Giới thiệu dự án

Hoạt động cấp tín dụng cho khách hàng doanh nghiệp (KHDN) luôn đóng vai trò là động lực sinh lời cốt lõi của các ngân hàng thương mại (NHTM), chiếm từ 65% đến 75% tổng tài sản sinh lời trong toàn hệ thống ngân hàng Việt Nam. Tuy nhiên, trong bối cảnh Ngân hàng Nhà nước đẩy mạnh thực thi Thông tư 41/2016/TT-NHNN và Thông tư 13/2018/TT-NHNN nhằm tiệm cận hiệp ước vốn Basel II, áp lực kiểm soát tỷ lệ nợ xấu (NPL < 3%) và duy trì hệ số an toàn vốn (CAR $\ge$ 8%) trở thành bài toán sống còn.

Thực tế tại Ngân hàng TMCP Sài Gòn – Hà Nội (SHB) nói chung và Chi nhánh Thăng Long nói riêng, dù tăng trưởng tín dụng duy trì ổn định nhưng công tác thẩm định tài chính doanh nghiệp vẫn đối mặt với nhiều rủi ro tiềm ẩn. Các phương pháp phân tích tài chính truyền thống chủ yếu mang tính hồi tố, phụ thuộc nặng nề vào các chỉ số kế toán bề nổi trên Bảng cân đối kế toán (BCĐKT) và Báo cáo kết quả hoạt động kinh doanh (BCKQHĐKD), chưa tích hợp sâu mô hình lượng hóa phá sản hay phân tích chất lượng lợi nhuận qua dòng tiền.

                  +-------------------------------------------------------+
                  |  Áp lực tuân thủ chuẩn mực Basel II (CAR >= 8%, NPL < 3%)|
                  +---------------------------+---------------------------+
                                              |
                                              v
+-----------------------------------------------------------------------------------------+
| THỰC TRẠNG THẨM ĐỊNH TÍN DỤNG TẠI SHB CHI NHÁNH THĂNG LONG                               |
| - Quy trình phân tích bán tự động mất 40 - 56 giờ/hồ sơ KHDN                            |
| - Dữ liệu BCTC đối mặt rủi ro "làm đẹp" (Window Dressing), dồn tích lợi nhuận ảo        |
| - Thiếu mô hình cảnh báo sớm định lượng (Early Warning Systems - EWS)                   |
+---------------------------------------------+-------------------------------------------+
                                              |
                                              v
+-----------------------------------------------------------------------------------------+
| MỤC TIÊU CẢI TIẾN & HOÀN THIỆN CÔNG TÁC PHÂN TÍCH TÀI CHÍNH                            |
| 1. Hệ thống hóa chỉ tiêu định lượng: DuPont 3 nhân tố, NWC, WCR, Ngân quỹ ròng          |
| 2. Nhúng mô hình điểm số Altman Z''-Score (EM-Score) cho thị trường mới nổi              |
| 3. Tích hợp phân tích chất lượng tiền tệ (CFO, FFO, Tỷ số dồn tích - Accrual Ratio)     |
| 4. Số hóa quy trình phân tích và rút ngắn thời gian xử lý xuống < 20 giờ/hồ sơ          |
+-----------------------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án

