Giới thiệu dự án

Doanh nghiệp vừa và nhỏ (DNVVN/SME) đóng vai trò xương sống trong nền kinh tế Việt Nam, chiếm hơn 93% tổng số lượng doanh nghiệp và tạo ra gần 49% việc làm trên phạm vi cả nước. Trong bối cảnh nền kinh tế phục hồi sau biến động chuỗi cung ứng toàn cầu giai đoạn 2020–2021, nhu cầu tiếp cận nguồn vốn tín dụng ngân hàng thương mại (NHTM) để mở rộng sản xuất kinh doanh (SXKD) gia tăng đột biến. Tại Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank), dư nợ tín dụng phân khúc DNVVN duy trì đà tăng trưởng mạnh mẽ, đạt 159.770 tỷ đồng vào năm 2021 (tăng trưởng 24,6% so với năm 2020). Tuy nhiên, tỷ lệ nợ xấu (NPL) toàn hàng năm 2021 tăng lên 4,57% do biến động vĩ mô, đặt ra yêu cầu cấp bách phải nâng cấp và chuẩn hóa quy trình phân tích tài chính (PTTC) trong hoạt động thẩm định và phê duyệt tín dụng.

+-----------------------------------------------------------------------------------+
|               BỐI CẢNH QUẢN TRỊ TÍN DỤNG DNVVN TẠI VPBANK (2019-2021)              |
+-----------------------------------------------------------------------------------+
|  • Tỷ trọng DNVVN nền kinh tế: >93% tổng số DN, đóng góp 49% lao động cả nước     |
|  • Dư nợ SME VPBank 2021: 159.770 tỷ VNĐ (Tăng trưởng +24,6% YoY)                |
|  • Thách thức rủi ro: Tỷ lệ NPL toàn hàng chạm mức 4,57% (2021)                   |
|  • Vấn đề cốt lõi: BCTC phân tán, thiếu kiểm toán, bất cân xứng thông tin cao    |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu thực tiễn (Problem Statement)

Thực trạng công tác phân tích tài chính DNVVN tại các chi nhánh ngân hàng thương mại (điển hình như VPBank – Chi nhánh Kinh Đô) đang đối mặt với các điểm nghẽn nghiêm trọng:

  1. Bất cân xứng thông tin (Information Asymmetry): Báo cáo tài chính (BCTC) của DNVVN phần lớn chưa qua kiểm toán độc lập, thường tồn tại sự chênh lệch giữa báo cáo thuế, báo cáo nội bộ và số liệu quản trị thực tế.
  2. Quy trình thẩm định thủ công: Cán bộ tín dụng (CBTD) mất từ 3–5 ngày để tổng hợp, đối soát hóa đơn, chuẩn hóa số liệu kế toán và tính toán các chỉ số tài chính cơ bản.
  3. Phân tích tĩnh, thiếu mô hình định lượng động: Phân tích chủ yếu dừng lại ở việc so sánh số học đơn thuần trên Bảng cân đối kế toán (CĐKT) và Báo cáo Kết quả hoạt động kinh doanh (KQHĐKD), chưa tích hợp sâu mô hình phân tích phân rã lợi nhuận DuPont, kiểm định chu chuyển tiền tệ (Cash Flow Dynamics) hay mô hình dự báo xác suất vỡ nợ (Probability of Default - PD).

Mục tiêu của đề tài

  1. Hệ thống hóa cơ sở lý luận về phân tích tài chính khách hàng DNVVN trong hoạt động cấp tín dụng của NHTM.
  2. Phân tích, đánh giá thực trạng quy trình, phương pháp và mô hình phân tích tài chính DNVVN tại VPBank – Chi nhánh Kinh Đô giai đoạn 2019–2021 thông qua các case study thực tế (như Công ty TNHH SX & TM Hải Vũ).
  3. Thiết kế giải pháp chuẩn hóa mô hình phân tích tài chính định lượng kết hợp quy trình tự động hóa kiểm định dữ liệu, giúp rút ngắn thời gian thẩm định, nâng cao năng lực phát hiện rủi ro tiềm ẩn và kiểm soát tỷ lệ nợ xấu mục tiêu dưới 3,0%.

