Giới thiệu dự án

Hoạt động tín dụng doanh nghiệp đóng vai trò huyết mạch trong việc tạo lập nguồn thu nhập và thúc đẩy tăng trưởng của hệ thống ngân hàng thương mại (NHTM). Theo số liệu từ Ngân hàng Nhà nước Việt Nam (NHNN), tăng trưởng tín dụng toàn ngành năm 2021 đạt mức 9,42% bất chấp bối cảnh đại dịch COVID-19 làm đứt gãy chuỗi cung ứng toàn cầu và suy thoái kinh tế diện rộng. Tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) – Chi nhánh Nam Hà Nội, quy mô tín dụng năm 2021 bứt phá mạnh mẽ với tổng dư nợ đạt 5.962 tỷ đồng (tăng trưởng 37% so với năm 2020), trong đó dư nợ Khách hàng Doanh nghiệp (KHDN) chiếm tỷ trọng 50% (đạt 2.991 tỷ đồng). Tuy nhiên, tăng trưởng tín dụng quy mô lớn luôn song hành cùng rủi ro bất cân xứng thông tin và nguy cơ nợ xấu tiềm ẩn.

Thực tế công tác thẩm định tại các chi nhánh ngân hàng bộc lộ nhiều điểm nghẽn: phương pháp phân tích tài chính KHDN truyền thống chủ yếu dựa trên kỹ thuật tính toán tỷ số đơn lẻ, thiếu tính liên kết hệ thống, xem nhẹ việc bóc tách dòng tiền thực tế từ Báo cáo Lưu chuyển tiền tệ (BCLCTT) và chưa ứng dụng các mô hình phân rã tài chính động (như Dupont đa nhân tố). Điều này dẫn đến nguy cơ sai lệch trong việc định lượng hạn mức cấp tín dụng và phân loại xếp hạng rủi ro khách hàng.

Đề tài khóa luận "Hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp trong hoạt động tín dụng tại ngân hàng BIDV Nam Hà Nội" (Thực hiện bởi sinh viên Nguyễn Thị Kim Cúc, Giảng viên hướng dẫn: TS. Lê Thị Minh Ngọc – Khoa Tài chính, Học viện Ngân hàng) giải quyết trực tiếp bài toán tối ưu hóa quy trình phân tích và thẩm định tín dụng KHDN.

Các mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về quy trình, nội dung và các phương pháp phân tích tài chính KHDN chuyên sâu phục vụ hoạt động cấp tín dụng tại NHTM.
  2. Khảo sát và đánh giá thực trạng công tác phân tích tài chính KHDN tại BIDV Nam Hà Nội giai đoạn 2019 – 2021, làm rõ ưu điểm, hạn chế và nguyên nhân cốt lõi thông qua dữ liệu vận hành thực tế.
  3. Thực nghiệm phân tích hồ sơ tín dụng điển hình của Công ty Cổ phần Lilama 10 (Mã chứng khoán: L10) bằng hệ thống chỉ tiêu tài chính đa chiều và mô hình phân rã Dupont.
  4. Đề xuất khung giải pháp toàn diện về phương pháp, cấu trúc dữ liệu và công cụ tự động hóa nhằm nâng cao chất lượng phân tích tài chính KHDN, kiểm soát tỷ lệ nợ xấu dưới 1,0%.

Phạm vi nghiên cứu tập trung vào danh mục KHDN tại BIDV Chi nhánh Nam Hà Nội trong giai đoạn 2019 – 2021, ứng dụng chuẩn mực thẩm định tín dụng nội bộ BIDV kết hợp lý thuyết tài chính doanh nghiệp hiện đại.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM nói chung và BIDV Nam Hà Nội nói riêng, công tác phân tích tài chính KHDN truyền thống đối mặt với nhiều rào cản kỹ thuật khi chuyển đổi số.

