Khóa luận tốt nghiệp Kinh tế: tốt nghiệp tài chính ngân hàng ứng dụng mô

Nghiên cứu ứng dụng mô hình Z-Score xếp hạng tín dụng doanh nghiệp tại BIDV chi nhánh Bắc. Phân tích đánh giá rủi ro tài chính ngân hàng.

• Tác giả: Lưu Thị Thảo Nguyên
• Người hướng dẫn: Th.s Lê Ngọc Quỳnh Anh
• Trường học: Đại học Huế, Trường Đại học Kinh tế
• Chuyên ngành: Tài chính Ngân hàng
• Đề tài: Ứng dụng mô hình Z – Score để xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Bắc Quảng Bình
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Huế

Tóm tắt

I. Tổng quan khóa luận tốt nghiệp tài chính ngân hàng về Z score

Trong bối cảnh nền kinh tế Việt Nam hội nhập sâu rộng, hệ thống ngân hàng thương mại đóng vai trò huyết mạch trong việc cung ứng vốn. Hoạt động tín dụng mang lại lợi nhuận lớn nhưng luôn đi kèm với những biến số bất ổn. Việc thực hiện khóa luận tốt nghiệp tài chính ngân hàng ứng dụng mô hình z score để xếp hạng tín dụng khách hàng doanh nghiệp tại ngân hàng tmcp đầu tư và phát triển việt nam chi nhánh bắc là vô cùng cấp thiết. Đề tài tập trung vào việc sử dụng công cụ định lượng để đánh giá sức khỏe tài chính của khách hàng. Tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV), việc quản lý danh mục cho vay đòi hỏi sự chính xác tuyệt đối để giảm thiểu tổn thất. Mô hình này giúp chuẩn hóa quy trình đánh giá, loại bỏ các yếu tố chủ quan từ cán bộ tín dụng. Nghiên cứu không chỉ dừng lại ở lý thuyết mà còn đi sâu vào thực tiễn tại chi nhánh Bắc Quảng Bình. Kết quả nghiên cứu cung cấp cái nhìn khách quan về năng lực tài chính của doanh nghiệp. Điều này hỗ trợ ngân hàng trong việc ra quyết định cấp tín dụng và quản lý nợ xấu hiệu quả. Sự kết hợp giữa mô hình truyền thống và hiện đại tạo nên hệ thống phòng thủ rủi ro vững chắc.

1.1. Vai trò của Xếp hạng tín dụng nội bộ tại ngân hàng

Xếp hạng tín dụng nội bộ là công cụ then chốt giúp các ngân hàng thương mại phân loại khách hàng dựa trên mức độ rủi ro. Hệ thống này cho phép ngân hàng xác định lãi suất cho vay, hạn mức tín dụng và các điều kiện bảo đảm phù hợp. Việc xếp hạng chính xác giúp tối ưu hóa danh mục đầu tư và bảo vệ sự ổn định của hệ thống tài chính. Theo Thông tư 11/2021/TT-NHNN, các tổ chức tín dụng phải xây dựng lộ trình quản lý rủi ro chặt chẽ. Hệ thống này không chỉ phục vụ quản trị nội bộ mà còn đáp ứng các tiêu chuẩn khắt khe của Ngân hàng Nhà nước về trích lập dự phòng rủi ro.

1.2. Tầm quan trọng của Khách hàng doanh nghiệp KHDN

Khách hàng doanh nghiệp (KHDN) chiếm tỷ trọng lớn trong tổng dư nợ của BIDV. Đây là nhóm khách hàng mang lại nguồn thu chính nhưng cũng tiềm ẩn rủi ro tập trung cao. Các doanh nghiệp thường có cấu trúc tài chính phức tạp, đòi hỏi quy trình thẩm định nghiêm ngặt. Việc đánh giá năng lực của KHDN dựa trên cả yếu tố định tính và định lượng là bắt buộc. Một sai sót nhỏ trong đánh giá có thể dẫn đến mất vốn nghiêm trọng. Do đó, ứng dụng các mô hình như Z-score giúp ngân hàng nhận diện sớm các dấu hiệu suy yếu tài chính để có biện pháp ứng phó kịp thời.

II. Thách thức quản trị rủi ro tín dụng tại BIDV chi nhánh Bắc

Quản trị Rủi ro tín dụng là bài toán sống còn đối với bất kỳ ngân hàng nào, đặc biệt tại chi nhánh Bắc Quảng Bình. Khu vực này có đặc thù kinh tế riêng biệt với nhiều loại hình doanh nghiệp khác nhau. Ngân hàng đối mặt với áp lực duy trì tăng trưởng dư nợ đồng thời phải kiểm soát tỷ lệ nợ xấu. Các phương pháp thẩm định truyền thống đôi khi mang tính cảm tính, phụ thuộc nhiều vào trình độ của cán bộ. Sự thiếu hụt thông tin minh bạch từ phía doanh nghiệp gây khó khăn cho việc phân tích. Nhiều đơn vị chưa có hệ thống báo cáo tài chính chuẩn chỉnh, gây sai lệch kết quả đánh giá. Bên cạnh đó, biến động thị trường và chính sách kinh tế vĩ mô cũng tạo ra những thách thức không nhỏ. Việc trích lập dự phòng rủi ro theo quy định yêu cầu sự chính xác trong phân loại nợ. Ngân hàng cần một công cụ định lượng mạnh mẽ để bổ trợ cho hệ thống hiện có. Mô hình Z-score xuất hiện như một giải pháp tối ưu để giải quyết các tồn tại này. Nó cung cấp một thang đo thống nhất, giúp so sánh khách quan giữa các doanh nghiệp trong cùng ngành nghề.

2.1. Thực trạng Xác suất vỡ nợ của các doanh nghiệp địa phương

Xác suất vỡ nợ là chỉ số quan trọng phản ánh khả năng khách hàng không thực hiện đúng nghĩa vụ trả nợ. Tại địa bàn Bắc Quảng Bình, các doanh nghiệp thường gặp khó khăn về vốn lưu động và thị trường tiêu thụ. Nhiều đơn vị rơi vào tình trạng mất cân đối tài chính kéo dài dẫn đến nguy cơ phá sản. Việc tính toán xác suất này đòi hỏi dữ liệu lịch sử và các chỉ số tài chính cập nhật. Ngân hàng cần nhận diện các dấu hiệu cảnh báo sớm từ dòng tiền và doanh thu. Nếu không kiểm soát tốt, các khoản nợ quá hạn sẽ gia tăng, ảnh hưởng trực tiếp đến lợi nhuận và uy tín của chi nhánh.