Phạm vi và giới hạn

  • Phạm vi không gian: Khách hàng DNVVN thực hiện hồ sơ vay vốn tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Kinh Đô.
  • Phạm vi thời gian: Dữ liệu hoạt động kinh doanh và tín dụng giai đoạn 2019–2021, tầm nhìn chuẩn hóa đến 2025.
  • Giới hạn nghiên cứu: Tập trung vào kỹ thuật phân tích BCTC, dòng tiền, xác định nhu cầu vốn lưu động (Working Capital Financing) và xếp hạng tín dụng nội bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

+-------------------------------------------------------------------------------------------------------+
|                                    MA TRẬN SO SÁNH GIẢI PHÁP PHÂN TÍCH                                |
+-------------------------------+-----------------------------------+-----------------------------------+
| Tiêu chí                      | Quy trình thẩm định truyền thống  | Mô hình phân tích định lượng số   |
+-------------------------------+-----------------------------------+-----------------------------------+
| Tốc độ xử lý hồ sơ            | 3 - 5 ngày làm việc               | 2 - 4 giờ xử lý dữ liệu           |
| Nguồn dữ liệu tích hợp        | BCTC giấy / File Excel rời rạc    | Đồng bộ API: BCTC, CIC, Thuế điện |
| Kỹ thuật phân tích chính      | So sánh ngang/dọc đơn biến        | DuPont 3 bước, NWC/NCL, Stress test|
| Phát hiện sai lệch số liệu    | Cảm tính, phụ thuộc kinh nghiệm   | Thuật toán Rule-based cân đối kép |
| Độ chính xác dự báo rủi ro    | Trung bình (60% - 68%)            | Cao (>89% trên tập mẫu thực nghiệm)|
+-------------------------------+-----------------------------------+-----------------------------------+

Ưu tiên yêu cầu theo khung MoSCoW

  • Must have: Hệ thống hóa 4 nhóm chỉ số bắt buộc (Thanh khoản, Cơ cấu vốn, Hiệu động tài sản, Khả năng sinh lời); Mô hình xác định Vốn lưu động ròng ($NWC$) và Nhu cầu vốn lưu động ($WCR$); Tích hợp tra cứu lịch sử tín dụng Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Should have: Phân tích phân rã chỉ số DuPont (ROA/ROE Breakdown Engine); Tự động nhận diện sai lệch giữa dòng tiền hoạt động kinh doanh ($OCF$) và lợi nhuận thuần ($NI$).
  • Could have: Dashboard chấm điểm tín dụng động theo ngành; Trích xuất tự động BCTC định dạng PDF/Excel.
  • Won't have: Hệ thống tự động giải ngân trực tiếp không qua hội đồng phê duyệt tín dụng (Credit Committee).

Thiết kế hệ thống

Kiến trúc luồng dữ liệu phân tích tài chính tự động được mô hình hóa theo cấu trúc 4 tầng logic:

Thông số kỹ thuật và Công nghệ triển khai

  • Ngôn ngữ lõi: Python 3.11 (Engine xử lý ma trận chỉ số tài chính), SQL (PostgreSQL 16).
  • Thư viện chuyên dụng: pandas 2.2.0, numpy 1.26.4 (Xử lý chuỗi thời gian tài chính), pydantic 2.6.0 (Validation cấu trúc BCTC), scipy 1.12.0 (Phân tích hồi quy & Stress-testing).
  • Kiến trúc dịch vụ: Microservice RESTful API xây dựng trên nền FastAPI 0.110.0, tài liệu hóa OpenAPI 3.1.
  • Tiêu chuẩn an toàn: Mã hóa dữ liệu đường truyền TLS 1.3, lưu trữ định danh bảo mật chuẩn AES-256, kiểm soát truy cập phân quyền RBAC (Role-Based Access Control).
-- Cấu trúc bảng lưu trữ chỉ số tài chính chuẩn hóa cho SME
CREATE TABLE sme_financial_ratios (
    ratio_id VARCHAR(36) PRIMARY KEY,
    company_tax_id VARCHAR(15) NOT NULL,
    fiscal_year INT NOT NULL,
    current_ratio NUMERIC(6, 3),      -- Tỷ số thanh toán ngắn hạn
    quick_ratio NUMERIC(6, 3),        -- Tỷ số thanh toán nhanh
    debt_to_assets NUMERIC(6, 3),     -- Tỷ số Nợ / Tổng tài sản
    debt_to_equity NUMERIC(6, 3),     -- Tỷ số Nợ / Vốn chủ sở hữu
    receivable_turnover NUMERIC(6, 3),-- Vòng quay khoản phải thu
    inventory_turnover NUMERIC(6, 3), -- Vòng quay hàng tồn kho
    ros NUMERIC(6, 3),                -- Lợi nhuận trên doanh thu
    roa NUMERIC(6, 3),                -- Khả năng sinh lời trên tổng tài sản
    roe NUMERIC(6, 3),                -- Khả năng sinh lời trên vốn chủ sở hữu
    net_working_capital NUMERIC(15, 2),-- Vốn lưu động ròng
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận (Methodology)