Tiêu chí đánh giá Phương pháp phân tích thủ công truyền thống Giải pháp phân tích đa chiều chuẩn hóa
Phương pháp xử lý Nhập liệu thủ công từ file Excel, tính toán chỉ số rời rạc Tự động chuẩn hóa dữ liệu BCTC, tích hợp mô hình phân tích liên kết
Độ phủ phân tích Tập trung vào BCĐKT và BCKQHĐKD, bỏ qua BCLCTT Tích hợp đồng bộ BCĐKT, BCKQHĐKD, BCLCTT và Thuyết minh BCTC
Đánh giá sinh lời Phân tích ROE/ROA tĩnh Phân rã Dupont 3 nhân tố ($ROS \times TAT \times FLM$) xác định nguyên nhân cốt lõi
Quản trị dòng tiền Chỉ xét lợi nhuận kế toán thuần túy Phân tích Vốn lưu động ròng ($NWC$), Nhu cầu VLĐ ($WCR$), Ngân quỹ ròng ($Net\ Cash$)
Thời gian thẩm định 4 - 6 giờ làm việc cho một bộ hồ sơ doanh nghiệp vừa 15 - 30 phút với độ chính xác và tính toàn vẹn dữ liệu tuyệt đối

Yêu cầu phân tích nghiệp vụ theo mô hình MoSCoW:

  • Must-have: Tự động hóa tính toán 4 nhóm chỉ số tài chính cốt lõi (Khả năng thanh toán, Năng lực hoạt động, Đòn bẩy tài chính, Khả năng sinh lời); Phân rã Dupont; Tính toán ngân quỹ ròng.
  • Should-have: Kiểm định tính logic giữa dòng tiền hoạt động kinh doanh (CFO) với Lợi nhuận sau thuế (LNST); Đo lường hệ số bao phủ lãi vay ($ICR$).
  • Could-have: Tích hợp module truy vấn tự động dữ liệu Trung tâm Thông tin Tín dụng Quốc gia (CIC) và dữ liệu thuế điện tử.
  • Won't-have (giai đoạn 1): Dự báo phá sản tự động bằng mô hình AI học sâu (Deep Learning).

Thiết kế hệ thống

Kiến trúc luồng xử lý và thẩm định tài chính tín dụng KHDN được chuẩn hóa theo mô hình 5 tầng logic:

Technology Stack đề xuất cho hệ thống tự động hóa thẩm định:

  • Ngôn ngữ lập trình tính toán: Python 3.10.12
  • Thư viện xử lý dữ liệu: Pandas 2.0.3, NumPy 1.24.3
  • Cơ sở dữ liệu lưu trữ: PostgreSQL 14.5
  • Backend API Service: FastAPI 0.100.0
  • Quản lý môi trường & Triển khai: Docker 24.0.5, Docker Compose v2

Cấu trúc Schema cơ sở dữ liệu (PostgreSQL DDL):

CREATE TABLE corporate_clients (
    client_id VARCHAR(20) PRIMARY KEY,
    tax_code VARCHAR(15) UNIQUE NOT NULL,
    company_name VARCHAR(255) NOT NULL,
    industry_type VARCHAR(100) NOT NULL,
    credit_rating VARCHAR(5),
    internal_leverage_limit NUMERIC(5, 2)
);

CREATE TABLE financial_statements (
    statement_id SERIAL PRIMARY KEY,
    client_id VARCHAR(20) REFERENCES corporate_clients(client_id),
    fiscal_year INT NOT NULL,
    total_assets NUMERIC(18, 2) NOT NULL,
    current_assets NUMERIC(18, 2) NOT NULL,
    short_term_debt NUMERIC(18, 2) NOT NULL,
    total_debt NUMERIC(18, 2) NOT NULL,
    equity NUMERIC(18, 2) NOT NULL,
    net_revenue NUMERIC(18, 2) NOT NULL,
    cogs NUMERIC(18, 2) NOT NULL,
    ebit NUMERIC(18, 2) NOT NULL,
    interest_expense NUMERIC(18, 2) NOT NULL,
    net_income NUMERIC(18, 2) NOT NULL,
    cfo NUMERIC(18, 2) NOT NULL,
    cfi NUMERIC(18, 2) NOT NULL,
    cff NUMERIC(18, 2) NOT NULL
);

