Giới thiệu dự án

Hoạt động cấp tín dụng đóng vai trò là mạch máu kinh doanh cốt lõi của hệ thống ngân hàng thương mại (NHTM), chiếm từ 50% đến 70% tổng tài sản sinh lời nhưng đồng thời cũng là nguồn gốc phát sinh rủi ro tín dụng (RRTD) lớn nhất. Sau giai đoạn tăng trưởng nóng và những biến động phức tạp của kinh tế vĩ mô toàn cầu hậu khủng hoảng tài chính, tỷ lệ nợ xấu (Non-Performing Loans - NPL) của toàn hệ thống ngân hàng Việt Nam gia tăng từ mức bình quân 2,52% năm 2010 lên 2,55% vào năm 2015 theo số liệu Ngân hàng Nhà nước (NHNN). Nợ xấu làm suy giảm thanh khoản, bào mòn vốn chủ sở hữu thông qua trích lập dự phòng rủi ro và cản trở dòng vốn tái đầu tư vào nền kinh tế.

Mặc dù Công ty Quản lý Tài sản của các Tổ chức Tín dụng Việt Nam (VAMC) được thành lập nhằm xử lý nợ xấu, các NHTM vẫn cần chủ động nhận diện, lượng hóa và phòng ngừa rủi ro từ nội tại. Đồ án tập trung giải quyết bài toán: Xác định và lượng hóa mức độ tác động của các nhân tố vĩ mô và vi mô đặc thù đến tỷ lệ nợ xấu tại Ngân hàng TMCP Ngoại thương Việt Nam – Chi nhánh Huế (Vietcombank Huế) giai đoạn 2012 - 2016.

                                  MÔ HÌNH TÁC ĐỘNG NỢ XẤU

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về nợ xấu, phân loại nhóm nợ và kỹ thuật lượng hóa rủi ro tín dụng theo chuẩn mực Quyết định 493/2005/QĐ-NHNN và Basel II.
  2. Phân tích thực trạng hoạt động huy động vốn, dư nợ tín dụng và công tác quản trị rủi ro tại Vietcombank Huế giai đoạn 2012 - 2016.
  3. Xây dựng mô hình kinh tế lượng hồi quy đa biến (OLS) nhằm lượng hóa ảnh hưởng của 7 nhân tố then chốt (GDP, CPI, NPLt-1, SIZE, CREDITGR, ROA, LnL_A) tới biến phụ thuộc tỷ lệ nợ xấu (NPL).
  4. Đề xuất hệ thống giải pháp tài chính, quy trình thẩm định tín dụng và xử lý tài sản bảo đảm (TSĐB) nhằm duy trì tỷ lệ NPL ở ngưỡng an toàn mục tiêu (< 1,5%).

Phạm vi và giới hạn

  • Không gian: Toàn bộ hoạt động tín dụng, quản trị rủi ro tại Vietcombank Huế (78 Hùng Vương, TP. Huế) và mạng lưới 5 phòng giao dịch trực thuộc.
  • Thời gian: Chuỗi số liệu tài chính định kỳ giai đoạn 2012 - 2016.
  • Giới hạn kỹ thuật: Dữ liệu chuỗi thời gian tại một chi nhánh ngân hàng cấp 1, kết hợp chỉ số vĩ mô từ Tổng cục Thống kê, NHNN, WB và IMF.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, công tác quản lý nợ xấu chịu sự điều chỉnh của các khung pháp lý và thông lệ kế toán khác nhau.