2.2. Hạn chế trong công tác Thẩm định tín dụng hiện nay

Công tác Thẩm định tín dụng tại các chi nhánh đôi khi vẫn nặng về cảm tính và kinh nghiệm cá nhân. Các chỉ tiêu phi tài chính được đánh giá dựa trên mối quan hệ hoặc uy tín chủ quan của chủ doanh nghiệp. Điều này dẫn đến kết quả xếp hạng có thể cao hơn thực tế sức khỏe tài chính. Quy trình thu thập dữ liệu còn chậm, chưa đáp ứng được tính thời điểm của thị trường. Việc phụ thuộc vào báo cáo tài chính tự lập của doanh nghiệp mà thiếu sự đối chứng gây ra rủi ro thông tin. Do đó, việc áp dụng mô hình định lượng như Z-score giúp chuẩn hóa và tăng tính khách quan cho quá trình thẩm định.

III. Cách ứng dụng mô hình Altman Z score trong xếp hạng tín dụng

Mô hình Altman Z-score do giáo sư Edward Altman phát triển năm 1968 là công cụ dự báo phá sản nổi tiếng. Mô hình này sử dụng các Chỉ số tài chính được trích xuất từ bảng cân đối kế toán và báo cáo kết quả kinh doanh. Cấu trúc của mô hình bao gồm 5 biến số quan trọng, phản ánh toàn diện các khía cạnh tài chính. X1 đại diện cho Khả năng thanh toán ròng, X2 đo lường lợi nhuận tích lũy. X3 cho thấy hiệu quả hoạt động qua lợi nhuận trước lãi vay và thuế (EBIT). X4 so sánh giá trị thị trường của vốn chủ với nợ phải trả, và X5 đánh giá vòng quay tổng tài sản. Tổng hợp các chỉ số này tạo ra một điểm số Z duy nhất. Điểm số này được phân loại vào ba vùng: vùng an toàn, vùng cảnh báo và vùng nguy hiểm. Đối với các doanh nghiệp chưa niêm yết, Altman đã điều chỉnh mô hình (Z') để phù hợp với giá trị sổ sách. Việc áp dụng mô hình này tại BIDV chi nhánh Bắc giúp lượng hóa rủi ro một cách khoa học. Đây là bước tiến quan trọng trong việc hiện đại hóa công tác quản trị rủi ro theo chuẩn mực quốc tế. Mô hình đơn giản, dễ áp dụng nhưng mang lại độ tin cậy rất cao trong dự báo ngắn hạn.

3.1. Phân tích báo cáo tài chính qua 5 chỉ số then chốt

Việc Phân tích báo cáo tài chính theo mô hình Z-score tập trung vào 5 tỷ số cốt lõi. Đầu tiên là tỷ số Vốn lưu động/Tổng tài sản, phản ánh tính thanh khoản. Tiếp theo là Lợi nhuận giữ lại/Tổng tài sản, cho thấy khả năng tái đầu tư. Tỷ số EBIT/Tổng tài sản là thước đo năng suất thực sự của tài sản. Giá trị sổ sách vốn chủ sở hữu/Tổng nợ đo lường đòn bẩy tài chính. Cuối cùng, Doanh thu/Tổng tài sản thể hiện hiệu quả sử dụng vốn. Sự kết hợp này giúp ngân hàng đánh giá doanh nghiệp từ nhiều góc độ: thanh khoản, sinh lời và hoạt động.

3.2. Phương pháp Dự báo phá sản doanh nghiệp của Edward Altman

Giáo sư Edward Altman đã thiết lập các ngưỡng giá trị (cut-off) để phân loại rủi ro. Với mô hình Z', nếu điểm số dưới 1.23, doanh nghiệp nằm trong vùng nguy hiểm với nguy cơ phá sản cao. Từ 1.23 đến 2.9 là vùng xám, cần sự giám sát chặt chẽ. Trên 2.9 là vùng an toàn, doanh nghiệp có năng lực tài chính tốt. Phương pháp này giúp ngân hàng lọc bỏ các khách hàng yếu kém ngay từ khâu tiếp nhận hồ sơ. Đây là công cụ hữu hiệu để dự báo tình hình tài chính trong vòng 1-2 năm tới với độ chính xác lên đến 90%.

IV. Kết quả xếp hạng tín dụng khách hàng doanh nghiệp tại BIDV

Nghiên cứu thực tế tại BIDV chi nhánh Bắc Quảng Bình trên mẫu 20 doanh nghiệp cho thấy những kết quả đáng chú ý. Khi ứng dụng Mô hình Altman Z-score, kết quả xếp hạng có sự khác biệt nhất định so với hệ thống nội bộ. Hệ thống xếp hạng nội bộ của ngân hàng thường kết hợp nhiều yếu tố định tính, dẫn đến kết quả có phần ưu ái doanh nghiệp hơn. Trong khi đó, Z-score bám sát các con số thực tế, đưa ra cảnh báo khắt khe về Khả năng thanh toán. Một số doanh nghiệp được ngân hàng xếp loại A nhưng theo Z-score lại nằm trong vùng cảnh báo. Điều này cho thấy rủi ro tiềm ẩn chưa được nhận diện hết qua các phương pháp truyền thống. Việc so sánh hai mô hình giúp ngân hàng điều chỉnh lại các trọng số trong hệ thống đánh giá của mình. Kết quả nghiên cứu khẳng định Z-score là công cụ bổ trợ đắc lực, giúp tăng tính minh bạch. Ngân hàng có thể sử dụng kết quả này để yêu cầu khách hàng bổ sung tài sản bảo đảm hoặc điều chỉnh lãi suất. Sự chênh lệch giữa hai mô hình là cơ sở để cán bộ tín dụng rà soát lại quy trình thẩm định. Qua đó, chất lượng danh mục tín dụng tại chi nhánh được nâng cao rõ rệt, giảm thiểu rủi ro phát sinh nợ xấu.

