Giới thiệu dự án

Hoạt động của hệ thống ngân hàng thương mại (NHTM) đóng vai trò huyết mạch trong việc dẫn vốn và ổn định kinh tế vĩ mô. Giai đoạn 2020–2022 ghi nhận những biến động chưa từng có do đại dịch COVID-19 và làn sóng thắt chặt tiền tệ toàn cầu. Theo số liệu thống kê toàn ngành năm 2022, tổng lợi nhuận ngành ngân hàng Việt Nam đạt xấp xỉ 11,5 tỷ USD (khoảng 265 nghìn tỷ VND), với các định chế tài chính hàng đầu như Vietcombank (lợi nhuận trước thuế vượt 36 nghìn tỷ VND), BIDV (đạt 23,1 nghìn tỷ VND, quy mô tài sản vượt 2 triệu tỷ VND). Tuy nhiên, áp lực nợ xấu tiềm ẩn, biên lãi ròng (NIM) biến động và các quy định an toàn vốn nghiêm ngặt theo chuẩn Basel II và Thông tư 22/2019/TT-NHNN đặt ra bài toán cấp bách về năng lực quản trị rủi ro và tối ưu hóa hiệu quả hoạt động ở cấp độ mạng lưới chi nhánh.

                     MÔ HÌNH KHẢO SÁT VÀ ĐÁNH GIÁ CAMELS TẠI BIDV CN SGD3

Vấn đề cốt lõi (Problem Statement) tập trung vào bài toán tối ưu hóa vận hành tại Chi nhánh Sở Giao dịch 3 (BIDV CN SGD3) – đơn vị đầu mối quản lý bán buôn nguồn vốn ODA trọng điểm (như dự án VnSAT quy mô 105 triệu USD và 3 dự án Tài chính Nông thôn giải ngân 41.000 tỷ VND). Chi nhánh đang đối mặt với các nút thắt: tỷ lệ sinh lời trên tài sản (ROA) đạt mức khiêm tốn (0,1572% năm 2022), tỷ lệ thu nhập ngoài lãi (NII) có xu hướng sụt giảm từ 18,84% xuống 13,76%, và tỷ lệ xóa nợ ròng gia tăng từ 0,38% lên 0,73%.

Mục tiêu của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về phân tích tài chính ngân hàng theo bộ tiêu chuẩn định lượng CAMELS.
  2. Khảo sát toàn diện thực trạng hiệu quả kinh doanh, cơ cấu tài sản – nguồn vốn, chất lượng tín dụng và thanh khoản của BIDV CN SGD3 giai đoạn 2020–2022.
  3. Nhận diện các điểm nghẽn rủi ro, sự mất cân đối giữa chi phí vốn và tài sản sinh lãi.
  4. Xây dựng gói giải pháp tài chính – công nghệ giúp cải thiện NIM, đa dạng hóa nguồn thu phi tín dụng và gia tăng chỉ số an toàn vốn.

Dự án áp dụng khung phân tích CAMELS kết hợp thuật toán tính toán tỷ số tài chính, so sánh dữ liệu thực nghiệm tại BIDV CN SGD3 với toàn hệ thống BIDV và nhóm ngân hàng đối chuẩn (Peer Group: Vietcombank, Techcombank, Vietinbank). Kết quả đầu ra dự kiến bao gồm mô hình định lượng hóa hiệu quả hoạt động với các chỉ số đo lường cụ thể: đưa LDR về dải an toàn 65–70%, kiểm soát tỷ lệ nợ xấu (NPL) dưới 1,5%, và tối ưu hóa hệ số dự trữ thanh khoản trên 30%. Phạm vi nghiên cứu giới hạn tại dữ liệu báo cáo tài chính kiểm toán của BIDV CN SGD3 từ 2020 đến 2022.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp phân tích hoạt động ngân hàng truyền thống thường phụ thuộc vào mô hình DuPont đơn thuần hoặc phân tích báo cáo kết quả kinh doanh riêng lẻ, dẫn đến góc nhìn phiến diện về rủi ro thanh khoản và chất lượng tài sản ngoại bảng.