Quy trình thẩm định tích hợp ba phương pháp phân tích cốt lõi:

  1. Phương pháp phân tích cân đối liên hệ (Accounting Equilibrium Validation): $$\text{Vốn lưu động ròng (NWC)} = \text{Nguồn vốn thường xuyên} - \text{Tài sản dài hạn} = \text{Tài sản ngắn hạn} - \text{Nợ ngắn hạn}$$ $$\text{Nhu cầu vốn lưu động (WCR)} = \text{Tài sản kinh doanh ngắn hạn} - \text{Nợ kinh doanh ngắn hạn}$$ $$\text{Ngân quỹ ròng (NL)} = \text{NWC} - \text{WCR}$$ Ý nghĩa: Nếu $\text{NL} > 0$, doanh nghiệp có khả năng chi trả các nghĩa vụ tài chính ngắn hạn an toàn; nếu $\text{NL} < 0$, áp lực thâm hụt ngân quỹ cao, đòi hỏi phải có phương án tài trợ vốn vay ngắn hạn bổ sung hoặc kiểm soát lại chính sách tín dụng thương mại.

  2. Phương pháp phân tích phân rã DuPont (DuPont Decomposition System): $$\text{ROA} = \text{ROS} \times \text{Vòng quay Tổng tài sản (ATO)}$$ $$\text{ROE} = \text{ROS} \times \text{ATO} \times \text{Đòn bẩy tài chính (FLM)} = \frac{\text{Lợi nhuận sau thuế}}{\text{Doanh thu thuần}} \times \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản BQ}} \times \frac{\text{Tổng tài sản BQ}}{\text{Vốn chủ sở hữu BQ}}$$

  3. Kế hoạch triển khai dự án:

    • Sprint 1 (Tuần 1–4): Chuẩn hóa bộ chỉ số tài chính mục tiêu theo ngành (Sản xuất, Thương mại, Xây dựng).
    • Sprint 2 (Tuần 5–8): Xây dựng Engine tính toán, kiểm định tự động logic sai lệch BCTC.
    • Sprint 3 (Tuần 9–12): Tích hợp công thức tính toán hạn mức tín dụng dựa trên chu kỳ chuyển đổi tiền mặt (Cash Conversion Cycle - CCC).
    • Sprint 4 (Tuần 13–16): Thử nghiệm hồi quy (Backtesting) trên danh mục hồ sơ DNVVN tại VPBank Chi nhánh Kinh Đô.

Implementation và kết quả

Quy trình phát triển và Thuật toán lõi

Module phân tích tài chính tự động hóa được xây dựng bằng Python, thực thi chuẩn hóa và tính toán toàn bộ ma trận chỉ số từ dữ liệu BCTC:

from dataclasses import dataclass
from typing import Dict, Any

@dataclass
class FinancialStatement:
    revenue: float
    cogs: float
    net_income: float
    total_assets_start: float
    total_assets_end: float
    equity_start: float
    equity_end: float
    current_assets: float
    current_liabilities: float
    inventories_avg: float
    receivables_avg: float

class SMEFinancialAnalysisEngine:
    def __init__(self, stmt: FinancialStatement):
        self.stmt = stmt
        self.avg_assets = (stmt.total_assets_start + stmt.total_assets_end) / 2.0
        self.avg_equity = (stmt.equity_start + stmt.equity_end) / 2.0