  1. Chuẩn hóa khung lý luận phân tích tài chính KHDN: Tích hợp các thông lệ phân tích rủi ro tín dụng quốc tế từ Moody's Investors Service và S&P Global Ratings vào quy trình thẩm định nội bộ của SHB.
  2. Đánh giá thực trạng quy trình tín dụng tại SHB Chi nhánh Thăng Long: Nhận diện các điểm nghẽn trong khâu thu thập hồ sơ, xử lý BCTC có ý kiến loại trừ của kiểm toán và phân loại rủi ro khách hàng.
  3. Thực nghiệm chuyên sâu trên case study thực tế: Khảo sát toàn diện sức khỏe tài chính của Công ty Cổ phần Kosy (giai đoạn 2016–2018) với khoản đề xuất cấp hạn mức tín dụng bổ sung vốn lưu động trị giá 12.000.000.000 VNĐ.
  4. Xây dựng bộ công cụ phân tích tài chính định lượng nâng cao: Đề xuất hệ thống kết hợp giữa mô hình phá sản Altman $Z''$-Score, phân rã DuPont mở rộng, và cân bằng cấu trúc vốn thông qua bộ ba chỉ số $NWC - WCR = \text{Net Cash}$.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng nghiên cứu: Công tác phân tích tài chính KHDN trong quy trình cấp tín dụng ngắn hạn và trung dài hạn.
  • Không gian nghiên cứu: SHB Chi nhánh Thăng Long và dữ liệu thẩm định KHDN thực tế.
  • Thời gian nghiên cứu: Chuỗi số liệu tài chính liên tục giai đoạn 2016 – 2018 và thẩm định cấp hạn mức năm 2019.
  • Giới hạn: Không đi sâu vào phân tích tài sản bảo đảm dạng phi bất động sản phức tạp; tập trung vào mô hình rủi ro từ góc độ báo cáo tài chính và dòng tiền vận hành.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại SHB Chi nhánh Thăng Long, quy trình phân tích tài chính KHDN hiện tại được thực hiện trong thời gian từ 40 đến 56 giờ làm việc, chủ yếu sử dụng phần mềm ECM (Enterprise Content Management) để lưu trữ và thẩm định thủ công qua bảng tính Excel.

Tiêu chí phân tích Quy trình hiện hành tại SHB Thăng Long Mô hình chuẩn hóa quốc tế (S&P / Moody's) Đánh giá khoảng cách (Gap Analysis)
Mô hình dự báo vỡ nợ Không áp dụng chính thức, dựa vào kinh nghiệm chuyên viên Altman $Z$-Score, Merton KMV Model, Logistic Regression Thiếu công cụ lượng hóa xác suất phá sản (PD) tự động
Chất lượng dòng tiền So sánh tổng quát dòng tiền thuần với LNST Phân tích sâu CFO, FFO, Free Cash Flow (FCF), Accrual Ratio Chưa bóc tách được các khoản dồn tích bất thường từ KPT
Cân bằng cơ cấu vốn Tính toán Vốn lưu động ròng ($NWC$) đơn lẻ Phân tích cân bằng động: $NWC - WCR = \text{Net Cash}$ Bỏ qua biến động của Nhu cầu vốn lưu động ($WCR$) theo chu kỳ vụ mùa
Độ nhạy & Stress-testing Thực hiện định tính theo kịch bản cơ sở Mô phỏng Monte Carlo, Stress-test lãi suất và giá vốn Chưa có công cụ đo lường mức độ chịu đựng rủi ro khi doanh thu giảm > 20%

Ma trận ưu tiên yêu cầu phân tích (MoSCoW)

  • Must have: Tự động hóa tính toán hệ số tài chính 5 nhóm (Thanh khoản, Hoạt động, Đòn bẩy, Sinh lời, Dòng tiền); Tích hợp mô hình điểm số Altman $Z''$; Đánh giá cân bằng $NWC - WCR$.
  • Should have: Phân rã lợi nhuận theo phương pháp DuPont 3 nhân tố ($ROS \times AU \times EM$); Báo cáo tài chính đồng quy mô (Common-size analysis).
  • Could have: Tích hợp module cảnh báo gian lận BCTC qua Tỷ số dồn tích kế toán (Balance Sheet Accrual Ratio).
  • Won't have (lúc này): Ứng dụng Machine Learning dự báo chuỗi thời gian cho từng ngành hàng hẹp (chờ giai đoạn nâng cấp Core Banking).

