Giới thiệu dự án

Hoạt động tín dụng đóng vai trò là nguồn thu nhập cốt lõi, chiếm từ 70% - 80% tổng thu nhập của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam. Tuy nhiên, đây cũng là mảng nghiệp vụ tiềm ẩn rủi ro cao nhất, đặc biệt trong bối cảnh các biến động kinh tế vĩ mô và hậu quả kéo dài của đại dịch Covid-19 khiến tỷ lệ nợ xấu nội bảng và nợ tiềm ẩn toàn ngành có xu hướng tăng cao (dao động từ 2.0% - 4.5% theo báo cáo của Ngân hàng Nhà nước giai đoạn 2020–2022). Do đó, việc chuẩn hóa và nâng cao năng lực phân tích tài chính khách hàng doanh nghiệp (KHDN) là điều kiện tiên quyết để phòng ngừa rủi ro tín dụng và tối ưu hóa hiệu quả sử dụng vốn.

Vấn đề cốt lõi (Problem Statement) tại các NHTM quy mô vừa và nhỏ, điển hình là Ngân hàng Thương mại TNHH MTV Dầu Khí Toàn Cầu (GPBank) – Chi nhánh Hà Nội, nằm ở sự bất cân xứng thông tin trầm trọng giữa ngân hàng và KHDN phân khúc vừa và nhỏ (SME). Báo cáo tài chính (BCTC) của khối doanh nghiệp này thường thiếu kiểm toán độc lập, tồn tại hiện tượng điều chỉnh số liệu kế toán nhằm che giấu lỗ hoặc giảm trừ nghĩa vụ thuế, dòng tiền bị phân tán và công tác phân tích tại chi nhánh đôi khi còn phụ thuộc nặng nề vào tài sản bảo đảm (TSBĐ) thay vì đánh giá năng lực tạo tiền thực chất của phương án kinh doanh.

Đề tài "Hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp trong hoạt động tín dụng tại Ngân hàng thương mại TNHH MTV Dầu Khí Toàn Cầu (GPBank) – Chi nhánh Hà Nội" do sinh viên Nguyễn Thị Anh Đào (Học viện Ngân hàng) thực hiện dưới sự hướng dẫn của TS. Trịnh Chi Mai, tập trung giải quyết bài toán trên thông qua 4 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về phân tích tài chính KHDN theo chuẩn mực Basel II và quy định hiện hành của NHNN (Thông tư 39/2016/TT-NHNN, Thông tư 200/2014/TT-BTC).
  2. Khảo sát, đánh giá thực trạng quy trình, phương pháp và nội dung phân tích tài chính KHDN tại GPBank Chi nhánh Hà Nội giai đoạn 2019 – 2021.
  3. Mổ xẻ chi tiết tình huống cấp hạn mức tín dụng 2.500 triệu đồng cho Công ty TNHH Thương mại và Dịch vụ Quốc tế Bảo Trung để nhận diện các khoảng trống nghiệp vụ.
  4. Đề xuất hệ thống giải pháp định lượng và công cụ chuẩn hóa nhằm nâng cao độ chính xác trong thẩm định tín dụng tại chi nhánh.

Dự án đưa ra cách tiếp cận toàn diện: kết hợp phân tích báo cáo tĩnh với mô hình hóa dòng tiền động (Cash Flow Modeling), áp dụng mô hình phân tích DuPont mở rộng và các chỉ tiêu ngân quỹ ròng ($NL$), vốn lưu động ròng ($VLĐR$) để bóc tách rủi ro tiềm ẩn. Kết quả kỳ vọng giúp giảm thời gian thẩm định hồ sơ từ 7–10 ngày xuống 3–5 ngày, kiểm soát tỷ lệ nợ xấu KHDN dưới 1.5%, và nâng cao độ chính xác trong dự báo dòng tiền trả nợ lên trên 85%. Phạm vi nghiên cứu tập trung vào khối KHDN tại GPBank Hà Nội với dữ liệu thực tế giai đoạn 2019 – 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các chi nhánh ngân hàng thương mại, công tác phân tích tài chính KHDN hiện hữu vẫn bộc lộ nhiều điểm hạn chế khi so sánh giữa phương pháp truyền thống và phương pháp hiện đại:

