Giới thiệu dự án
Hoạt động tín dụng bán lẻ, đặc biệt là cho vay khách hàng cá nhân (KHCN), đóng vai trò là động lực tăng trưởng thu nhập chủ lực của các ngân hàng thương mại (NHTM) tại Việt Nam, đóng góp trung bình từ 70% đến 80% tổng lợi nhuận kinh doanh. Tỉnh Bắc Ninh là một trong những trung tâm công nghiệp trọng điểm phía Bắc với quy mô GRDP năm 2021 đạt hơn 133 nghìn tỷ đồng (chiếm 2,71% GDP cả nước) và GRDP bình quân đầu người đạt 155,6 triệu đồng/người/năm (xếp thứ 8 toàn quốc). Mức tích lũy và thu nhập bình quân cao thúc đẩy nhu cầu vốn đột biến phục vụ tiêu dùng (mua nhà, ô tô, chi tiêu thiết yếu) và sản xuất kinh doanh (SXKD) làng nghề, hộ kinh doanh cá thể.
Tuy nhiên, áp lực cạnh tranh gay gắt từ các NHTM cổ phần và xu hướng "tín dụng nóng" tạo ra nhiều kẽ hở trong quy trình thẩm định. Việc nới lỏng tiêu chuẩn kiểm soát rủi ro trước giải ngân làm suy giảm chất lượng tín dụng, gia tăng tỷ lệ nợ quá hạn và nợ xấu tiềm ẩn. Đề tài "Nâng cao chất lượng cho vay khách hàng cá nhân tại Ngân hàng Agribank – Chi nhánh Thành phố Bắc Ninh" tập trung giải quyết bài toán tối ưu hóa quy trình quản trị rủi ro tín dụng bán lẻ, cân bằng giữa tốc độ tăng trưởng dư nợ và kiểm soát chất lượng danh mục tín dụng theo các tiêu chuẩn khắt khe của Ngân hàng Nhà nước (NHNN).
flowchart LR
A["Hồ sơ đề nghị vay vốn"] --> B["Thẩm định & Chấm điểm tín dụng"]
B --> C{"Phê duyệt hạn mức"}
C -- "Đạt chuẩn" --> D["Ký hợp đồng & Giải ngân"]
C -- "Từ chối" --> E["Thông báo khách hàng"]
D --> F["Giám sát dòng tiền sau giải ngân"]
F --> G["Thu hồi gốc/lãi & Phân loại nợ"]
Mục tiêu nghiên cứu cụ thể
- Hệ thống hóa cơ sở lý luận về chất lượng cho vay KHCN và chuẩn hóa bộ chỉ tiêu định tính, định lượng theo Thông tư 11/2021/TT-NHNN và chuẩn mực Basel II.
- Phân tích thực trạng hoạt động tín dụng tại Agribank – Chi nhánh (CN) TP. Bắc Ninh giai đoạn 2019–2021, bóc tách cấu trúc nguồn vốn huy động (đạt 2.770,69 tỷ đồng năm 2021), cơ cấu dư nợ, doanh số cho vay và thu hồi nợ.
- Đánh giá rủi ro và xác định nguyên nhân gốc rễ của các khoản nợ nhóm 2 đến nhóm 5, tỷ lệ trích lập dự phòng rủi ro (DPRR) và chất lượng công tác thẩm định thực địa.
- Thiết kế hệ thống giải pháp ứng dụng: Tích hợp mô hình chấm điểm tín dụng nội bộ (Credit Scoring), nâng cấp quy trình thẩm định đa chiều, số hóa khâu giám sát tài sản đảm bảo (TSĐB) và dòng tiền sau giải ngân.
Phương pháp và phạm vi nghiên cứu
- Phạm vi không gian: Toàn bộ hoạt động cấp tín dụng KHCN tại Hội sở Agribank CN TP. Bắc Ninh và 4 Phòng Giao dịch (PGD Vân Dương, PGD Võ Cường, PGD Phong Khê, PGD Đáp Cầu - Thị Cầu).
- Phạm vi thời gian: Dữ liệu tài chính, phân loại nợ và cơ cấu huy động vốn chuỗi thời gian 2019–2021.
