Giới thiệu dự án

Trong cấu trúc tài sản của các Ngân hàng Thương mại (NHTM) tại Việt Nam, dư nợ cho vay khách hàng thường chiếm từ 60% đến 75% tổng tài sản và đóng góp trên 70% tổng thu nhập lãi thuần. Tuy nhiên, đây cũng là khoản mục tiềm ẩn rủi ro tín dụng và rủi ro gian lận cao nhất trên Báo cáo Tài chính (BCTC). Giai đoạn 2022–2024 chứng kiến nhiều biến động kinh tế vĩ mô phức tạp, tỷ lệ nợ xấu nội bảng (NPL) toàn ngành ngân hàng tăng vượt ngưỡng 4.5% (theo số liệu thống kê từ Ngân hàng Nhà nước - NHNN), đặt ra yêu cầu cấp thiết về việc kiểm toán độc lập nhằm xác minh tính trung thực và hợp lý của các khoản trích lập dự phòng rủi ro tín dụng.

Đề tài khóa luận "Kiểm toán khoản mục cho vay khách hàng trên BCTC của Ngân hàng Thương mại – Thực hiện bởi KPMG Việt Nam" do sinh viên Lê Vi thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Thị Đoan Trang (Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB) tập trung giải quyết bài toán kiểm toán thực chứng tại NHTM X.

Vấn đề cốt lõi (Problem Statement) tập trung vào các điểm nghẽn kỹ thuật:

  • Sự sai lệch trong phân loại nhóm nợ (từ Nhóm 1 đến Nhóm 5) theo phương pháp định tính và định lượng quy định tại Thông tư 11/2021/TT-NHNN.
  • Gian lận điểm số tại Hệ thống Xếp hạng Tín dụng Nội bộ (HTXHTDNB) do Cán bộ Tín dụng (CBTD) chấm điểm phi tài chính mang tính chủ quan nhằm tránh trích lập dự phòng.
  • Định giá tài sản bảo đảm (TSĐB) sai lệch và không cập nhật dữ liệu nợ từ Trung tâm Thông tin Tín dụng Quốc gia (CIC).

Mục tiêu cụ thể của công trình nghiên cứu:

  1. Mục tiêu 1: Hệ thống hóa và chuẩn hóa quy trình kiểm toán 3 giai đoạn theo phương pháp luận quốc tế KEAG (KPMG Audit Execution Guide) áp dụng cho danh mục cho vay khách hàng.
  2. Mục tiêu 2: Xây dựng mô hình kiểm thử dữ liệu kết hợp giữa Thử nghiệm kiểm soát (TOC) và Thử nghiệm cơ bản (SUB) đối với hệ thống quản lý tín dụng CLMS (Credit Loans Management System) và Core Banking.
  3. Mục tiêu 3: Đánh giá thực nghiệm quy trình thông qua khảo sát 30 kiểm toán viên chuyên nghiệp tại KPMG Việt Nam và đề xuất bộ giải pháp nâng cao chất lượng kiểm toán nợ vay.

Phạm vi nghiên cứu tập trung vào dữ liệu tài chính niên độ 2023 tại NHTM X, đối chiếu theo các chuẩn mực kiểm toán Việt Nam (VSA), Chuẩn mực Kế toán Quốc tế (IFRS 9 / Basel II & III) và các văn bản quy phạm pháp luật ngân hàng hiện hành.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực tiễn kiểm toán danh mục tín dụng ngân hàng tại Việt Nam đang có sự phân hóa rõ rệt giữa phương pháp kiểm toán truyền thống và phương pháp tiếp cận định hướng rủi ro của nhóm công ty Big 4:

Tiêu chí so sánh Phương pháp kiểm toán truyền thống Phương pháp tiếp cận định hướng rủi ro (KPMG KEAG) Giải pháp kiểm toán tích hợp Data-Driven đề xuất
Cách tiếp cận rủi ro Kiểm tra phân tán theo từng khoản mục độc lập, tập trung số dư cuối kỳ Đánh giá RMM (Risk of Material Misstatement) dựa trên toàn bộ chu trình tín dụng Tích hợp phân tích rủi ro đa chiều (Quantitative + Qualitative + Macro factors)
Phạm vi kiểm tra Chọn mẫu ngẫu nhiên không phân tầng (Random sampling) Chọn mẫu phân tầng thuộc tính theo rủi ro (Attribute Sampling) Kiểm thử toán học 100% danh mục trích lập dự phòng bằng tập lệnh tự động
Kiểm soát nội bộ (KSNB) Bảng câu hỏi chung chung, ít kiểm tra hệ thống IT Đánh giá D&I (Design & Implementation) và TOE (Test of Effectiveness) Đánh giá sâu ITGC (IT General Controls) trên CLMS và DNA Core Banking
Xử lý dữ liệu CIC Đối chiếu mẫu đại diện 10-20 khách hàng Đối chiếu mẫu rủi ro cao tại thời điểm 31/12 Batch-processing đối chiếu chéo toàn bộ mã CIF với dữ liệu thô từ CIC
                 MÔ HÌNH PHÂN HẠNG YÊU CẦU THEO MoSCoW

Thiết kế hệ thống

Kiến trúc kiểm toán khoản mục cho vay được chuẩn hóa dựa trên nền tảng luân chuyển dữ liệu từ hệ thống ngân hàng mục tiêu sang môi trường phân tích kiểm toán độc lập:

Technology Stack và công cụ chuyên dụng áp dụng trong quy trình:

  • Nền tảng kiểm toán lõi: KPMG Clara Workflow (KCW) phiên bản 4.2 – quản lý hồ sơ kiểm toán số hóa, phân quyền soát xét nhiều cấp bậc.
  • Nền tảng gửi xác nhận số dư: Audit Confirmation Request Form (ACRF) trực tuyến v2.0 – thu thập thư xác nhận 24/7.
  • Môi trường xử lý dữ liệu: Python 3.11 (Pandas 2.1, NumPy 1.26), SQL Server 2022 để xử lý tập dữ liệu hàng triệu dòng giao dịch cho vay.
  • Hệ thống nguồn đối chiếu: DNA Core Banking, CLMS (Credit Loans Management System), cổng tra cứu CIC.

Methodology

Phương pháp luận kiểm toán áp dụng theo chuẩn quốc tế KEAG tích hợp khung kiểm soát COSO 2013 và Thông tư 13/2018/TT-NHNN:

  1. Xác lập Mức trọng yếu (Materiality Benchmark):

    • Mức trọng yếu tổng thể ($OM$ - Overall Materiality): Xác định từ 3% - 5% Lợi nhuận trước thuế từ hoạt động liên tục ($PBTCO$) hoặc 0.5% - 1% Tổng tài sản.
    • Mức trọng yếu thực hiện ($PM$ - Performance Materiality): Thiết lập ở mức 50%, 65% hoặc 75% của $OM$ tùy thuộc vào mức độ rủi ro tổng hợp ($RMM$).
    • Ngưỡng sai sót có thể bỏ qua ($AMPT$ - Audit Misstatement Posting Threshold): 3% - 5% của $PM$.
  2. Kế hoạch triển khai & Quản trị rủi ro:

    • Giai đoạn 1 (Lập kế hoạch - 4 tuần): Tìm hiểu KSNB, thực hiện Walkthrough test cho 1 KHDN và 1 KHCN, xác định Process Risk Points (PRP).
    • Giai đoạn 2 (Thực hiện kiểm toán - 6 tuần): Chọn mẫu chi nhánh/PGD đại diện theo tổng dư nợ và thực hiện kiểm tra chi tiết (TOD).
    • Giai đoạn 3 (Tổng hợp & Báo cáo - 2 tuần): Đánh giá các bút toán điều chỉnh vượt ngưỡng $AMPT$, phát hành ý kiến kiểm toán.