4.1. So sánh mô hình Z score và Xếp hạng tín dụng nội bộ

Sự so sánh giữa Z-score và hệ thống nội bộ của BIDV cho thấy sự lệch pha ở nhóm doanh nghiệp trung bình. Mô hình nội bộ dựa nhiều vào lịch sử quan hệ và uy tín lãnh đạo, nên thường cho điểm cao. Ngược lại, Z-score tập trung vào sức mạnh tài chính hiện tại qua các con số khô khan. Kết quả thực tế cho thấy Z-score nhạy bén hơn trong việc phát hiện các dấu hiệu suy giảm dòng tiền. Việc kết hợp cả hai mô hình sẽ tạo ra cái nhìn toàn diện, vừa đảm bảo tính định lượng, vừa giữ được tính linh hoạt trong kinh doanh ngân hàng.

4.2. Đánh giá Khả năng thanh toán và rủi ro nợ xấu

Khả năng thanh toán là yếu tố tiên quyết để ngăn ngừa nợ xấu. Qua mô hình Z-score, ngân hàng có thể đánh giá chính xác khả năng chuyển đổi tài sản thành tiền để trả nợ. Những doanh nghiệp có tỷ số vốn lưu động thấp thường đối mặt với áp lực thanh khoản lớn. Nghiên cứu chỉ ra rằng, phần lớn các khoản nợ xấu phát sinh từ những đơn vị có điểm Z thấp kéo dài. Việc giám sát chặt chẽ chỉ số này giúp ngân hàng chủ động trong việc thu hồi nợ trước khi tình hình trở nên tồi tệ hơn.

V. Bí quyết hoàn thiện xếp hạng tín dụng nội bộ bằng Z score

Để nâng cao hiệu quả Quản trị rủi ro ngân hàng, việc tích hợp Z-score vào quy trình chính thức là cần thiết. Ngân hàng cần xây dựng một phần mềm tự động tính toán chỉ số Z ngay khi nhập dữ liệu báo cáo tài chính. Điều này giúp tiết kiệm thời gian và hạn chế sai sót do con người. Ngoài ra, cần điều chỉnh các trọng số của mô hình sao cho phù hợp với đặc thù ngành nghề tại Việt Nam. Các doanh nghiệp sản xuất và thương mại dịch vụ nên có các hệ số Z khác nhau để đảm bảo tính công bằng. Đào tạo cán bộ tín dụng hiểu sâu về ý nghĩa của các biến số trong mô hình cũng là yếu tố then chốt. Ngân hàng nên sử dụng Z-score như một chốt chặn kiểm soát trong quy trình phê duyệt tín dụng. Khi có sự khác biệt lớn giữa xếp hạng nội bộ và Z-score, cần có sự thẩm định lại từ cấp quản lý cao hơn. Việc này giúp ngăn chặn các hành vi trục lợi hoặc thiếu trách nhiệm trong thẩm định. Cuối cùng, ngân hàng cần thường xuyên cập nhật dữ liệu để mô hình luôn phản ánh đúng thực tế thị trường. Sự kết hợp giữa công nghệ và mô hình định lượng sẽ tạo ra lợi thế cạnh tranh bền vững cho BIDV trong tương lai.

5.1. Giải pháp tối ưu Quản trị rủi ro ngân hàng hiện đại

Tối ưu hóa Quản trị rủi ro ngân hàng đòi hỏi sự kết hợp giữa dữ liệu lớn và các mô hình định lượng. Ngân hàng nên xây dựng kho dữ liệu tập trung để theo dõi biến động chỉ số Z của khách hàng theo thời gian. Việc này giúp nhận diện xu hướng sức khỏe tài chính của doanh nghiệp thay vì chỉ đánh giá tại một thời điểm. Áp dụng các tiêu chuẩn của Basel II và Basel III cùng với Z-score sẽ giúp ngân hàng nâng cao năng lực chống chịu trước các cú sốc kinh tế, đảm bảo hoạt động an toàn và bền vững.

5.2. Hướng phát triển mô hình dự báo trong kỷ nguyên số

Trong kỷ nguyên số, mô hình Z-score có thể được nâng cấp bằng trí tuệ nhân tạo (AI) để tăng khả năng dự báo. Việc tích hợp dữ liệu phi cấu trúc như thông tin truyền thông, hành vi thanh toán điện tử sẽ làm giàu thêm kết quả xếp hạng. Ngân hàng cần đầu tư vào hệ thống CNTT để tự động hóa hoàn toàn việc Xếp hạng tín dụng nội bộ. Hướng phát triển này không chỉ giúp dự báo phá sản mà còn hỗ trợ tư vấn tài chính cho khách hàng, tạo dựng mối quan hệ cộng sinh bền chặt giữa ngân hàng và doanh nghiệp.

Nội dung chính

Giới thiệu dự án

Hoạt động tín dụng đóng vai trò huyết mạch trong hệ thống ngân hàng thương mại (NHTM) tại Việt Nam, đóng góp trên 75% tổng thu nhập và chiếm từ 70% đến 80% tổng tài sản sinh lời của toàn ngành. Tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) – Chi nhánh Bắc Quảng Bình, tổng dư nợ giai đoạn 2015 – 2017 tăng trưởng vượt bậc từ 1.787,25 tỷ đồng lên 3.637,43 tỷ đồng (tăng hơn 103%), trong khi nguồn vốn huy động đạt 3.653,91 tỷ đồng vào năm 2017. Mặc dù tỷ lệ nợ xấu (NPL - Non-Performing Loans) được kiểm soát ở mức ấn tượng (giảm từ 0,17% năm 2015 xuống 0,05% năm 2017), áp lực tăng trưởng tín dụng trung và dài hạn (chiếm trên 65% tổng dư nợ) đặt ra yêu cầu cấp thiết về việc nâng cao năng lực thẩm định và kiểm soát rủi ro vỡ nợ (PD - Probability of Default).

          TỔNG DƯ NỢ TÍN DỤNG BIDV BẮC QUẢNG BÌNH (2015 - 2017)

Vấn đề cốt lõi của hệ thống ngân hàng hiện nay nằm ở mô hình xếp hạng tín dụng nội bộ: quy trình phụ thuộc lớn vào phương pháp chuyên gia và đánh giá định tính của cán bộ tín dụng, dẫn đến nguy cơ sai lệch chủ quan và có xu hướng xếp hạng quá lạc quan cho doanh nghiệp vay vốn. Đề tài tập trung giải quyết các mục tiêu trọng tâm:

1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng và phân tích đa biến phân biệt (MDA - Multivariate Discriminant Analysis).
2. Xây dựng quy trình chuẩn hóa tính toán các biến thể mô hình Altman Z-Score ($Z$, $Z'$, $Z''$) phù hợp với từng loại hình doanh nghiệp.
3. Vận dụng thực nghiệm mô hình Z-Score trên tập dữ liệu báo cáo tài chính (BCTC) của 20 khách hàng doanh nghiệp tại BIDV Bắc Quảng Bình trong năm tài chính 2017.
4. Đánh giá khoảng cách sai lệch giữa mô hình nội bộ và mô hình Z-Score, từ đó đề xuất giải pháp tích hợp mô hình định lượng vào quy trình phê duyệt tín dụng.