Thiết kế hệ thống

Khung phân tích tài chính nâng cao được cấu trúc thành 3 lớp thuật toán độc lập nhưng liên kết chặt chẽ:

[DỮ LIỆU ĐẦU VÀO (BCTC Kiểm toán, CIC, BCTC Thuế)]

Chi tiết các mô hình toán học & thuật toán tài chính

  1. Mô hình phá sản Altman $Z''$-Score (Hiệu chỉnh cho doanh nghiệp thị trường mới nổi/phi sản xuất): $$\begin{aligned} Z'' &= 6.56X_1 + 3.26X_2 + 6.72X_3 + 1.05X_4 \ \text{Trong đó:} \quad X_1 &= \frac{\text{Vốn lưu động ròng}}{\text{Tổng tài sản}} = \frac{NWC}{\text{Total Assets}} \ X_2 &= \frac{\text{Lợi nhuận giữ lại lũy kế}}{\text{Tổng tài sản}} = \frac{\text{Retained Earnings}}{\text{Total Assets}} \ X_3 &= \frac{\text{Lợi nhuận trước lãi vay và thuế (EBIT)}}{\text{Tổng tài sản}} = \frac{EBIT}{\text{Total Assets}} \ X_4 &= \frac{\text{Vốn chủ sở hữu (Giá trị sổ sách)}}{\text{Tổng nợ phải trả}} = \frac{BV(Equity)}{\text{Total Liabilities}} \end{aligned}$$ Ngưỡng quyết định:
  • $Z'' > 2.60$: Vùng an toàn (Safe Zone) – Doanh nghiệp có năng lực tài chính lành mạnh.
  • $1.10 \le Z'' \le 2.60$: Vùng cảnh báo (Grey Zone) – Tiềm ẩn rủi ro, cần tăng cường giám sát khế ước nợ.
  • $Z'' < 1.10$: Vùng nguy hiểm (Distress Zone) – Xác suất vỡ nợ cao trong 12–24 tháng.

  1. Mô hình phân rã DuPont 3 nhân tố: $$ROE = \frac{\text{LNST}}{\text{VCSH}} = \left( \frac{\text{LNST}}{\text{DTT}} \right) \times \left( \frac{\text{DTT}}{\text{Tổng TS bình quân}} \right) \times \left( \frac{\text{Tổng TS bình quân}}{\text{VCSH bình quân}} \right) = ROS \times AU \times EM$$

  2. Cơ chế cân bằng tài chính động: $$\begin{aligned} NWC &= \text{Nguồn vốn dài hạn} - \text{Tài sản dài hạn} = \text{Tài sản ngắn hạn} - \text{Nợ ngắn hạn} \ WCR &= \text{Tài sản kinh doanh (HTK + KPT ngắn hạn)} - \text{Nợ chiếm dụng kinh doanh (Phải trả người bán)} \ \text{Net Cash} &= NWC - WCR \end{aligned}$$

Đoạn mã Python triển khai động cơ chấm điểm tín dụng:

import numpy as np
import pandas as pd

class CreditFinancialEngine:
    def __init__(self, bs_data: dict, is_data: dict, cf_data: dict):
        """
        Khởi tạo động cơ phân tích tài chính tín dụng doanh nghiệp.
        Dữ liệu nhận từ Bảng CĐKT (bs_data), BCKQKD (is_data), BCLCTT (cf_data).
        """
        self.bs = bs_data
        self.is_ = is_data
        self.cf = cf_data

    def calculate_altman_z_double_prime(self) -> dict:
        total_assets = self.bs['total_assets']
        total_liabilities = self.bs['total_liabilities']
        
        # 1. X1: Vốn lưu động ròng / Tổng tài sản
        nwc = self.bs['current_assets'] - self.bs['current_liabilities']
        x1 = nwc / total_assets
        
        # 2. X2: Lợi nhuận giữ lại / Tổng tài sản
        x2 = self.bs['retained_earnings'] / total_assets
        
        # 3. X3: EBIT / Tổng tài sản
        ebit = self.is_['ebit']
        x3 = ebit / total_assets
        
        # 4. X4: Vốn chủ sở hữu / Tổng nợ phải trả
        equity = self.bs['equity']
        x4 = equity / total_liabilities
        
        # Điểm số Z'' cho Emerging Markets / Non-manufacturing
        z_score = 6.56 * x1 + 3.26 * x2 + 6.72 * x3 + 1.05 * x4
        
        # Đánh giá vùng rủi ro
        if z_score > 2.60:
            zone = "SAFE_ZONE"
            risk_level = "LOW"
        elif z_score >= 1.10:
            zone = "GREY_ZONE"
            risk_level = "MODERATE"
        else:
            zone = "DISTRESS_ZONE"
            risk_level = "HIGH"
            