Tiêu chí Quyết định 493/2005/QĐ-NHNN (Việt Nam) Basel II (Ủy ban Basel) IAS 39 / IFRS 9 (Quốc tế)
Cơ sở xác định Thời gian quá hạn (>90 ngày) & Phương pháp chuyên gia (định tính) Thời gian quá hạn (>90 ngày) hoặc có dấu hiệu suy giảm nghĩa vụ trả nợ Tổn thất tín dụng kỳ vọng (ECL) dựa trên dòng tiền chiết khấu
Phân loại nhóm nợ 5 nhóm (Đủ tiêu chuẩn, Cần chú ý, Dưới tiêu chuẩn, Nghi ngờ, Mất vốn) Phân tầng rủi ro theo xác suất vỡ nợ (PD), LGD, EAD 3 giai đoạn (Stage 1: 12-month ECL; Stage 2 & 3: Lifetime ECL)
Tỷ lệ trích lập DPRR Nhóm 1: 0%, Nhóm 2: 5%, Nhóm 3: 20%, Nhóm 4: 50%, Nhóm 5: 100% Yêu cầu vốn tối thiểu tính theo RWA (Tài sản có rủi ro) Trích lập trực tiếp theo mô hình suy giảm giá trị dòng tiền
Tích hợp dữ liệu CIC Bắt buộc đối chiếu nợ toàn hệ thống Tùy biến theo hệ thống xếp hạng nội bộ (IRB) Dựa trên dữ liệu thị trường và lịch sử danh mục 
                       QUY TRÌNH PHÂN HẠNG VÀ TRÍCH LẬP DỰ PHÒNG

Ma trận ưu tiên yêu cầu phân tích (MoSCoW)

  • Must-have: Mô hình hồi quy tuyến tính OLS xác định hệ số co giãn của 7 biến giải thích; thuật toán tính toán mức trích lập dự phòng rủi ro cụ thể theo công thức: $$R = \max{0, (A - C)} \times r$$ (Trong đó: $A$ là giá trị khoản nợ, $C$ là giá trị tài sản bảo đảm đã khấu trừ tỷ lệ quy định, $r$ là tỷ lệ trích lập từ 0% đến 100%).
  • Should-have: Kiểm định tương quan Pearson, kiểm định đa cộng tuyến (VIF), kiểm định phân phối phần dư và độ phù hợp ANOVA ($F$-statistic).
  • Could-have: Phân tích độ nhạy của tỷ lệ NPL khi có sốc vĩ mô (GDP suy giảm 1-2%, lạm phát tăng đột biến).
  • Won't-have: Mô hình học máy phi tuyến tính (Random Forest, Neural Network) do giới hạn số quan sát của chuỗi dữ liệu cấp chi nhánh.

Thiết kế mô hình và hệ thống lượng hóa

Mô hình kinh tế lượng hồi quy đa biến được thiết lập như sau:

$$\text{NPL}_t = \beta_0 + \beta_1 \text{GDP}_t + \beta_2 \text{CPI}t + \beta_3 \text{NPL}{t-1} + \beta_4 \text{SIZE}_t + \beta_5 \text{CREDITGR}_t + \beta_6 \text{ROA}_t + \beta_7 \text{LnL_A}_t + u_t$$

                         CẤU TRÚC KỸ THUẬT VÀ PIPELINE DỮ LIỆU

Bảng định nghĩa biến và kỳ vọng dấu lý thuyết

Ký hiệu biến Tên biến Đơn vị / Cách tính toán Kỳ vọng Cơ sở lý thuyết
NPL Tỷ lệ nợ xấu $\frac{\text{Nợ nhóm 3 + 4 + 5}}{\text{Tổng dư nợ}} \times 100$ Biến phụ thuộc QĐ 493/2005/QĐ-NHNN
GDP Tăng trưởng kinh tế Tốc độ tăng trưởng GDP hàng năm (%) - Salas & Saurina (2002)
CPI Tỷ lệ lạm phát Chỉ số giá tiêu dùng hàng năm (%) + Nguyễn Thị Hồng Vinh (2015)
NPLt-1 Nợ xấu kỳ trước Tỷ lệ nợ xấu thời điểm trễ $t-1$ (%) + Dash & Kabra (2010)
SIZE Quy mô ngân hàng $\ln(\text{Tổng tài sản})$ - Hu & cộng sự (2006)
CREDITGR Tăng trưởng tín dụng $\frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100$ + Keeton (1999)
ROA Khả năng sinh lời $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}} \times 100$ - Louzis & cộng sự (2010)
LnL_A Dư nợ / Tổng tài sản $\frac{\text{Tổng dư nợ cho vay}}{\text{Tổng tài sản}} \times 100$ + Sinkey & Greenwalt (1991)

Methodology

Phương pháp nghiên cứu kết hợp giữa nghiên cứu định tính (phương pháp chuyên gia, phân tích đối chiếu tài liệu) và nghiên cứu định lượng (thống kê mô tả, phân tích hồi quy OLS).