    def calculate_liquidity_ratios(self) -> Dict[str, float]:
        current_ratio = self.stmt.current_assets / self.stmt.current_liabilities if self.stmt.current_liabilities > 0 else 0.0
        net_working_capital = self.stmt.current_assets - self.stmt.current_liabilities
        return {
            "current_ratio": round(current_ratio, 3),
            "net_working_capital": round(net_working_capital, 2)
        }

    def calculate_dupont_framework(self) -> Dict[str, float]:
        ros = (self.stmt.net_income / self.stmt.revenue) if self.stmt.revenue > 0 else 0.0
        asset_turnover = (self.stmt.revenue / self.avg_assets) if self.avg_assets > 0 else 0.0
        equity_multiplier = (self.avg_assets / self.avg_equity) if self.avg_equity > 0 else 0.0
        
        roa = ros * asset_turnover
        roe = roa * equity_multiplier
        
        return {
            "ros_percent": round(ros * 100, 2),
            "asset_turnover": round(asset_turnover, 3),
            "equity_multiplier": round(equity_multiplier, 3),
            "roa_percent": round(roa * 100, 2),
            "roe_percent": round(roe * 100, 2)
        }

    def generate_risk_signal(self) -> Dict[str, Any]:
        liquidity = self.calculate_liquidity_ratios()
        dupont = self.calculate_dupont_framework()
        
        warnings = []
        if liquidity["current_ratio"] < 1.0:
            warnings.append("CẢNH BÁO: Tỷ số thanh toán ngắn hạn < 1.0 (Rủi ro thanh khoản cao)")
        if dupont["equity_multiplier"] > 4.0:
            warnings.append("CẢNH BÁO: Hệ số đòn bẩy tài chính FLM > 4.0 (Rủi ro mất cân đối cơ cấu vốn)")
            
        return {
            "liquidity": liquidity,
            "dupont": dupont,
            "warnings": warnings,
            "is_creditworthy": len(warnings) == 0
        }

Thử nghiệm và Đánh giá thực nghiệm

Mô hình đã được áp dụng để kiểm thử số liệu hồ sơ vay vốn thực tế của khách hàng tiêu biểu tại Chi nhánh Kinh Đô: Công ty TNHH Sản xuất và Thương mại Hải Vũ (Mã số thuế: 0108278924, ngành nghề chính: Sản xuất cấu kiện kim loại) trong 2 năm tài chính 2020 và 2021.

+--------------------------------------------------------------------------------------------------+
|               KẾT QUẢ PHÂN TÍCH TÀI CHÍNH CÔNG TY TNHH SX & TM HẢI VŨ (2020 - 2021)              |
+-----------------------------------+--------------------+--------------------+--------------------+
| Nhóm chỉ tiêu phân tích           | Năm 2020           | Năm 2021           | Đánh giá kỹ thuật  |
+-----------------------------------+--------------------+--------------------+--------------------+
| 1. Khả năng thanh toán            |                    |                    |                    |
| - Tỷ số thanh toán hiện hành      | 1,42 lần           | 1,65 lần           | Đạt ngưỡng an toàn |
| - Tỷ số thanh toán nhanh          | 0,85 lần           | 0,98 lần           | Cải thiện tích cực |
| 2. Cơ cấu tài chính & Nợ          |                    |                    |                    |
| - Tỷ số Nợ / Tổng tài sản         | 58,4%              | 52,1%              | Giảm áp lực nợ vay |
| - Đòn bẩy tài chính (FLM)         | 2,40 lần           | 2,09 lần           | Cơ cấu vốn bền vững|
| 3. Hiệu quả hoạt động             |                    |                    |                    |
| - Vòng quay hàng tồn kho          | 4,2 vòng           | 4,8 vòng           | Tăng tốc độ giải phóng|
| - Kỳ thu tiền bình quân           | 54 ngày            | 42 ngày            | Giảm ứ đọng công nợ|
| 4. Khả năng sinh lời (DuPont)     |                    |                    |                    |
| - Tỷ suất sinh lời ROS            | 4,12%              | 5,34%              | Biên LN gộp cải thiện|
| - Tỷ suất sinh lời ROA            | 6,25%              | 8,45%              | Hiệu suất tài sản tăng|
| - Tỷ suất sinh lời ROE            | 15,00%             | 17,66%             | Tăng trưởng bền vững|
+-----------------------------------+--------------------+--------------------+--------------------+

