Giới thiệu dự án

Trong bối cảnh nền kinh tế Việt Nam giai đoạn 2014 – 2016 đẩy mạnh tái cơ cấu hệ thống các tổ chức tín dụng (TCTD) theo Quyết định 254/QĐ-TTg của Thủ tướng Chính phủ, ngành ngân hàng đối mặt với áp lực xử lý nợ xấu tồn đọng và nâng cao năng lực an toàn vốn theo chuẩn mực quốc tế. Hệ thống ngân hàng thương mại (NHTM) giữ vai trò huyết mạch dẫn vốn với tỷ trọng cung ứng vốn cho nền kinh tế chiếm hơn 70% tổng phương tiện thanh toán. Tuy nhiên, rủi ro hệ thống tăng cao đòi hỏi các cơ quan giám sát và ban điều hành phải có công cụ phân tích toàn diện.

Đề tài tập trung giải quyết bài toán đo lường, đánh giá sức khỏe tài chính và rủi ro hoạt động của Ngân hàng Thương mại Cổ phần Đầu tư và Phát triển Việt Nam (BIDV) – một trong những định chế tài chính có quy mô lớn nhất hệ thống. Đề tài ứng dụng khung đánh giá CAMELS (Capital adequacy - Asset quality - Management - Earning - Liquidity - Sensitivity to market risk) chuẩn hóa quốc tế kết hợp quy định của Ngân hàng Nhà nước Việt Nam (NHNN).

   +-----------------------------------------------------------------------+
   |                       MÔ HÌNH ĐÁNH GIÁ CAMELS                        |
   +-----------------------------------------------------------------------+
       |               |              |              |             |
   [C] Vốn         [A] Tài sản    [M] Quản trị   [E] Sinh lời   [L] Thanh khoản
   CAR >= 9%       NPL <= 5%      Quản lý rủi ro  ROA, ROE, NIM  Thanh toán ngay >= 15%
       \               \              |              /             /
        +---------------+-------------+-------------+-------------+
                                      |
                     [S] Độ nhạy cảm rủi ro thị trường
                          (Biến động lãi suất, NIM)

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về mô hình đánh giá CAMELS và khung pháp lý giám sát an toàn ngân hàng tại Việt Nam (Thông tư 13/2010/TT-NHNN, Quyết định 06/2008/QĐ-NHNN, Quyết định 493/2005/QĐ-NHNN).
  2. Lập trình và chuẩn hóa thuật toán xử lý dữ liệu tài chính, định lượng 6 cấu phần CAMELS của BIDV giai đoạn 2014 – 2016 hậu sáp nhập Ngân hàng Phát triển Nhà Đồng bằng Sông Cửu Long (MHB).
  3. Đối chuẩn (Benchmarking) hiệu quả tài chính và quản trị rủi ro giữa BIDV với Ngân hàng TMCP Ngoại thương Việt Nam (Vietcombank - VCB) và Ngân hàng TMCP Công thương Việt Nam (VietinBank - CTG).
  4. Đề xuất ma trận giải pháp nâng cao an toàn vốn, kiểm soát nợ xấu và tối ưu hóa thanh khoản cho BIDV đến năm 2020.

Phạm vi và hạn chế nghiên cứu

  • Đối tượng: Báo cáo tài chính (BCTC) hợp nhất đã kiểm toán, báo cáo thường niên của BIDV, Vietcombank và VietinBank trong chu kỳ tài chính 2014 – 2016.
  • Giới hạn: Nghiên cứu tập trung vào nguồn dữ liệu thứ cấp được công bố chính thức; các chỉ tiêu định tính về quản trị (M) và độ nhạy rủi ro thị trường (S) được định lượng hóa thông qua các chỉ số phản ánh trên bảng cân đối kế toán và báo cáo kết quả kinh doanh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi mô hình CAMELS được áp dụng rộng rãi, phân tích tài chính ngân hàng truyền thống chủ yếu dựa trên các hệ số kế toán đơn lẻ hoặc phân tích Dupont phân rã ROE. Các phương pháp này bộc lộ nhiều lỗ hổng trong việc cảnh báo sớm rủi ro thanh khoản và rủi ro thị trường.