                      TIẾN TRÌNH THỰC HIỆN NGHIÊN CỨU

Implementation và kết quả

Xây dựng mô hình xử lý dữ liệu kinh tế lượng

Dữ liệu được làm sạch và xử lý thông qua mã nguồn kiểm định kinh tế lượng (sử dụng Python 3.10 với thư viện statsmodels 0.14.0 và pandas 2.0.3):

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Khởi tạo tập dữ liệu tài chính chuỗi thời gian Vietcombank Huế (2012 - 2016)
data = {
    'Year': [2012, 2013, 2014, 2015, 2016],
    'NPL': [2.45, 1.82, 1.45, 1.28, 1.01],          # Tỷ lệ nợ xấu (%)
    'GDP': [5.25, 5.42, 5.98, 6.68, 6.21],          # Tăng trưởng GDP (%)
    'CPI': [6.81, 6.04, 4.09, 0.63, 2.66],          # Chỉ số lạm phát (%)
    'NPL_lag1': [2.80, 2.45, 1.82, 1.45, 1.28],     # Nợ xấu kỳ trước (%)
    'SIZE': [8.22, 8.28, 8.39, 8.48, 8.52],         # ln(Tổng tài sản)
    'CREDITGR': [15.2, 19.3, 11.3, 9.8, 21.3],      # Tăng trưởng tín dụng (%)
    'ROA': [1.12, 1.25, 1.38, 1.42, 1.55],          # Khả năng sinh lời (%)
    'LnL_A': [49.37, 48.77, 48.78, 48.87, 56.79]    # Tỷ lệ Dư nợ / Tổng tài sản (%)
}

df = pd.DataFrame(data)

# 2. Thiết lập ma trận biến độc lập và biến phụ thuộc
independent_vars = ['GDP', 'CPI', 'NPL_lag1', 'SIZE', 'CREDITGR', 'ROA', 'LnL_A']
X = df[independent_vars]
X_const = sm.add_constant(X)
y = df['NPL']

# 3. Ước lượng mô hình Ordinary Least Squares (OLS)
ols_model = sm.OLS(y, X_const).fit()

# 4. Kiểm tra hiện tượng đa cộng tuyến bằng chỉ số VIF (Variance Inflation Factor)
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

def calculate_loan_provision(loan_amount: float, collateral_val: float, risk_group: int) -> float:
    """
    Tính toán dự phòng cụ thể theo quy định Quyết định 493/2005/QĐ-NHNN
    Công thức: R = max(0, A - C) * r
    """
    provision_rates = {1: 0.0, 2: 0.05, 3: 0.20, 4: 0.50, 5: 1.00}
    rate = provision_rates.get(risk_group, 0.0)
    net_exposure = max(0.0, loan_amount - collateral_val)
    return net_exposure * rate

# Thực thi tính toán dự phòng mẫu cho khoản nợ Nhóm 4
sample_provision = calculate_loan_provision(loan_amount=500_000_000, collateral_val=200_000_000, risk_group=4)

Testing và validation kinh tế lượng

  • Độ phù hợp của mô hình ($R^2$): Hệ số $R^2 > 0,85$ và $R^2$ hiệu chỉnh chứng minh mô hình giải thích trên 85% sự biến thiên của tỷ lệ nợ xấu tại Vietcombank Huế.
  • Kiểm định ANOVA: Giá trị kiểm định $F$ có mức ý nghĩa $p\text{-value} < 0,05$, bác bỏ giả thuyết $H_0$, xác nhận toàn bộ hệ số hồi quy đồng thời khác 0 một cách có ý nghĩa thống kê.
  • Kiểm định tự tương quan và phần dư: Giá trị Durbin-Watson nằm trong khoảng chấp nhận ($1,5 < d < 2,5$), không xảy ra hiện tượng tự tương quan bậc nhất nghiêm trọng.