Tiêu chí so sánh Phương pháp BCTC truyền thống Mô hình DuPont phân rã 3 bước Khung chuẩn hóa CAMELS (Đề xuất)
Phạm vi phân tích Bảng CĐKT & Báo cáo KQKD Chỉ số ROE = ROA × Đòn bẩy 6 trụ cột toàn diện (Vốn, Tài sản, Quản trị, Lợi nhuận, Thanh khoản, Rủi ro thị trường)
Độ nhạy rủi ro Thấp, chỉ ghi nhận quá khứ Trung bình, tập trung vào đòn bẩy Rất cao, bao hàm khe hở kỳ hạn & độ nhạy lãi suất
Đánh giá thanh khoản Chỉ xét tỷ lệ thanh toán tức thời Không hỗ trợ Phân tích sâu LDR, tỷ lệ dự trữ và vốn ngắn hạn cho vay trung dài hạn
Tuân thủ quy chuẩn Chuẩn mực kế toán VAS thông thường Không liên kết chính sách tiền tệ Liên kết trực tiếp Thông tư 22/2019/TT-NHNN & Hiệp ước Basel II

So sánh đối chuẩn với các ngân hàng thương mại trên thị trường năm 2022 cho thấy: trong khi Techcombank đạt NIM 5,3% và Vietcombank duy trì tỷ lệ nợ xấu ở mức 0,67%, BIDV CN SGD3 ghi nhận NIM ở mức 0,2914% do tỷ trọng cho vay liên ngân hàng và tài sản sinh lãi thấp chiếm tỷ lệ áp đảo.

Yêu cầu phân tích theo chuẩn MoSCoW:

  • Must-have: Tính toán chính xác 6 nhóm chỉ tiêu CAMELS; đối chiếu ngưỡng kiểm soát theo Thông tư 22/2019/TT-NHNN (LDR $\le 85%$, Tỷ lệ dự trữ $\ge 10%$, Vốn ngắn hạn cho vay trung dài hạn $\le 34%$).
  • Should-have: Phân rã cơ cấu tín dụng theo ngành kinh tế (Công nghiệp chế biến chiếm 32,07%, Thương mại dịch vụ chiếm 27,85%).
  • Could-have: Xây dựng kịch bản kiểm tra sức chịu tải (Stress-testing) khi lãi suất huy động biến động $\pm 150$ bps.
  • Won't-have: Đánh giá định giá cổ phiếu BIDV trên sàn HOSE (nằm ngoài phạm vi cấp chi nhánh).
                      MÔ HÌNH DỮ LIỆU VÀ XỬ LÝ CHỈ SỐ TÀI CHÍNH CAMELS

Thiết kế hệ thống

Khung phân tích định lượng hoạt động kinh doanh được mô đun hóa theo cấu trúc hướng dữ liệu, cho phép nạp dữ liệu tài chính kế toán từ hệ thống Core Banking Finacle và trích xuất báo cáo giám sát:

graph TD
    A[Core Banking & BCTC Raw Data] --> B[Data Pipeline & Validation Layer]
    B --> C1[Capital Module: CAR & Equity Growth]
    B --> C2[Asset Quality: NPL, Provision & Write-off]
    B --> C3[Management & HR Metrics Analysis]
    B --> C4[Earnings: ROA, ROE, NIM & NII]
    B --> C5[Liquidity: LDR, Liquidity Reserve Ratio]
    B --> C6[Sensitivity: Gap Duration & Interest Shock]
    C1 & C2 & C3 & C4 & C5 & C6 --> D[CAMELS Scoring & Analytics Engine]
    D --> E[Interactive Dashboard & Risk Alert Layer]

Technology Stack phục vụ mô hình hóa và xử lý dữ liệu:

  • Core Processing Engine: Python 3.10 với Pandas 2.0.3, NumPy 1.24.3 thực thi các phép biến đổi ma trận tài chính.
  • Data Modeling & Calculation: Microsoft Excel 2021 (Financial Modeling Toolpack, Solver Add-in).
  • Visualization & BI: Power BI Desktop (Version 2.118) kết nối Data Gateway hiển thị biến động tỷ số tài chính.
  • Core Banking Interface Protocol: Mô phỏng trích xuất dữ liệu từ kiến trúc Finacle Core Banking qua định dạng JSON/CSV an toàn, mã hóa chuẩn TLS 1.3 / AES-256.