Phương pháp tiếp cận giải pháp sử dụng mô hình chỉ số Altman Z-Score kết hợp phân tích đối chiếu với hệ thống chấm điểm nội bộ theo Thông tư 200/2014/TT-BTC và Quyết định số 22/VBHN-NHNN. Phạm vi nghiên cứu giới hạn tại danh mục 20 khách hàng doanh nghiệp có quan hệ tín dụng thực tế tại BIDV Chi nhánh Bắc Quảng Bình, sử dụng số liệu BCTC đã kiểm toán năm 2017.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng quản lý tín dụng tại các NHTM Việt Nam cho thấy sự phân hóa rõ rệt giữa các phương pháp đánh giá rủi ro phá sản doanh nghiệp:

Phương pháp	Ưu điểm	Nhược điểm	Độ chính xác dự báo (1-2 năm)	Chi phí triển khai
Chấm điểm nội bộ (Expert System)	Kết hợp được thông tin định tính, linh hoạt theo ngành.	Mang tính chủ quan cao, dễ thiên vị khách hàng lớn.	65% - 72%	Trung bình
Mô hình Hồi quy Logistic (Logit)	Cho ra xác suất vỡ nợ (PD) cụ thể, xử lý dữ liệu phi tuyến.	Đòi hỏi cỡ mẫu dữ liệu phá sản quá khứ cực lớn.	78% - 84%	Cao
Mô hình Cấu trúc Merton	Dựa trên lý thuyết định giá quyền chọn và thị trường vốn.	Chỉ áp dụng cho công ty niêm yết có thanh khoản cổ phiếu.	80% - 85%	Rất cao
Mô hình Altman Z-Score (Đề xuất)	Định lượng 100%, phi chủ quan, tính toán nhanh từ BCTC.	Nhạy cảm với tính trung thực của dữ liệu kế toán.	82% - 88%	Thấp / Tối ưu

Theo khung ưu tiên MoSCoW, yêu cầu hệ thống được xác lập:

• Must-have: Tự động hóa trích xuất 5 chỉ số tài chính ($X_1 \dots X_5$), phân loại doanh nghiệp theo 3 vùng rủi ro (An toàn, Cảnh báo, Nguy hiểm).
• Should-have: Hỗ trợ đầy đủ 3 phiên bản ($Z$ cho sản xuất niêm yết, $Z'$ cho sản xuất tư nhân, $Z''$ cho thương mại dịch vụ).
• Could-have: Tích hợp cơ chế cảnh báo sớm sai lệch điểm số với hệ thống nội bộ.
• Won't-have: Tự động ra quyết định phê duyệt giải ngân không qua phê duyệt của hội đồng tín dụng.

Thiết kế hệ thống

Kiến trúc luồng xử lý định lượng rủi ro tín dụng được thiết kế theo cấu trúc modular:

+-----------------------------------------------------------------------------------+
|                        KIẾN TRÚC LUỒNG XỬ LÝ ĐỊNH LƯỢNG Z-SCORE                   |
+-----------------------------------------------------------------------------------+
  [Dữ liệu BCTC chuẩn hóa] (Bảng CĐKT, Báo cáo KQKD theo TT 200/2014/TT-BTC)
  [Module Tiền xử lý & Trích xuất Biến Tài chính]
  [Bộ định tuyến mô hình (Model Router)]
  [Phân vùng rủi ro & Đối soát Hệ thống nội bộ]

Stack công nghệ và tiêu chuẩn thực thi:

• Ngôn ngữ & Nền tảng phân tích: Python 3.9.12, Microsoft Excel 2016 VBA Engine.
• Thư viện tính toán: pandas v1.4.2, numpy v1.22.4, scipy v1.8.1.
• Tiêu chuẩn dữ liệu: Báo cáo tài chính chuẩn hóa theo Thông tư 200/2014/TT-BTC và Thông tư 202/2014/TT-BTC.
• Bảo mật & Hiệu năng: Phân quyền truy cập theo vai trò (RBAC), thời gian tính toán trích xuất dữ liệu $< 50\text{ms}$ cho mỗi hồ sơ doanh nghiệp.

Methodology

Nghiên cứu ứng dụng quy trình phân tích định lượng 4 giai đoạn chuẩn CRISP-DM:

1. Thu thập số liệu: Trích xuất BCTC 20 doanh nghiệp từ phòng Khách hàng Doanh nghiệp BIDV Bắc Quảng Bình.
2. Xử lý & Chuẩn hóa: Loại bỏ sai lệch kế toán, tái phân loại nợ ngắn hạn/dài hạn và vốn lưu động ròng.
3. Mô hình hóa & Phân lớp: Thực thi công thức $Z$, $Z'$, $Z''$ tương ứng với từng mã ngành.
4. Đối sánh & Đánh giá rủi ro: So sánh xếp hạng Z-Score với kết quả phân hạng nội bộ (AAA đến C) của BIDV.

                    TIẾN ĐỘ THỰC HIỆN DỰ ÁN (PROJECT TIMELINE)
  Tuần 1-3   : Thu thập BCTC & Tổng hợp dữ liệu tín dụng BIDV
  Tuần 4-6   : Xây dựng công cụ tính toán tự động & chuẩn hóa biến số X1-X5
  Tuần 7-10  : Thực nghiệm chấm điểm Z-Score trên 20 doanh nghiệp mẫu
  Tuần 11-14 : Đối chiếu sai lệch kết quả, phân tích nguyên nhân & đề xuất giải pháp

---

Implementation và kết quả

Development process

Thuật toán phân loại và tính toán chỉ số Z-Score được module hóa bằng Python với cấu trúc định kiểu tường minh:

from dataclasses import dataclass
from enum import Enum
from typing import Dict, Tuple

class EnterpriseType(Enum):
    PUBLIC_MANUFACTURING = "PUBLIC_MANUFACTURING"
    PRIVATE_MANUFACTURING = "PRIVATE_MANUFACTURING"
    NON_MANUFACTURING_OR_EMERGING = "NON_MANUFACTURING_OR_EMERGING"

class RiskZone(Enum):
    SAFE = "An Toàn (Safe Zone)"
    GREY = "Cảnh Báo (Grey Zone)"
    DISTRESS = "Nguy Hiểm (Distress Zone)"

