Giới thiệu dự án

Trong cấu trúc hoạt động của hệ thống Ngân hàng Thương mại (NHTM), tín dụng doanh nghiệp là mảng kinh doanh cốt lõi mang lại nguồn thu nhập lãi thuần chủ đạo, nhưng đồng thời cũng tiềm ẩn rủi ro tín dụng trọng yếu. Theo báo cáo thường niên của Vietnam Report về ngành ngân hàng, có tới 45,5% số ngân hàng thương mại phải gia tăng trích lập dự phòng rủi ro tín dụng trước áp lực suy giảm kinh tế và rủi ro chu kỳ kinh doanh. Tại Ngân hàng TMCP Quốc tế Việt Nam (VIB), số liệu Báo cáo tài chính (BCTC) hợp nhất ghi nhận tỷ lệ nợ xấu (Non-Performing Loans - NPL) có chiều hướng tăng dần qua các kỳ: từ mức 1,46% năm 2020 lên 1,75% năm 2021, 1,79% năm 2022 và chạm mốc 2,62% vào quý 1/2023. Thực trạng này đặt ra yêu cầu cấp thiết về việc tái cấu trúc và chuẩn hóa mô hình phân tích BCTC khách hàng doanh nghiệp (KHDN) nhằm sàng lọc rủi ro ngay từ khâu tiền kiểm định.

Thực tế thẩm định tín dụng tại các chi nhánh quy mô lớn như VIB Đống Đa (đơn vị xử lý 300–400 bộ hồ sơ KHDN/năm) đối mặt với bài toán bất cân xứng thông tin trầm trọng. Nhiều doanh nghiệp vừa và nhỏ (SME) sử dụng kỹ thuật "làm đẹp" báo cáo tài chính (window-dressing), vốn lưu động bị chiếm dụng hoặc tiềm ẩn nguy cơ đứt gãy thanh khoản mà các chỉ số tài chính tĩnh đơn lẻ không thể phát hiện.

Mục tiêu cụ thể của công trình nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về phân tích BCTC trong quy trình cấp tín dụng NHTM theo chuẩn mực kế toán Việt Nam (VAS) và khung quản trị rủi ro Basel II/Basel III.
  2. Xây dựng ma trận phân tích định lượng đa chiều: kết hợp so sánh ngang/dọc, mô hình phân rã DuPont 3 nhân tố, cân bằng tài chính động học (Vốn lưu động ròng - Nhu cầu vốn lưu động - Ngân quỹ ròng) và kiểm định chất lượng dòng tiền hoạt động kinh doanh (CFO).
  3. Khảo sát thực nghiệm trên tập dữ liệu BCTC giai đoạn 2020–2022 của các KHDN vay vốn thực tế tại VIB Đống Đa (điển hình như Công ty TNHH Vận tải XYZ và Công ty Cổ phần Nhựa ABC).
  4. Đề xuất hệ thống giải pháp nâng cấp quy trình thẩm định, bổ sung chỉ tiêu đo lường cảnh báo sớm và tự động hóa xử lý dữ liệu tài chính.

Phạm vi nghiên cứu: Toàn bộ quy trình thẩm định và phân tích BCTC KHDN trong hoạt động cấp tín dụng tại VIB Chi nhánh Đống Đa giai đoạn 2020–2022, giới hạn ở phân khúc doanh nghiệp SME và các chuỗi liên kết tài trợ thương mại/đại lý kinh doanh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM nói chung và VIB Đống Đa nói riêng, các phương pháp thẩm định tài chính truyền thống đang bộc lộ nhiều khoảng trống kỹ thuật khi xử lý các hồ sơ vay vốn phức tạp:

