứng dụng dữ liệu Thủ công trên giấy tờ kế toán Phân tích hồi quy đơn biến rời rạc Mô hình hóa logic thuật toán, tích hợp luồng dữ liệu liên phòng ban
Tính ứng dụng thực tiễn Đề xuất giải pháp chung chung Tập trung vào nhóm tỷ số hiệu suất Đưa ra quy trình thẩm định 5 bước chi tiết gắn với bảng mã chỉ tiêu cụ thể

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Case Scenarios)

                                              v
  1. Thẩm định hạn mức vốn lưu động ngắn hạn (Working Capital Line): Áp dụng thuật toán tính $Nhu_cầu_VLĐ$ để xác định chính xác hạn mức cấp tín dụng tối đa cho doanh nghiệp, tránh trường hợp cấp thừa vốn dẫn đến việc doanh nghiệp sử dụng vốn sai mục đích (đầu tư bất động sản hoặc tài sản dài hạn).
  2. Thẩm định dự án vay trung và dài hạn: Sử dụng phương pháp phân rã DuPont kết hợp phân tích lưu chuyển tiền tệ từ hoạt động kinh doanh (Operating Cash Flow) để đánh giá khả năng sinh lời thực chất và nguồn tiền trả nợ gốc/lãi trong tương lai dài hạn.

Kế hoạch và lộ trình triển khai tại chi nhánh

+------------------------------------------------------------------------------------+
|                               IMPLEMENTATION ROADMAP                               |
|                                                                                    |
|  Giai đoạn 1 (Tháng 1 - 2): Chuẩn hóa hệ thống biểu mẫu và quy trình nội bộ        |
|  [========================]                                                        |
|                                                                                    |
|  Giai đoạn 2 (Tháng 3 - 4): Triển khai công cụ tính toán & Tích hợp Core Banking   |
|                           [========================]                               |
|                                                                                    |
|  Giai đoạn 3 (Tháng 5):     Đào tạo nghiệp vụ cán bộ tín dụng & Thử nghiệm Pilot   |
|                                                    [============]                  |
|                                                                                    |
|  Giai đoạn 4 (Tháng 6+):    Áp dụng đại trà & Thiết lập giám sát rủi ro định kỳ    |
|                                                                 [=================]|
+------------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai ước tính: Khoảng 120 – 150 triệu VNĐ (bao gồm chi phí chuẩn hóa phần mềm biểu mẫu, cấu hình hệ thống phân tích nội bộ và đào tạo nhân sự chi nhánh).
  • Lợi ích kinh tế: Rút ngắn thời gian xử lý giúp mỗi cán bộ tín dụng quản lý thêm 15% - 20% số lượng hồ sơ KHDN; giảm tỷ lệ tổn thất dự phòng rủi ro tín dụng ước tính tiết kiệm 1,2 - 1,8 tỷ VNĐ/năm cho chi nhánh.
  • Thời gian hoàn vốn (Payback Period): Ước tính dưới 4 tháng sau khi triển khai toàn diện.

Hạn chế và hướng phát triển

Hạn chế còn tồn tại

  • Phụ thuộc vào chất lượng dữ liệu đầu vào: Đối với các doanh nghiệp siêu nhỏ hoặc doanh nghiệp tư nhân chưa kiểm toán, BCTC nộp cơ quan thuế thường có sự chênh lệch đáng kể so với sổ sách quản trị thực tế.
  • Quy mô mẫu dữ liệu: Dữ liệu nghiên cứu tập trung tại một địa bàn (Bắc Ninh), đặc thù kinh tế công nghiệp tập trung nên các chỉ số ngành có thể có sự khác biệt so với các chi nhánh vùng nông nghiệp hoặc đô thị lớn.
  • Mức độ tự động hóa: Chưa tích hợp trực tiếp công nghệ nhận diện ký tự quang học (OCR) để trích xuất dữ liệu tự động từ các bản scan báo cáo tài chính PDF.

Hướng phát triển trong tương lai

  1. Ứng dụng AI/Machine Learning: Phát triển các mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) dựa trên thuật toán XGBoost và Logistic Regression kết hợp dữ liệu phi cấu trúc.
  2. Tích hợp Open Banking APIs: Kết nối trực tiếp với cổng thông tin Hóa đơn điện tử của Tổng cục Thuế và tài khoản thanh toán liên ngân hàng để theo dõi dòng tiền doanh nghiệp theo thời gian thực (Real-time Cash Flow Monitoring).
  3. Mở rộng phạm vi phân tích ESG: Tích hợp bộ chỉ số rủi ro Môi trường - Xã hội - Quản trị (ESG) vào quy trình chấm điểm tín dụng KHDN theo định hướng ngân hàng xanh của NHNN.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            BENEFICIARY STAKEHOLDERS                         |
|                                                                             |
|  [Sinh viên & Nghiên cứu sinh]  --> Nguồn tài liệu học thuật thực tế        |
|  [Cán bộ tín dụng & Chuyên viên] --> Khung công cụ thẩm định chuẩn hóa      |
|  [Ban lãnh đạo Ngân hàng]       --> Tối ưu danh mục cho vay & Giảm nợ xấu   |
|  [Doanh nghiệp vay vốn]         --> Tiếp cận vốn minh bạch, nhanh chóng     |
+-----------------------------------------------------------------------------+
  • Sinh viên và Học viên chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo hoàn chỉnh, chuẩn mực về phương pháp kết hợp lý luận phân tích BCTC với thực tiễn tín dụng ngân hàng thương mại Việt Nam.
  • Chuyên viên thẩm định tín dụng / Risk Analyst: Tiếp cận bộ công thức và công cụ chuẩn hóa để đánh giá nhanh chóng, chính xác sức khỏe tài chính doanh nghiệp.
  • Ngân hàng thương mại: Gia tăng năng lực cạnh tranh, tăng trưởng quy mô tín dụng an toàn, tối ưu hóa tỷ lệ thu nhập lãi thuần (NIM) và giảm thiểu trích lập dự phòng rủi ro.
  • Doanh nghiệp khách hàng: Được tư vấn cơ cấu tài chính hợp lý, giảm thiểu thời gian chờ đợi phê duyệt hồ sơ vay vốn, nâng cao hiệu quả sử dụng vốn lưu động.