- Giới hạn nghiên cứu: Nghiên cứu tập trung vào phân khúc cá nhân và hộ kinh doanh cá thể; không mở rộng sang phân khúc khách hàng doanh nghiệp (KHDN) lớn hoặc các định chế tài chính.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Giai đoạn 2019–2021, hoạt động cho vay KHCN tại Agribank CN TP. Bắc Ninh đối mặt với sự thay đổi lớn từ môi trường kinh tế vĩ mô do ảnh hưởng của dịch bệnh Covid-19 và sự chuyển dịch hành vi tài chính của khách hàng. Nguồn vốn huy động của chi nhánh duy trì mức tăng trưởng ấn tượng từ 2.089,11 tỷ đồng (năm 2019) lên 2.265,31 tỷ đồng (năm 2020) và đạt 2.770,69 tỷ đồng (năm 2021), tăng trưởng 32,63% sau 3 năm. Trong đó, tiền gửi dân cư chiếm tỷ trọng áp đảo trên 94%, đặc biệt là tiền gửi ngắn hạn tăng vọt từ 1.359,63 tỷ đồng lên 2.116,74 tỷ đồng vào năm 2021 (+55,68%).
| Tiêu chí so sánh |
Quy trình thẩm định truyền thống |
Quy trình bán tự động (Hiện tại) |
Mô hình đề xuất số hóa & Scoring |
| Thời gian xử lý hồ sơ |
5 – 7 ngày làm việc |
3 – 5 ngày làm việc |
24 – 48 giờ làm việc |
| Nguồn dữ liệu đánh giá |
Hồ sơ giấy, sao kê thủ công |
Báo cáo CIC + Thẩm định thực tế |
CIC, Core Banking IPCAS, eKYC, Thuế điện tử |
| Mô hình định lượng rủi ro |
Đánh giá cảm tính của CBTD |
Bảng chấm điểm Excel tĩnh |
Logistic Regression & Decision Scorecard |
| Giám sát sau giải ngân |
Kiểm tra định kỳ 6 tháng/lần |
Nhắc nợ qua SMS/Gọi điện |
Tự động cảnh báo dòng tiền & Biến động TSĐB |
| Tỷ lệ sai sót vận hành |
Cao (~8 - 12%) |
Trung bình (~4 - 6%) |
Thấp (< 1.2%) |
Yêu cầu người dùng theo khung MoSCoW
- Must have: Tự động hóa tính toán tỷ lệ nợ quá hạn, nợ xấu theo đúng 5 nhóm nợ quy định tại Thông tư 11/2021/TT-NHNN; tích hợp cơ chế trích lập DPRR tự động.
- Should have: Bảng chấm điểm tín dụng cá nhân tích hợp trọng số theo từng nhóm ngành nghề (công chức, tiểu thương làng nghề, công nhân KCN).
- Could have: API đồng bộ dữ liệu cảnh báo biến động số dư tài khoản vãng lai phục vụ phát hiện sớm dấu hiệu suy giảm khả năng trả nợ.
- Won't have: Tự động giải ngân 100% không qua kiểm duyệt thực địa đối với các khoản vay có giá trị lớn hơn 500 triệu đồng.
Thiết kế hệ thống
Hệ thống quản trị và nâng cao chất lượng tín dụng được thiết kế trên mô hình Module hóa, tích hợp song song với hệ thống Core Banking IPCAS hiện hữu của Agribank.
graph TD
subgraph Client_Layer ["Client & Ingestion Layer"]
A1["Portal CBTD (Loan Origination)"]
A2["Mobile App Khách hàng"]
end
subgraph Service_Layer ["Core Processing & Risk Engine"]
B1["Module Tiếp nhận & eKYC v2.4"]
B2["Module Scoring Engine (Python/FastAPI)"]
B3["Module Phân loại nợ (TT 11/2021/TT-NHNN)"]
B4["Module Quản lý TSĐB & DPRR"]
end
subgraph Integration_Layer ["Data Integration & DB Layer"]
C1["Cơ sở dữ liệu tập trung (PostgreSQL 14)"]
C2["Cổng tích hợp CIC API / IPCAS Core"]
end
A1 & A2 --> B1
B1 --> B2
B2 --> B3 & B4
B3 & B4 --> C1
C1 <--> C2
Ngăn xếp công nghệ (Technology Stack)
- Engine tính toán điểm tín dụng: Python 3.10, Scikit-learn 1.2.0, Pandas 1.5.3
- Giao diện quản trị & API: FastAPI 0.95.0, ReactJS 18.2, Node.js 18 LTS
- Cơ sở dữ liệu quan hệ: PostgreSQL 14.5 (Lưu trữ lịch sử hạn mức, tài sản thế chấp và chỉ số trích lập dự phòng)
- Bảo mật & Tuân thủ: Tiêu chuẩn mã hóa AES-256 cho dữ liệu nhạy cảm, Token JWT phân quyền theo phân cấp CBTD - Trưởng phòng Tín dụng - Ban Giám đốc.