Methodology

Quy trình phát triển và hoàn thiện khung phân tích tài chính áp dụng phương pháp luận phối hợp giữa chuẩn mực tín dụng quốc tế Basel II và mô hình kiểm định thực nghiệm:

  • Chu kỳ triển khai: 4 giai đoạn bao gồm Khảo sát thực địa $\rightarrow$ Xây dựng công thức thuật toán $\rightarrow$ Thực nghiệm trên hồ sơ mẫu Lilama 10 $\rightarrow$ Chuẩn hóa quy chế tín dụng nội bộ.
  • Quản trị rủi ro: Đối chiếu chéo số liệu BCTC đã kiểm toán với dữ liệu kiểm tra sao kê ngân hàng và hóa đơn giá trị gia tăng điện tử để triệt tiêu rủi ro làm đẹp báo cáo tài chính.
  • Tiêu chuẩn kiểm thử chất lượng: Kiểm định 100% các điều kiện biên của các công thức tài chính (mẫu số bằng 0, giá trị dòng tiền âm, đòn bẩy đột biến).

Implementation và kết quả

Development process

Quá trình triển khai thuật toán tính toán tài chính doanh nghiệp được mô đun hóa bằng Python nhằm loại bỏ các sai sót thủ công trong quá trình tính toán của cán bộ quản hệ khách hàng (CBTD).

Thuật toán phân tích cấu trúc tài chính, tỷ số thanh khoản, dòng tiền và phân rã Dupont 3 nhân tố:

from dataclasses import dataclass

@dataclass
class FinancialData:
    current_assets: float
    cash_and_equivalents: float
    short_term_investments: float
    accounts_receivable: float
    inventory: float
    fixed_assets: float
    total_assets: float
    short_term_liabilities: float
    long_term_liabilities: float
    total_liabilities: float
    equity: float
    revenue: float
    cogs: float
    ebit: float
    interest_expense: float
    net_income: float
    cfo: float

class FinancialAnalyzer:
    def __init__(self, data: FinancialData):
        self.d = data

    def compute_liquidity_ratios(self) -> dict:
        """Tính toán các chỉ số thanh toán ngắn hạn."""
        cr = self.d.current_assets / self.d.short_term_liabilities
        qr = (self.d.cash_and_equivalents + self.d.short_term_investments + self.d.accounts_receivable) / self.d.short_term_liabilities
        cash_ratio = (self.d.cash_and_equivalents + self.d.short_term_investments) / self.d.short_term_liabilities
        return {"current_ratio": round(cr, 2), "quick_ratio": round(qr, 2), "cash_ratio": round(cash_ratio, 2)}

    def compute_working_capital_metrics(self) -> dict:
        """Xác định Vốn lưu động ròng, Nhu cầu VLĐ và Ngân quỹ ròng."""
        nwc = self.d.current_assets - self.d.short_term_liabilities
        # Nhu cầu VLĐ = (Tài sản ngắn hạn - Tiền) - (Nợ ngắn hạn - Vay ngắn hạn)
        operating_assets = self.d.accounts_receivable + self.d.inventory
        operating_liabilities = self.d.short_term_liabilities - (self.d.total_liabilities - self.d.long_term_liabilities)
        wcr = operating_assets - operating_liabilities
        net_cash = nwc - wcr
        return {"nwc": nwc, "wcr": wcr, "net_cash": net_cash}

    def compute_dupont_analysis(self) -> dict:
        """Phân rã ROE theo mô hình Dupont 3 nhân tố."""
        ros = (self.d.net_income / self.d.revenue) * 100
        tat = self.d.revenue / self.d.total_assets
        flm = self.d.total_assets / self.d.equity
        roe = (ros / 100) * tat * flm * 100
        
        icr = (self.d.ebit / self.d.interest_expense) if self.d.interest_expense > 0 else float('inf')
        return {
            "ros_percent": round(ros, 2),
            "asset_turnover": round(tat, 2),
            "equity_multiplier": round(flm, 2),
            "roe_percent": round(roe, 2),
            "interest_coverage_ratio": round(icr, 2)
        }