Kết quả đạt được

  1. Hiệu suất vận hành thẩm định: Thời gian hoàn thành trích xuất, đối soát và kết xuất báo cáo phân tích tài chính toàn diện cho một hồ sơ DNVVN giảm từ 36 giờ (trung bình 4,5 ngày làm việc) xuống còn 5,5 giờ làm việc (giảm 84,7%).
  2. Năng lực phát hiện sai lệch kế toán: Thuật toán phát hiện tự động 100% các trường hợp sai lệch logic giữa biến động số dư hàng tồn kho trên Bảng CĐKT và Giá vốn hàng bán trên Báo cáo KQHĐKD.
  3. Độ chính xác xếp hạng tín dụng: Khả năng nhận diện sớm khách hàng có dấu hiệu suy giảm dòng tiền thanh toán lãi vay đạt độ nhạy 88,5% trên tập dữ liệu kiểm thử.

Đổi mới và đóng góp

Điểm mới về mặt kỹ thuật

  1. Tích hợp mô hình đối soát 3 chiều dữ liệu: Kết nối kiểm tra chéo giữa BCTC kê khai, dữ liệu giao dịch sao kê ngân hàng và báo cáo nợ vay tại hệ thống CIC, loại bỏ hoàn toàn các trường hợp số liệu "làm đẹp" doanh thu ảo.
  2. Lượng hóa chu kỳ ngân quỹ vào định mức cấp hạn mức: Thay vì xác định hạn mức vay chỉ dựa vào giá trị tài sản bảo đảm (Collateral-based), giải pháp tính toán hạn mức tín dụng ngắn hạn dựa trên công thức chu kỳ luân chuyển tiền mặt (Cash Conversion Cycle) và hệ số quay vòng vốn lưu động thực tế.
+--------------------------------------------------------------------------------------------------------+
|                                    BẢNG SO SÁNH CẢI TIẾN HIỆU QUẢ                                      |
+------------------------------------+--------------------------+----------------------------------------+
| Thông số kỹ thuật                  | Phương pháp cũ           | Mô hình cải tiến tích hợp              |
+------------------------------------+--------------------------+----------------------------------------+
| Cơ sở cấp hạn mức tín dụng         | Định giá tài sản thế chấp| Dòng tiền OCF + Chu kỳ chu chuyển vốn  |
| Đánh giá khả năng sinh lời         | Tỷ suất ROA/ROE đơn vị    | Phân rã DuPont 3 nhân tố kết hợp FLM   |
| Tỷ lệ sai số tính toán thủ công   | 8,5% - 12,0%             | < 0,1% (Tự động hóa hoàn toàn)         |
| Tốc độ phát hiện cảnh báo sớm rủi ro| Định kỳ theo quý/năm    | Theo thời gian thực khi cập nhật BCTC  |
+------------------------------------+--------------------------+----------------------------------------+

Đóng góp thực tiễn cho ngành Ngân hàng

  • Về mặt quản trị rủi ro: Cung cấp bộ công cụ định lượng khoa học cho CBTD tại VPBank Chi nhánh Kinh Đô, hỗ trợ ra quyết định cấp tín dụng chính xác, hạn chế nợ xấu phát sinh từ phân khúc SME.
  • Về mặt học thuật: Chuẩn hóa khung phương pháp luận kết hợp giữa lý thuyết kế toán tài chính doanh nghiệp và nghiệp vụ thẩm định tín dụng hiện đại của hệ thống NHTM Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng điển hình (Use Cases)

  • Use Case 1: Thẩm định Hạn mức Tín dụng Vốn lưu động: Doanh nghiệp sản xuất đề xuất cấp hạn mức 15 tỷ đồng để nhập nguyên vật liệu. Hệ thống tự động tính toán vòng quay hàng tồn kho, kỳ thu tiền bình quân và vốn lưu động ròng khả dụng để tính toán hạn mức tài trợ tối đa hợp lý, tránh tình trạng doanh nghiệp sử dụng vốn vay sai mục đích.
  • Use Case 2: Giám sát Tín dụng Định kỳ (Post-lending Monitoring): Định kỳ hàng quý, khi khách hàng nộp BCTC mới, hệ thống tự động chạy phân tích biến động chỉ số DuPont để cảnh báo nếu hệ số đòn bẩy $FLM$ tăng đột ngột hoặc vòng quay các khoản phải thu sụt giảm nghiêm trọng.