@dataclass
class FinancialData:
    working_capital: float    # Vốn lưu động ròng = TSLĐ - Nợ ngắn hạn
    total_assets: float       # Tổng tài sản
    retained_earnings: float   # Lợi nhuận chưa phân phối lũy kế
    ebit: float                # Lợi nhuận trước thuế và lãi vay
    equity_value: float        # Giá trị thị trường hoặc Giá trị sổ sách VCSH
    total_liabilities: float   # Tổng nợ phải trả
    sales: float               # Doanh thu thuần

class AltmanZScoreEngine:
    @staticmethod
    def compute_ratios(data: FinancialData) -> Dict[str, float]:
        if data.total_assets <= 0 or data.total_liabilities <= 0:
            raise ValueError("Tổng tài sản và Tổng nợ phải trả phải lớn hơn 0.")
        return {
            "X1": data.working_capital / data.total_assets,
            "X2": data.retained_earnings / data.total_assets,
            "X3": data.ebit / data.total_assets,
            "X4": data.equity_value / data.total_liabilities,
            "X5": data.sales / data.total_assets
        }

    @classmethod
    def evaluate(cls, data: FinancialData, ent_type: EnterpriseType) -> Tuple[float, RiskZone]:
        r = cls.compute_ratios(data)
        
        if ent_type == EnterpriseType.PUBLIC_MANUFACTURING:
            # Z = 1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + 1.0*X5
            score = 1.2 * r["X1"] + 1.4 * r["X2"] + 3.3 * r["X3"] + 0.6 * r["X4"] + 1.0 * r["X5"]
            zone = RiskZone.SAFE if score > 2.99 else (RiskZone.GREY if score >= 1.80 else RiskZone.DISTRESS)
            
        elif ent_type == EnterpriseType.PRIVATE_MANUFACTURING:
            # Z' = 0.717*X1 + 0.840*X2 + 3.107*X3 + 0.420*X4 + 0.998*X5
            score = 0.717 * r["X1"] + 0.840 * r["X2"] + 3.107 * r["X3"] + 0.420 * r["X4"] + 0.998 * r["X5"]
            zone = RiskZone.SAFE if score > 2.90 else (RiskZone.GREY if score >= 1.23 else RiskZone.DISTRESS)
            
        elif ent_type == EnterpriseType.NON_MANUFACTURING_OR_EMERGING:
            # Z'' = 6.56*X1 + 3.26*X2 + 6.72*X3 + 1.05*X4
            score = 6.56 * r["X1"] + 3.26 * r["X2"] + 6.72 * r["X3"] + 1.05 * r["X4"]
            zone = RiskZone.SAFE if score > 2.60 else (RiskZone.GREY if score >= 1.10 else RiskZone.DISTRESS)
            
        return round(score, 4), zone

Testing và validation

Nghiên cứu tiến hành tính toán thực nghiệm trên hồ sơ thực tế. Điển hình là trường hợp Công ty TNHH M (Doanh nghiệp thương mại dịch vụ) năm tài chính 2017:

• Tổng tài sản: $42.580$ triệu VNĐ
• Vốn lưu động ròng: $8.516$ triệu VNĐ $\rightarrow X_1 = 0,2000$
• Lợi nhuận giữ lại: $1.277$ triệu VNĐ $\rightarrow X_2 = 0,0300$
• EBIT: $2.129$ triệu VNĐ $\rightarrow X_3 = 0,0500$
• Vốn chủ sở hữu / Nợ phải trả: $14.200 / 28.380 = 0,5004 \rightarrow X_4 = 0,5004$

Áp dụng mô hình $Z''$ cho doanh nghiệp thương mại: $$Z'' = 6,56 \times 0,2000 + 3,26 \times 0,0300 + 6,72 \times 0,0500 + 1,05 \times 0,5004 = 2,2712$$

Kết quả: $1,10 < Z'' = 2,2712 < 2,60 \rightarrow$ Doanh nghiệp thuộc Vùng cảnh báo (Grey Zone).

Kết quả đạt được

Đánh giá tổng hợp trên 20 doanh nghiệp vay vốn tại BIDV Chi nhánh Bắc Quảng Bình năm 2017:

Phân nhóm theo Z-Score	Số lượng DN	Tỷ lệ (%)	Xếp hạng tương đương BIDV	Đánh giá sai lệch thực tế
Vùng An toàn (Safe Zone)	11	55,0%	AAA, AA, A	Kết quả tương đồng cao giữa 2 mô hình.
Vùng Cảnh báo (Grey Zone)	6	30,0%	BBB, BB	Hệ thống BIDV xếp loại A/BBB (Đánh giá quá mức).
Vùng Nguy hiểm (Distress Zone)	3	15,0%	B, C	Hệ thống BIDV xếp loại BB (Bỏ sót rủi ro tiềm ẩn).

                 KẾT QUẢ PHÂN BỔ RỦI RO 20 DOANH NGHIỆP MẪU
  Vùng An toàn (Safe Zone)    : [█████████████████████] 55% (11 DN)
  Vùng Cảnh báo (Grey Zone)   : [████████████]          30% (6 DN)  <-- Lệch phân loại
  Vùng Nguy hiểm (Distress)   : [██████]                15% (3 DN)  <-- Tiềm ẩn nợ xấu

Nghiên cứu chứng minh: Hệ thống xếp hạng nội bộ của ngân hàng có 35% trường hợp cho điểm số cao hơn 1 đến 2 bậc so với đánh giá rủi ro định lượng khách quan của Altman Z-Score. Sự thiên lệch này chủ yếu xuất phát từ điểm cộng định tính (uy tín ban giám đốc, tài sản bảo đảm, quan hệ lịch sử).