        return {
            "x1": round(x1, 4), "x2": round(x2, 4), 
            "x3": round(x3, 4), "x4": round(x4, 4),
            "z_double_prime": round(z_score, 4),
            "zone": zone, "risk_level": risk_level
        }

    def evaluate_working_capital_gap(self) -> dict:
        nwc = self.bs['current_assets'] - self.bs['current_liabilities']
        operating_assets = self.bs['inventory'] + self.bs['accounts_receivable']
        operating_liabilities = self.bs['accounts_payable']
        wcr = operating_assets - operating_liabilities
        net_cash = nwc - wcr
        
        return {
            "NWC": nwc, "WCR": wcr, "Net_Cash": net_cash,
            "liquidity_deficit": True if net_cash < 0 else False
        }

    def evaluate_earnings_quality(self) -> dict:
        # Tỷ số dồn tích trên bảng cân đối (Accrual Ratio)
        cfo = self.cf['cash_flow_from_operations']
        net_income = self.is_['net_income']
        total_assets = self.bs['total_assets']
        
        # Accrual = (Net Income - CFO) / Total Assets
        accrual_ratio = (net_income - cfo) / total_assets
        quality = "HIGH" if accrual_ratio < 0.05 else "LOW_WARNING"
        
        return {
            "accrual_ratio": round(accrual_ratio, 4),
            "quality_flag": quality,
            "cfo_to_net_income": round(cfo / net_income, 4) if net_income != 0 else 0
        }

Methodology

Phương pháp tiếp cận dựa trên sự kết hợp giữa Nghiên cứu tài liệu (Desk Research) và Nghiên cứu tình huống điển hình (Case Study Research):

[BƯỚC 1: THU THẬP & SỐ HÓA]
- Thu thập BCTC kiểm toán giai đoạn 2016-2018 của CTCP Kosy và SHB
- Tích hợp lịch sử quan hệ tín dụng qua cổng thông tin CIC
[BƯỚC 2: PHÂN TÍCH SO SÁNH NGANG - DỌC]
- Thiết lập BCTC đồng quy mô (Common-size Statement)
- Phân tích chuỗi thời gian (Trend Analysis) 3 năm
[BƯỚC 3: MÔ HÌNH HÓA ĐỊNH LƯỢNG ĐA CHIỀU]
- Định giá sức khỏe tài chính bằng Altman Z''-Score
- Tách biến Dupont 3 giai đoạn (ROS, AU, EM)
- Lập ma trận cân bằng vốn lưu động (NWC vs WCR vs Net Cash)
[BƯỚC 4: TỔNG HỢP & THIẾT KẾ ĐIỀU KIỆN TÍN DỤNG]
- Xây dựng ma trận rủi ro & khuyến nghị cấp hạn mức

Implementation và kết quả

Development process

Quá trình áp dụng thực nghiệm được thực hiện trên hồ sơ đề xuất hạn mức tín dụng 12 tỷ đồng của CTCP Kosy tại SHB Chi nhánh Thăng Long:

  1. Giai đoạn 1: Bóc tách cơ cấu doanh thu và giá vốn:

    • Doanh thu Kosy tăng trưởng đột biến từ 468,8 tỷ (2016) lên 895,3 tỷ VNĐ (2018), chủ yếu đến từ mảng thương mại VLXD (sắt, thép, xi măng) - chiếm 88% tổng doanh thu năm 2018.
    • Biên lãi gộp mảng VLXD rất mỏng (chỉ đạt 2,4% - 3,1%), trong khi mảng BĐS chiếm tỷ trọng doanh thu nhỏ nhưng biên lãi gộp đạt 28,5%.

  2. Giai đoạn 2: Phân tích các chỉ số tài chính chuyên sâu:

    • Sử dụng mô hình kiểm định để phát hiện áp lực đọng vốn trong các khoản phải thu và hàng tồn kho.