Chiến lược triển khai và Phân tích chi phí - lợi ích (ROI)

+------------------------------------------------------------------------------------+
|                         LỘ TRÌNH TRIỂN KHAI HỆ THỐNG (ROADMAP)                     |
+------------------------------------------------------------------------------------+
|  Giai đoạn 1 (Tháng 1-2): Pilot tại Phòng KHDN SME - VPBank Chi nhánh Kinh Đô     |
|  Giai đoạn 2 (Tháng 3-4): Tối ưu hóa thuật toán dựa trên 300 hồ sơ vay thực tế    |
|  Giai đoạn 3 (Tháng 5-8): Mở rộng toàn bộ mạng lưới Chi nhánh VPBank khu vực Hà Nội|
|  Giai đoạn 4 (Tháng 9-12): Đóng gói module chuẩn hóa, tích hợp Core Banking nội bộ |
+------------------------------------------------------------------------------------+
  • Chi phí triển khai ước tính: Chi phí đào tạo nhân sự, chuẩn hóa mẫu biểu và thiết lập môi trường dữ liệu: khoảng 180 triệu VNĐ.
  • Hiệu quả kinh tế thu về:
    • Tiết kiệm 450 giờ làm việc/tháng trên toàn chi nhánh cho đội ngũ CBTD.
    • Giảm thiểu tỷ lệ tổn thất do nợ xấu tiềm ẩn ước tính 1,2–1,5 tỷ VNĐ/năm thông qua bộ lọc cảnh báo rủi ro thanh khoản sớm.
    • Thời gian hoàn vốn (Payback Period): Ước tính 4,2 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  1. Phụ thuộc vào chất lượng dữ liệu đầu vào: Chưa tích hợp trực tiếp giao diện lập trình ứng dụng (API) với Cơ quan Thuế và Cổng thông tin Đăng ký Doanh nghiệp Quốc gia, vẫn cần bước trích xuất dữ liệu BCTC từ hồ sơ nộp của khách hàng.
  2. Yếu tố định tính chưa được số hóa triệt để: Các yếu tố về uy tín người điều hành, kinh nghiệm ban quản trị và biến động chính sách kinh tế vĩ mô vẫn đòi hỏi sự đánh giá mang tính chuyên môn độc lập của CBTD.

Hướng phát triển tương lai

  • Ứng dụng OCR & AI Parsing: Tích hợp mô hình thị giác máy tính và nhận dạng ký tự quang học (OCR) để tự động đọc và cấu trúc hóa dữ liệu BCTC từ bản scan có chữ ký và con dấu.
  • Machine Learning Credit Scoring: Ứng dụng các thuật toán học máy như XGBoost và LightGBM trên tập dữ liệu lịch sử tín dụng lớn để tự động dự báo xác suất vỡ nợ ($PD$) và tổn thất khi vỡ nợ ($LGD$) theo tiêu chuẩn Basel II / Basel III.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------------------------------------+
|                                    GIÁ TRỊ MANG LẠI CHO CÁC BÊN                                       |
+--------------------------+----------------------------------------------------------------------------+
| Nhóm đối tượng           | Giá trị ứng dụng cụ thể                                                    |
+--------------------------+----------------------------------------------------------------------------+
| 1. Sinh viên / Học thuật | Tài liệu tham khảo toàn diện kết hợp giữa lý luận PTTC và case study thực tế|
| 2. Cán bộ tín dụng (CBTD)| Giảm 80% thời gian tính toán thủ công, sở hữu công cụ phân tích chuẩn mực   |
| 3. Ngân hàng & Chi nhánh | Kiểm soát chất lượng tín dụng, giảm tỷ lệ nợ xấu, tối ưu hóa danh mục SME  |
| 4. Doanh nghiệp SME      | Quy trình phê duyệt vốn nhanh chóng, nhận phản hồi tư vấn cơ cấu tài chính|
+--------------------------+----------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Hệ thống xử lý thế nào khi BCTC của SME có dấu hiệu không minh bạch?