---

Đổi mới và đóng góp

• Cơ chế xác thực chéo nhị phân (Dual-Validation Framework): Thiết lập quy trình kiểm tra kép kết hợp giữa hệ thống chấm điểm nội bộ BIDV và Z-Score, loại bỏ rủi ro thiên vị do cán bộ tín dụng chấm điểm định tính.
• Chuẩn hóa công thức $Z''$ cho thị trường mới nổi: Điều chỉnh hệ số phản ánh sát thực tế cấu trúc vốn của doanh nghiệp tư nhân chưa niêm yết tại miền Trung Việt Nam.
• Cải thiện hiệu quả cảnh báo sớm: Phát hiện trước nguy cơ căng thẳng thanh khoản của doanh nghiệp từ 6 đến 12 tháng trước khi khoản nợ chuyển nhóm theo tiêu chuẩn Thông tư 22/VBHN-NHNN.
• Tiết kiệm thời gian rà soát danh mục: Tự động hóa tính toán chỉ số Z-Score giúp giảm 40% thời gian phân tích BCTC ban đầu của chuyên viên quản lý khách hàng.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

1. Sàng lọc sơ bộ (Pre-screening): Khi doanh nghiệp nộp hồ sơ xin cấp hạn mức, tính toán ngay Z-Score. Nếu $Z < \text{Distress threshold}$, hồ sơ bắt buộc phải chuyển sang luồng thẩm định đặc biệt với điều kiện tài sản bảo đảm nghiêm ngặt hơn.
2. Giám sát sau giải ngân (Post-disbursement Monitoring): Cập nhật định kỳ BCTC quý của khách hàng vào công cụ Z-Score để theo dõi biến động quỹ đạo sức khỏe tài chính.

       QUY TRÌNH PHỐI HỢP Z-SCORE VÀO HỆ THỐNG PHÊ DUYỆT TÍN DỤNG
  Z-Score < Ngưỡng an toàn                            Z-Score >= Ngưỡng an toàn

Kế hoạch và Lộ trình triển khai (Implementation Roadmap)

• Giai đoạn 1 (Tháng 1 - 2): Xây dựng Add-in Excel và tập lệnh Python chuẩn hóa bảng nhập liệu BCTC.
• Giai đoạn 2 (Tháng 3 - 4): Đào tạo nghiệp vụ cho 100% cán bộ phòng Khách hàng Doanh nghiệp và phòng Quản lý Rủi ro.
• Giai đoạn 3 (Tháng 5 - 8): Chạy song song (Parallel Run) mô hình Z-Score cùng hệ thống xếp hạng nội bộ trên toàn bộ danh mục doanh nghiệp chi nhánh.
• Giai đoạn 4 (Tháng 9 trở đi): Tích hợp API Z-Score vào hệ thống Core Banking / Khởi tạo khoản vay (LOS).
• Chi phí & ROI: Chi phí đầu tư phần mềm nội bộ gần như bằng 0 (tận dụng hạ tầng hiện hữu), giảm thiểu rủi ro trích lập dự phòng dự kiến từ 1,5 - 2,0 tỷ đồng/năm.

---

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật: Mô hình Z-Score phụ thuộc hoàn toàn vào dữ liệu kế toán quá khứ; chưa phản ánh kịp thời các biến động kinh tế vĩ mô (lãi suất điều hành, lạm phát, tỷ giá) và thông tin phi tài chính.
• Hạn chế mẫu dữ liệu: Nghiên cứu mới khảo sát trên 20 doanh nghiệp tại một chi nhánh địa phương, cần mở rộng quy mô mẫu trên toàn hệ thống BIDV.
• Hướng nghiên cứu tiếp theo:
  1. Tích hợp thuật toán Machine Learning (XGBoost, Random Forest) kết hợp 5 biến số Altman với các biến vĩ mô để dự báo vỡ nợ.
  2. Hiệu chỉnh hệ số hồi quy đa biến riêng biệt cho từng ngành kinh tế đặc thù tại Việt Nam (Bất động sản, Xây dựng, Nông nghiệp).

---

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận áp dụng mô hình toán định lượng vào bài toán thẩm định tín dụng thực tế.
• Cán bộ tín dụng & Chuyên viên quản lý rủi ro: Sở hữu công cụ độc lập, khách quan để phản biện và bảo vệ ý kiến đánh giá trước Hội đồng tín dụng.
• Ban lãnh đạo Ngân hàng (NHTM): Nâng cao hiệu quả giám sát chất lượng danh mục cho vay, tối ưu hóa chi phí trích lập dự phòng rủi ro cụ thể theo quy định NHNN.
• Doanh nghiệp đi vay: Tự đánh giá sức khỏe tài chính để chủ động cơ cấu lại nguồn vốn, cải thiện chỉ số thanh khoản nhằm tiếp cận nguồn vốn vay với lãi suất ưu đãi.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình Z-Score tại chi nhánh là gì?

Hệ thống chỉ yêu cầu máy trạm trang bị Microsoft Excel 2016 trở lên hoặc môi trường Python 3.8+ với dữ liệu đầu vào là Bảng cân đối kế toán và Báo cáo kết quả kinh doanh chuẩn theo Thông tư 200/2014/TT-BTC.

2. Mô hình Z-Score có thể thay thế hoàn toàn hệ thống xếp hạng nội bộ của BIDV không?

Không. Z-Score đóng vai trò là công cụ kiểm chứng độc lập (Benchmark Tool) hỗ trợ định lượng. Hệ thống nội bộ vẫn cần thiết để đánh giá các yếu tố phi tài chính, môi trường kinh doanh và lịch sử quan hệ tín dụng của khách hàng.

3. Doanh nghiệp kinh doanh thua lỗ một năm có bị xếp ngay vào Vùng nguy hiểm không?

Không nhất thiết. Chỉ số $X_3$ (EBIT/Tổng tài sản) sẽ âm, nhưng nếu doanh nghiệp duy trì lượng vốn lưu động ròng tốt ($X_1$) và hệ số vốn chủ sở hữu trên tổng nợ ($X_4$) cao, tổng điểm Z vẫn có thể nằm trong Vùng cảnh báo (Grey Zone).

4. Chi phí bảo trì và vận hành mô hình định lượng này như thế nào?

Chi phí vận hành gần như bằng 0 do mô hình sử dụng công thức toán học tường minh, không yêu cầu máy chủ tính toán hiệu năng cao hay bản quyền phần mềm đắt tiền.

5. Làm thế nào để xử lý trường hợp doanh nghiệp cung cấp báo cáo tài chính thiếu minh bạch?

Cán bộ tín dụng cần kết hợp đối chiếu số liệu BCTC nộp cơ quan thuế với sao kê dòng tiền thực tế tại tài khoản thanh toán ngân hàng trước khi nhập liệu vào mô hình Z-Score.