Tiêu chí phân tích Phương pháp Dupont truyền thống Hệ thống xếp hạng Moody's / S&P Mô hình CAMELS chuẩn NHNN
Độ phủ rủi ro Hạn chế (chủ yếu tập trung vào sinh lời) Toàn diện (Định mức tín nhiệm quốc tế) Toàn diện 6 chiều (Vốn, Tài sản, Quản trị, Sinh lời, Thanh khoản, Rủi ro)
Tính tương thích dữ liệu Dựa trên chuẩn mực kế toán VAS Đòi hỏi dữ liệu IFRS chi tiết Phù hợp trực tiếp với chuẩn kế toán VAS và quy định NHNN
Chi phí triển khai Rất thấp Rất cao, phụ thuộc tổ chức xếp hạng Tối ưu, có thể chuẩn hóa quy trình nội bộ
Khả năng dự báo Kém (độ trễ số liệu lịch sử) Cao (dự báo xác suất vỡ nợ) Cao (nhận diện rủi ro hệ thống và suy yếu vốn)

Ma trận ưu tiên yêu cầu phân tích (MoSCoW Framework)

  • Must have: Tính toán chính xác hệ số an toàn vốn (CAR), tỷ lệ nợ xấu (NPL), tỷ lệ bao phủ nợ xấu (LLR), tỷ lệ an toàn thanh khoản theo Thông tư 13/2010/TT-NHNN.
  • Should have: Phân tích biến động cơ cấu tài sản có sinh lời, kiểm tra độ nhạy biên lãi ròng (NIM).
  • Could have: So sánh chéo các chỉ số với nhóm ngân hàng Big 4 (VCB, VietinBank).
  • Won't have: Đánh giá stress-testing toàn diện theo chuẩn Basel III (do giới hạn dữ liệu công khai).

Thiết kế hệ thống phân tích

Hệ thống xử lý và chuẩn hóa dữ liệu tài chính CAMELS được kiến trúc thành 3 tầng xử lý:

[Dữ liệu BCTC Đã Kiểm Toán] -> [Tầng Chuẩn Hóa & Bóc Tách Dữ Liệu] -> [Tầng Tính Toán Chỉ Số CAMELS] -> [Bảng Điều Khiển Xếp Hạng & Cảnh Báo]

Ngăn xếp công nghệ sử dụng

  • Data Analytics Runtime: Python 3.10.12
  • Data Manipulation Engine: Pandas 2.0.3, NumPy 1.24.4
  • Visualization & Reporting: Matplotlib 3.7.2, Seaborn 0.12.2
  • Audit & Compliance Rule Engine: Bộ quy tắc ràng buộc logic theo Thông tư 13/2010/TT-NHNN và Quyết định 06/2008/QĐ-NHNN.

Thiết kế lược đồ dữ liệu tài chính (Financial Schema)

{
  "BankMetrics": {
    "Year": 2016,
    "BankCode": "BIDV",
    "Capital": {
      "Tier1Capital": 31218,
      "CharterCapital": 34150,
      "Equity": 42797,
      "RiskWeightedAssets": 415130,
      "CAR": 0.100
    },
    "AssetQuality": {
      "TotalLoans": 700722,
      "OverdueDebt": 25693,
      "NPL": 13056,
      "RiskProvision": 9363,
      "LLR_Coverage": 0.7171
    },
    "Liquidity": {
      "QuickLiquidityAssets": 149517,
      "TotalLiabilities": 953988,
      "LDR": 0.886
    }
  }
}

Phương pháp luận (Methodology)

Phương pháp nghiên cứu kết hợp giữa nghiên cứu định lượng (thống kê mô tả, phân tích tỷ số tài chính, phân tích chuỗi thời gian) và nghiên cứu so sánh định chuẩn.

Giai đoạn 1: Thu thập & làm sạch dữ liệu BCTC (2014-2016)
Giai đoạn 2: Lập trình tính toán các chỉ số CAMELS
Giai đoạn 3: Đối chuẩn (Benchmarking) với VCB, CTG
Giai đoạn 4: Phân tích SWOT & đề xuất ma trận giải pháp

Triển khai và kết quả thực nghiệm

Quá trình phát triển thuật toán phân tích

Hệ thống tính toán các chỉ số CAMELS được tự động hóa bằng script xử lý tài chính chuyên dụng nhằm loại bỏ sai sót thủ công và đảm bảo tính lặp lại của nghiên cứu.