Implementation và kết quả

Development process

Quá trình kiểm toán thực thi các thuật toán kiểm tra tính tuân thủ và tính chính xác toán học của toàn bộ danh mục dư nợ. Trọng tâm là thuật toán tính lại dự phòng rủi ro tín dụng cụ thể ($DP_{ct}$) và dự phòng chung ($DP_{c}$) theo Thông tư 11/2021/TT-NHNN.

import numpy as np
import pandas as pd

def recalculate_loan_provisions(df_loans: pd.DataFrame) -> pd.DataFrame:
    """
    Thuật toán kiểm toán độc lập: Tính lại Dự phòng cụ thể và Dự phòng chung
    căn cứ theo quy định tại Điều 10, Điều 12 Thông tư 11/2021/TT-NHNN.
    """
    # 1. Tỷ lệ trích lập dự phòng cụ thể theo nhóm nợ 1 đến 5
    provision_rates = {1: 0.00, 2: 0.05, 3: 0.20, 4: 0.50, 5: 1.00}
    
    # 2. Xác định giá trị khấu trừ TSĐB hợp lệ: Max(0, Dư nợ - Giá trị TSĐB đã chiết khấu)
    df_loans['collateral_deductible'] = df_loans['collateral_val'] * df_loans['discount_rate']
    df_loans['exposure_at_risk'] = np.maximum(
        0.0, 
        df_loans['principal_balance'] - df_loans['collateral_deductible']
    )
    
    # 3. Tính dự phòng cụ thể cần trích
    df_loans['recalc_specific_prov'] = df_loans.apply(
        lambda row: row['exposure_at_risk'] * provision_rates.get(row['audit_debt_group'], 0.0),
        axis=1
    )
    
    # 4. Tính dự phòng chung (0.75% trên dư nợ nhóm 1 đến nhóm 4)
    df_loans['recalc_general_prov'] = df_loans.apply(
        lambda row: row['principal_balance'] * 0.0075 if row['audit_debt_group'] in [1, 2, 3, 4] else 0.0,
        axis=1
    )
    
    # 5. So sánh với số liệu trích lập của Ngân hàng để tìm chênh lệch
    df_loans['diff_specific'] = df_loans['recalc_specific_prov'] - df_loans['bank_specific_prov']
    df_loans['diff_general'] = df_loans['recalc_general_prov'] - df_loans['bank_general_prov']
    
    return df_loans

Trong quá trình đối chiếu nhóm nợ, hệ thống kiểm toán thực hiện phân loại 4 cấp bậc:

  1. Phân loại định lượng: Căn cứ số ngày quá hạn thanh toán gốc/lãi.
  2. Phân loại theo CIC: Lấy nhóm nợ cao nhất của khách hàng tại tất cả các TCTC trên toàn quốc.
  3. Phân loại nợ cơ cấu: Rà soát các chính sách cơ cấu nợ theo quy định đặc thù (Thông tư 02/2023/TT-NHNN).
  4. Phân loại định tính: Rà soát lại hồ sơ tài chính và xếp hạng tín dụng nội bộ để phát hiện nợ có dấu hiệu suy giảm khả năng trả nợ dù chưa quá hạn.

Testing và validation

Hiệu năng và độ chính xác của quy trình kiểm toán được kiểm chứng qua các bộ chỉ số đo lường trực tiếp trên tập dữ liệu thực tế của Ngân hàng X:

                           KẾT QUẢ KIỂM THỬ THỦ TỤC KIỂM TOÁN

Kết quả đạt được

Nghiên cứu đã tiến hành khảo sát thực nghiệm trên mẫu $N = 30$ Kiểm toán viên từ Senior Associate đến Manager tại KPMG Việt Nam (thực hiện qua biểu mẫu Google Forms chuyên dụng):

  • 93.3% KiTV đánh giá thủ tục tính lại dự phòng tự động hóa và đối chiếu CIC đem lại độ tin cậy vượt trội so với kiểm tra chọn mẫu thủ công.
  • 86.7% KiTV xác nhận khó khăn lớn nhất nằm ở khâu đánh giá tính trung thực của điểm số định tính tại HTXHTDNB do thiếu thông tin phi tài chính khách quan.
  • 100% các sai sót phát hiện vượt mức $AMPT$ đã được tổng hợp đưa vào Bảng tổng hợp sai sót chưa điều chỉnh để thảo luận với Ủy ban Kiểm toán của Ngân hàng X, giúp đưa ra bút toán điều chỉnh bổ sung dự phòng rủi ro hơn 45 tỷ VNĐ.