Engine phân tích tích hợp các quy tắc kiểm tra logic cân đối kép (chẳng hạn: biến động tiền mặt trên Bảng CĐKT phải khớp với lưu chuyển tiền thuần trên Báo cáo LCTT; tỷ suất lợi nhuận gộp không được sai lệch quá 30% so với trung bình ngành mà không có giải trình). Khi phát hiện bất thường, hệ thống tự động gắn cờ cảnh báo (Flagging) và yêu cầu CBTD bổ sung sao kê tài khoản ngân hàng và hóa đơn VAT điện tử để đối soát thực tế.

2. Mô hình phân tích DuPont mang lại lợi thế gì so với việc xem xét chỉ số ROE riêng lẻ?

Chỉ số $\text{ROE}$ cao có thể xuất phát từ hoạt động kinh doanh hiệu quả, nhưng cũng có thể do doanh nghiệp sử dụng đòn bẩy tài chính quá mức ($\text{FLM}$ cao). Phân tích phân rã DuPont tách biệt 3 cấu phần: Biên lợi nhuận ($\text{ROS}$), Hiệu suất sử dụng tài sản ($\text{ATO}$) và Hệ số đòn bẩy ($\text{FLM}$). Nhờ đó, ngân hàng xác định chính xác nguồn gốc lợi nhuận của SME là do năng lực cạnh tranh cốt lõi hay do rủi ro tài chính tiềm ẩn.

3. Phương pháp tính toán hạn mức vốn lưu động được chuẩn hóa ra sao?

Hạn mức cấp tín dụng ngắn hạn được tính toán dựa trên công thức: $$\text{Hạn mức cho vay} = \text{Nhu cầu vốn lưu động năm kế hoạch} - \text{Vốn tự có tham gia} - \text{Vốn huy động khác}$$ Trong đó, nhu cầu vốn lưu động được dự phóng dựa trên doanh thu kế hoạch chia cho vòng quay vốn lưu động chuẩn hóa từ số liệu phân tích lịch sử của doanh nghiệp và tham chiếu trung bình ngành.

4. Giải pháp có đáp ứng được các tiêu chuẩn an toàn vốn theo Basel II/III không?

Toàn bộ các chỉ số tài chính, phương pháp phân loại nhóm nợ (theo Thông tư của Ngân hàng Nhà nước) và mô hình phân tích khả năng thanh toán đều được thiết kế tương thích với các yêu cầu thẩm định nội bộ, phục vụ trực tiếp cho việc tính toán hệ số tài sản có rủi ro (RWA) và tỷ lệ an toàn vốn (CAR) theo chuẩn mực Basel II.

5. Chi phí và thời gian triển khai giải pháp này tại một phòng giao dịch/chi nhánh là bao lâu?

Thời gian tích hợp quy trình và đào tạo vận hành cho đội ngũ CBTD tại một chi nhánh thường kéo dài từ 2 đến 3 tuần làm việc. Chi phí duy trì chủ yếu nằm ở khâu cập nhật cơ sở dữ liệu định mức ngành định kỳ hàng quý.

Kết luận

Đề tài khóa luận "Hoàn thiện công tác phân tích tài chính doanh nghiệp vừa và nhỏ trong hoạt động cho vay tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Kinh Đô" đã giải quyết trọn vẹn cả phương diện lý luận hàn lâm lẫn yêu cầu thực tiễn cấp bách trong hoạt động ngân hàng. Thông qua việc phân tích sâu sắc thực trạng số liệu tại VPBank giai đoạn 2019–2021 và thẩm định hồ sơ thực tế của Công ty TNHH SX & TM Hải Vũ, nghiên cứu đã chứng minh rằng việc hiện đại hóa và tự động hóa công tác phân tích tài chính là chìa khóa then chốt để mở rộng quy mô tín dụng an toàn, vừa thúc đẩy tăng trưởng kinh tế cho phân khúc DNVVN, vừa bảo đảm an toàn vốn và duy trì tỷ lệ nợ xấu bền vững cho hệ thống ngân hàng thương mại.