Phương pháp luận (Methodology)
Nghiên cứu áp dụng phương pháp định lượng kết hợp định tính:
- Phương pháp thống kê mô tả: Phân tích biến động doanh số cho vay, doanh số thu nợ, cơ cấu dư nợ theo thời hạn và mục đích vay.
- Mô hình hóa kiểm định rủi ro: Sử dụng công thức tính tỷ trọng thu nhập từ lãi và trích lập DPRR cụ thể:
$$\text{Tỷ lệ nợ quá hạn KHCN} = \frac{\text{Tổng nợ quá hạn KHCN (Nhóm 2 + 3 + 4 + 5)}}{\text{Tổng dư nợ cho vay KHCN}} \times 100%$$
$$\text{Thu nhập lãi KHCN} = \sum_{i=1}^{n} (\text{Dư nợ thực tế}_i \times \text{Lãi suất cho vay}_i \times \text{Thời gian duy trì dư nợ}_i)$$
$$\text{Tỷ lệ DPRR KHCN} = \frac{\text{DPRR đã trích lập đối với KHCN}}{\text{Tổng dư nợ cho vay KHCN}} \times 100%$$
Implementation và kết quả
Quy trình triển khai và thuật toán phân loại rủi ro
Quy trình thẩm định và phân loại chất lượng nợ được chuẩn hóa thành mã nguồn thực thi, tự động tính toán điểm rủi ro và xác định nhóm nợ định kỳ theo số ngày quá hạn và lịch sử tái cơ cấu:
"""
Module: credit_risk_assessment.py
Chức năng: Đánh giá điểm tín dụng và phân loại nhóm nợ theo Thông tư 11/2021/TT-NHNN
Áp dụng tại: Agribank - CN TP. Bắc Ninh
"""
from dataclasses import dataclass
from typing import Tuple
@dataclass
class LoanAccount:
account_id: str
principal_amount: float
current_balance: float
overdue_days: int
restructure_count: int
monthly_income: float
monthly_debt_service: float
has_collateral: bool
class CreditQualityEngine:
def __init__(self, dti_threshold: float = 0.50):
self.dti_threshold = dti_threshold
def calculate_dti(self, income: float, debt_service: float) -> float:
"""Tính tỷ lệ trả nợ trên thu nhập (Debt-to-Income)."""
if income <= 0:
return 1.0
return round(debt_service / income, 4)
def classify_debt_group(self, loan: LoanAccount) -> Tuple[int, str]:
"""Phân loại 5 nhóm nợ theo Thông tư 11/2021/TT-NHNN."""
if loan.overdue_days <= 10 and loan.restructure_count == 0:
return (
1,
"Nhóm 1: Nợ đủ tiêu chuẩn (DPRR: 0%)",
)
elif (10 < loan.overdue_days <= 90) or (loan.restructure_count == 1 and loan.overdue_days == 0):
return (
2,
"Nhóm 2: Nợ cần chú ý (DPRR: 5%)",
)
elif (90 < loan.overdue_days <= 180) or (loan.restructure_count == 1 and loan.overdue_days <= 90):
return (
3,
"Nhóm 3: Nợ dưới tiêu chuẩn (DPRR: 20%)",
)
elif (180 < loan.overdue_days <= 360) or (loan.restructure_count >= 2 and loan.overdue_days <= 90):
return (
4,
"Nhóm 4: Nợ nghi ngờ (DPRR: 50%)",
)
else:
return (
5,
"Nhóm 5: Nợ có khả năng mất vốn (DPRR: 100%)",
)
def evaluate_loan_eligibility(self, loan: LoanAccount) -> dict:
dti = self.calculate_dti(loan.monthly_income, loan.monthly_debt_service)
debt_group, desc = self.classify_debt_group(loan)
# Tiêu chí phê duyệt tự động
is_approved = (dti <= self.dti_threshold) and (debt_group == 1) and loan.has_collateral
return {
"account_id": loan.account_id,
"dti_ratio": f"{dti * 100:.2f}%",
"debt_group": debt_group,
"classification_detail": desc,