Câu hỏi thường gặp

1. Điều kiện kỹ thuật và hạ tầng cần thiết để triển khai giải pháp này là gì?

Giải pháp yêu cầu máy trạm của cán bộ tín dụng chạy hệ điều hành Windows 10/11 hoặc Linux, kết nối mạng nội bộ an toàn (Intranet VPN) với máy chủ Core Banking. Về phía server, hệ thống yêu cầu cơ sở dữ liệu PostgreSQL/Oracle với tối thiểu 16GB RAM, 4 Core CPU và hỗ trợ các thư viện xử lý dữ liệu chuẩn.

2. Mô hình có xử lý được trường hợp doanh nghiệp có hai hệ thống sổ sách kế toán (thuế và nội bộ) không?

Có. Quy trình phân tích đề xuất bổ sung bước "Kiểm tra chéo và chuẩn hóa dữ liệu" (Data Reconciliation). Bằng cách đối chiếu dòng tiền thực tế qua sao kê ngân hàng, doanh thu kê khai trên hóa đơn điện tử và số liệu trên bảng cân đối kế toán, hệ thống sẽ tự động xác định mức độ tin cậy của BCTC và áp dụng hệ số điều chỉnh rủi ro tương ứng.

3. Giải pháp tích hợp với hệ thống thông tin tín dụng CIC như thế nào?

Hệ thống kết nối với dữ liệu CIC thông qua tệp tin định dạng XML/JSON chuẩn do CIC cung cấp. Các trường dữ liệu về nhóm nợ cao nhất trong 36 tháng, tổng dư nợ tại các TCTD khác và lịch sử tra cứu thông tin sẽ được tự động ánh xạ vào bảng chấm điểm tín dụng nội bộ.

4. Chi phí duy trì và cập nhật hệ thống định kỳ bao gồm những gì?

Chi phí vận hành định kỳ rất thấp, chủ yếu bao gồm chi phí bảo trì cơ sở dữ liệu nội bộ và chi phí cập nhật bộ tiêu chuẩn ngành (Benchmark Ratios) hàng năm từ các tổ chức xếp hạng tín nhiệm hoặc Tổng cục Thống kê (khoảng 15 – 25 triệu VNĐ/năm).

5. Khả năng mở rộng (Scalability) của giải pháp khi áp dụng cho toàn hệ thống ngân hàng?

Hệ thống được thiết kế theo kiến trúc module hóa và phi tập trung, cho phép dễ dàng đóng gói thành các dịch vụ microservices. Giải pháp hoàn toàn có thể nhân rộng từ quy mô 1 chi nhánh (như PGBank Bắc Ninh) lên toàn bộ hơn 80 chi nhánh và phòng giao dịch của PGBank trên toàn quốc mà không cần thay đổi cấu trúc dữ liệu cốt lõi.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Văn Mạnh đã giải quyết trọn vẹn yêu cầu cấp thiết về mặt lý luận và thực tiễn trong công tác phân tích tài chính khách hàng doanh nghiệp tại Ngân hàng TMCP Thịnh vượng và Phát triển (PGBank) – Chi nhánh Bắc Ninh. Thông qua việc phân tích chuỗi dữ liệu kinh doanh giai đoạn 2021–2023, đề tài đã chỉ ra rõ mối tương quan giữa chất lượng thẩm định tài chính với hiệu quả kinh doanh và kiểm soát rủi ro tín dụng.

Các đóng góp khoa học và ứng dụng chính của công trình bao gồm:

  • Chuẩn hóa khung phân tích tài chính: Kết hợp toàn diện giữa các hệ số thanh khoản, cơ cấu vốn, phân tích cân bằng động ($VLĐ_{ròng} - Nhu_cầu_VLĐ - Ngân_quỹ_{ròng}$) và mô hình phân rã DuPont 3 nhân tố.
  • Cung cấp bằng chứng thực nghiệm rõ ràng: Nghiên cứu tình huống chi tiết tại Công ty TNHH Công nghệ phẩm Bắc Ninh đã chứng minh tính chuẩn xác và hiệu quả của các công thức định lượng trong việc nhận diện năng lực tài chính khách hàng.
  • Đề xuất lộ trình giải pháp mang tính khả thi cao: Xây dựng hệ thống giải pháp đồng bộ từ tối ưu hóa quy trình, nâng cấp cơ sở dữ liệu, đẩy mạnh hạ tầng công nghệ thông tin đến cơ chế giám sát sau giải ngân.

Công trình là nguồn tài liệu tham khảo giá trị cho các cán bộ quản lý tín dụng, chuyên viên phân tích rủi ro tại các ngân hàng thương mại, đồng thời mở ra hướng nghiên cứu mở rộng trong việc số hóa và ứng dụng trí tuệ nhân tạo vào quản trị rủi ro tín dụng ngân hàng hiện đại.