"""
CAMELS Financial Analytics Module for Commercial Banks
Target: BIDV 2014-2016 Dataset
Compliance: Circular 13/2010/TT-NHNN & Decision 493/2005/QD-NHNN
"""

from dataclasses import dataclass
from typing import Dict

@dataclass
class BankFinancialData:
    year: int
    charter_capital: float
    equity: float
    total_assets: float
    earning_assets: float
    total_loans: float
    overdue_loans: float
    npl_loans: float
    provision_reserves: float
    tier1_capital: float
    tier2_capital: float
    risk_weighted_assets: float

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

    def compute_capital_adequacy(self) -> Dict[str, float]:
        """Tính chỉ tiêu C - CAR và Tỷ lệ đòn bẩy"""
        car = (self.d.tier1_capital + self.d.tier2_capital) / self.d.risk_weighted_assets
        equity_to_assets = self.d.equity / self.d.total_assets
        return {"CAR": round(car * 100, 2), "Equity_to_Assets": round(equity_to_assets * 100, 2)}

    def compute_asset_quality(self) -> Dict[str, float]:
        """Tính chỉ tiêu A - Tỷ lệ Nợ xấu, Nợ quá hạn, Tỷ lệ dự phòng"""
        npl_ratio = self.d.npl_loans / self.d.total_loans
        overdue_ratio = self.d.overdue_loans / self.d.total_loans
        llr = self.d.provision_reserves / self.d.npl_loans
        earning_assets_ratio = self.d.earning_assets / self.d.total_assets
        return {
            "NPL_Ratio": round(npl_ratio * 100, 2),
            "Overdue_Ratio": round(overdue_ratio * 100, 2),
            "LLR_Coverage": round(llr * 100, 2),
            "Earning_Assets_Ratio": round(earning_assets_ratio * 100, 2)
        }

# Khởi tạo dữ liệu thực nghiệm BIDV năm 2016 (Đơn vị: Tỷ đồng)
bidv_2016 = BankFinancialData(
    year=2016,
    charter_capital=34150.0,
    equity=42797.0,
    total_assets=996785.0,
    earning_assets=954858.0,
    total_loans=700722.0,
    overdue_loans=25693.0,
    npl_loans=13056.0,
    provision_reserves=9363.0,
    tier1_capital=31218.0,
    tier2_capital=10295.0,
    risk_weighted_assets=415130.0
)

evaluator = CAMELSEvaluator(bidv_2016)
print("Kết quả C:", evaluator.compute_capital_adequacy())
print("Kết quả A:", evaluator.compute_asset_quality())

Kết quả tính toán thực nghiệm các cấu phần CAMELS của BIDV

1. Mức độ an toàn vốn (Capital Adequacy - C)

Vốn chủ sở hữu (VCSH) của BIDV tăng từ 33.606 tỷ đồng (2014) lên 42.797 tỷ đồng (2016). Hệ số an toàn vốn (CAR) duy trì mức tăng ổn định: 9,67% (2014), 9,81% (2015) và đạt 10,0% (2016), luôn đáp ứng ngưỡng tối thiểu $\ge 9%$ theo quy định tại Thông tư 13/2010/TT-NHNN. Tuy nhiên, tỷ lệ VCSH/Tổng tài sản giảm dần từ 5,17% (2014) xuống 4,28% (2016) do quy mô tổng tài sản tăng trưởng vượt bậc sau sáp nhập MHB.

2. Chất lượng tài sản có (Asset Quality - A)

Tổng tài sản sinh lời nội bảng của BIDV đạt 954.858 tỷ đồng (chiếm 95,79% tổng tài sản năm 2016), vượt xa yêu cầu tối thiểu 75% theo Quyết định 06/2008/QĐ-NHNN.