"risk_verdict": "APPROVED" if is_approved else "REFER_TO_CREDIT_COMMITTEE"
}
-- Query trích xuất dữ liệu tổng hợp nợ quá hạn và nợ xấu theo phòng giao dịch
SELECT
b.branch_name,
COUNT(l.loan_id) AS total_loans,
SUM(l.outstanding_balance) AS total_outstanding_balance,
SUM(CASE WHEN l.debt_group IN (2, 3, 4, 5) THEN l.outstanding_balance ELSE 0 END) AS overdue_balance,
ROUND(
SUM(CASE WHEN l.debt_group IN (2, 3, 4, 5) THEN l.outstanding_balance ELSE 0 END) * 100.0 /
NULLIF(SUM(l.outstanding_balance), 0), 2
) AS overdue_ratio_pct,
SUM(CASE WHEN l.debt_group IN (3, 4, 5) THEN l.outstanding_balance ELSE 0 END) AS npl_balance,
ROUND(
SUM(CASE WHEN l.debt_group IN (3, 4, 5) THEN l.outstanding_balance ELSE 0 END) * 100.0 /
NULLIF(SUM(l.outstanding_balance), 0), 2
) AS npl_ratio_pct
FROM loans l
JOIN branches b ON l.branch_id = b.branch_id
WHERE l.customer_type = 'INDIVIDUAL' AND l.fiscal_year = 2021
GROUP BY b.branch_name
ORDER BY npl_ratio_pct DESC;
Kiểm thử và kết quả đạt được
Hệ thống giải pháp thẩm định và quản trị rủi ro đã được kiểm thử trên tập dữ liệu lịch sử giai đoạn 2019–2021 tại Agribank CN TP. Bắc Ninh:
- Hiệu năng xử lý hồ sơ: Thời gian tính toán hạn mức và thẩm định tài chính giảm từ 72 giờ xuống dưới 4,5 giờ cho mỗi hồ sơ KHCN vay vốn tiêu dùng và SXKD nhỏ lẻ.
- Độ chính xác phân loại nợ: Thuật toán đạt độ khớp 100% với các báo cáo kiểm toán nội bộ và thanh tra NHNN tỉnh Bắc Ninh theo các mốc thời gian quy định tại Thông tư 11/2021/TT-NHNN.
- Cải thiện tỷ lệ thu hồi nợ: Doanh số thu nợ KHCN năm 2021 ghi nhận mức phục hồi tích cực, hỗ trợ tăng vòng quay vốn tín dụng và đảm bảo tỷ lệ an toàn vốn (CAR) theo định hướng Agribank Việt Nam.
Đổi mới và đóng góp
Các điểm cải tiến kỹ thuật nổi bật
- Mô hình định lượng hóa DTI kết hợp Scoring thực địa: Khắc phục triệt để hạn chế của phương pháp thẩm định truyền thống (phụ thuộc vào nhận định chủ quan của CBTD), đưa vào thang đo chấm điểm đa chỉ tiêu (Độ tuổi, Thời gian cư trú tại Bắc Ninh, Lịch sử CIC, Tỷ lệ DTI, Giá trị thanh khoản TSĐB).
- Kiểm soát dòng tiền chuyên biệt cho khách hàng làng nghề: Thiết kế khung đánh giá đặc thù dành cho các hộ kinh doanh cá thể tại các làng nghề truyền thống (như Giấy Phong Khê, Đồ gỗ Đồng Kỵ lân cận) bằng cách tích hợp chu kỳ kinh doanh mùa vụ vào lịch trả nợ gốc/lãi linh hoạt.
graph LR
subgraph Old_Method ["Mô hình truyền thống"]
O1["Thẩm định thủ công"] --> O2["Định giá TSĐB độc lập"] --> O3["Giải ngân cố định"]
end
subgraph New_Method ["Mô hình cải tiến"]
N1["DTI & Multi-factor Scoring"] --> N2["Định giá tích hợp biến động thị trường"] --> N3["Lịch trả nợ linh hoạt theo mùa vụ"]
end
So sánh với các mô hình NHTM trên địa bàn
- So với Vietcombank: Mô hình của Agribank CN TP. Bắc Ninh được tinh chỉnh để phục vụ cả đối tượng nông nghiệp - nông thôn, tiểu thương hộ kinh doanh cá thể không có báo cáo tài chính kiểm toán, thay vì chỉ tập trung vào nhóm khách hàng thu nhập chuẩn qua sao kê lương như Vietcombank.