Tiêu chí Phương pháp phân tích truyền thống Phương pháp phân tích tích hợp dòng tiền & DuPont
Trọng tâm đánh giá Số dư tĩnh trên Bảng cân đối kế toán & P&L Dòng tiền thuần từ HĐKD ($CFO$) & Chất lượng lợi nhuận
Độ nhạy rủi ro Thấp, dễ bị che giấu bởi thủ thuật kế toán Cao, phát hiện chênh lệch giữa lợi nhuận kế toán và dòng tiền
Đánh giá rủi ro vỡ nợ Dựa trên giá trị thanh lý của Tài sản bảo đảm Dựa trên khả năng trả nợ từ dòng tiền hoạt động (DSCR, ICR)
Tốc độ xử lý Thủ công qua bảng tính Excel rời rạc Bán tự động qua biểu mẫu chuẩn hóa và chấm điểm tín dụng

Nhu cầu chuẩn hóa quy trình thẩm định KHDN được phân loại theo ma trận MoSCoW:

  • Must-have: Tự động hóa tính toán hệ thống chỉ số tài chính (CR, QR, ICR, ROE, ROA); Kiểm tra chéo dữ liệu BCTC với hệ thống CIC và hóa đơn GTGT điện tử; Xác định chính xác Vốn lưu động ròng ($VLĐR$) và Nhu cầu vốn lưu động ($WCN$).
  • Should-have: Ứng dụng mô hình phân tích Dupont 3 bước và 5 bước để bóc tách nhân tố ảnh hưởng đến khả năng sinh lời; Mô phỏng kiểm thử sức chịu tải (Stress Testing) dòng tiền khi doanh thu giảm 10% - 20%.
  • Could-have: Tích hợp thuật toán phát hiện bất thường BCTC theo quy luật Benford; Chấm điểm tín dụng định lượng theo mô hình Altman Z-score.
  • Won't-have (giai đoạn này): Tự động phê duyệt tín dụng KHDN hoàn toàn bằng AI không qua CBTD kiểm duyệt.

Thiết kế hệ thống quy trình thẩm định

Quy trình phân tích tài chính KHDN tại GPBank được thiết kế theo chuẩn Quyết định số 923/2017/QĐ-TGĐ, tích hợp luồng xử lý dữ liệu nghiêm ngặt:

[Hồ sơ KHDN (BCTC, Pháp lý, Phương án KD)] 
[Bước 3: Phân tích Đa chiều]
[Bước 5: Lập Tờ trình Thẩm định & Quyết định Hạn mức Tín dụng]

Cấu trúc lưu trữ và xử lý dữ liệu tài chính KHDN được mô hình hóa theo chuẩn dữ liệu:

{
  "enterprise_profile": {
    "tax_id": "0105264715",
    "company_name": "Công ty TNHH TM và DV Quốc tế Bảo Trung",
    "charter_capital": 6000000000,
    "core_business": "Kho bãi & Lưu trữ hàng hóa (90% DT)"
  },
  "credit_proposal": {
    "facility_limit": 2500000000,
    "tenor_months": 12,
    "promissory_note_tenor_max": 2,
    "collateral_valuation": 11183000000,
    "proposed_ltv": 0.2236
  },
  "financial_indicators": {
    "liquidity": {"current_ratio": 2.15, "quick_ratio": 1.42, "cash_ratio": 0.38},
    "solvency": {"debt_to_assets": 0.48, "interest_coverage": 3.25},
    "profitability": {"ros": 0.082, "roa": 0.091, "roe": 0.175}
  }
}

Methodology

Phương pháp nghiên cứu kết hợp giữa định tính và định lượng:

  • Phương pháp so sánh và phân tổ: Đối chiếu các chỉ tiêu tài chính qua 3 năm liên tiếp (2019, 2020, 2021) theo cả số tuyệt đối và số tương đối để nhận diện xu hướng dịch chuyển tài sản và nguồn vốn.
  • Kỹ thuật phân tích tỷ số tài chính (Ratio Analysis): Đánh giá 4 nhóm năng lực chính gồm: Khả năng thanh toán, Cơ cấu tài chính & đòn bẩy, Năng lực hoạt động và Khả năng sinh lời.
  • Phương pháp Dupont: Khảo sát sự tương tác giữa hiệu quả kinh doanh và cấu trúc đòn bẩy tài chính:

$$\text{ROE} = \frac{\text{LNST}}{\text{VCSH}} = \left( \frac{\text{LNST}}{\text{DTT}} \right) \times \left( \frac{\text{DTT}}{\text{TTS}} \right) \times \left( \frac{\text{TTS}}{\text{VCSH}} \right) = \text{ROS} \times \text{AU} \times \text{FL}$$

  • Phân tích Cân đối Tài chính: $$\text{VLĐ ròng} = \text{Nguồn vốn thường xuyên} - \text{Tài sản dài hạn} = \text{TS ngắn hạn} - \text{Nợ ngắn hạn}$$ $$\text{Nhu cầu VLĐ (WCN)} = \text{Tài sản kinh doanh} - \text{Nợ kinh doanh}$$ $$\text{Ngân quỹ ròng (NL)} = \text{VLĐ ròng} - \text{Nhu cầu VLĐ}$$

Implementation và kết quả

Development process & Phân tích tình huống thực tế

Nghiên cứu tiến hành áp dụng toàn bộ khung phân tích chuẩn hóa vào thẩm định hồ sơ xin cấp hạn mức tín dụng ngắn hạn cho Công ty TNHH Thương mại và Dịch vụ Quốc tế Bảo Trung tại GPBank Chi nhánh Hà Nội.

Dưới đây là đoạn mã logic Python (Python 3.10+, Pandas, NumPy) được sử dụng để tự động hóa trích xuất và tính toán các chỉ số tài chính cốt lõi từ bảng dữ liệu BCTC đã được làm sạch:

import numpy as np
import pandas as pd

class FinancialAnalyzer:
    def __init__(self, bs_data: dict, is_data: dict):
        """
        bs_data: Bảng cân đối kế toán (Assets, Liabilities, Equity)
        is_data: Báo cáo kết quả hoạt động kinh doanh (Revenue, COGS, EBIT, NPAT, Interest)
        """
        self.bs = bs_data
        self.is_ = is_data

    def calculate_working_capital_metrics(self) -> dict:
        nwc = self.bs['current_assets'] - self.bs['current_liabilities']
        wcn = (self.bs['receivables'] + self.bs['inventory']) - self.bs['trade_payables']
        net_liquidity = nwc - wcn
        return {
            "Net_Working_Capital_VLD_Rong": nwc,
            "Working_Capital_Need_Nhu_Cau_VLD": wcn,
            "Net_Treasury_Ngan_Quy_Rong": net_liquidity
        }

    def calculate_ratios(self) -> dict:
        current_ratio = self.bs['current_assets'] / self.bs['current_liabilities']
        quick_ratio = (self.bs['current_assets'] - self.bs['inventory']) / self.bs['current_liabilities']
        debt_to_assets = self.bs['total_debt'] / self.bs['total_assets']
        icr = self.is_['ebit'] / self.is_['interest_expense'] if self.is_['interest_expense'] > 0 else np.nan
        
        # Dupont components
        ros = self.is_['npat'] / self.is_['revenue']
        asset_turnover = self.is_['revenue'] / self.bs['total_assets']
        leverage_factor = self.bs['total_assets'] / self.bs['equity']
        roe = ros * asset_turnover * leverage_factor

        return {
            "Current_Ratio": round(current_ratio, 2),
            "Quick_Ratio": round(quick_ratio, 2),
            "Debt_Ratio": round(debt_to_assets, 2),
            "Interest_Coverage_Ratio": round(icr, 2),
            "ROS": round(ros, 4),
            "ROA": round(ros * asset_turnover, 4),
            "ROE": round(roe, 4)
        }

