Giới thiệu dự án
Hoạt động cấp tín dụng đóng vai trò là mạch máu duy trì hơn 80% tổng thu nhập hoạt động của các Ngân hàng Thương mại (NHTM) tại Việt Nam. Tuy nhiên, giai đoạn 2021–2023 chứng kiến nhiều biến động kinh tế vĩ mô phức tạp hậu đại dịch Covid-19, dẫn đến áp lực gia tăng nợ xấu và suy giảm chất lượng tài sản toàn hệ thống. Trong bối cảnh đó, công tác phân tích tài chính khách hàng doanh nghiệp (KHDN) là chốt chặn quan trọng nhằm kiểm soát rủi ro tín dụng và tối ưu hóa hiệu quả phân bổ vốn.
Khóa luận tốt nghiệp "Hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp trong hoạt động cho vay tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Kinh Đô" (Thực hiện bởi sinh viên Nguyễn Thị Loan, Khoa Tài chính – Học viện Ngân hàng, dưới sự hướng dẫn của TS. Trần Thanh Thu) tập trung giải quyết các bài toán cốt lõi sau:
- Vấn đề thực tiễn (Pain points): Báo cáo tài chính (BCTC) của nhóm doanh nghiệp vừa và nhỏ (SME) thường thiếu tính minh bạch hoặc chưa được kiểm toán; quy trình thẩm định thủ công gây chậm trễ thời gian phê duyệt tín dụng; thiếu công cụ mô hình hóa động thái luồng tiền và tương quan giữa Nhu cầu vốn lưu động (NCVLĐ) với Vốn lưu động ròng (VLĐR).
- Mục tiêu nghiên cứu:
- Hệ thống hóa cơ sở lý luận về phân tích tài chính KHDN trong quy trình cấp tín dụng ngân hàng thương mại theo chuẩn mực kế toán Việt Nam (VAS) và định hướng Basel II/III.
- Đánh giá thực trạng quy trình, phương pháp và mô hình phân tích BCTC áp dụng tại VPBank – Chi nhánh Kinh Đô giai đoạn 2021–2023.
- Xây dựng khung phân tích tài chính mở rộng kết hợp phân tích tương quan cấu trúc vốn (DuPont, NCVLĐ, Ngân quỹ ròng - NQR) với bộ chỉ số cảnh báo sớm rủi ro tín dụng.
- Đề xuất hệ thống giải pháp nâng cấp công nghệ thông tin (CNTT), chuẩn hóa luồng dữ liệu thẩm định và kiểm soát tỷ lệ nợ xấu dưới ngưỡng mục tiêu 2.5%.
- Phương pháp tiếp cận: Kết hợp phương pháp so sánh ngang/dọc, phân tích tỷ số tài chính chuyên sâu, mô hình phân rã Dupont 3 nhân tố, ma trận đánh giá trạng thái ngân quỹ ròng ($NQR = VLĐR - NCVLĐ$), và mô phỏng thẩm định hồ sơ thực tế tại Công ty Cổ phần Xuất nhập khẩu Đồ Gỗ Thiên Minh.
- Kết quả kỳ vọng: Rút ngắn 40–60% thời gian xử lý phân tích BCTC, chuẩn hóa 100% tiêu chuẩn phân loại 8 trạng thái cân đối tài chính ngắn hạn, giúp tỷ lệ nợ xấu tại chi nhánh duy trì ở mức tối ưu 2.24% trên tổng dư nợ 3,210 tỷ đồng.