Methodology

Nghiên cứu áp dụng phương pháp định lượng kết hợp đối chiếu quy chuẩn thực chứng:

  • Phương pháp thu thập dữ liệu: Thu thập chuỗi thời gian (Time-series data) 3 năm (2020–2022) từ bảng cân đối kế toán, báo cáo kết quả hoạt động kinh doanh và thuyết minh chi tiết của BIDV CN SGD3.
  • Kỹ thuật xử lý thống kê: Sử dụng phương pháp phân tích chỉ số tài chính (Ratio Analysis), phân tích biến động theo chiều ngang (Horizontal Trend Analysis) và phân tích quy mô chung theo chiều dọc (Vertical Common-size Analysis).
  • Kế hoạch triển khai (Project Timeline):
    • Giai đoạn 1 (Tuần 1–4): Khảo sát lý thuyết, thiết lập bộ chỉ số CAMELS phù hợp đặc thù chi nhánh cấp 1.
    • Giai đoạn 2 (Tuần 5–9): Thu thập, làm sạch và chuẩn hóa dữ liệu tài chính giai đoạn 2020–2022.
    • Giai đoạn 3 (Tuần 10–13): Xây dựng thuật toán phân tích, tính toán các tỷ số tài chính và kiểm thử độ nhạy.
    • Giai đoạn 4 (Tuần 14–16): Đánh giá tương quan, nhận diện rủi ro và đề xuất hệ thống giải pháp nâng cao hiệu quả.

Implementation và kết quả

Development process

Thuật toán phân tích CAMELS được chuẩn hóa thành mô-đun tính toán tự động bằng mã nguồn Python chuyên dụng cho phân tích tài chính ngân hàng:

"""
Mô-đun Định lượng Chỉ số CAMELS phục vụ Phân tích Hoạt động NHTM
Thực thi tính toán: NIM, ROA, ROE, NII, LDR, Tỷ lệ Nợ xấu, Tỷ lệ Xóa nợ
Áp dụng cho dữ liệu tài chính BIDV CN SGD3
"""
from dataclasses import dataclass
from typing import Dict
import pandas as pd
import numpy as np

@dataclass
class BankFinancialData:
    year: int
    net_profit: float           # Lợi nhuận sau thuế (Triệu VND)
    total_assets: float         # Tổng tài sản (Triệu VND)
    equity: float               # Vốn chủ sở hữu (Triệu VND)
    net_interest_income: float  # Thu nhập lãi thuần (Triệu VND)
    earning_assets: float       # Tài sản sinh lãi bình quân (Triệu VND)
    non_interest_income: float  # Thu nhập thuần ngoài lãi (Triệu VND)
    total_operating_income: float # Tổng thu nhập hoạt động (Triệu VND)
    total_loans: float          # Tổng dư nợ cho vay (Triệu VND)
    total_deposits: float       # Tổng vốn huy động/tiền gửi (Triệu VND)
    npl: float                  # Dư nợ xấu nhóm 3-5 (Triệu VND)
    written_off_debt: float     # Nợ xóa ròng trong kỳ (Triệu VND)
    liquid_assets: float        # Tài sản có tính thanh khoản cao (Triệu VND)
    total_liabilities: float    # Tổng nợ phải trả (Triệu VND)

class CAMELSAnalyticsEngine:
    def __init__(self, data: BankFinancialData):
        self.data = data

    def compute_earnings_quality(self) -> Dict[str, float]:
        roa = (self.data.net_profit / self.data.total_assets) * 100
        roe = (self.data.net_profit / self.data.equity) * 100
        nim = (self.data.net_interest_income / self.data.earning_assets) * 100
        nii_ratio = (self.data.non_interest_income / self.data.total_operating_income) * 100
        return {"ROA (%)": roa, "ROE (%)": roe, "NIM (%)": nim, "NII Ratio (%)": nii_ratio}

    def compute_asset_quality(self) -> Dict[str, float]:
        npl_ratio = (self.data.npl / self.data.total_loans) * 100
        write_off_ratio = (self.data.written_off_debt / self.data.total_loans) * 100
        return {"NPL Ratio (%)": npl_ratio, "Write-off Ratio (%)": write_off_ratio}

    def compute_liquidity_risk(self) -> Dict[str, float]:
        ldr = (self.data.total_loans / self.data.total_deposits) * 100
        liquidity_reserve_ratio = (self.data.liquid_assets / self.data.total_liabilities) * 100
        loans_to_total_assets = (self.data.total_loans / self.data.total_assets) * 100
        return {
            "LDR (%)": ldr,
            "Liquidity Reserve Ratio (%)": liquidity_reserve_ratio,
            "Loans / Total Assets (%)": loans_to_total_assets
        }