Đổi mới và đóng góp

Công trình mang lại những đóng góp rõ rệt về mặt học thuật và thực tiễn kiểm toán ngân hàng:

                   SO SÁNH CÁC CẢI TIẾN TRỌNG TÂM
  1. Đổi mới phương pháp luận: Kết hợp hài hòa giữa Quyết định 11/2017/QĐ-KTNN của Kiểm toán Nhà nước và hướng dẫn quốc tế của Ủy ban Basel 2020 về kiểm toán tổn thất tín dụng kỳ vọng ($ECL$).
  2. Đóng góp học thuật: Lấp đầy khoảng trống nghiên cứu thực nghiệm tại Việt Nam về kiểm toán khoản mục cho vay trong điều kiện áp dụng kết hợp chuẩn mực kế toán Việt Nam (VAS) và các nguyên tắc IFRS 9.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tiễn

Quy trình và mô hình kiểm toán đề xuất được ứng dụng trực tiếp tại các cuộc kiểm toán BCTC định kỳ của hệ thống NHTM cổ phần quy mô vừa và lớn:

  • Kiểm toán niên độ và soát xét bán niên: Tối ưu hóa thời gian chạy thủ tục kiểm tra chi tiết (TOD) cho danh mục tín dụng từ hàng chục nghìn tỷ đồng.
  • Hỗ trợ thẩm định đặc biệt (Due Diligence): Cung cấp khung đánh giá rủi ro danh mục cho vay phục vụ các thương vụ M&A ngân hàng hoặc phát hành trái phiếu quốc tế.

Lộ trình triển khai khuyến nghị

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Bao gồm chi phí bản quyền công cụ phân tích dữ liệu, chi phí đào tạo nhân sự kiểm toán ($~150 - 200$ triệu VNĐ/đoàn kiểm toán).
  • Lợi ích kinh tế (ROI): Tiết kiệm 35% tổng số giờ công kiểm toán (man-hours), hạn chế tối đa rủi ro kiện tụng hoặc tái phát hành BCTC do bỏ sót sai sót trọng yếu, hoàn vốn đầu tư trong vòng 1 mùa kiểm toán.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tính đại diện của dữ liệu: Minh họa thực nghiệm mới chỉ tập trung vào một NHTM cụ thể (Ngân hàng X), chưa phản ánh toàn diện sự khác biệt giữa khối NHTM Nhà nước và NHTM Cổ phần tư nhân.
  • Rào cản đánh giá định tính: Việc kiểm tra hệ thống xếp hạng tín dụng nội bộ vẫn phụ thuộc một phần vào xét đoán chủ quan của CBTD và KiTV, khó đo lường tuyệt đối bằng thuật toán.
  • Độ trễ chuẩn mực: Hiện tại Việt Nam vẫn áp dụng mô hình tổn thất đã phát sinh (Incurred Loss Model) theo VAS thay vì mô hình tổn thất kỳ vọng ($ECL$ - Expected Credit Loss Model) của IFRS 9.

Hướng phát triển tiếp theo

  • Mở rộng phạm vi nghiên cứu so sánh quy trình kiểm toán tín dụng giữa các nhóm ngân hàng có quy mô và mô hình quản trị khác nhau.
  • Nghiên cứu ứng dụng công nghệ Xử lý Ngôn ngữ Tự nhiên (NLP) và Trí tuệ Nhân tạo (AI) để tự động hóa trích xuất dữ liệu từ các hợp đồng tín dụng và biên bản định giá TSĐB phức tạp.