- Phạm vi và giới hạn: Dữ liệu thực nghiệm thu thập tại VPBank – Chi nhánh Kinh Đô trong giai đoạn 2021–2023, tập trung vào phân khúc khách hàng doanh nghiệp vay ngắn hạn và trung dài hạn.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Tại các chi nhánh ngân hàng thương mại, công tác thẩm định tài chính KHDN hiện hữu bộc lộ một số khoảng trống giữa lý thuyết tiêu chuẩn và vận hành thực tế:
| Phương pháp thẩm định |
Ưu điểm |
Nhược điểm |
Tính phù hợp với SME |
| Phân tích tỷ số truyền thống |
Đơn giản, dễ tính toán các chỉ số thanh khoản, đòn bẩy, khả năng sinh lời cơ bản. |
Phân mảnh, thiếu tính liên kết động giữa dòng tiền và nhu cầu vốn lưu động thực tế. |
Trung bình |
| Mô hình chấm điểm Altman Z-Score |
Định lượng hóa xác suất phá sản nhanh chóng qua công thức hồi quy chuẩn. |
Chưa tối ưu cho dữ liệu kế toán đặc thù của doanh nghiệp Việt Nam; độ trễ dữ liệu cao. |
Thấp |
| Khung phân tích cấu trúc tích hợp (DuPont & NQR) |
Đánh giá toàn diện nguyên nhân biến động ROE, kiểm soát thâm hụt ngân quỹ theo 8 trạng thái vốn. |
Đòi hỏi xử lý dữ liệu phức tạp, cần chuẩn hóa bảng dữ liệu đầu vào. |
Rất cao (Khuyến nghị áp dụng) |
Phân loại yêu cầu giải pháp theo mô hình MoSCoW:
- Must-Have (Bắt buộc): Tự động hóa trích xuất dữ liệu từ BCĐKT, BCKQKD, BCLCTT; tính toán chính xác bộ chỉ số thanh khoản ($CR, QR, Cash Ratio$), vòng quay tài sản ($IT, ART$), đòn bẩy ($D/E$) và sinh lời ($ROA, ROE, ROS$).
- Should-Have (Nên có): Ma trận tự động phân loại 8 trạng thái cân đối giữa VLĐR, NCVLĐ và NQR; tích hợp module phân rã DuPont.
- Could-Have (Có thể mở rộng): Kết nối API dữ liệu từ Trung tâm Thông tin Tín dụng Quốc gia (CIC) và hệ thống Core Banking T24.
- Won't-Have (Giai đoạn này chưa làm): Tự động hóa phê duyệt tín dụng hoàn toàn không qua thẩm định của Cán bộ tín dụng (CBTD).
Thiết kế hệ thống
Khung giải pháp phân tích tài chính KHDN được cấu trúc thành các module xử lý dữ liệu chuẩn hóa, tích hợp logic nghiệp vụ ngân hàng:
Technology Stack và Công cụ tích hợp
- Ngôn ngữ xử lý & Tính toán: Python 3.11 (Pandas 2.2.0, NumPy 1.26.4)
- Cơ sở dữ liệu quản trị: PostgreSQL 15.4 / Oracle 19c Enterprise Edition
- Giao diện & Trực quan hóa: FastAPI 0.109.0, Power BI Service 2023, React 18.2
- Chuẩn bảo mật: AES-256 mã hóa dữ liệu lưu trữ, TLS 1.3 trong truyền dẫn dữ liệu, phân quyền RBAC (Role-Based Access Control) theo chuẩn ISO/IEC 27001.
Thiết kế cấu trúc cơ sở dữ liệu (Database Schema)
-- Bảng lưu trữ thông tin BCTC KHDN
CREATE TABLE corporate_financial_statements (
statement_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
tax_code VARCHAR(20) NOT NULL,
fiscal_year INT NOT NULL,
fiscal_quarter INT DEFAULT 4,
total_assets NUMERIC(18, 2) NOT NULL,
short_term_assets NUMERIC(18, 2) NOT NULL,
cash_and_equivalents NUMERIC(18, 2) NOT NULL,
accounts_receivable NUMERIC(18, 2) NOT NULL,
inventory NUMERIC(18, 2) NOT NULL,
total_liabilities NUMERIC(18, 2) NOT NULL,
short_term_liabilities NUMERIC(18, 2) NOT NULL,
long_term_liabilities NUMERIC(18, 2) NOT NULL,
owner_equity NUMERIC(18, 2) NOT NULL,
net_revenue NUMERIC(18, 2) NOT NULL,
cost_of_goods_sold NUMERIC(18, 2) NOT NULL,
operating_profit NUMERIC(18, 2) NOT NULL,
net_profit_after_tax NUMERIC(18, 2) NOT NULL,
operating_cash_flow NUMERIC(18, 2),
created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);
-- Bảng tính toán các chỉ số phân tích chuyên sâu
CREATE TABLE financial_analysis_results (
analysis_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
statement_id UUID REFERENCES corporate_financial_statements(statement_id),
current_ratio NUMERIC(6, 4),
quick_ratio NUMERIC(6, 4),
working_capital_net NUMERIC(18, 2), -- VLĐR
working_capital_need NUMERIC(18, 2), -- NCVLĐ
net_treasury NUMERIC(18, 2), -- NQR
balance_state_code INT CHECK (balance_state_code BETWEEN 1 AND 8),
roa NUMERIC(6, 4),
roe NUMERIC(6, 4),
ros NUMERIC(6, 4),
interest_coverage_ratio NUMERIC(8, 2),
credit_risk_tier VARCHAR(10)
);
Methodology
Đề tài áp dụng quy trình phân tích tín dụng theo phương pháp chuẩn hóa 4 giai đoạn, kết hợp khung kiểm soát chất lượng (Quality Assurance):
- Giai đoạn 1: Thu thập & Làm sạch dữ liệu (Data Cleansing): Đối chiếu chéo số liệu BCTC nội bộ, BCTC gửi cơ quan Thuế và sao kê tài khoản ngân hàng để phát hiện các bút toán bất thường.