Chỉ tiêu chất lượng tài sản Năm 2014 Năm 2015 Năm 2016 Chuẩn quy định NHNN
Tổng dư nợ tín dụng (Tỷ đồng) 439.588 590.917 700.722 Tăng trưởng kiểm soát
Tốc độ tăng trưởng tín dụng (%) 14,08% 34,58% 18,58% Hạn mức tín dụng hàng năm
Tỷ lệ nợ quá hạn (%) 4,41% 2,97% 3,67% $\le 5,0%$
Tỷ lệ nợ xấu (NPL) (%) 2,06% 1,70% 1,86% $\le 3,0%$ (theo ĐHĐCĐ & NHNN)
Tỷ lệ chi phí dự phòng (%) 1,51% 1,27% 1,34% Đảm bảo trích lập đủ
Tỷ lệ bao phủ nợ xấu (LLR) (%) 73,12% 74,77% 71,71% Khuyến nghị $\ge 70%$

3. Năng lực quản trị (Management - M)

BIDV hoàn tất tiếp nhận toàn bộ quyền và nghĩa vụ hợp pháp của MHB trong năm 2015 mà không làm gián đoạn hệ thống giao dịch, thiết lập mô hình quản lý tập trung theo khối chức năng chuyên sâu từ Hội sở chính đến các chi nhánh, phân tách rõ rệt giữa phê duyệt tín dụng và quan hệ khách hàng.

4. Khả năng sinh lời (Earnings - E) & Thanh khoản (Liquidity - L)

Lợi nhuận trước thuế năm 2016 đạt 7.507 tỷ đồng (+7% so với 2015). Cơ cấu tài sản có tính thanh khoản cao được bảo toàn, tỷ lệ tài sản thanh toán ngay trên tổng nợ phải trả luôn đạt trên ngưỡng an toàn quy định.


Đổi mới và đóng góp của nghiên cứu

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn rõ rệt qua việc xây dựng bộ dữ liệu đối chuẩn chi tiết giữa BIDV và hai ngân hàng đối thủ trực tiếp cùng phân khúc quy mô trong năm tài chính 2016.

                    ĐỐI CHUẨN CHỈ SỐ RỦI RO & AN TOÀN NĂM 2016
       120% +-------------------------------------------------------+
            |                                                       |
       100% |                                              [101.8%] | (CTG)
            |                                                       |
        80% |                                      [71.7%]          | (BIDV)
            |                                                       |
        60% |                                                       |
            |                                                       |
        40% |                                                       |
            |                                                       |
        20% |  [10.0%] [11.0%]   [1.86%] [1.03%]                    |
            |   (BIDV)   (CTG)    (BIDV)   (CTG)                    |
         0% +-------------------------------------------------------+
                    CAR                  NPL                   LLR

Bảng đối chuẩn chất lượng tài sản và vốn năm 2016

Chỉ số tài chính BIDV Vietcombank (VCB) VietinBank (CTG) Đánh giá vị thế BIDV
Tổng tài sản (Tỷ đồng) 996.785 787.905 948.699 Dẫn đầu toàn ngành (vượt Agribank)
Hệ số CAR (%) 10,00% 11,10% 11,00% Đạt chuẩn nhưng thấp hơn VCB, CTG
Tỷ lệ VCSH / Tổng tài sản (%) 4,28% 5,82% 6,32% Mức đệm vốn chủ sở hữu mỏng hơn
Tỷ lệ nợ xấu (NPL) (%) 1,86% 1,51% 1,03% Cao hơn đối thủ, cần kiểm soát gắt gao
Tỷ lệ nợ quá hạn (%) 3,67% 1,47% 0,85% Áp lực chuyển nhóm nợ tiềm ẩn lớn
Bao phủ nợ xấu (LLR) (%) 71,71% 118,86% 101,77% Thấp hơn mức an toàn tuyệt đối (>100%)

Những cải tiến kỹ thuật trong phương pháp luận

  • Xử lý bất liên tục do M&A: Bóc tách ảnh hưởng của thương vụ sáp nhập MHB (tháng 5/2015) giúp loại bỏ nhiễu tăng trưởng cơ học (+34,58% tín dụng năm 2015), phản ánh chính xác hiệu quả vận hành cốt lõi của ngân hàng.
  • Lượng hóa đa chiều: Kết hợp hài hòa 6 chỉ số CAMELS thay vì chỉ tập trung vào tăng trưởng tín dụng và lợi nhuận danh nghĩa, giúp phát hiện sớm khoảng trống về tỷ lệ đệm vốn (Capital Buffer) và tỷ lệ bao phủ nợ xấu dự phòng.