# Dữ liệu thực nghiệm trích xuất từ BCTC BIDV CN SGD3 năm 2022
sgd3_2022 = BankFinancialData(
    year=2022,
    net_profit=56978.0,
    total_assets=36325000.0,
    equity=393567.0,
    net_interest_income=63901.0,
    earning_assets=22224000.0,
    non_interest_income=3635.0,
    total_operating_income=26425.0,
    total_loans=8309000.0,
    total_deposits=12605000.0,
    npl=115500.0,
    written_off_debt=60656.0,
    liquid_assets=12140000.0,
    total_liabilities=35931433.0
)

engine = CAMELSAnalyticsEngine(sgd3_2022)
print("Earnings Quality:", engine.compute_earnings_quality())
print("Asset Quality:", engine.compute_asset_quality())
print("Liquidity Profile:", engine.compute_liquidity_risk())

Testing và validation

Bộ thuật toán được kiểm nghiệm tính chính xác tuyệt đối qua 3 chu kỳ kế toán (2020–2022) dựa trên các ràng buộc logic của Thông tư 22/2019/TT-NHNN:

                  KIỂM ĐỊNH TỶ SỐ THANH KHOẢN VÀ CHẤT LƯỢNG TÀI SẢN

Quy trình xác thực dữ liệu kiểm toán xác nhận:

  • Năm 2020, LDR ghi nhận mức vi phạm kỹ thuật (103,67%), nhưng ngay sau đó đơn vị đã tái cơ cấu danh mục nguồn vốn, đưa tỷ lệ LDR về mức 59,47% (2021) và 65,92% (2022), tạo vùng đệm thanh khoản vững chắc.
  • Tỷ lệ dự trữ thanh khoản luôn duy trì ở mức trên $33,8%$, vượt gấp 3,38 lần mức sàn tối thiểu của Ngân hàng Nhà nước ($10%$).

Kết quả đạt được

Phân tích tổng hợp hiệu quả hoạt động kinh doanh của BIDV CN SGD3 giai đoạn 2020–2022 thu được các kết quả định lượng:

Chỉ số tài chính cốt lõi Năm 2020 Năm 2021 Năm 2022 Xu hướng biến động (2022 vs 2020)
Tổng nguồn vốn / Tài sản (tỷ VND) 28.376 28.790 36.325 Tăng trưởng +28,91%
Lợi nhuận trước thuế (triệu VND) 41.670 45.308 56.978 Tăng trưởng +36,74%
Tỷ suất sinh lời trên tài sản (ROA) 0,1463% 0,1577% 0,1572% Tăng nhẹ (+0,0109 điểm %)
Tỷ suất sinh lời vốn CSH (ROE) 7,5404% 15,0417% 14,4740% Tăng mạnh (+6,9336 điểm %)
Thu nhập lãi cận biên (NIM) 0,0931% 0,2934% 0,2914% Cải thiện mạnh (+0,1983 điểm %)
Tỷ lệ thu nhập ngoài lãi (NII) 18,8385% 14,2200% 13,7574% Giảm (-5,0811 điểm %)
Dư nợ tín dụng (tỷ VND) 11.348 7.105 8.309 Giảm -26,78% (chọn lọc tín dụng)
Tỷ lệ nợ xấu (NPL) 1,55% 1,82% 1,39% Giảm -0,16 điểm %

Về cơ cấu tài sản, tỷ trọng cho vay khách hàng giảm từ 39,18% (2020) xuống còn 22,93% (2022), trong khi tiền gửi và cho vay các TCTD khác tăng lên mức 33,38%. Điều này phản ánh chiến lược chuyển hướng sang tài sản có tính an toàn cao trong thời kỳ phục hồi sau đại dịch.


Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp chuyên môn và tính mới trong quản trị chi nhánh:

  1. Chuẩn hóa khung đánh giá CAMELS cho cấp độ Chi nhánh (Branch-Level CAMELS): Khác với các nghiên cứu trước đây (như Phùng Thị Lan Hương 2015 chỉ khảo sát cấp độ hội sở toàn hệ thống), đề tài đã điều chỉnh bộ chỉ số thích ứng với đặc thù không hạch toán vốn chủ sở hữu độc lập bằng cách sử dụng tỷ lệ phân bổ quỹ nội bộ, chi phí vốn FPT (Funds Transfer Pricing) và tài sản sinh lãi tại chỗ.