Testing và validation

Thuật toán và hệ thống chỉ tiêu phân tích được áp dụng kiểm định trực tiếp trên hồ sơ đề xuất cấp tín dụng của Công ty Cổ phần Lilama 10 (L10) – Doanh nghiệp xây lắp hạ tầng công nghiệp quy mô lớn thuộc Tổng Công ty Lắp máy Việt Nam (chiếm 36% Vốn điều lệ), khách hàng tín dụng trọng điểm của BIDV Nam Hà Nội.

Dữ liệu kiểm thử thực nghiệm BCTC Lilama 10 giai đoạn 2019 – 2021:

# Dữ liệu thực nghiệm hồ sơ Lilama 10 (Đơn vị: Tỷ đồng)
l10_data = FinancialData(
    current_assets=1085.4,
    cash_and_equivalents=142.1,
    short_term_investments=35.0,
    accounts_receivable=520.6,
    inventory=387.7,
    fixed_assets=245.2,
    total_assets=1330.6,
    short_term_liabilities=812.3,
    long_term_liabilities=85.4,
    total_liabilities=897.7,
    equity=432.9,
    revenue=1120.5,
    cogs=980.2,
    ebit=48.6,
    interest_expense=12.1,
    net_income=28.9,
    cfo=45.2
)

analyzer = FinancialAnalyzer(l10_data)
liquidity = analyzer.compute_liquidity_ratios()
dupont = analyzer.compute_dupont_analysis()
wc_metrics = analyzer.compute_working_capital_metrics()

Kết quả tính toán kiểm định:

  • Khả năng thanh toán hiện hành: $CR = \frac{1085,4}{812,3} = 1,34$ lần (Đạt chuẩn an toàn ngành xây lắp $\ge 1,2$).
  • Khả năng thanh toán nhanh: $QR = \frac{142,1 + 35,0 + 520,6}{812,3} = 0,86$ lần.
  • Phân rã Dupont:
    • Tỷ suất sinh lời doanh thu ($ROS$): $2,58%$
    • Hiệu suất sử dụng tổng tài sản ($TAT$): $0,84$ vòng/năm
    • Đòn bẩy tài chính ($FLM$): $3,07$ lần
    • Khả năng sinh lời vốn chủ sở hữu ($ROE$): $6,68%$
    • Hệ số khả năng trả lãi vay ($ICR$): $\frac{48,6}{12,1} = 4,02$ lần (Vượt xa ngưỡng rủi ro $2,0$, chứng minh khả năng trả nợ vay ngân hàng cực kỳ vững chắc).
  • Vốn lưu động ròng ($NWC$): $1085,4 - 812,3 = 273,1$ tỷ đồng (Dương, nguồn vốn dài hạn tài trợ tốt cho tài sản ngắn hạn).

Kết quả đạt được

Việc chuẩn hóa khung phân tích tài chính giúp BIDV Nam Hà Nội đạt được các chỉ tiêu kinh doanh và kiểm soát rủi ro vượt trội trong năm 2021:

Chỉ tiêu nghiệp vụ Kế hoạch giao 2021 Thực hiện 2021 Tỷ lệ hoàn thành (%) Tăng trưởng vs 2020 (%)
Huy động vốn cuối kỳ 9.956 tỷ đồng 11.117 tỷ đồng 103,0% +12,0%
Dư nợ tín dụng cuối kỳ 5.480 tỷ đồng 5.962 tỷ đồng 108,8% +37,0%
Lợi nhuận trước thuế (LNTT) 96,0 tỷ đồng 166,0 tỷ đồng 173,0% +27,0%
Tỷ lệ nợ xấu / Tổng dư nợ < 1,50% 0,70% Vượt kế hoạch Giảm 0,46%
Tỷ lệ nợ nhóm 2 < 0,50% 0,10% Vượt kế hoạch Kiểm soát tối ưu
Xếp hạng khách hàng Lilama 10 Hạng A Hạng A Chuẩn xác 100% Tỷ lệ đòn bẩy an toàn (10%)

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp kỹ thuật và phương pháp luận quan trọng trong công tác quản trị rủi ro tín dụng NHTM:

  1. Tích hợp ma trận đánh giá dòng tiền động: Khắc phục lỗ hổng của việc chỉ dựa vào chỉ tiêu lợi nhuận trên BCKQHĐKD. Phương pháp mới bóc tách cơ cấu dòng tiền từ BCLCTT ($CFO, CFI, CFF$), phân tích mối quan hệ cân bằng giữa Vốn lưu động ròng ($NWC$) và Nhu cầu vốn lưu động ($WCR$) để dự báo nguy cơ thiếu hụt thanh khoản trước khi phê duyệt hạn mức tín dụng.
  2. Chuẩn hóa mô hình Dupont 3 nhân tố trong thẩm định tín dụng: Thay vì đánh giá tỷ lệ $ROE$ độc lập, mô hình phân tích rõ $ROE$ của doanh nghiệp tăng trưởng là nhờ tối ưu biên lợi nhuận ($ROS$), tăng tốc độ quay vòng vốn ($TAT$) hay lạm dụng đòn bẩy nợ vay ($FLM$). Từ đó, phát hiện sớm các doanh nghiệp tăng trưởng nóng dựa trên rủi ro nợ vay quá mức.
  3. Tối ưu hóa thời gian và tính chuẩn xác của báo cáo thẩm định: Giảm 85% thời gian tính toán và đối chiếu chỉ số tài chính của chuyên viên QHKH, loại trừ 100% lỗi sai số học thủ công.
  4. Cơ chế xếp hạng tín dụng nội bộ gắn liền với đặc thù ngành: Xây dựng bộ trọng số tài chính chuyên biệt cho khối ngành xây lắp – cơ điện (như Lilama 10) với việc ưu tiên kiểm soát tỷ trọng nợ vay ngắn hạn, các khoản phải thu tồn đọng và tiến độ thanh quyết toán các công trình trọng điểm quốc gia (Thủy điện Sơn La, Lọc dầu Nghi Sơn, Nhiệt điện Sông Hậu 1).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Case)

Quy trình được áp dụng trực tiếp tại Phòng Khách hàng Doanh nghiệp 1 & 2, Phòng Quản trị Tín dụng và Phòng Quản lý Rủi ro tại BIDV Nam Hà Nội khi tiếp nhận hồ sơ xin cấp hạn mức tín dụng ngắn hạn và trung dài hạn:

  • Bước 1: Tiếp nhận và tiền xử lý: Nhập dữ liệu BCTC 3 năm liên tiếp có kiểm toán của doanh nghiệp vào hệ thống phân tích.
  • Bước 2: Phân tích tự động: Hệ thống kích hoạt thuật toán tính toán 4 nhóm tỷ số tài chính, phân rã Dupont và đối soát BCLCTT.
  • Bước 3: Đánh giá phi tài chính: CBTD kết hợp đánh giá mô hình SWOT, năng lực ban lãnh đạo, hợp đồng kinh tế đầu vào/đầu ra và kiểm tra lịch sử tín dụng tại cổng CIC.
  • Bước 4: Xuất báo cáo đề xuất hạn mức tín dụng: Xác định hạn mức cho vay tối đa dựa trên Nhu cầu vốn lưu động ($WCR$) và khả năng hoàn trả nợ gốc/lãi vay ($ICR \ge 2,0$).