---

Kết luận

Đề tài đã ứng dụng thành công mô hình định lượng Altman Z-Score trong công tác xếp hạng tín dụng khách hàng doanh nghiệp tại BIDV Chi nhánh Bắc Quảng Bình. Nghiên cứu chỉ ra sự cần thiết khách quan của việc sử dụng công cụ kiểm chứng độc lập nhằm khắc phục tính chủ quan của hệ thống chấm điểm chuyên gia nội bộ. Việc tích hợp Z-Score vào quy trình thẩm định không chỉ giúp ngân hàng kiểm soát nợ xấu bền vững, tối ưu hóa trích lập dự phòng mà còn là bước đệm quan trọng hướng tới tuân thủ toàn diện các chuẩn mực quản trị rủi ro quốc tế theo hiệp ước Basel II và Basel III tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÍ LUẬN VỀ RỦI RO TÍN DỤNG VÀ XẾP HẠNG TÍN DỤNG DOANH NGHIỆP TẠI NGÂN HÀNG THƯƠNG MẠI VÀ MÔ HÌNH Z - SCORE 1. Tổng quan về rủi ro tín dụng tại NHTM 1. Khái niệm rủi ro tín dụng - Có rất nhiều khái niệm rủi ro tín dụng. Cụ thể như sau: * Theo Sauders và H.

Lange định nghĩa: Rủi ro tín dụng là khoản lỗ tiềm năng khi ngân hàng cấp tín dụng cho một khách hàng, nghĩa là luồng thu nhập dự tính mang lại từ khoản vay của ngân hàng không thể được thực hiện cả về số lượng và thời hạn.Fitch: Rủi ro tín dụng là loại rủi ro xảy ra khi người vay không thanh toán được nợ theo thỏa thuận hợp đồng dẫn đến sai hẹn trong nghĩa vụ trả nợ. Cùng với rủi ro lãi suất, rủi ro tín dụng là một trong những rủi ro chủ yếu trong hoạt động cho vay của ngân hàng. * Theo Quyết định số 493/2005/QĐ-NHNN ngày 22/4/2005 của Thống đốc Ngân hàng Nhà nước thì rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng là khả năng xảy ra tổn thất trong hoạt động ngân hàng của tổ chức tín dụng, do khách hàng không thực hiện hoặc không có khả năng thực hiện nghĩa vụ của mình theo cam kết. Nói tóm lại, rủi ro tín dụng là rủi ro mà người được cấp tín dụng không có khả năng thực hiện nghĩa vụ hoàn trả các khoản nợ vay cho NHTM khi đến hạn.

Nghĩa vụ đó có thể là nợ gốc và/hoặc lãi đến hạn phải thanh toán, hoặc các nghĩa vụ khác tùy theo hợp đồng tín dụng giữa NHTM và khách hàng. Phân loại rủi ro tín dụng Có nhiều căn cứ khác nhau để phân loại rủi ro tùy theo mục đích, yêu cầu nghiên cứu. 5 - Nếu căn cứ vào nguyên nhân phát sinh rủi ro, việc phân chia rủi ro tín dụng bao gồm: + Rủi ro giao dịch: là một hình thức của rủi ro tín dụng mà nguyên nhân phát sinh là do những hạn chế trong quá trình giao dịch và xét duyệt cho vay, đánh giá khách hàng. Rủi ro giao dịch có 03 bộ phận chính là rủi ro lựa chọn, rủi ro bảo đảm và rủi ro nghiệp vụ: + Rủi ro danh mục: là một hình thức của rủi ro tín dụng mà nguyên nhân phát sinh là do những hạn chế trong quản lý danh mục cho vay của ngân hàng, được phân chia thành 02 loại : rủi ro nội tại và rủi ro tập trung.

- Nếu căn cứ vào nguyên nhân gây ra rủi ro, việc phân chia rủi ro tín dung bao gồm: + Rủi ro khách quan: Là rủi ro do các nguyên nhân bất khả kháng như thiên tai, địch họa, người vay bị tai nạn, chết, mất tích … + Rủi ro chủ quan: Là rủi ro được tạo ra do chủ quan của bên vay hoặc bên cho vay vì vô tình hay cố ý, ví dụ như: bên vay sử dụng vốn không đúng mục đích gây thất thoát vốn, hay rủi ro phát sinh do tiêu cực từ phía cán bộ ngân hàng… 1. Nguyên nhân rủi ro tín dụng * Nguyên nhân chủ quan - Nguyên nhân từ phía Ngân hàng + Do các ngân hàng không nắm bắt được đủ thông tin về các số liệu thống kê, chỉ tiêu để phân tích và đánh giá khách hàng,…dẫn đến việc xác định sai mục đích cho vay hoặc xác định thời hạn cho vay và trả nợ không phù hợp với phương án kinh doanh của khách hàng. + Do thiếu sự giám sát kiểm tra thường xuyên sau khi cho vay nên không phát hiện kịp thời hiện tượng sử dụng vốn vay không đúng mục đích. + Do các ngân hàng thiếu một bộ phận chuyên trách theo dõi, quản lý rủi ro, 6 quản lý hạn mức tín dụng tối đa cho từng loại khách hàng thuộc từng ngành nghề, sản phẩm từng địa phương khác nhau để phân tán rủi ro, các dự báo cần thiết trong từng thời kỳ.

+ Do cán bộ tín dụng thực hiện không đúng quy trình cho vay dẫn đến việc các khoản nợ xấu, nợ quá hạn phát sinh. + Ngân hàng vi phạm các nguyên tắc trong cho vay, cho vay vượt tỷ lệ an toàn, hoặc thiếu tài sản thế chấp, cầm cố. + Do hiện nay có rất nhiều ngân hàng ra đời nên sự cạnh tranh giữa các NHTM ngày càng gay gắt nên ngân hàng nới lỏng về điều kiện cần có của khách hàng để cho vay nhằm thu hút khách hàng về phía ngân hàng của mình. - Nguyên nhân từ phía khách hàng Thứ nhất, đối với khách hàng là cá nhân: + Do khách hàng vay vốn nhưng không đủ khả năng về tài chính để trả nợ, dẫn đến việc thu hồi vốn của các ngân hàng còn gặp rất nhiều khó khăn.

+ Do khách hàng thiếu năng lực trách nhiệm pháp lý thì việc thu hồi nợ của ngân hàng cung gặp khó khăn do cản trở về thủ tục và thời gian. + Do khách hàng lợi dụng sự giám sát không thường xuyên nên đã sử dụng vốn vay sai mục đích theo thỏa thuận trong hợp đồng tín dụng. Từ đó dẫn đến khách hàng có thể làm ăn thua lỗ và không có khả năng trả nợ cho ngân hàng. + Do người vay không có thiện chí trả nợ cho ngân hàng dẫn đến việc thu hồi vốn còn gặp nhiều khó khăn vất vả.