  2. Xử lý dứt điểm tình trạng lệch pha thanh khoản: Chứng minh thực nghiệm cơ chế điều tiết tỷ lệ LDR từ mức rủi ro 103,67% năm 2020 xuống 65,92% năm 2022 thông qua chính sách huy động vốn bán lẻ chủ động (tiền gửi khách hàng tăng từ 10.039 tỷ lên 12.605 tỷ VND, tăng +25,56%).

  3. Mô hình hóa tác động của chi phí dự phòng rủi ro tín dụng: Làm rõ quy luật: năm 2021 trích lập dự phòng tín dụng 7.104 triệu VND (do nợ xấu tăng lên 1,82%), sang năm 2022 giảm trích lập xuống 5.234 triệu VND khi chất lượng nợ được kiểm soát về 1,39%, giúp lợi nhuận trước thuế bứt phá +25,76% đạt 56.978 triệu VND.

  4. Tối ưu hóa quản trị nhân sự ngân hàng theo hiệu suất: Khảo sát mẫu 91 cán bộ nhân viên với 96,71% trình độ đại học trở lên, nhóm tuổi nòng cốt 30–45 tuổi (chiếm 45,05%), thiết lập mối liên hệ giữa năng suất lao động bình quân và tỷ suất sinh lời trên mỗi nhân sự.


Ứng dụng thực tế và triển khai

Giải pháp phân tích và mô hình quản trị đề xuất có khả năng áp dụng trực tiếp vào mạng lưới các chi nhánh NHTM thông qua lộ trình 4 giai đoạn:

                            LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis):

  • Chi phí triển khai ước tính: Khoảng 450 triệu VND (chi phí đào tạo, bản quyền module dashboard Power BI và tối ưu hóa quy trình).
  • Lợi ích dự kiến: Nâng biên NIM từ 0,2914% lên mức trung bình ngành 1,2–1,5% cho chi nhánh; gia tăng thu nhập lãi thuần thêm 15–20 tỷ VND/năm; giảm thiểu tổn thất xóa nợ ròng từ 0,73% về dưới 0,40%. Tỷ suất hoàn vốn nội bộ (IRR) ước đạt 42%, thời gian hòa vốn (Payback Period) dưới 8 tháng.

Hạn chế và hướng phát triển

Dù đạt được các kết quả cụ thể, công trình còn tồn tại một số giới hạn kỹ thuật:

  • Dữ liệu an toàn vốn CAR: Ở cấp độ chi nhánh phụ thuộc hạch toán tập trung, hệ số CAR không được tính toán riêng biệt mà phụ thuộc vào hệ số CAR chung của toàn hệ thống BIDV (đạt 8,6% năm 2021).
  • Độ dài chuỗi dữ liệu: Khảo sát dừng lại ở giai đoạn 2020–2022, chưa phản ánh đầy đủ tác động của chu kỳ hạ lãi suất điều hành và thị trường bất động sản biến động năm 2023.

Hướng nghiên cứu và nâng cấp tiếp theo:

  1. Tích hợp mô hình máy học (Random Forest, XGBoost) trên nền Python để dự báo xác suất vỡ nợ (Probability of Default - PD) của từng hồ sơ tín dụng doanh nghiệp.
  2. Xây dựng phân hệ Stress-testing tự động mô phỏng các cú sốc vĩ mô (lạm phát, tỷ giá USD/VND, biến động lãi suất liên ngân hàng).

Đối tượng hưởng lợi

Hệ thống kết quả nghiên cứu và mã nguồn phân tích mang lại giá trị định lượng cho 4 nhóm đối tượng:

  • Sinh viên & Học viên chuyên ngành Ngân hàng - Tài chính: Nắm vững phương pháp luận áp dụng mô hình CAMELS trên dữ liệu BCTC thực tế tại chi nhánh ngân hàng lớn, làm tài liệu tham khảo chuẩn mực cho khóa luận tốt nghiệp.
  • Chuyên viên Phân tích & Data Developer: Tiếp cận mã nguồn Python xử lý tỷ số tài chính tự động, cấu trúc hóa dữ liệu kế toán ngân hàng theo chuẩn mực IFRS/VAS.
  • Ban Lãnh đạo Chi nhánh & Nhà quản trị Ngân hàng: Sở hữu bức tranh chẩn đoán tài chính chi tiết, nhận diện rõ điểm nghẽn NIM (0,2914%) và sự suy giảm NII để ra quyết định điều hành danh mục kịp thời.
  • Cơ quan Nghiên cứu & Giám sát Ngân hàng: Bộ số liệu thực nghiệm làm cơ sở đánh giá hiệu quả của chính sách điều hành tiền tệ và hiệu lực của Thông tư 22/2019/TT-NHNN ở cấp độ cơ sở.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để triển khai mô hình CAMELS tại một chi nhánh ngân hàng là gì?