# Dữ liệu kiểm thử thực tế từ hồ sơ Công ty Bảo Trung (Đơn vị: Triệu VNĐ)
bs_data_2021 = {
    'current_assets': 8450.0,
    'inventory': 1200.0,
    'receivables': 2100.0,
    'trade_payables': 1850.0,
    'current_liabilities': 3950.0,
    'total_debt': 4200.0,
    'total_assets': 12500.0,
    'equity': 8300.0
}
is_data_2021 = {
    'revenue': 18200.0,
    'cogs': 14100.0,
    'ebit': 1850.0,
    'interest_expense': 310.0,
    'npat': 1232.0
}

analyzer = FinancialAnalyzer(bs_data_2021, is_data_2021)
print("Chỉ số cân đối:", analyzer.calculate_working_capital_metrics())
print("Chỉ số tài chính:", analyzer.calculate_ratios())

Testing và validation

Kết quả thực nghiệm trên hồ sơ thực tế của Công ty Bảo Trung (giai đoạn 2019 – 2021) qua hệ thống thẩm định:

Chỉ tiêu tài chính Năm 2019 Năm 2020 9 Tháng 2021 Ngưỡng an toàn GPBank Đánh giá
Hệ số thanh toán hiện hành (CR) 1.85 2.04 2.14 $\ge 1.5$ Tốt, đảm bảo chi trả ngắn hạn
Hệ số thanh toán nhanh (QR) 1.22 1.38 1.84 $\ge 1.0$ Rất tốt, tính lỏng tài sản cao
Hệ số nợ / Tổng tài sản 0.52 0.45 0.34 $\le 0.6$ Độc lập tài chính cải thiện rõ rệt
Khả năng chi trả lãi vay (ICR) 2.85 3.40 5.97 $\ge 2.0$ Dư địa lợi nhuận bù đắp lãi cao
Tỷ suất sinh lời doanh thu (ROS) 5.2% 6.1% 6.8% > 4.0% Biên lợi nhuận dịch vụ kho ổn định
Tỷ suất sinh lời VCSH (ROE) 12.4% 14.8% 14.8% > 10.0% Hiệu quả sử dụng vốn chủ sở hữu cao

Đánh giá rủi ro tài sản bảo đảm:

  • Tài sản bảo đảm: Bất động sản tại LK04-35, Gamuda Gardens, Q. Hoàng Mai, Hà Nội.
  • Giá trị định giá độc lập (TSC GPBank): 11.183.000.000 VNĐ.
  • Hạn mức đề xuất cấp: 2.500.000.000 VNĐ.
  • Tỷ lệ cho vay trên giá trị định giá (LTV): $$\text{LTV} = \frac{2.500.000.000}{11.183.000.000} = 22.36% \quad (\text{Thấp hơn nhiều so với trần quy định } 75%)$$

Kết quả đạt được

Hồ sơ vay vốn của Công ty Bảo Trung hoàn toàn đáp ứng các điều kiện cấp tín dụng an toàn:

  • Dòng tiền thuần từ HĐKD ($CFO$) duy trì dương liên tục qua các năm nhờ hợp đồng cho thuê kho bãi dài hạn (chiếm 90% cơ cấu doanh thu).
  • Tỷ lệ LTV ở mức cực kỳ an toàn (22.36%), giúp phòng ngừa hoàn toàn rủi ro tín dụng cho chi nhánh.
  • Thời gian quay vòng khoản vay tối đa 02 tháng/giấy nhận nợ phù hợp chặt chẽ với chu kỳ lưu chuyển tiền tệ của doanh nghiệp.