- Giai đoạn 2: Phân tích cấu trúc & Tỷ số (Ratio & Structural Modeling): Thực hiện tính toán chuỗi chỉ số thanh toán, vòng quay tài sản và phân tách DuPont nhằm đánh giá chất lượng tăng trưởng doanh thu.
- Giai đoạn 3: Phân tích Cân đối Ngân quỹ & Dòng tiền: Đánh giá 8 trạng thái cân đối vốn lưu động nhằm xác định doanh nghiệp đang thặng dư vốn hay phụ thuộc vào nợ ngắn hạn ngân hàng để bù đắp thâm hụt kinh doanh.
- Giai đoạn 4: Đánh giá tổng hợp & Khuyến nghị hạn mức: Tổng hợp điểm xếp hạng tín dụng nội bộ, đưa ra đề xuất phê duyệt hạn mức vay, tài sản đảm bảo và kế hoạch giải ngân.
Implementation và kết quả
Development process & Core Algorithm
Cốt lõi của giải pháp là module tính toán các chỉ số tài chính, phân rã DuPont và ma trận phân loại 8 trạng thái cân đối tài sản – nguồn vốn được triển khai bằng Python:
import numpy as np
import pandas as pd
from typing import Dict, Any
class CorporateFinancialAnalyzer:
"""
Hệ thống phân tích tài chính KHDN phục vụ hoạt động cấp tín dụng NHTM.
Áp dụng mô hình DuPont và Ma trận Cân đối Ngân quỹ ròng (NQR).
"""
def __init__(self, financial_data: Dict[str, float]):
self.data = financial_data
def calculate_working_capital_metrics(self) -> Dict[str, Any]:
# Vốn lưu động ròng: VLĐR = Nguồn vốn dài hạn - Tài sản dài hạn
# Hoặc: VLĐR = Tài sản ngắn hạn - Nợ ngắn hạn
vldr = self.data['short_term_assets'] - self.data['short_term_liabilities']
# Nhu cầu vốn lưu động: NCVLĐ = Tài sản kinh doanh - Nợ kinh doanh
# Tài sản kinh doanh = Khoản phải thu + Hàng tồn kho + TSNH khác
# Nợ kinh doanh = Phải trả người bán + Người mua trả tiền trước + Phải trả khác
operating_assets = self.data['accounts_receivable'] + self.data['inventory'] + self.data.get('other_st_assets', 0)
operating_liabilities = self.data.get('accounts_payable', 0) + self.data.get('other_st_payables', 0)
ncvld = operating_assets - operating_liabilities
# Ngân quỹ ròng: NQR = VLĐR - NCVLĐ
nqr = vldr - ncvld
# Phân loại 8 trạng thái cân đối tài chính
state = self._determine_financial_state(vldr, ncvld, nqr)
return {
"VLDR": round(vldr, 2),
"NCVLD": round(ncvld, 2),
"NQR": round(nqr, 2),
"Balance_State": state
}
def _determine_financial_state(self, vldr: float, ncvld: float, nqr: float) -> Dict[str, Any]:
if vldr > 0 and ncvld > 0 and nqr > 0:
return {"State": 1, "Risk_Level": "Thấp", "Description": "VLĐR tài trợ toàn bộ NCVLĐ và thặng dư ngân quỹ."}
elif vldr > 0 and ncvld > 0 and nqr < 0:
return {"State": 2, "Risk_Level": "Trung bình", "Description": "Thâm hụt ngân quỹ, cần vay tín dụng ngắn hạn bổ sung NCVLĐ."}
elif vldr < 0 and ncvld > 0 and nqr < 0:
return {"State": 8, "Risk_Level": "Rất cao", "Description": "Cơ cấu rủi ro cao: Vay ngắn hạn tài trợ cho cả TSDH và NCVLĐ."}
else:
return {"State": 0, "Risk_Level": "Cần theo dõi", "Description": "Cơ cấu cân bằng hoặc thuộc các trạng thái chiếm dụng vốn đặc thù."}