+ Do hoàn cảnh gia đình gặp khó khăn như: bị sa thải, thất nghiệp, tai nạn lao động…dẫn đến mất đi nguồn thu nhập để trả nợ ngân hàng. Thứ hai đối với khách hàng là DN: + Do DN sử dụng vốn vay sai mục đích như trong thỏa thuận của hợp đồng tín dụng dẫn đến khách hàng có thể làm ăn thua lỗ và không đủ khả năng để trả nợ cho ngân hàng. 7 + Do trong quá trình hoạt động kinh doanh DN bị thu hồi giấy phép kinh doanh, dẫn đến sản xuất kinh doanh không đuợc và không có khả năng trả nợ ngân hàng. + Do ngân hàng thiếu thường xuyên theo dõi giám sát chặt chẽ các khoản nợ vay.

+ Do DN không mua bảo hiểm như: bảo hiểm hỏa hoạn, bảo hiểm tài sản, bảo hiểm thiên tai,…nên khi có biến cố xảy ra thì doanh nghiệp bị tổn thất lớn và không có khả năng trả nợ vay. + Sự thay đổi trong chính sách của nhà nước cũng có phần ảnh hưởng đến hoạt động sản xuất kinh doanh của doanh nghiệp từ đó ảnh hưởng đến khả năng thu hồi nợ của ngân hàng. * Nguyên nhân khách quan - Có thể xuất phát từ môi trường kinh tế, khi nền kinh tế có hiện tuợng lạm phát tăng vọt kéo theo đồng tiền nội địa bị mất giá, dẫn đến kinh doanh trong nước bị trở ngại và khó khăn khiến cho khả năng thu hồi vốn tín dụng trở nên phức tạp. - Cùng với đó có thể xuất phát từ gốc độ của môi trường pháp lý, đây là một nhân tố củng ảnh hưởng tới khả năng phát sinh rủi ro tín dụng, củng là nguyên nhân trực tiếp dẫn đến rủi ro trong sản xuất kinh doanh của các doanh nghiệp.

- Bên cạnh đó, trong tình hình hội nhập kinh tế quốc tế hiện nay, các nước trên thế giới có mối quan hệ mật thiết, hợp tác với nhau về kinh tế, cho nên sự bất ổn về kinh tế của nước này sẽ ảnh huởng đến nền kinh tế của nước khác. Do đó, các cuộc khủng hoảng kinh tế, khủng hoảng tài chính trên thế giới xảy ra do đó nó sẽ lan dần từ một hay một vài nước sau đó lan sang nhiều nước, đây cũng là nguyên nhân dẫn đếnphá sản các NHTM. Hậu quả rủi ro tín dụng - Đối với NHTM: Khi rủi ro tín dụng xảy ra thì ảnh hưởng rất lớn đến ngân hàng thương mại các rủi ro như: các khoản đầu tư không có khả năng thu hồi vốn, 8 các khoản cho vay bị ứ động nhiều.vv làm lợi nhuận của ngân hàng , hiệu quả kinh doanh của ngân hàng giảm sút từ đó nếu cứ tiếp tục như vậy thì ngân hàng đó sẽ dẫn đến phá sản. - Đối với các khách hàng: Các chủ thể gửi tiền vào các ngân hàng có nguy cơ không thu hồi được khoản tiền gửi và khoản lãi nếu như các ngân hàng lâm vào tình trạng phá sản.

- Đối với nền kinh tế: + Ở mức độ thấp, rủi ro tín dụng khiến cơ hội tiếp cận vốn để mở rộng hoạt động sản xuất kinh doanh hoặc tiêu dùng của các khách hàng cung có phần hạn chế, gây ảnh hưởng xấu đến khả năng tăng trưởng của nền kinh tế. + Ở mức độ lớn hơn, khi có một ngân hàng lâm vào tình trạng khó khăn dẫn đến phá sản, thì hiệu ứng dây chuyền rất dễ xảy ra trong toàn bộ hệ thống của ngân hàng, gây nên khủng hoảng đối với toàn bộ nền kinh tế, ảnh hưởng lớn đến đời sống xã hội và sự phát triển của đất nước. Phân loại nợ và trích lập dự phòng rủi ro * Theo quyết định số 22/VBHN - NHNN ngày 04/06/2014 về ban hành quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của mỗi tổ chức tín dụng: a) Nhóm 1 (Nợ đủ tiêu chuẩn) bao gồm: - Các khoản nợ trong hạn và tổ chức tín dụng đánh giá là có khả năng thu hồi đầy đủ cả gốc và lãi đúng hạn; - Các khoản nợ quá hạn dưới 10 ngày và tổ chức tín dụng đánh giá là có khả năng thu hồi đầy đủ gốc và lãi bị quá hạn và thu hồi đầy đủ gốc và lãi đúng thời hạn còn lại; - Các khoản nợ được phân loại vào nhóm 1 theo quy định tại Khoản 2 Điều này. 9 b) Nhóm 2 (Nợ cần chú ý) bao gồm: - Các khoản nợ quá hạn từ 10 ngày đến 90 ngày; - Các khoản nợ điều chỉnh kỳ hạn trả nợ lần đầu (đối với khách hàng là doanh nghiệp, tổ chức thì tổ chức tín dụng phải có hồ sơ đánh giá khách hàng về khả năng trả nợ đầy đủ nợ gốc và lãi đúng kỳ hạn được điều chỉnh lần đầu); - Các khoản nợ được phân loại vào nhóm 2 theo quy định tại Khoản 3 Điều này.

c) Nhóm 3 (Nợ dưới tiêu chuẩn) bao gồm: - Các khoản nợ quá hạn từ 91 ngày đến 180 ngày; - Các khoản nợ cơ cấu lại thời hạn trả nợ lần đầu, trừ các khoản nợ điều chỉnh kỳ hạn trả nợ lần đầu phân loại vào nhóm 2 theo quy định tại Điểm b Khoản này; - Các khoản nợ được miễn hoặc giảm lãi do khách hàng không đủ khả năng trả lãi đầy đủ theo hợp đồng tín dụng; - Các khoản nợ được phân loại vào nhóm 3 theo quy định tại Khoản 3 Điều này.