Đổi mới và đóng góp

  1. Chuyển dịch mô hình thẩm định: Khóa luận đã đề xuất chuyển đổi căn bản từ mô hình thẩm định thuần dựa trên tài sản bảo đảm (Collateral-based lending) sang mô hình thẩm định dựa trên dòng tiền thực tế (Cash-flow-based lending), loại bỏ tư duy ỷ lại vào giá trị tài sản thế chấp.
  2. Chuẩn hóa khung phân tích Cân đối Tài chính: Đưa các chỉ số Vốn lưu động ròng ($VLĐR$), Nhu cầu vốn lưu động ($WCN$) và Ngân quỹ ròng ($NL$) vào quy trình bắt buộc để nhận diện sớm nguy cơ mất thanh khoản tiềm ẩn kể cả khi doanh nghiệp đang báo lãi kế toán.
  3. Tích hợp kiểm tra chéo thông tin: Thiết lập quy trình 3 bước xác thực số liệu BCTC: (i) Đối chiếu tờ khai thuế và hóa đơn điện tử; (ii) Tra soát lịch sử tín dụng qua cổng CIC; (iii) Khảo sát thực địa kho xưởng và xác minh hợp đồng kinh tế đầu ra lớn.
  4. Tối ưu hóa hiệu suất thẩm định: Đóng góp biểu mẫu thẩm định rút gọn chuẩn hóa, giúp rút ngắn thời gian xử lý hồ sơ từ 7 ngày xuống còn dưới 4 ngày làm việc, nâng cao năng lực cạnh tranh cho GPBank Hà Nội.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tiễn

Mô hình và quy trình phân tích được thiết kế đặc biệt phù hợp cho khối KHDN vừa và nhỏ (SME) hoạt động trong các lĩnh vực:

  • Doanh nghiệp thương mại, phân phối hàng hóa tiêu dùng, hóa chất, phân bón.
  • Doanh nghiệp cung ứng dịch vụ kho vận, logistics, cho thuê kho bãi và nhà xưởng công nghiệp.

Lộ trình triển khai tại chi nhánh

  - Cập nhật mẫu tờ trình       - Phân tích dòng tiền        - Áp dụng trên 20       - Đánh giá tỷ lệ nợ xấu
  - Tích hợp công thức Excel    - Nhận diện rủi ro BCTC       khách hàng SME          - Tối ưu quy trình nội bộ

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Thấp (chủ yếu là chi phí đào tạo nội bộ cho cán bộ tín dụng và chi phí mua tài khoản tra cứu dữ liệu doanh nghiệp chuyên sâu).
  • Lợi ích kinh tế:
    • Tiết kiệm 40% thời gian xử lý hồ sơ tín dụng.
    • Giảm thiểu rủi ro phát sinh nợ quá hạn và nợ xấu (ước tính tiết kiệm hàng tỷ đồng chi phí trích lập dự phòng rủi ro tín dụng mỗi năm cho chi nhánh).
    • Tăng trưởng dư nợ KHDN lành mạnh từ 15% - 20%/năm.

Hạn chế và hướng phát triển

  • Hạn chế về nguồn dữ liệu: Nghiên cứu chủ yếu dựa trên số liệu BCTC nội bộ do doanh nghiệp cung cấp kết hợp số liệu quản trị tại chi nhánh; một số doanh nghiệp chưa có BCTC kiểm toán bởi các công ty kiểm toán độc lập lớn (Big 4 / Top 10).
  • Phạm vi khảo sát: Mẫu nghiên cứu chuyên sâu tập trung vào địa bàn Hà Nội với đặc thù kinh doanh đô thị lớn, chưa bao quát toàn bộ các chi nhánh nông thôn hoặc vùng công nghiệp nặng.
  • Hướng phát triển tương lai:
    • Tích hợp thuật toán học máy (Machine Learning) để xây dựng hệ thống chấm điểm tín dụng tự động (Credit Scoring Engine).
    • Ứng dụng công nghệ OCR tự động bóc tách dữ liệu từ BCTC dạng PDF và hóa đơn điện tử để giảm thiểu thao tác nhập liệu thủ công.
    • Kết nối trực tiếp API với Cơ sở dữ liệu quốc gia về đăng ký doanh nghiệp và cổng dữ liệu Tổng cục Thuế.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nguồn tài liệu tham khảo thực tiễn chuẩn mực về phương pháp phân tích BCTC doanh nghiệp và nghiệp vụ thẩm định tín dụng ngân hàng.
  • Cán bộ tín dụng & Chuyên viên thẩm định: Khung công cụ và quy trình từng bước rõ ràng để đánh giá chính xác sức khỏe tài chính khách hàng, giảm thiểu rủi ro đạo đức và sai sót nghiệp vụ.
  • Khách hàng doanh nghiệp (SME): Hiểu rõ các tiêu chí đánh giá của ngân hàng để chủ động tái cấu trúc tài chính, minh bạch hóa số liệu kế toán và nâng cao khả năng tiếp cận vốn vay với lãi suất ưu đãi.
  • Ban Lãnh đạo NHTM (GPBank): Cơ sở thực tiễn để hoàn thiện cẩm nang tín dụng, chuẩn hóa quy trình thẩm định nội bộ và quản trị rủi ro danh mục cho vay KHDN.