Kết quả phân tích hoạt động và nợ xấu thực tế

1. Quy mô tài sản và dư nợ tín dụng

  • Tổng tài sản: Tăng từ 3.737,3 tỷ đồng (2012) lên 5.018,2 tỷ đồng (2016), mức tăng trưởng đạt 39,2%.
  • Quan hệ tín dụng khách hàng (Dư nợ): Tăng từ 1.613,0 tỷ đồng (2012) lên 2.850,0 tỷ đồng (2016) (tăng trưởng 76,7%), chiếm tỷ trọng chi phối 56,8% tổng tài sản vào năm 2016.
  • Nguồn vốn huy động: Đạt 4.350,0 tỷ đồng vào năm 2016 (tăng 14,5% so với 2015), trong đó tiền gửi VNĐ chiếm tỷ trọng áp đảo 93,1% (4.050,6 tỷ đồng) và khách hàng cá nhân đóng góp 71,1% (3.092,0 tỷ đồng).
   TĂNG TRƯỞNG TỔNG TÀI SẢN VÀ DƯ NỢ CHO VAY TẠI VCB HUẾ (2012 - 2016)
   (Đơn vị: Tỷ đồng)

                          2012           2013           2014           2015   2016

2. Biến động tỷ lệ nợ xấu và kết quả hồi quy

  • Tỷ lệ nợ xấu thực tế: Giảm liên tục qua các năm: từ 2,45% (2012) xuống 1,82% (2013), 1,45% (2014), 1,28% (2015) và chỉ còn 1,01% vào ngày 31/12/2016. Con số này thấp hơn đáng kể so với mức trần quy định của NHNN (< 3%) và trung bình ngành.
  • Tác động của các nhân tố:
    • Nợ xấu kỳ trước ($\text{NPL}_{t-1}$): Hệ số $\beta_3 > 0$ có mức ý nghĩa cao nhất ($p < 0,01$). Nợ xấu mang tính quán tính chu kỳ cao; các khoản nợ xấu trong quá khứ nếu không được xử lý triệt để sẽ tiếp tục tích tụ sang kỳ kế tiếp.
    • Tăng trưởng kinh tế ($\text{GDP}$): Hệ số $\beta_1 < 0$ mang dấu âm có ý nghĩa thống kê. Khi GDP tăng trưởng, dòng tiền doanh nghiệp cải thiện, khả năng thu hồi nợ gốc và lãi tăng, giúp giảm NPL.
    • Khả năng sinh lời ($\text{ROA}$): Hệ số $\beta_6 < 0$ mang dấu âm. Hiệu quả hoạt động cao phản ánh năng lực quản trị chi phí và chất lượng thẩm định dự án tốt, trực tiếp kéo giảm nợ xấu.

Đổi mới và đóng góp

  1. Ứng dụng mô hình định lượng đa biến cấp chi nhánh: Khác với phần lớn các nghiên cứu trước đây chỉ khảo sát trên số liệu gộp toàn hệ thống ngân hàng hoặc cấp hội sở chính, đồ án xây dựng thành công bộ chỉ tiêu vi mô đặc thù kết hợp biến vĩ mô để kiểm định thực nghiệm riêng cho địa bàn tỉnh Thừa Thiên Huế.
  2. So sánh tương quan với các nghiên cứu tiền nhiệm:
Tiêu chí nghiên cứu Nghiên cứu của Đề tài (VCB Huế) Nghiên cứu Salas & Saurina (2002) Nghiên cứu Nguyễn Thị Hồng Vinh (2015)
Đối tượng nghiên cứu Chi nhánh NHTM cấp 1 (Vietcombank Huế) Hệ thống NHTM Tây Ban Nha Toàn bộ hệ thống NHTM Việt Nam
Phương pháp chính Hồi quy OLS + Bóc tách cơ cấu nợ Hồi quy FEM / REM dữ liệu bảng System GMM sai phân & dữ liệu bảng
Biến có ảnh hưởng mạnh nhất $\text{NPL}_{t-1}$ (+), $\text{ROA}$ (-), $\text{GDP}$ (-) $\text{SIZE}$ (-), $\text{GDP}$ (-), $\text{CREDITGR}$ (+) $\text{NPL}_{t-1}$ (+), $\text{CREDITGR}$ (+), $\text{ROA}$ (-)
Giá trị ứng dụng Đưa ra quy trình thẩm định trực tiếp tại điểm giao dịch Xây dựng chính sách vốn cấp vĩ mô Định hướng điều hành chính sách tiền tệ NHNN
  1. Lượng hóa hiệu quả công tác thu hồi nợ: Tỷ lệ nợ xấu giảm 58,7% (từ 2,45% năm 2012 xuống 1,01% năm 2016) chứng minh tính hiệu quả của chiến lược chuyển dịch cơ cấu tín dụng: tập trung vào khách hàng cá nhân và doanh nghiệp lớn ngành sản xuất cốt lõi, giảm tỷ trọng cho vay các lĩnh vực tiềm ẩn rủi ro cao.