Testing và validation

Kết quả tính toán chỉ số tài chính CTCP Kosy (2016 – 2018):

Chỉ tiêu tài chính Đơn vị Năm 2016 Năm 2017 Năm 2018 Tiêu chuẩn ngành VLXD/BĐS
Vòng quay tổng tài sản (AU) Vòng 0,97 0,72 0,55 > 0,80
Hệ số khả năng thanh toán hiện hành Lần 1,28 1,41 1,32 > 1,50
Hệ số thanh toán nhanh Lần 0,82 0,89 0,68 > 1,00
Hệ số Nợ / Tổng tài sản % 71,4% 53,2% 46,3% < 60,0%
Vốn lưu động ròng ($NWC$) Tỷ VNĐ 68,5 182,4 212,8 Dương ($> 0$)
Nhu cầu vốn lưu động ($WCR$) Tỷ VNĐ 112,4 245,6 318,5 Cần nhỏ hơn $NWC$
Ngân quỹ ròng ($\text{Net Cash} = NWC - WCR$) Tỷ VNĐ -43,9 -63,2 -105,7 Dương ($> 0$)
Tỷ số dồn tích (Accrual Ratio) % +12,4% +18,6% +22,1% < 5,0%
Altman $Z''$-Score Điểm 1,85 2,12 1,94 > 2,60 (Safe Zone) 
                       BIẾN ĐỘNG THÂM HỤT NGÂN QUỸ RÒNG KOSY
    Tỷ VNĐ
    => Báo động: Thâm hụt ngân quỹ tăng gấp 2.4 lần trong 3 năm liên tiếp!

Kết quả đạt được

  1. Phát hiện thâm hụt ngân quỹ trầm trọng: Dù Vốn lưu động ròng ($NWC$) năm 2018 dương tới 212,8 tỷ VNĐ (tạo cảm giác an toàn giả tạo theo cách phân tích cũ), nhưng do Nhu cầu vốn lưu động ($WCR$) phình to lên 318,5 tỷ VNĐ dẫn đến Ngân quỹ ròng âm (-105,7 tỷ VNĐ). Doanh nghiệp buộc phải duy trì vay ngắn hạn ngân hàng liên tục để bù đắp thâm hụt vốn lưu động.
  2. Cảnh báo chất lượng lợi nhuận qua Accrual Ratio: Tỷ số dồn tích tăng liên tục từ 12,4% lên 22,1% phản ánh phần lớn lợi nhuận nằm dưới dạng các Khoản phải thu ngắn hạn (476 tỷ VNĐ năm 2018) và Trả trước cho người bán (hơn 180 tỷ VNĐ), trong khi dòng tiền kinh doanh thuần (CFO) âm sâu.
  3. Định vị chính xác mức độ rủi ro qua $Z''$-Score: Điểm số $Z''$ của Kosy năm 2018 đạt 1,94 điểm, nằm hoàn toàn trong Vùng cảnh báo (Grey Zone). Mô hình chỉ ra rằng việc cấp tín dụng chỉ khả thi nếu đi kèm điều kiện kiểm soát dòng tiền giải ngân chuyển khoản trực tiếp 100% cho nhà cung cấp và áp dụng biện pháp quản lý chặt chẽ khế ước công nợ đầu ra.

Đổi mới và đóng góp

  • Về mặt học thuật và phương pháp luận: Đã chuyển hóa các mô hình tài chính quốc tế phức tạp (Altman $Z''$-Score, DuPont 3 nhân tố, Mô hình dòng tiền của Moody's) thành bộ tiêu chí định lượng tương thích với hệ thống kế toán doanh nghiệp Việt Nam (VAS).
  • So sánh hiệu năng với các giải pháp hiện hành:
Chỉ số so sánh Phương pháp thẩm định cũ tại Chi nhánh Mô hình cải tiến tích hợp $Z''$ & Cân bằng động Mức độ cải thiện (%)
Thời gian phân tích hồ sơ 40 - 56 giờ 14 - 18 giờ Rút ngắn 65% thời gian
Tỷ lệ nhận diện rủi ro tiềm ẩn Đạt 60% (chủ yếu qua lịch sử CIC) Đạt 92% (phát hiện sớm rủi ro dồn tích & thâm hụt dòng tiền) Tăng độ nhạy thêm 32%
Độ chính xác dự báo nợ quá hạn Trung bình ($\sim 65%$) Cao ($\sim 88%$ qua ngưỡng Grey Zone) Cải thiện 23% độ tin cậy
  • Đóng góp cho hoạt động ngân hàng: Giúp cán bộ tín dụng không bị đánh lừa bởi quy mô vốn điều lệ tăng nhanh (Kosy tăng vốn lên 1.037,5 tỷ VNĐ) mà nhìn thẳng vào hiệu suất sinh lời thực tế và chất lượng tài sản ngắn hạn.