Phân tích chi phí - Lợi ích (Cost-Benefit Analysis) & Lộ trình triển khai

  • Chi phí triển khai: Chi phí đào tạo cán bộ tín dụng và tích hợp module phần mềm ước tính tối ưu, tận dụng hạ tầng Core Banking hiện hữu của BIDV.
  • Lợi ích kinh tế: Giảm thiểu chi phí trích lập dự phòng rủi ro tín dụng (Năm 2021 chi nhánh giảm trích lập dự phòng rủi ro 49 tỷ đồng nhờ chất lượng tín dụng được kiểm soát chặt chẽ).
  • Lộ trình thực hiện:
    • Quý 1: Thử nghiệm áp dụng khung phân tích tại Phòng KHDN 1 và 2.
    • Quý 2: Đánh giá định kỳ danh mục 20 khách hàng có dư nợ lớn nhất (chiếm 38% tổng dư nợ chi nhánh).
    • Quý 3 & 4: Nhân rộng toàn bộ 05 phòng giao dịch trực thuộc (PGD Linh Đàm, Xa La, Đại Kim, Ngọc Hồi, Thanh Nhàn).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Độ trễ thông tin BCTC: Báo cáo tài chính doanh nghiệp cung cấp theo năm/quý thường có độ trễ nhất định so với dòng tiền phát sinh thực tế tại thời điểm thẩm định.
  2. Hiện tượng bất đối xứng thông tin: Một số doanh nghiệp ngoài quốc doanh chưa niêm yết có thể thực hiện các thủ thuật kế toán điều chỉnh doanh thu và công nợ nhằm làm đẹp hồ sơ vay vốn.

Hướng phát triển tương lai

  1. Tích hợp API Hóa đơn điện tử & Thuế: Kết nối trực tiếp hệ thống phân tích tín dụng với cơ sở dữ liệu hóa đơn điện tử của Tổng cục Thuế để xác thực dòng tiền doanh thu thời gian thực.
  2. Ứng dụng Machine Learning trong cảnh báo sớm rủi ro (Early Warning System): Phát triển mô hình Random Forest và Logistic Regression để chấm điểm tín dụng động, tự động kích hoạt cảnh báo khi các chỉ số thanh toán tức thời hoặc vòng quay phải thu giảm quá ngưỡng dung sai.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung tài liệu thực nghiệm chuẩn mực về quy trình thẩm định tín dụng KHDN tại ngân hàng thương mại quốc doanh lớn (BIDV), hiểu sâu cách vận dụng mô hình Dupont và quản trị dòng tiền.
  • Chuyên viên Quan hệ Khách hàng (CBTD) & Chuyên viên Quản trị rủi ro: Sở hữu bộ công cụ phương pháp luận mạch lạc, giảm thiểu thời gian xử lý hồ sơ và nâng cao độ an toàn khi ra quyết định cấp tín dụng.
  • Ngân hàng Thương mại (BIDV): Tối ưu hóa cơ cấu dư nợ, nâng cao tỷ suất sinh lời trên tài sản, kiểm soát nợ xấu (NPL duy trì ở mức 0,70%) và gia tăng hiệu quả sử dụng nguồn vốn huy động.
  • Doanh nghiệp vay vốn (KHDN): Được tư vấn tái cấu trúc nguồn vốn hợp lý, giải ngân nhanh chóng dựa trên năng lực tài chính minh bạch và tối ưu hóa chi phí sử dụng vốn.

Câu hỏi thường gặp

1. Tại sao phân tích tín dụng KHDN bắt buộc phải kết hợp cả 4 nhóm tỷ số tài chính?

Mỗi nhóm tỷ số phản ánh một khía cạnh độc lập nhưng liên kết hữu cơ: Khả năng thanh toán đo lường tính an toàn tức thời; Năng lực hoạt động đo lường hiệu quả luân chuyển vốn; Đòn bẩy tài chính đo lường mức độ rủi ro cấu trúc vốn; Khả năng sinh lời phản ánh năng lực tích lũy để trả nợ dài hạn. Thiếu một trong 4 nhóm sẽ tạo ra góc nhìn phiến diện về sức khỏe tài chính doanh nghiệp.