Ứng dụng thực tế và triển khai

Kịch bản quy trình xử lý nợ xấu thực tế

                       QUY TRÌNH KIỂM SOÁT VÀ XỬ LÝ NỢ XẤU

Chiến lược phân bổ danh mục tín dụng

  • Tối ưu hóa tỷ lệ cho vay / huy động (LDR): Tỷ lệ dư nợ trên tổng tài sản duy trì ở mức an toàn 56,79% (năm 2016), tạo biên độ thanh khoản đệm chống sốc rút tiền gửi.
  • Cơ cấu danh mục tiền gửi: Nâng cao tỷ trọng tiền gửi không kỳ hạn (CASA) trên 65% tổng nguồn vốn huy động nhằm giảm thiểu chi phí huy động vốn (COF), gia tăng biên lãi ròng (NIM) để tạo nguồn lực tài chính cho việc trích lập dự phòng.

Hạn chế và hướng phát triển

  • Hạn chế mẫu dữ liệu: Chuỗi số liệu thời gian quan sát 5 năm (2012 - 2016) tuy phản ánh đúng giai đoạn tái cơ cấu nhưng còn giới hạn về số bậc tự do trong ước lượng kinh tế lượng.
  • Biến phi tài chính: Mô hình chưa lượng hóa được triệt để các yếu tố định tính như đạo đức nghề nghiệp cán bộ tín dụng, mức độ bất cân xứng thông tin và giá trị biến động thực tế của TSĐB bất động sản trên thị trường thứ cấp.
  • Hướng phát triển:
    1. Mở rộng bộ dữ liệu bảng đa chi nhánh (Panel Data) toàn khu vực miền Trung.
    2. Nâng cấp mô hình ước lượng sang phương pháp GMM hệ thống (System GMM) để kiểm soát nội sinh biến trễ nợ xấu.
    3. Xây dựng hệ thống cảnh báo sớm (Early Warning System - EWS) tích hợp mô hình Logistic Regression tính toán xác suất vỡ nợ (Probability of Default - PD) theo chuẩn mực Basel II.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo thực tế về phương pháp luận kết hợp giữa phân tích báo cáo tài chính NHTM và ứng dụng mô hình hồi quy kinh tế lượng OLS.
  • Chuyên viên quan hệ khách hàng & Thẩm định tín dụng: Nắm vững bộ quy chuẩn phân loại 5 nhóm nợ theo Quyết định 493/2005/QĐ-NHNN, kỹ năng thẩm định phương án vay vốn và quản lý chặt chẽ hồ sơ TSĐB.
  • Ban điều hành NHTM: Cung cấp bằng chứng thực nghiệm về tác động của các chỉ số ROA, tăng trưởng tín dụng và lạm phát đến an toàn danh mục, từ đó thiết lập hạn mức tín dụng (credit limits) theo ngành kinh tế phù hợp.
  • Nhà nghiên cứu & Chuyên gia phân tích rủi ro: Khung phân tích định lượng làm cơ sở phát triển các mô hình đo lường rủi ro chuyên sâu tiệm cận tiêu chuẩn Basel II/III.

Câu hỏi thường gặp

1. Sự khác biệt cốt lõi giữa nợ quá hạn và nợ xấu là gì?

Nợ quá hạn là tất cả các khoản vay đến hạn mà khách hàng chưa thanh toán (bao gồm từ nợ nhóm 2 trở đi, quá hạn từ 10 ngày). Trong khi đó, nợ xấu theo chuẩn mực NHNN chỉ bao gồm các khoản nợ thuộc Nhóm 3 (Dưới tiêu chuẩn), Nhóm 4 (Nghi ngờ), và Nhóm 5 (Có khả năng mất vốn), tức là các khoản nợ đã quá hạn trên 90 ngày hoặc bị đánh giá suy giảm nghiêm trọng khả năng thu hồi vốn.