Đối tượng hưởng lợi

                              GIÁ TRỊ MANG LẠI CHO CÁC BÊN

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và tiền đề để triển khai quy trình kiểm toán tự động hóa này là gì?

Đoàn kiểm toán cần truy cập được vào tệp sao kê dữ liệu nợ thô dạng cấu trúc (CSV, SQL dump hoặc Excel) từ hệ thống CLMS/Core Banking của ngân hàng tại ngày khóa sổ, kết hợp tài khoản truy cập cổng thông tin báo cáo CIC và môi trường thực thi Python 3.x / SQL đã được phân quyền bảo mật.

2. Làm thế nào để giải quyết xung đột khi phân loại nợ định tính mâu thuẫn với phân loại định lượng?

Theo quy định tại Thông tư 11/2021/TT-NHNN, nguyên tắc thận trọng bắt buộc áp dụng nhóm nợ cao nhất (rủi ro cao nhất). Nếu phân loại định lượng là Nhóm 1 nhưng đánh giá định tính (hoặc dữ liệu CIC từ TCTC khác) chỉ ra khách hàng thuộc Nhóm 3, toàn bộ dư nợ của khách hàng tại ngân hàng phải được chuyển sang Nhóm 3 để trích lập dự phòng.

3. Quy trình kiểm toán này có tích hợp được với các hệ thống ERP hoặc Core Banking khác nhau không?

Có. Quy trình tiếp cận theo tầng trung gian (Data Staging Layer), cho phép chuẩn hóa dữ liệu đầu vào bất kể ngân hàng sử dụng Core Banking của hãng nào (T24 Temenos, Flexcube, DNA hay Silverlake).

4. Nhu cầu bảo trì và cập nhật hệ thống kiểm toán diễn ra như thế nào?

Mô hình kiểm toán cần được rà soát và cập nhật tham số định kỳ 6 tháng một lần hoặc ngay khi NHNN ban hành các thông tư mới về phân loại nợ, tỷ lệ trích lập dự phòng hoặc chính sách giãn hoãn nợ đặc thù.

5. Chi phí triển khai và thời gian thu hồi vốn đầu tư (ROI) ước tính bao lâu?

Đối với một công ty kiểm toán hoặc bộ phận Kiểm toán Nội bộ của ngân hàng, chi phí đầu tư công cụ phân tích và chuẩn hóa quy trình sẽ được bù đắp ngay trong năm tài chính đầu tiên nhờ cắt giảm hàng trăm giờ làm việc thủ công và giảm thiểu rủi ro sai sót kiểm toán trọng yếu.


Kết luận

Khóa luận tốt nghiệp của tác giả Lê Vi đã giải quyết thấu đáo và toàn diện bài toán kiểm toán khoản mục cho vay khách hàng trên BCTC của NHTM thông qua lăng kính thực tiễn tại KPMG Việt Nam. Bằng việc kết hợp chặt chẽ giữa cơ sở lý thuyết chuẩn mực (COSO, VSA, ISA, Quyết định 11/2017/QĐ-KTNN) với công nghệ kiểm toán hiện đại (KCW, ACRF, phân tích dữ liệu tự động), công trình đã chứng minh tính hiệu quả vượt trội trong việc phát hiện sai sót, nâng cao tính minh bạch tài chính và củng cố niềm tin cho thị trường vốn.

Những đóng góp thực nghiệm cùng bộ dữ liệu khảo sát 30 chuyên gia kiểm toán là nguồn tài liệu quý báu cho các bạn sinh viên chuyên ngành Kế toán - Kiểm toán, các chuyên viên phân tích tín dụng và các tổ chức kiểm toán độc lập trong kỷ nguyên chuyển đổi số. Độc giả quan tâm có thể ứng dụng ngay bộ khung kiểm thử và thuật toán tính toán dự phòng được đề xuất để nâng cao chất lượng công tác kiểm toán và quản trị rủi ro tín dụng ngân hàng.