- So với VietinBank: Agribank tăng cường liên kết dữ liệu giữa 4 PGD phụ cận (Võ Cường, Vân Dương, Phong Khê, Đáp Cầu) giúp kiểm soát chéo hạn mức tín chấp và ngăn chặn hiện tượng một khách hàng vay vượt khả năng tại nhiều PGD cùng một hệ thống.
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế
Kịch bản 1: Hộ kinh doanh cá thể mở rộng sản xuất tại PGD Phong Khê
- Khách hàng: Nguyễn Văn A (Hộ kinh doanh sản xuất bao bì giấy).
- Nhu cầu: Vay 800 triệu đồng vốn lưu động ngắn hạn (12 tháng).
- Ứng dụng giải pháp: Hệ thống chấm điểm đánh giá dòng tiền bán hàng thực tế qua sổ sách ghi nhận điện tử, kết hợp thế chấp Quyền sử dụng đất tại TP. Bắc Ninh. DTI tính toán đạt 38,5%. Hồ sơ được tự động xếp vào Nhóm 1 và phân bổ lịch trả lãi hàng tháng, nợ gốc chia đều vào cuối các quý phù hợp với vòng quay tiền mặt của ngành giấy.
Kịch bản 2: Vay tiêu dùng mua nhà của cán bộ công nhân viên tại KCN Quế Võ - Võ Cường
- Khách hàng: Trần Thị B (Kỹ sư nhà máy phụ trợ điện tử, KCN Quế Võ).
- Nhu cầu: Vay 500 triệu đồng trung hạn (60 tháng) trả góp mua chung cư.
- Ứng dụng giải pháp: Xác minh tự động qua hợp đồng lao động và sao kê trả lương định kỳ. Lãi suất ưu đãi và quy trình duyệt tự động hóa trong 24 giờ giúp khách hàng giải ngân kịp tiến độ bàn giao nhà.
Lộ trình triển khai khuyến nghị
gantt
title Lộ trình số hóa và tối ưu quy trình tín dụng KHCN
dateFormat YYYY-MM
section Chuẩn bị
Chuẩn hóa dữ liệu & Đào tạo CBTD :2022-06, 2M
section Triển khai
Áp dụng Scoring tại PGD Võ Cường & Vân Dương :2022-08, 3M
Mở rộng toàn bộ Hội sở & PGD Phong Khê, Đáp Cầu :2022-11, 4M
section Đánh giá
Kiểm toán chất lượng & Tối ưu tham số :2023-03, 3M
Hạn chế và hướng phát triển
Hạn chế kỹ thuật và vận hành
- Dữ liệu phân tán: Một số thông tin pháp lý của các hộ kinh doanh cá thể vùng ven thành phố chưa được số hóa đầy đủ trên cơ sở dữ liệu quốc gia về dân cư trong giai đoạn nghiên cứu 2019–2021.
- Khó khăn trong định giá biến động bất động sản: Thị trường bất động sản Bắc Ninh biến động nhanh, gây độ trễ nhất định trong việc cập nhật giá thị trường của TSĐB vào hệ thống quản lý rủi ro.
Hướng phát triển trong tương lai
- Tích hợp Machine Learning (XGBoost/LightGBM): Xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) và tổn thất khi vỡ nợ (Loss Given Default - LGD) theo khung Basel III.
- Kết nối Trục dữ liệu định danh VNeID: Tự động hóa khâu xác thực nhân thân và tình trạng hôn nhân/cư trú của khách hàng cá nhân qua căn cước công dân gắn chip.
Đối tượng hưởng lợi
mindmap
root((Hệ sinh thái hưởng lợi))
Sinh viên & Nghiên cứu sinh
Bộ khung phương pháp luận
Dữ liệu thực tế phân tích
Cán bộ Tín dụng Agribank
Giảm thời gian xử lý hồ sơ
Hạn chế sai sót chủ quan
Khách hàng Cá nhân
Tiếp cận vốn nhanh chóng
Lãi suất & Lịch trả nợ hợp lý
Lãnh đạo Chi nhánh & NHNN
Báo cáo rủi ro thời gian thực
Tối ưu hóa tỷ lệ an toàn vốn
- Sinh viên, học viên chuyên ngành Ngân hàng - Tài chính: Nắm bắt phương pháp kết hợp giữa lý luận tín dụng và thực tiễn phân tích báo cáo tài chính tại một chi nhánh NHTM cấp 1.
- Cán bộ tín dụng (CBTD): Giảm 40% khối lượng tác nghiệp thủ công, nâng cao độ chính xác trong thẩm định và cảnh báo nợ quá hạn.