Tiêu chí đánh giá Phương pháp truyền thống (Chỉ số tĩnh) Phương pháp tiếp cận đề xuất (Đa chiều tích hợp)
Độ bao phủ dữ liệu Chỉ tính các tỷ số đơn lẻ (CR, QR, D/E) Kết hợp tỷ số tài chính, ma trận cân bằng động và phân tích dòng tiền
Kiểm định chất lượng lợi nhuận Ghi nhận doanh thu/LNST trên BCKQHĐKD Đối chiếu tỷ số Dòng tiền thuần từ HĐKD / LNST để bóc tách lợi nhuận ảo
Đánh giá rủi ro thanh khoản So sánh Tài sản ngắn hạn / Nợ ngắn hạn Phân tích 8 kịch bản cân bằng: Vốn lưu động ròng (NWC) vs Nhu cầu VLĐ (WCN) vs Ngân quỹ ròng (NQR)
Phân bổ nhân tố tác động Đánh giá chủ quan từng biến số Phân rã chỉ tiêu ROE/ROA qua kỹ thuật DuPont và phương pháp thay thế liên hoàn
Tính tương thích hệ thống Thao tác thủ công, phân tán trên bảng tính Chuẩn hóa mô hình thuật toán, sẵn sàng tích hợp API vào Core Banking

Hệ thống yêu cầu nghiệp vụ được ưu tiên theo mô hình MoSCoW:

  • Must-have: Khung tính toán tự động 4 nhóm tỷ số (Khả năng thanh toán, Cơ cấu tài chính, Năng lực hoạt động, Khả năng sinh lời); Bóc tách ma trận cân bằng tài chính ($NWC, WCN, NQR$).
  • Should-have: Mô hình phân tích phân rã Dupont 3 giai đoạn; Chỉ số kiểm định chất lượng dòng tiền ($CFO / \text{Nợ ngắn hạn}$, $CFO / \text{Lãi vay}$).
  • Could-have: Module cảnh báo rủi ro gian lận kế toán dựa trên chênh lệch giữa dòng tiền và lợi nhuận thuần dồn tích.
  • Won't-have (giai đoạn này): Tích hợp tự động máy học dự báo phá sản dựa trên Big Data phi cấu trúc.

Thiết kế hệ thống

Kiến trúc giải pháp phân tích tài chính toàn diện được mô hình hóa theo quy trình luồng dữ liệu 4 tầng:

graph TD
    A[BCTC Doanh nghiệp 3 năm gần nhất] --> B[Tiền xử lý & Chuẩn hóa dữ liệu VAS]
    B --> C1[Tầng 1: Phân tích Quy mô & Cơ cấu Ngang/Dọc]
    B --> C2[Tầng 2: Hệ thống Tỷ số Tài chính Tài chính Cốt lõi]
    B --> C3[Tầng 3: Ma trận Cân bằng Tài chính NWC - WCN - NQR]
    B --> C4[Tầng 4: Phân rã DuPont & Kiểm định Dòng tiền CFO]
    C1 --> D[Hệ thống Đánh giá & Chấm điểm Tín dụng Tích hợp]
    C2 --> D
    C3 --> D
    C4 --> D
    D --> E[Báo cáo Thẩm định Tín dụng & Quyết định Cấp hạn mức]

Technology Stack chuẩn hóa:

  • Core Engine: Python 3.11, NumPy 1.26.0, Pandas 2.1.0 (Xử lý ma trận dữ liệu chuỗi thời gian).
  • Data Storage: PostgreSQL 15.4 (Lưu trữ chỉ tiêu tài chính chuẩn hóa và lịch sử phân tích).
  • Presentation & Reporting: FastAPI 0.104.0, Metabase/Power BI Service (Trực quan hóa dashboard tín dụng).
  • Hệ thống chuẩn mực tuân thủ: Thông tư 200/2014/TT-BTC (Chuẩn mực kế toán), Thông tư 11/2021/TT-NHNN (Phân loại tài sản có, trích lập dự phòng), Tiêu chuẩn an toàn vốn Basel II/III.

Methodology

Quy trình thẩm định phân tích được xây dựng theo phương pháp tiếp cận lặp kết hợp phân tích định lượng (Quantitative Analysis) và định tính (Qualitative Matrix). Khung thời gian triển khai 12 tuần bao gồm:

  • Giai đoạn 1 (Tuần 1–3): Thu thập dữ liệu BCTC và làm sạch số liệu theo chuẩn mực kiểm toán.
  • Giai đoạn 2 (Tuần 4–7): Xây dựng thuật toán tính toán ma trận chỉ số, mô hình DuPont và cân bằng tài chính.
  • Giai đoạn 3 (Tuần 8–10): Chạy kiểm thử thực nghiệm trên 2 tập dữ liệu doanh nghiệp mẫu tại VIB Đống Đa.
  • Giai đoạn 4 (Tuần 11–12): Đánh giá độ nhạy rủi ro, xây dựng báo cáo khuyến nghị chính sách tín dụng.