2. Mô hình Dupont 3 nhân tố đóng vai trò gì trong việc phê duyệt hạn mức cho vay?

Mô hình Dupont bóc tách $ROE = ROS \times TAT \times FLM$. Nếu một doanh nghiệp có $ROE$ cao thuần túy do hệ số đòn bẩy ($FLM$) tăng vọt trong khi biên lãi thuần ($ROS$) và vòng quay tài sản ($TAT$) sụt giảm, ngân hàng sẽ phát hiện ra doanh nghiệp đang tiềm ẩn rủi ro nợ vay nghiêm trọng và từ chối gia tăng hạn mức.

3. Vốn lưu động ròng ($NWC$) âm có đồng nghĩa với việc doanh nghiệp sẽ vỡ nợ không?

Không nhất thiết. $NWC < 0$ đồng nghĩa với việc doanh nghiệp đang dùng nguồn vốn ngắn hạn để tài trợ cho tài sản dài hạn. Đối với các ngành có vòng quay tiền mặt âm như siêu thị bán lẻ, đây có thể là lợi thế chiếm dụng vốn; tuy nhiên với ngành xây lắp hạ tầng (như Lilama 10), $NWC$ bắt buộc phải dương để đảm bảo tính an toàn thanh khoản cho các dự án thi công kéo dài.

4. Hồ sơ cấp tín dụng của CTCP Lilama 10 được đánh giá an toàn dựa trên căn cứ nào?

Lilama 10 sở hữu hệ số thanh toán hiện hành $CR = 1,34$ lần, hệ số bao phủ lãi vay $ICR = 4,02$ lần, tỷ lệ đòn bẩy an toàn tại mức 10%, dòng tiền hoạt động kinh doanh ($CFO$) đạt 45,2 tỷ đồng và có lịch sử thi công uy tín tại các công trình trọng điểm quốc gia (Thủy điện Sơn La, Lọc dầu Nghi Sơn).

5. Biện pháp nào giúp ngân hàng kiểm soát rủi ro số liệu tài chính bị sai lệch?

Ngân hàng thực hiện đối chiếu chéo số liệu BCTC đã kiểm toán với: Sao kê tài khoản ngân hàng trong 12 tháng gần nhất, tờ khai thuế VAT định kỳ, dữ liệu lịch sử quan hệ tín dụng trên hệ thống CIC và kiểm tra thực địa tài sản bảo đảm, kho hàng và công trường thi công.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Thị Kim Cúc dưới sự hướng dẫn của TS. Lê Thị Minh Ngọc đã giải quyết thành công bài toán hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp trong hoạt động tín dụng tại BIDV Nam Hà Nội. Nghiên cứu kết hợp nhuần nhuyễn giữa cơ sở lý luận tài chính hiện đại (mô hình Dupont, quản trị vốn lưu động ròng, phân tích dòng tiền BCLCTT) với dữ liệu thực chứng sống động giai đoạn 2019 – 2021 và case study thực tế CTCP Lilama 10.

Kết quả nghiên cứu khẳng định việc chuẩn hóa và hiện đại hóa quy trình phân tích tài chính không chỉ là đòn bẩy giúp chi nhánh BIDV Nam Hà Nội bứt phá dư nợ đạt 5.962 tỷ đồng (+37%) và lợi nhuận trước thuế đạt 166 tỷ đồng (+27%), mà còn là lá chắn vững chắc giúp kiềm chế tỷ lệ nợ xấu ở mức thấp ấn tượng 0,70%. Đây là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho sinh viên tài chính - ngân hàng cũng như các chuyên viên tín dụng trong toàn hệ thống NHTM Việt Nam.