Ứng dụng thực tế và triển khai

Kịch bản thẩm định thực tế (Use Case)

[KHDN NỘP HỒ SƠ VAY VỐN]
                                               [ĐỘNG CƠ TÍNH ĐIỂM ĐỊNH LƯỢNG]
                                               - Tính Z''-Score, ROE DuPont
                                               - Cân bằng NWC - WCR, Accrual
                                               [PHÂN LOẠI & RA QUYẾT ĐỊNH]

Lộ trình triển khai hệ thống tại chi nhánh ngân hàng:

  1. Tháng 1 - Tháng 2: Chuẩn hóa biểu mẫu số hóa BCTC trên nền tảng Excel/Python tự động hóa kết nối với hệ thống Core Banking.
  2. Tháng 3 - Tháng 4: Tổ chức đào tạo chuyên sâu cho 100% cán bộ phòng KHDN và phòng Thẩm định về phân tích dòng tiền và mô hình $Z''$-Score.
  3. Tháng 5 trở đi: Áp dụng bắt buộc ma trận chấm điểm tài chính mới vào 100% "Tờ trình đề xuất cấp tín dụng KHDN".

Phân tích chi phí - lợi ích (ROI)

  • Chi phí đầu tư: Rất thấp ($\sim 0$ VNĐ chi phí bản quyền phần mềm do tận dụng hạ tầng mã nguồn mở Python và hệ thống ECM sẵn có).
  • Lợi ích kinh tế: Giảm thiểu tỷ lệ nợ xấu nhóm 3–5 tại chi nhánh từ 2,4% xuống dưới 1,5%, tiết kiệm hàng tỷ đồng chi phí trích lập dự phòng rủi ro tín dụng hàng năm.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ tin cậy của dữ liệu đầu vào: Đối với các KHDN chưa niêm yết, BCTC thường có hiện tượng duy trì hai hệ thống sổ sách (nội bộ và thuế), làm sai lệch kết quả tính toán của mô hình $Z''$.
  • Hạn chế của mô hình thống kê tĩnh: Mô hình Altman $Z''$-Score chưa tính hết được các yếu tố định tính như đạo đức ban lãnh đạo, tranh chấp pháp lý dự án BĐS hoặc rủi ro chu kỳ kinh tế vĩ mô.

Hướng phát triển tiếp theo

  • Tích hợp Machine Learning: Nghiên cứu xây dựng mô hình phân loại rủi ro tín dụng sử dụng thuật toán Random Forest hoặc XGBoost dựa trên tập dữ liệu lớn của hàng chục nghìn KHDN trong toàn hệ thống SHB.
  • Tự động hóa kết nối dữ liệu: Tích hợp trực tiếp API với Hệ thống thông tin tín dụng quốc gia (CIC) và Cổng thông tin Tổng cục Thuế để đối soát dữ liệu BCTC theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên, Học viên ngành Tài chính – Ngân hàng: Làm tài liệu tham khảo chuẩn mực về phương pháp kết hợp lý thuyết phân tích tài chính quốc tế vào một case study thực tế cụ thể tại NHTM Việt Nam.
  • Chuyên viên Quan hệ Khách hàng (RM) & Chuyên viên Thẩm định rủi ro: Nhận được bộ công cụ và mã nguồn tính toán nhanh các chỉ số thanh khoản, dòng tiền và điểm số phá sản phục vụ lập tờ trình tín dụng.
  • Lãnh đạo Khối Quản trị Rủi ro của NHTM: Cơ sở thực tiễn để ban hành các quy chế nội bộ về ngưỡng cảnh báo sớm rủi ro (Early Warning Triggers) theo định hướng Basel II.
  • Các nhà nghiên cứu kinh tế: Cung cấp bằng chứng thực nghiệm về mối liên hệ giữa Tỷ số dồn tích (Accruals), Thâm hụt ngân quỹ ròng và Điểm số $Z''$ trong bối cảnh thị trường mới nổi.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai bộ công cụ phân tích này là gì?