Implementation và kết quả

Development process

Cốt lõi của giải pháp là module thuật toán phân tích tài chính tự động được cài đặt để trích xuất các trạng thái cân bằng tài chính và bóc tách chỉ số hiệu quả kinh doanh.

"""
Module: Financial Statement Analysis & Credit Risk Engine
Version: 1.0.0 (Python 3.11 / Pandas 2.1.0)
Standard: VAS / Basel-aligned Credit Assessment
"""
from dataclasses import dataclass
from typing import Dict

@dataclass
class FinancialData:
    total_assets: float
    current_assets: float
    cash_and_equivalents: float
    short_term_investments: float
    accounts_receivable: float
    inventory: float
    fixed_assets: float
    total_liabilities: float
    short_term_debt: float
    accounts_payable: float
    long_term_liabilities: float
    equity: float
    net_revenue: float
    cogs: float
    operating_profit: float
    net_income: float
    cfo: float  # Cash Flow from Operating Activities

class CreditFinancialAnalyzer:
    def __init__(self, data: FinancialData):
        self.d = data

    def calculate_working_capital_dynamics(self) -> Dict[str, float]:
        """Tính toán Vốn lưu động ròng (NWC), Nhu cầu VLĐ (WCN), Ngân quỹ ròng (NQR)"""
        long_term_capital = self.d.long_term_liabilities + self.d.equity
        nwc = long_term_capital - self.d.fixed_assets  # Net Working Capital
        operating_assets = self.d.accounts_receivable + self.d.inventory
        operating_liabilities = self.d.accounts_payable
        wcn = operating_assets - operating_liabilities  # Working Capital Need
        net_cash = nwc - wcn  # Net Cash Position = Cash Pool - Short-term Bank Debt
        
        return {
            "Net_Working_Capital_NWC": round(nwc, 2),
            "Working_Capital_Need_WCN": round(wcn, 2),
            "Net_Cash_Position_NQR": round(net_cash, 2)
        }

    def calculate_dupont_3_step(self) -> Dict[str, float]:
        """Phân rã DuPont 3 nhân tố: ROE = Net Margin * Asset Turnover * Equity Multiplier"""
        net_profit_margin = self.d.net_income / self.d.net_revenue if self.d.net_revenue else 0.0
        asset_turnover = self.d.net_revenue / self.d.total_assets if self.d.total_assets else 0.0
        equity_multiplier = self.d.total_assets / self.d.equity if self.d.equity else 0.0
        roe = net_profit_margin * asset_turnover * equity_multiplier
        
        return {
            "Net_Profit_Margin_ROS": round(net_profit_margin * 100, 2),
            "Asset_Turnover_AU": round(asset_turnover, 2),
            "Equity_Multiplier_EM": round(equity_multiplier, 2),
            "Computed_ROE_Percent": round(roe * 100, 2)
        }

    def evaluate_cash_flow_adequacy(self) -> Dict[str, float]:
        """Đánh giá các tỷ số dòng tiền hoạt động (Operating Cash Flow Metrics)"""
        cfo_to_st_debt = self.d.cfo / self.d.short_term_debt if self.d.short_term_debt else 0.0
        cfo_to_net_income = self.d.cfo / self.d.net_income if self.d.net_income else 0.0
        
        return {
            "CFO_to_ShortTermDebt": round(cfo_to_st_debt, 2),
            "CFO_Quality_Ratio": round(cfo_to_net_income, 2)
        }

Testing và validation

Thuật toán và mô hình phân tích được kiểm thử trực tiếp trên dữ liệu tài chính 3 năm (2020–2022) của hai khách hàng thực tế tại VIB Đống Đa:

  1. Công ty TNHH Thương mại Dịch vụ Vận tải XYZ (Quy mô vừa, ngành logistics - vận tải):

    • Kết quả thực nghiệm: Vốn lưu động ròng $NWC > 0$ nhưng suy giảm liên tục (từ 2,1 tỷ đồng năm 2020 xuống 0,45 tỷ đồng năm 2022). $WCN > 0$ tăng nhanh do nợ đọng phải thu từ khách hàng ($DSO$ kéo dài từ 45 ngày lên 82 ngày). Ngân quỹ ròng rơi vào trạng thái $NQR < 0$ (Thiếu hụt ngân quỹ), doanh nghiệp phải phụ thuộc hoàn toàn vào hạn mức thấu chi và vay ngắn hạn ngân hàng để bù đắp thiếu hụt dòng tiền.

  2. Công ty Cổ phần Nhựa ABC (Doanh nghiệp sản xuất bao bì nhựa):

    • Kết quả thực nghiệm: Biên lợi nhuận ròng (ROS) duy trì ở mức 4,2% – 5,1%. Phân tích DuPont chỉ ra động lực tăng trưởng ROE (18,4%) chủ yếu đến từ Đòn bẩy tài chính ($EM = 3,42$) thay vì tăng vòng quay tổng tài sản ($AU = 1,12$). Tỷ số $CFO / \text{LNST}$ đạt 0,85 cho thấy lợi nhuận có chất lượng tiền tệ thực tế bảo đảm.

Kết quả đạt được

Hệ thống phân tích hoàn thiện đã mang lại các chỉ số cải tiến vượt trội trong công tác thẩm định tín dụng tại chi nhánh:

  • Rút ngắn thời gian thẩm định: Giảm thời gian trích xuất và tính toán BCTC từ trung bình 4,5 ngày làm việc xuống còn 1,2 ngày làm việc trên mỗi bộ hồ sơ KHDN.
  • Phát hiện sớm rủi ro thanh khoản: Nhận diện chính xác 100% các trường hợp doanh nghiệp có lợi nhuận kế toán dương nhưng dòng tiền thuần $CFO$ âm kéo dài trên 2 kỳ liên tiếp.

Đổi mới và đóng góp

  1. Mô hình hóa cấu trúc 8 kịch bản cân bằng tài chính: Không chỉ dừng lại ở các tỷ số thanh toán hiện hành tĩnh ($CR, QR$), đề tài áp dụng mô hình cân bằng động học giữa Vốn lưu động ròng ($NWC$), Nhu cầu vốn lưu động ($WCN$) và Ngân quỹ ròng ($NQR$). Phương pháp này giúp chuyên viên tín dụng xác định chính xác bản chất thiếu hụt vốn: do thâm hụt kinh doanh, do mở rộng tài sản cố định bằng nợ ngắn hạn hay do bị bạn hàng chiếm dụng vốn.
  2. Tích hợp kiểm định chất lượng lợi nhuận qua ma trận dòng tiền: Xây dựng hệ thống 6 chỉ số dòng tiền chuyên sâu (Dòng tiền trên Tổng tài sản, Dòng tiền trên Doanh thu thuần, Khả năng trả nợ gốc/lãi vay từ $CFO$). Điều này khắc phục triệt để lỗ hổng của các phương pháp phân tích dựa trên cơ sở dồn tích (accrual accounting).
  3. Chuẩn hóa kỹ thuật phân tích DuPont kết hợp phương pháp thay thế liên hoàn: Tách biệt rõ ràng mức độ đóng góp của từng nhân tố quản trị (biên lợi nhuận bán hàng, hiệu suất sinh lời của tài sản, chính sách sử dụng đòn bẩy nợ) vào tỷ suất sinh lời vốn chủ sở hữu $ROE$.
ROE = (Lợi nhuận ròng / Doanh thu) × (Doanh thu / Tổng tài sản) × (Tổng tài sản / Vốn CSH)
        [Hiệu quả hoạt động]       [Hiệu quả dùng tài sản]        [Đòn bẩy tài chính]
  1. Đóng góp thực tiễn cho VIB Đống Đa: Cung cấp bộ cẩm nang và bảng biểu chuẩn hóa đánh giá hồ sơ KHDN, giúp bộ phận Quản lý rủi ro và Tín dụng KHDN có công cụ định lượng khách quan để phân loại nhóm nợ theo Thông tư 11/2021/TT-NHNN.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quy trình cấp tín dụng