Ứng dụng thực tế và lộ trình triển khai

Kịch bản ứng dụng thực tế

  1. Ban Quản trị Rủi ro Ngân hàng: Sử dụng công cụ theo dõi tự động cảnh báo sớm các chi nhánh có tỷ lệ nợ quá hạn vượt ngưỡng $3,0%$ để kích hoạt quy trình tái cơ cấu nợ.
  2. Cơ quan Thanh tra Giám sát NHNN: Thực hiện giám sát từ xa (Off-site Monitoring), đánh giá mức độ tuân thủ tỷ lệ an toàn vốn CAR và khả năng chống chịu thanh khoản khi có rút tiền hàng loạt.
  3. Nhà đầu tư & Tổ chức Định mức Tín nhiệm: Phân tích chất lượng tài sản nội bảng thực tế trước các quyết định phát hành trái phiếu tăng vốn cấp 2 hoặc mua bán cổ phần chiến lược.

Lộ trình giải pháp đề xuất cho BIDV

Quý 1-2/2017: Nâng cao năng lực an toàn vốn (C)
  - Phát hành trái phiếu thứ cấp tăng vốn cấp 2.
  - Tìm kiếm đối tác chiến lược nước ngoài để tăng vốn điều lệ.
  - Tối ưu hóa danh mục tài sản có rủi ro (RWA).

Quý 3-4/2017: Kiểm soát chất lượng tài sản (A)
  - Tăng tỷ lệ trích lập dự phòng cụ thể, nâng LLR lên trên 80%.
  - Tái cơ cấu danh mục cho vay, giảm tỷ trọng lĩnh vực bất động sản rủi ro cao.
  - Tăng cường thu hồi nợ xấu qua VAMC và xử lý tài sản bảo đảm.

2018 - 2020: Nâng cao năng lực cạnh tranh toàn diện (M-E-L-S)
  - Chuyển đổi mô hình kinh doanh bán lẻ đa kênh (Omni-channel Banking).
  - Triển khai thí điểm tính toán an toàn vốn theo chuẩn mực Basel II (Thông tư 41/2016/TT-NHNN).
  - Tăng tỷ trọng thu nhập ngoài lãi (phí dịch vụ thanh toán, bảo hiểm bancassurance) để mở rộng NIM.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ trễ dữ liệu công bố: Dữ liệu BCTC kiểm toán thường niên có độ trễ 3 tháng sau ngày kết thúc năm tài chính, làm giảm tính tức thời của các tín hiệu cảnh báo sớm.
  • Khung phân loại nợ: Phương pháp tính toán trong giai đoạn này dựa trên chuẩn kế toán Việt Nam (VAS) và Quyết định 493/2005/QĐ-NHNN, chưa áp dụng mô hình tổn thất tín dụng kỳ vọng (ECL) theo IFRS 9.

Hướng nghiên cứu mở rộng

  • Tích hợp mô hình học máy (Machine Learning - XGBoost, Random Forest) trên dữ liệu chuỗi thời gian của toàn bộ 31 ngân hàng thương mại Việt Nam để dự báo xác suất chuyển nhóm nợ xấu.
  • Nâng cấp mô hình đánh giá từ CAMELS sang CAMELS+Stress Testing mô phỏng các cú sốc vĩ mô (lãi suất tăng vọt, tỷ giá biến động mạnh).

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                             |
+-----------------------------------------------------------------------------+
   |                       |                       |                      |
   v                       v                       v                      v
[Sinh viên &          [Chuyên viên            [Ban Quản trị          [Nhà nghiên
 Giảng viên]           Phân tích]              Ngân hàng]             cứu]
 - Case study thực tế   - Khung code mẫu        - Ma trận giải pháp    - Cơ sở dữ liệu
 - Phương pháp luận     - Chuẩn hóa chỉ tiêu    - Benchmarking đối thủ - Phát triển mô hình
  • Sinh viên & Giảng viên ngành Tài chính - Ngân hàng: Tài liệu tham khảo ứng dụng mô hình định lượng vào phân tích tình huống thực tế của ngân hàng lớn nhất Việt Nam.
  • Chuyên viên phân tích tài chính & dữ liệu (Data Analysts): Bộ khung thuật toán Python xử lý và kiểm chuẩn dữ liệu BCTC ngân hàng tự động.
  • Ban điều hành NHTM & Cơ quan quản lý: Khung tham chiếu so sánh đối chuẩn giúp ra quyết định về đệm vốn dự phòng và hạn mức tín dụng an toàn.
  • Nhà nghiên cứu kinh tế: Cung cấp cơ sở thực nghiệm về biến động tài chính của NHTM Việt Nam trong giai đoạn tái cơ cấu 2014 – 2016.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để triển khai mô hình CAMELS là gì?