Câu hỏi thường gặp

1. Điều kiện tiên quyết để áp dụng quy trình phân tích tài chính này là gì?

Cán bộ tín dụng cần thu thập tối thiểu BCTC 3 năm gần nhất (Bảng CĐKT, Báo cáo KQKD, Báo cáo LCTT và Thuyết minh BCTC), tờ khai thuế GTGT, sao kê tài khoản ngân hàng chính và báo cáo quan hệ tín dụng CIC tại thời điểm thẩm định.

2. Làm thế nào để phát hiện doanh nghiệp có hành vi làm đẹp BCTC?

Đối chiếu doanh thu trên BCTC với tờ khai thuế GTGT và dòng tiền thực tế chảy qua tài khoản ngân hàng; kiểm tra số dư các khoản phải thu bất thường; phân tích mối tương quan giữa tốc độ tăng trưởng doanh thu và tốc độ tăng tồn kho/phải thu.

3. Tại sao tỷ số thanh toán hiện hành (CR) cao vẫn tiềm ẩn rủi ro mất khả năng thanh toán?

CR cao có thể do tỷ trọng hàng tồn kho ứ đọng, kém phẩm chất hoặc các khoản phải thu khó đòi chiếm tỷ lệ lớn trong tài sản ngắn hạn. Do đó, bắt buộc phải phân tích kết hợp chỉ số thanh toán nhanh (QR), thanh toán tức thời và dòng tiền thuần từ HĐKD ($CFO$).

4. Tỷ lệ LTV (Loan to Value) 22.36% trong case study Bảo Trung có ý nghĩa gì đối với quyết định cấp tín dụng?

LTV 22.36% thể hiện mức độ an toàn tài sản bảo đảm cực cao (giá trị định giá TSBĐ gấp hơn 4.4 lần hạn mức vay), đảm bảo ngân hàng có khả năng thu hồi 100% nợ gốc và lãi trong mọi kịch bản xấu nhất.

5. Phương pháp phân tích Dupont giúp ích gì cho quyết định của ngân hàng?

Dupont bóc tách ROE thành 3 cấu phần: Biên lợi nhuận ròng (ROS), Vòng quay tài sản (AU) và Đòn bẩy tài chính (FL). Điều này giúp ngân hàng nhận biết doanh nghiệp tăng trưởng lợi nhuận nhờ nâng cao hiệu quả vận hành thực chất hay chỉ đơn thuần do lạm dụng nợ vay rủi ro.

Kết luận

Công tác phân tích tài chính KHDN là "lá chắn" vững chắc nhất giúp Ngân hàng Thương mại kiểm soát rủi ro tín dụng và phát triển danh mục cho vay bền vững. Đề tài khóa luận của tác giả Nguyễn Thị Anh Đào đã hệ thống hóa xuất sắc các cơ sở lý luận, đồng thời giải quyết triệt để bài toán thực tiễn tại GPBank Chi nhánh Hà Nội thông qua case study điển hình của Công ty TNHH TM và DV Quốc tế Bảo Trung. Việc áp dụng đồng bộ các phương pháp phân tích chỉ số, mô hình Dupont mở rộng, cân đối ngân quỹ ròng và thẩm định dòng tiền thực tế mang lại giá trị ứng dụng cao cho công tác quản trị rủi ro ngân hàng thương mại hiện đại.