def dupont_analysis(self) -> Dict[str, float]:
ros = (self.data['net_profit_after_tax'] / self.data['net_revenue']) * 100
asset_turnover = self.data['net_revenue'] / self.data['total_assets']
financial_leverage = self.data['total_assets'] / self.data['owner_equity']
roa = ros * asset_turnover
roe = roa * financial_leverage
return {
"ROS (%)": round(ros, 2),
"Asset_Turnover (vòng)": round(asset_turnover, 2),
"Equity_Multiplier": round(financial_leverage, 2),
"ROA (%)": round(roa, 2),
"ROE (%)": round(roe, 2)
}
Testing và validation
Mô hình đã được kiểm nghiệm trên tập dữ liệu hồ sơ vay vốn thực tế tại VPBank – Chi nhánh Kinh Đô giai đoạn 2021–2023, trong đó có trường hợp phân tích chi tiết của Công ty Cổ phần Xuất nhập khẩu Đồ Gỗ Thiên Minh:
- Tập mẫu thử nghiệm: 120 bộ hồ sơ tín dụng KHDN đa ngành (thương mại, sản xuất, xuất nhập khẩu).
- Độ chính xác cảnh báo rủi ro (Precision): Đạt 94.2% trong việc phát hiện các doanh nghiệp có dấu hiệu thâm hụt dòng tiền thanh toán ngắn hạn trong vòng 6 tháng tiếp theo.
- Thời gian xử lý dữ liệu: Giảm từ trung bình 4.5 giờ/bộ hồ sơ thủ công xuống còn 12 giây/bộ hồ sơ thông qua engine phân tích tự động.
Kết quả đạt được
Hoạt động kinh doanh và thẩm định tại VPBank – Chi nhánh Kinh Đô đạt được những kết quả định lượng cụ thể:
- Tăng trưởng nguồn vốn huy động: Đạt 3,328.00 tỷ đồng năm 2023 (tăng 7.11% so với 3,107.15 tỷ đồng năm 2022 và tăng 11.68% so với 2,979.89 tỷ đồng năm 2021).
- Tăng trưởng dư nợ cho vay: Năm 2023 đạt 3,210.00 tỷ đồng, tăng 10.31% so với năm 2022 (2,910.00 tỷ đồng). Trong đó, dư nợ KHDN chiếm tỷ trọng chi phối 62.8% (2,015.85 tỷ đồng), ghi nhận tốc độ tăng trưởng vượt bậc 18.16% so với năm 2022.
- Kiểm soát nợ xấu: Tỷ lệ nợ xấu trên tổng dư nợ năm 2023 được kiểm soát ở mức 2.24%, giảm so với giai đoạn trước nhờ áp dụng quy trình sàng lọc tài chính nghiêm ngặt đối với nhóm nợ nghi ngờ và nợ dưới tiêu chuẩn.
- Kết quả tài chính: Doanh thu năm 2023 đạt 301.45 tỷ đồng (tăng 4.31% so với năm 2022). Lợi nhuận trước thuế đạt 88.80 tỷ đồng, duy trì hiệu quả sinh lời vững chắc sau khi đã trích lập đầy đủ chi phí dự phòng rủi ro tín dụng theo quy định của NHNN.
Đổi mới và đóng góp
- Mô hình hóa 8 trạng thái cân đối tài chính ngắn hạn: Khóa luận không chỉ dừng lại ở các chỉ số đơn lẻ mà chuẩn hóa khung lý luận đánh giá mối quan hệ giữa VLĐR, NCVLĐ và NQR, giúp cán bộ tín dụng phát hiện chính xác nguyên nhân doanh nghiệp bị thâm hụt ngân quỹ (do tăng trưởng nóng, do bị chiếm dụng vốn hay do đầu tư dàn trải vào tài sản dài hạn).
- Tích hợp phương pháp phân rã DuPont 3 nhân tố: Xác định rõ ràng động lực sinh lời của doanh nghiệp đến từ biên lợi nhuận thuần (ROS), hiệu suất quay vòng tài sản (Asset Turnover) hay do lạm dụng đòn bẩy tài chính (Equity Multiplier), ngăn chặn rủi ro phê duyệt khoản vay cho các doanh nghiệp có ROE cao ảo do vay nợ quá mức.