Hệ thống cần tối thiểu 3 bộ báo cáo tài chính đã kiểm toán liên tiếp (Bảng cân đối kế toán, Báo cáo kết quả hoạt động kinh doanh, Thuyết minh BCTC) cùng các thuyết minh chi tiết về phân loại nợ từ nhóm 1 đến nhóm 5, cơ cấu kỳ hạn thanh khoản và hệ số CAR nội bộ.

2. Tại sao tỷ lệ nợ xấu của BIDV năm 2015 giảm xuống 1,70% nhưng năm 2016 lại tăng lên 1,86%?

Năm 2015, tỷ lệ nợ xấu giảm mang tính cơ học do quy mô tổng dư nợ tăng đột biến (+34,58%) sau khi hợp nhất với MHB. Sang năm 2016, khi tốc độ tăng trưởng tín dụng trở về mức bình thường (+18,58%) và các khoản nợ cũ sau sáp nhập bộc lộ rủi ro, nợ xấu tuyệt đối tăng 29,86% khiến tỷ lệ NPL tăng lên 1,86%.

3. Giải pháp nào quan trọng nhất để BIDV cải thiện hệ số an toàn vốn CAR?

BIDV cần thực hiện đồng thời hai nhóm giải pháp: (1) Tăng vốn cấp 1 thông qua phát hành thêm cổ phần cho nhà đầu tư chiến lược nước ngoài hoặc giữ lại lợi nhuận chưa phân phối; (2) Giảm hệ số rủi ro của tài sản có bằng cách chuyển dịch danh mục đầu tư sang trái phiếu chính phủ và tín dụng bán lẻ có tài sản bảo đảm thanh khoản cao.

4. Mô hình CAMELS có thể tích hợp trực tiếp vào hệ thống Core Banking không?

Hoàn toàn có thể. Mô hình có thể đóng gói thành một vi dịch vụ (Microservice) kết nối qua API với cơ sở dữ liệu Data Warehouse/MIS của ngân hàng để thực hiện tính toán chỉ số và cảnh báo rủi ro tự động theo thời gian thực (Real-time Dashboard).

5. Chi phí triển khai và thời gian hoàn vốn (ROI) khi ứng dụng giải pháp này?

Việc tự động hóa quy trình phân tích CAMELS chỉ đòi hỏi chi phí đầu tư phần mềm ban đầu ở mức tối thiểu (sử dụng ngăn xếp mã nguồn mở). Lợi ích mang lại là tiết kiệm 80% thời gian lập báo cáo quản trị rủi ro và ngăn ngừa sớm rủi ro tổn thất tín dụng hàng trăm tỷ đồng mỗi năm.


Kết luận

Nghiên cứu đã ứng dụng thành công mô hình CAMELS để giải phẫu bức tranh tài chính toàn diện của Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) giai đoạn 2014 – 2016. Kết quả nghiên cứu khẳng định BIDV đã duy trì vị thế định chế tài chính dẫn đầu thị trường về quy mô tổng tài sản (đạt 996.785 tỷ đồng) và giữ vững hệ số an toàn vốn CAR ở mức 10,0% (vượt chuẩn 9% của NHNN).

Tuy nhiên, nghiên cứu cũng chỉ ra rõ ràng các điểm nghẽn chiến lược: tỷ lệ bao phủ nợ xấu (71,71%) và tỷ lệ vốn chủ sở hữu trên tổng tài sản (4,28%) còn thấp hơn đáng kể so với Vietcombank và VietinBank. Việc khẩn trương tăng vốn điều lệ, nâng cao tỷ lệ trích lập dự phòng và kiểm soát chặt chẽ nợ quá hạn là yêu cầu sống còn để BIDV phát triển bền vững và sẵn sàng đáp ứng lộ trình áp dụng chuẩn mực an toàn vốn Basel II trong giai đoạn tiếp theo.