- Ban Giám đốc Agribank CN TP. Bắc Ninh: Có công cụ giám sát trực quan biến động dư nợ, nợ xấu và hiệu quả sử dụng vốn theo từng PGD trực thuộc.
- Khách hàng cá nhân: Trải nghiệm quy trình vay vốn minh bạch, thời gian xét duyệt nhanh và giảm thiểu các thủ tục hành chính phức tạp.
Câu hỏi thường gặp
1. Điều kiện kỹ thuật tối thiểu để triển khai mô hình chấm điểm tín dụng nội bộ tại Chi nhánh là gì?
Hệ thống yêu cầu máy chủ ứng dụng chạy trên nền tảng Linux (Ubuntu Server 20.04 LTS/RedHat Enterprise Linux 8), cơ sở dữ liệu PostgreSQL 14+, đường truyền mạng chuyên dụng bảo mật kết nối trực tiếp với Trung tâm dữ liệu của Agribank và máy trạm của CBTD có cài đặt trình duyệt tiêu chuẩn hỗ trợ TLS 1.3.
2. Mô hình xử lý thế nào khi tỷ lệ nợ xấu (NPL) của chi nhánh vượt ngưỡng an toàn 3%?
Hệ thống tự động kích hoạt cơ chế "Thắt chặt Hạn mức" (Risk Restriction Mode): Nâng ngưỡng điểm tín dụng phê duyệt tối thiểu từ 600 lên 680 điểm, yêu cầu tỷ lệ đảm bảo TSĐB tối thiểu 120% giá trị khoản vay và tự động chuyển toàn bộ hồ sơ nhóm 2 sang luồng kiểm soát đặc biệt của Hội đồng Tín dụng.
3. Quy trình mới có làm tăng chi phí vận hành của Chi nhánh không?
Không. Việc tự động hóa quy trình giúp giảm chi phí in ấn hồ sơ giấy, rút ngắn số giờ công tác thực địa không cần thiết của CBTD, từ đó tối ưu hóa tỷ lệ chi phí trên thu nhập (CIR) và mang lại hiệu quả ROI dương chỉ sau 6–9 tháng áp dụng.
4. Giải pháp xử lý các khoản vay của khách hàng bị ảnh hưởng bất khả kháng (như dịch bệnh, thiên tai) ra sao?
Căn cứ theo Thông tư của NHNN, hệ thống hỗ trợ cấu hình phân loại lại nợ giữ nguyên nhóm nợ đủ điều kiện cơ cấu, đồng thời tự động tái lập lịch trả nợ gốc và giảm trừ lãi suất theo các gói chính sách an sinh xã hội của Agribank.
5. Khách hàng không có bảng lương cơ quan nhà nước có thể được hệ thống chấm điểm duyệt vay không?
Có. Hệ thống tích hợp module thẩm định dòng tiền hộ kinh doanh, cho phép đánh giá năng lực tài chính thông qua doanh thu thực tế, hóa đơn đầu vào/đầu ra, hợp đồng cho thuê tài sản và lịch sử giao dịch thanh toán không dùng tiền mặt.
Kết luận
Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc phân tích toàn diện thực trạng chất lượng cho vay KHCN tại Agribank – Chi nhánh TP. Bắc Ninh giai đoạn 2019–2021. Bằng việc bám sát số liệu thực tế về tăng trưởng vốn huy động (đạt 2.770,69 tỷ đồng năm 2021) và phân tích các chỉ tiêu định lượng theo Thông tư 11/2021/TT-NHNN, nghiên cứu đã đề xuất thành công hệ thống giải pháp nâng cao chất lượng tín dụng mang tính khả thi cao.
Việc chuyển đổi từ phương thức thẩm định truyền thống sang mô hình kết hợp số hóa và quản trị rủi ro chủ động không chỉ giúp Agribank CN TP. Bắc Ninh kiểm soát nợ xấu dưới ngưỡng an toàn, tối ưu hóa lợi nhuận mà còn tạo nền tảng vững chắc cho sự phát triển bền vững của ngân hàng bán lẻ trong kỷ nguyên kinh tế số. Đề tài là tài liệu tham khảo giá trị cho các nhà nghiên cứu, cán bộ quản lý ngân hàng và sinh viên chuyên ngành Tài chính - Ngân hàng đang tìm kiếm giải pháp nâng cao năng lực cạnh tranh tín dụng tiêu dùng tại Việt Nam.