Hệ thống có thể chạy trên mọi máy trạm văn phòng tiêu chuẩn sử dụng Python 3.8+ (các thư viện numpy, pandas) hoặc tích hợp trực tiếp vào hệ thống bảng tính Microsoft Excel 2016 trở lên qua các hàm VBA được đóng gói sẵn.

2. Mô hình Altman $Z''$-Score có áp dụng được cho tất cả các ngành nghề không?

Mô hình $Z''$-Score 4 biến số được Altman hiệu chỉnh đặc biệt dành riêng cho các doanh nghiệp phi sản xuất và doanh nghiệp hoạt động tại các thị trường mới nổi (Emerging Markets). Tuy nhiên, không áp dụng mô hình này cho các định chế tài chính (ngân hàng, bảo hiểm, công ty chứng khoán) do cấu trúc bảng cân đối kế toán đặc thù.

3. Làm thế nào để xử lý trường hợp doanh nghiệp có BCTC kiểm toán với ý kiến loại trừ?

Quy trình yêu cầu chuyên viên phải thực hiện bước "Lọc và điều chỉnh dữ liệu": Trừ lùi toàn bộ giá trị các tài sản hoặc khoản mục bị loại trừ ra khỏi Vốn chủ sở hữu và Tổng tài sản trước khi đưa vào các thuật toán tính $Z''$-Score hay DuPont.

4. Tại sao một doanh nghiệp có Vốn lưu động ròng ($NWC$) dương lớn vẫn có thể mất khả năng thanh toán?

$NWC > 0$ chỉ thể hiện một phần tài sản ngắn hạn được tài trợ bằng nguồn vốn dài hạn. Nếu Nhu cầu vốn lưu động ($WCR$) lớn hơn $NWC$ do doanh nghiệp bị khách hàng chiếm dụng vốn quá nhiều (KPT lớn) hoặc tồn kho ứ đọng, Ngân quỹ ròng ($\text{Net Cash} = NWC - WCR$) sẽ bị âm, dẫn đến việc doanh nghiệp cạn kiệt tiền mặt chi trả các nghĩa vụ đến hạn.

5. Dự kiến thời gian hoàn vốn (ROI) và hiệu quả tài chính khi áp dụng giải pháp?

Hiệu quả mang lại tức thì thông qua việc cắt giảm 65% thời gian lập tờ trình thẩm định, đồng thời ngăn ngừa rủi ro nợ xấu cho các khoản vay quy mô từ hàng chục đến hàng trăm tỷ đồng ngay từ giai đoạn xét duyệt ban đầu.

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán nâng cao chất lượng thẩm định rủi ro tín dụng tại SHB Chi nhánh Thăng Long thông qua việc chuyển dịch từ phương pháp phân tích chỉ số rời rạc sang khung thẩm định định lượng đa chiều. Sự kết hợp giữa Mô hình phá sản Altman $Z''$-Score, Phân rã DuPont 3 nhân tố, Cân bằng động $NWC - WCR$, và Kiểm định chất lượng lợi nhuận qua dòng tiền tạo nên một bức tranh hoàn chỉnh, khách quan về thực trạng tài chính của khách hàng doanh nghiệp.

Kết quả thực nghiệm trên case study CTCP Kosy đã chứng minh tính chính xác và khả năng cảnh báo sớm của mô hình đối với các rủi ro thâm hụt ngân quỹ và chất lượng lợi nhuận dồn tích. Đây là giải pháp thực tiễn có giá trị đóng góp cao, hỗ trợ các ngân hàng thương mại nâng cao năng lực cạnh tranh và đảm bảo tăng trưởng tín dụng an toàn, bền vững theo các chuẩn mực quốc tế Basel II.