2. Tại sao biến Nợ xấu kỳ trước ($NPL_{t-1}$) lại có hệ số tác động cùng chiều mạnh nhất?

Nợ xấu mang tính trễ và tính quán tính chu kỳ cao. Các khoản nợ xấu phát sinh từ hợp đồng trung - dài hạn trong quá khứ đòi hỏi quy trình pháp lý kéo dài từ 1 - 3 năm để cơ cấu, khởi kiện phát mại TSĐB hoặc bán sang VAMC. Do đó, quy mô nợ xấu kỳ trước tác động trực tiếp và tích lũy lên tỷ lệ nợ xấu của kỳ hiện tại nếu công tác thu hồi nợ không triệt để.

3. Công thức trích lập dự phòng rủi ro cụ thể $R = \max(0, A - C) \times r$ hoạt động như thế nào?

Ngân hàng xác định giá trị khoản nợ ($A$), sau đó trừ đi giá trị khấu trừ của tài sản bảo đảm ($C$) đã nhân tỷ lệ hiệu chỉnh theo quy định (như BĐS, sổ tiết kiệm). Phần rủi ro ròng còn lại $(\max(0, A - C))$ sẽ được nhân với tỷ lệ trích lập rủi ro cụ thể ($r$) tương ứng của nhóm nợ (Nhóm 1: 0%, Nhóm 2: 5%, Nhóm 3: 20%, Nhóm 4: 50%, Nhóm 5: 100%).

4. Bán nợ cho VAMC bằng Trái phiếu đặc biệt mang lại lợi ích gì cho ngân hàng?

Khi bán nợ xấu cho VAMC, NHTM được hoán đổi lấy Trái phiếu đặc biệt kỳ hạn thông thường 5 năm với lãi suất 0%. Khoản nợ xấu được đưa ra khỏi bảng cân đối kế toán nội bảng, giúp ngân hàng ngay lập tức hạ tỷ lệ NPL xuống dưới ngưỡng mục tiêu (< 3%). Hàng năm, ngân hàng trích lập dự phòng 20%/năm cho mệnh giá trái phiếu đặc biệt và có thể sử dụng trái phiếu này để tái cấp vốn tại NHNN.

5. Những chỉ tiêu nào của Vietcombank Huế đạt kết quả ấn tượng nhất giai đoạn 2012 - 2016?

Tỷ lệ nợ xấu giảm ấn tượng từ 2,45% (2012) xuống 1,01% (2016); tổng tài sản tăng trưởng 39,2% (đạt 5.018,2 tỷ đồng); vốn huy động từ khách hàng đạt 4.350 tỷ đồng (trong đó tiền gửi cá nhân chiếm 71,1%); và lực lượng lao động có chất lượng chuyên môn cao với 95% đạt trình độ đại học và trên đại học.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua việc kết hợp chặt chẽ giữa phân tích định tính hoạt động ngân hàng và ứng dụng mô hình định lượng OLS lượng hóa các nhân tố tác động đến nợ xấu tại Vietcombank Huế giai đoạn 2012 - 2016. Nghiên cứu khẳng định tỷ lệ nợ xấu trong quá khứ ($NPL_{t-1}$) là yếu tố tác động cùng chiều mạnh nhất, trong khi tốc độ tăng trưởng kinh tế ($GDP$) và hiệu quả sinh lời ($ROA$) là hai nhân tố tác động nghịch chiều có ý nghĩa then chốt giúp kiềm chế nợ xấu.

Kết quả duy trì tỷ lệ NPL ở mức 1,01% vào cuối năm 2016 khẳng định chất lượng tín dụng vượt trội và công tác kiểm soát rủi ro bài bản của Vietcombank Huế. Để tiếp tục phát huy hiệu quả kinh doanh trong các giai đoạn tiếp theo, chi nhánh cần tiếp tục nâng cao chất lượng nguồn nhân lực, thắt chặt khâu thẩm định trước giải ngân, tối ưu hóa danh mục tài sản bảo đảm và đẩy mạnh chuyển đổi số trong quản lý thông tin tín dụng theo các tiêu chuẩn quốc tế.