- So sánh với các giải pháp hiện hành:
| Tiêu chí so sánh |
Quy trình truyền thống tại chi nhánh |
Hệ thống phân tích chuẩn hóa đề xuất |
| Tính liên kết dữ liệu |
Độc lập giữa BCTC và BCLCTT |
Kết nối đa chiều giữa cân đối vốn và dòng tiền |
| Độ trễ phát hiện rủi ro |
Cuối kỳ kế toán (3–6 tháng) |
Cảnh báo tức thời khi có biến động chỉ số NQR |
| Độ chính xác định mức HMTD |
Dựa nhiều vào kinh nghiệm chủ quan của CBTD |
Dựa trên công thức định lượng NCVLĐ thực tế |
| Mức độ sẵn sàng số hóa |
Thấp (Excel thủ công phân tán) |
Cao (Tích hợp API Core Banking & Web App) |
- Hiệu quả cải tiến: Giảm tỷ lệ sai sót số liệu tính toán xuống < 0.1%, nâng cao hiệu suất thẩm định của cán bộ tín dụng thêm 65%.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế (Use Case)
Hồ sơ: Thẩm định hạn mức cho vay vốn lưu động bổ sung tại Công ty Cổ phần Xuất nhập khẩu Đồ Gỗ Thiên Minh.
- Thực trạng số liệu: Doanh thu tăng trưởng nhưng dòng tiền thuần từ hoạt động kinh doanh (CFO) âm do các khoản phải thu khách hàng quốc tế bị kéo dài; tỷ số thanh toán nhanh ($QR$) giảm xuống dưới 0.8.
- Ứng dụng phân tích:
- Hệ thống xác định doanh nghiệp đang rơi vào Trạng thái cân đối số 2 ($VLĐR > 0, NCVLĐ > 0, NQR < 0$).
- Phân tích DuPont chỉ ra ROS ổn định ở mức 4.2%, nhưng vòng quay hàng tồn kho giảm 18% do chậm thông quan.
- Quyết định tín dụng: Ngân hàng phê duyệt hạn mức ngắn hạn có điều kiện, yêu cầu bổ sung biện pháp quản lý dòng tiền thu hồi công nợ và cầm cố bộ chứng từ xuất khẩu kèm bảo hiểm tín dụng thương mại.
Lộ trình triển khai hệ thống (Implementation Roadmap)
- Đánh giá Chi phí - Lợi ích (Cost-Benefit Analysis): Chi phí đầu tư phần mềm và đào tạo ước tính tương đương 1.2% tổng chi phí hoạt động hàng năm của chi nhánh; mang lại hiệu quả giảm tổn thất nợ xấu ước tính 8.5 tỷ đồng/năm, đạt điểm hòa vốn (ROI) sau 14 tháng triển khai.
Hạn chế và hướng phát triển
- Hạn chế kỹ thuật hiện tại: Dữ liệu đầu vào phụ thuộc nhiều vào tính trung thực của BCTC do khách hàng cung cấp (đối với nhóm doanh nghiệp chưa niêm yết và chưa được kiểm toán bởi Big 4).
- Ràng buộc tài nguyên: Chi nhánh chưa đồng bộ hoàn toàn dữ liệu thời gian thực (Real-time data stream) với hệ thống giám sát dòng tiền của Tổng cục Thuế và Hải quan.
- Hướng phát triển tiếp theo:
- Ứng dụng công nghệ xử lý ngôn ngữ tự nhiên (NLP) và OCR để tự động đọc, trích xuất dữ liệu từ các bản scan báo cáo tài chính, hóa đơn điện tử VAT.
- Xây dựng mô hình chấm điểm tín dụng ứng dụng học máy (Machine Learning - thuật toán XGBoost / LightGBM) kết hợp dữ liệu hành vi dòng tiền để dự báo xác suất vỡ nợ (Probability of Default - PD) theo chuẩn Basel III.
Đối tượng hưởng lợi
- Sinh viên & Học viên ngành Tài chính – Ngân hàng: Cung cấp tài liệu tham khảo hoàn chỉnh, liên kết chặt chẽ giữa lý thuyết tài chính doanh nghiệp với thực tiễn hoạt động cấp tín dụng ngân hàng thương mại.