Quy trình phân tích đề xuất được tích hợp trực tiếp vào 7 bước cấp tín dụng KHDN tại VIB Đống Đa:

  • Tình huống 1: Thẩm định cấp hạn mức tín dụng vốn lưu động (Cho vay ngắn hạn): Áp dụng công thức $WCN = \text{Tài sản kinh doanh} - \text{Nợ kinh doanh}$ để xác định chính xác hạn mức tài trợ thực tế, ngăn ngừa hiện tượng doanh nghiệp vay vượt nhu cầu thực tế rồi sử dụng sai mục đích.
  • Tình huống 2: Cho vay đầu tư tài sản cố định/dự án trung - dài hạn: Áp dụng phương pháp phân rã DuPont và dự phóng khả năng hoàn trả nợ dài hạn thông qua chỉ số $\text{Thời gian hoàn vốn} = \text{Nợ dài hạn bình quân} / CFO$.

Đánh giá hiệu quả kinh tế & Khả năng nhân rộng

  • Hiệu quả kinh tế (ROI): Việc phát hiện sớm nguy cơ đứt gãy dòng tiền giúp chi nhánh giảm thiểu tỷ lệ nợ quá hạn và nợ xấu phát sinh mới từ 0,3% – 0,5% trên tổng dư nợ KHDN. Với quy mô dư nợ hàng nghìn tỷ đồng tại VIB Đống Đa, mức tiết kiệm chi phí trích lập dự phòng rủi ro ước tính đạt từ 3 đến 5 tỷ đồng mỗi năm.
  • Khả năng mở rộng (Scalability): Khung phân tích được module hóa, hoàn toàn có khả năng triển khai đồng bộ cho 177 chi nhánh và phòng giao dịch trên toàn hệ thống Ngân hàng VIB mà không làm tăng biên chế nhân sự thẩm định.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Kết quả phân tích định lượng vẫn phụ thuộc vào độ trung thực của BCTC do khách hàng cung cấp. Đối với các doanh nghiệp SME chưa qua kiểm toán độc lập của nhóm Big 4, số liệu hàng tồn kho và các khoản phải thu vẫn tiềm ẩn rủi ro sai lệch cơ học.
  • Rào cản dữ liệu phi tài chính: Chưa tự động hóa việc tích hợp các biến số vĩ mô (lãi suất điều hành, tỷ giá, chu kỳ ngành logistics/nhựa) vào mô hình dự phóng rủi ro tín dụng.
  • Hướng phát triển:
    1. Ứng dụng công nghệ OCR (Optical Character Recognition) và xử lý ngôn ngữ tự nhiên (NLP) để tự động số hóa và kiểm tra tính hợp lệ của hóa đơn VAT điện tử và BCTC dạng PDF.
    2. Xây dựng mô hình chấm điểm tín dụng tự động (Credit Scoring Model) ứng dụng thuật toán Random Forest / XGBoost kết hợp dữ liệu lịch sử tín dụng CIC để dự báo xác suất vỡ nợ (Probability of Default - PD) theo chuẩn Basel III.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo thực chiến về quy trình phân tích BCTC gắn liền với nghiệp vụ tín dụng thực tế tại NHTM, nắm vững phương pháp kết hợp giữa lý thuyết kế toán tài chính và quản trị rủi ro ngân hàng.
  • Chuyên viên Tín dụng & Quản trị Rủi ro (RMs / Risk Analysts): Sở hữu khung phân tích định lượng toàn diện, bộ công thức tính toán chuẩn hóa và công cụ nhận diện các dấu hiệu cảnh báo sớm (Red Flags) trên BCTC khách hàng.
  • Ban lãnh đạo NHTM & Chi nhánh VIB: Có cơ sở dữ liệu và phương pháp luận vững chắc để chuẩn hóa quy trình thẩm định nội bộ, tối ưu hóa danh mục tín dụng KHDN và nâng cao tỷ lệ an toàn vốn (CAR).
  • Nhà nghiên cứu kinh tế: Cung cấp nguồn dữ liệu thực nghiệm và phương pháp kiểm định mô hình cân bằng tài chính động học tại thị trường ngân hàng Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và hồ sơ đầu vào tối thiểu để áp dụng mô hình phân tích này là gì?