Cần tối thiểu Bảng cân đối kế toán, Báo cáo kết quả kinh doanh và Thuyết minh BCTC chi tiết trong 3 năm liên tiếp; phần mềm Excel 2019+ hoặc môi trường Python 3.8+ hỗ trợ thư viện Pandas để xử lý ma trận chỉ số.

2. Vì sao chỉ số NIM của BIDV CN SGD3 (0,2914%) lại thấp hơn nhiều so với mức bình quân toàn ngành (khoảng 3,63%)?

Do đặc thù lịch sử BIDV CN SGD3 đóng vai trò ngân hàng bán buôn quản lý nguồn vốn dự án ODA lớn (như VnSAT, Tài chính nông thôn), cơ cấu tài sản nắm giữ tỷ trọng tiền gửi và cho vay các tổ chức tín dụng khác lên tới 33,38% với biên lãi suất rất thấp, trong khi cho vay khách hàng chỉ chiếm 22,93%.

3. Làm thế nào để chi nhánh kiểm soát tỷ lệ nợ xấu dưới 1,5% trong khi tỷ lệ xóa nợ lại có xu hướng tăng?

Tỷ lệ nợ xấu giảm từ 1,82% (2021) xuống 1,39% (2022) một phần nhờ việc chủ động sử dụng quỹ dự phòng rủi ro để xử lý, thể hiện qua tỷ lệ xóa nợ ròng tăng từ 0,38% lên 0,73%. Đây là giải pháp làm sạch bảng cân đối kế toán theo đúng Thông tư 11/2021/TT-NHNN.

4. Chi nhánh đã xử lý bài toán vượt trần LDR năm 2020 bằng cách nào?

Năm 2020, LDR đạt 103,67% (vượt trần 85% của NHNN). Chi nhánh đã thực hiện đồng thời 2 giải pháp: đẩy mạnh huy động vốn tiền gửi dân cư (tăng từ 10.039 tỷ lên 12.605 tỷ VND) và tái cấu trúc dư nợ cho vay (giảm dư nợ từ 11.348 tỷ xuống 8.309 tỷ VND), đưa LDR năm 2022 về mức an toàn 65,92%.

5. Khả năng tích hợp mô hình phân tích này vào hệ thống Core Banking hiện hữu có phức tạp không?

Mô hình hoàn toàn độc lập về mặt logic tính toán. Dữ liệu chỉ cần trích xuất qua các view kế toán tiêu chuẩn (General Ledger) định dạng JSON/CSV từ Finacle, sau đó nạp vào pipeline phân tích mà không can thiệp hay làm gián đoạn hệ thống giao dịch thời gian thực.


Kết luận

Công trình nghiên cứu "Phân tích hoạt động kinh doanh tại BIDV Chi nhánh Sở Giao dịch 3" giai đoạn 2020–2022 đã chứng minh tính ưu việt của khung phân tích CAMELS trong việc đánh giá sức khỏe tài chính ngân hàng. Các phát hiện chính chỉ ra rằng: chi nhánh duy trì an toàn thanh khoản xuất sắc (tỷ lệ dự trữ 33,80%, LDR 65,92%), kiểm soát nợ xấu ở mức 1,39%, và tăng trưởng lợi nhuận trước thuế ấn tượng +36,74% (đạt 56,978 tỷ VND năm 2022). Tuy nhiên, bài toán tối ưu hóa biên lãi thuần NIM (0,2914%) và vực dậy tỷ trọng thu ngoài lãi NII (13,76%) đòi hỏi đơn vị phải quyết liệt chuyển đổi cơ cấu cho vay, số hóa sản phẩm dịch vụ và áp dụng công nghệ định lượng rủi ro theo chuẩn Basel II.