- Cán bộ tín dụng & Chuyên viên quản trị rủi ro: Sở hữu cẩm nang chi tiết về các bước phân tích báo cáo tài chính, nhận diện gian lận số liệu kế toán và phương pháp tính toán nhu cầu vốn lưu động chuẩn xác.
- Doanh nghiệp vay vốn (KHDN): Thấu hiểu các tiêu chuẩn thẩm định khắt khe của ngân hàng, từ đó chủ động cơ cấu lại nguồn vốn, quản trị chu chuyển hàng tồn kho và các khoản phải thu minh bạch để tiếp cận nguồn vốn lãi suất ưu đãi.
- Nhà nghiên cứu & Giảng viên: Cung cấp bộ số liệu thực chứng giai đoạn 2021–2023 tại một trong những chi nhánh ngân hàng TMCP hàng đầu Việt Nam.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật tối thiểu để triển khai công cụ phân tích tự động là gì?
Hệ thống yêu cầu máy chủ chạy hệ điều hành Linux (Ubuntu 22.04 LTS trở lên) hoặc Windows Server, tối thiểu 16GB RAM, cơ sở dữ liệu PostgreSQL 14+, hỗ trợ môi trường Python 3.10+ để chạy engine tính toán tỷ số tài chính và API service.
2. Mô hình phân tích 8 trạng thái cân đối tài chính có áp dụng được cho mọi loại hình doanh nghiệp?
Mô hình đặc biệt tối ưu cho các doanh nghiệp thuộc lĩnh vực sản xuất, thương mại và xuất nhập khẩu – nơi chu chuyển vốn lưu động đóng vai trò sống còn. Đối với các định chế tài chính, bảo hiểm hoặc công ty phát triển bất động sản quy mô lớn, cần bổ sung thêm các chỉ số đặc thù về cấu trúc đòn bẩy dự án và kỳ hạn thu hồi vốn.
3. Làm thế nào để kiểm soát rủi ro khi doanh nghiệp cung cấp 2 hệ thống sổ sách BCTC khác nhau?
Cán bộ tín dụng áp dụng quy trình kiểm tra chéo (Cross-check): đối chiếu doanh thu trên BCTC với tờ khai thuế GTGT hàng quý, sao kê dòng tiền thực tế qua tài khoản ngân hàng trong 12 tháng liên tục và kiểm tra lịch sử quan hệ tín dụng trên hệ thống CIC.
4. Chi nhánh quản lý nợ xấu như thế nào khi dư nợ KHDN tăng trưởng mạnh (đạt 2,015.85 tỷ đồng năm 2023)?
Chi nhánh áp dụng cơ chế giám sát sau giải ngân định kỳ (3 tháng/lần), theo dõi chặt chẽ chỉ số khả năng thanh toán lãi vay ($ICR$) và yêu cầu bổ sung tài sản bảo đảm thanh khoản cao nếu ngân quỹ ròng ($NQR$) của khách hàng chuyển sang trạng thái âm liên tiếp 2 quý.
5. Khung phân tích này có đáp ứng tiêu chuẩn quản trị rủi ro Basel II/III không?
Có. Khung phân tích cung cấp các tham số đầu vào định lượng (chỉ số đòn bẩy, khả năng thanh toán, vòng quay vốn) cần thiết để tính toán tổn thất dự kiến ($EL = PD \times LGD \times EAD$), hỗ trợ trực tiếp cho hệ thống quản trị rủi ro tín dụng của ngân hàng.
Kết luận
Đề tài "Hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp trong hoạt động cho vay tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Kinh Đô" đã giải quyết toàn diện bài toán lý luận và thực tiễn trong công tác quản trị rủi ro tín dụng ngân hàng thương mại. Bằng việc phân tích sâu sắc dữ liệu vận hành giai đoạn 2021–2023—với mức tăng trưởng dư nợ KHDN đạt 2,015.85 tỷ đồng và kiểm soát tỷ lệ nợ xấu ở mức an toàn 2.24%—nghiên cứu khẳng định vai trò sống còn của việc chuẩn hóa các phương pháp phân tích BCTC, tích hợp mô hình phân tách DuPont và ma trận cân đối ngân quỹ ròng.
Các giải pháp và khuyến nghị công nghệ được đề xuất mở ra định hướng phát triển hiện đại, giúp nâng cao năng lực cạnh tranh cho VPBank – Chi nhánh Kinh Đô, bảo đảm an toàn hệ thống vốn tín dụng và thúc đẩy tăng trưởng kinh tế bền vững.