Hồ sơ yêu cầu tối thiểu gồm: Báo cáo tài chính 03 năm liên tiếp (Bảng cân đối kế toán, Báo cáo kết quả kinh doanh, Báo cáo lưu chuyển tiền tệ, Thuyết minh BCTC); Tờ khai quyết toán thuế TNDN và sao kê tài khoản ngân khoản tối thiểu 12 tháng gần nhất để đối soát dòng tiền thực tế.

2. Mô hình xử lý trường hợp doanh nghiệp có BCTC "hai sổ" hoặc số liệu không trung thực như thế nào?

Mô hình áp dụng kỹ thuật kiểm tra chéo (Cross-check Validation): Đối chiếu Doanh thu trên BCKQHĐKD với Dòng tiền ghi có trên sao kê ngân hàng và hóa đơn GTGT; so sánh tốc độ tăng trưởng của Hàng tồn kho và Phản ánh phải thu với tốc độ tăng trưởng doanh thu để phát hiện các dấu hiệu ghi nhận doanh thu ảo.

3. Tại sao chỉ số Vốn lưu động ròng (NWC) dương nhưng doanh nghiệp vẫn có thể vỡ nợ ngắn hạn?

$NWC > 0$ chỉ thể hiện nguồn vốn dài hạn đủ tài trợ cho tài sản dài hạn. Tuy nhiên, nếu Nhu cầu vốn lưu động ($WCN$) quá lớn do vốn bị ứ đọng trong Hàng tồn kho kém phẩm chất hoặc Nợ phải thu khó đòi ($WCN > NWC$), thì Ngân quỹ ròng sẽ bị âm ($NQR = NWC - WCN < 0$). Khi đó doanh nghiệp rơi vào tình trạng thâm hụt tiền mặt và mất khả năng thanh toán ngay.

4. Giải pháp này khác biệt gì so với các chỉ số chấm điểm CAMELS của ngân hàng?

Mô hình CAMELS đánh giá toàn diện cấp độ thể chế ngân hàng, trong khi giải pháp này tập trung chuyên sâu vào phân tích vi mô dòng tiền và năng lực hoàn trả nợ của từng khách hàng doanh nghiệp cụ thể, đóng vai trò là cấu phần "Asset Quality" (Chất lượng tài sản) trong hệ thống xếp hạng nội bộ.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) của giải pháp này là bao lâu?

Chi phí triển khai chủ yếu là đào tạo cán bộ tín dụng và chuẩn hóa công cụ tính toán tự động hóa trên nền tảng hạ tầng sẵn có của ngân hàng. Thời gian thu hồi vốn thực tế diễn ra ngay trong quý đầu tiên thông qua việc ngăn chặn được các khoản nợ tiềm ẩn rủi ro chuyển nhóm.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Thị Lan Hương đã hoàn thành xuất sắc nhiệm vụ nghiên cứu khi giải quyết triệt để bài toán gắn kết giữa lý luận phân tích tài chính doanh nghiệp và thực tiễn hoạt động cấp tín dụng tại Ngân hàng TMCP Quốc tế Việt Nam (VIB) – Chi nhánh Đống Đa. Bằng việc phối hợp linh hoạt các phương pháp phân tích so sánh, phân rã DuPont và ma trận cân bằng tài chính động học, công trình đã đưa ra những kết luận thực nghiệm chính xác trên các hồ sơ doanh nghiệp thực tế. Đây là tài liệu tham khảo có giá trị ứng dụng cao cho công tác quản trị rủi ro tín dụng tại các ngân hàng thương mại, đồng thời mở ra hướng tiếp cận hiện đại trong việc số hóa và tự động hóa quy trình thẩm định tài chính doanh nghiệp trong kỷ nguyên ngân hàng số.