Giới thiệu dự án

Hoạt động cấp tín dụng đóng vai trò huyết mạch trong hệ thống ngân hàng thương mại (NHTM), chiếm tới 75% – 80% tổng thu nhập của các tổ chức tín dụng tại Việt Nam. Tuy nhiên, tín dụng cũng là mảng nghiệp vụ tiềm ẩn rủi ro lớn nhất, dễ dẫn đến tổn thất vốn và đe dọa trực tiếp đến tính thanh khoản, an toàn hệ thống nếu không được kiểm soát chặt chẽ.

Đồ án khóa luận tốt nghiệp ngành Phân tích dữ liệu lớn trong kinh tế và kinh doanh (Học viện Chính sách và Phát triển) tập trung giải quyết bài toán cốt lõi: "Nâng cao năng lực quản trị rủi ro tín dụng (QTRRTD) tại Ngân hàng TMCP Việt Á – Chi nhánh Phan Đình Phùng (VietABank – CN PDP)".

                ┌────────────────────────────────────────┐
                │   HOẠT ĐỘNG CẤP TÍN DỤNG NGÂN HÀNG     │
                │  (Chiếm ~80% thu nhập của NHTM)        │
                └──────────────────┬─────────────────────┘
                                   │
                    Áp lực suy giảm kinh tế & Lỗ hổng
                                   ▼
        ┌────────────────────────────────────────────────────────┐
        │                 THỰC TRẠNG RỦI RO PHÁT SINH            │
        │  • Dư nợ tăng nóng: 780 tỷ (2020) ➔ 1.500 tỷ (2022)    │
        │  • Nợ quá hạn: 60 tỷ VNĐ (4,00% tổng dư nợ)            │
        │  • Nợ xấu (Nhóm 3-5): 44,5 tỷ VNĐ (2,97% tổng dư nợ)   │
        └──────────────────────────┬─────────────────────────────┘
                                   │
                  Yêu cầu hiện đại hóa công tác QTRRTD
                                   ▼
        ┌────────────────────────────────────────────────────────┐
        │                GIẢI PHÁP CHUYỂN ĐỔI SỐ                 │
        │  1. Mô hình chấm điểm tín dụng nội bộ đa tiêu chí      │
        │  2. Phân tách quy trình độc lập: Bán hàng - Thẩm định  │
        │  3. Hệ thống giám sát dòng tiền & Phân loại nợ TT02    │
        └────────────────────────────────────────────────────────┘

1. Vấn đề thực tiễn và bài toán nghiên cứu (Problem Statement)

Giai đoạn 2020 – 2022, tổng dư nợ tại VietABank – CN PDP tăng trưởng từ 780 tỷ đồng lên 1.500 tỷ đồng (tăng 92,3%). Tuy nhiên, chất lượng tín dụng đối mặt với nhiều thách thức lớn:

  • Áp lực nợ quá hạn và nợ xấu: Tính đến 31/12/2022, dư nợ quá hạn đạt 60 tỷ đồng (chiếm 4,00% tổng dư nợ), trong đó nợ xấu (nhóm 3 đến nhóm 5) là 44,5 tỷ đồng (chiếm 2,97% tổng dư nợ). Tỷ lệ khách hàng có nợ quá hạn chiếm tới 11,84% (47/397 khách hàng).
  • Lệch pha kỳ hạn tín dụng: Dư nợ ngắn hạn chiếm tỷ trọng áp đảo 81,3% (1.220 tỷ đồng), tập trung cao vào thương mại - dịch vụ và thế chấp bằng bất động sản.
  • Lỗ hổng thẩm định và giám sát: Phụ thuộc nặng nề vào tài sản bảo đảm (TSĐB) thay vì đánh giá dòng tiền thực tế; hệ thống chấm điểm nội bộ chưa hoàn toàn tự động hóa; rủi ro đạo đức và năng lực phân tích báo cáo tài chính nội bộ của cán bộ tín dụng còn hạn chế.

2. Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về rủi ro tín dụng và quy trình QTRRTD theo chuẩn mực quốc tế và Thông tư số 02/2013/TT-NHNN.
  2. Phân tích thực trạng hoạt động tín dụng, phân loại nợ và đo lường nợ xấu tại VietABank – CN PDP giai đoạn 2020 – 2022.
  3. Xây dựng mô hình định lượng đánh giá các nhân tố tác động đến RRTD thông qua khảo sát thực nghiệm 200 cán bộ, lãnh đạo ngân hàng.
  4. Đề xuất hệ thống giải pháp công nghệ dữ liệu và tối ưu quy trình quản trị rủi ro đến năm 2025.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, công tác QTRRTD đang dịch chuyển từ phương thức truyền thống sang mô hình tích hợp dữ liệu tập trung.

Tiêu chí Mô hình truyền thống (Thủ công) Hệ thống XHTD nội bộ hiện tại của VietABank Mô hình chuẩn hóa Basel II/III đề xuất
Quy trình thẩm định CVQHKH vừa bán hàng vừa thẩm định Độc lập sơ bộ giữa CVQHKH và Phòng Quản lý rủi ro Phân tách dọc tập trung, độc lập 3 vòng kiểm soát
Phương pháp chấm điểm Cảm tính, định tính đơn giản Thang điểm 100 kết hợp tài chính và phi tài chính Mô hình định lượng xác suất vỡ nợ (PD, LGD, EAD)
Giám sát sau cấp tín dụng Kiểm tra định kỳ tại chỗ rời rạc Báo cáo tài chính định kỳ + kiểm tra sao kê Tự động hóa cảnh báo sớm (Early Warning System)
Tỷ lệ sai sót dữ liệu > 15% do nhập liệu thủ công 5% – 8% do đối soát bán tự động < 1% thông qua Data Pipeline & Core Banking API
                       QUY TRÌNH THẨM ĐỊNH TÍN DỤNG TẬP TRUNG
                       
  ┌──────────────┐      ┌───────────────┐      ┌───────────────┐      ┌──────────────┐
  │   CVQHKH     │ ───► │  Hệ thống     │ ───► │  Phòng Quản   │ ───► │  Hội đồng    │
  │ (Thu thập    │      │  XHTD Nội bộ  │      │  lý Rủi ro    │      │  Tín dụng    │
  │  Hồ sơ KH)   │      │ (Auto Scoring)│      │ (Thẩm định độc│      │ (Phê duyệt   │
  └──────────────┘      └───────────────┘      │  lập & ĐL TS) │      │  Hạn mức)    │
                                               └───────────────┘      └──────────────┘

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Module chấm điểm tự động phân loại 10 hạng (AAA đến D); module tính toán trích lập dự phòng rủi ro 5 nhóm nợ theo tỷ lệ quy định ($0%, 5%, 20%, 50%, 100%$).
  • Should have: Tích hợp module truy vấn tự động báo cáo thông tin tín dụng CIC; cơ chế cảnh báo nợ quá hạn từ 10 ngày trở lên.
  • Could have: Module phân tích dự báo kinh tế vĩ mô và phân tích độ nhạy ngành kinh doanh.
  • Won't have (giai đoạn 1): Tự động giải ngân trực tiếp không cần phê duyệt của cấp thẩm quyền.

Thiết kế hệ thống dữ liệu và kiến trúc công nghệ

graph TD
    A[Nguồn Dữ Liệu: Core Banking, BCTC, CIC, TSĐB] --> B[ETL Data Pipeline: Apache Airflow 2.7]
    B --> C[(Kho Dữ Liệu Tập Trung: PostgreSQL 15)]
    C --> D[Credit Scoring Engine: Python 3.10 / Scikit-Learn]
    D --> E[API Gateway: FastAPI 0.104]
    E --> F[Dashboard Quản Trị Rủi Ro: Metabase / PowerBI]
    E --> G[Hệ Thống Cảnh Báo Sớm: Redis 7.2 + Celery Worker]

Technology Stack

  • Ngôn ngữ xử lý dữ liệu: Python 3.10.12, R 4.3.1
  • Thư viện tính toán & ML: Pandas 2.1.1, NumPy 1.26.0, Scikit-learn 1.3.1, Statsmodels 0.14.0
  • Cơ sở dữ liệu: PostgreSQL 15.4, Redis 7.2 (Caching & Task Queue)
  • API Framework: FastAPI 0.104.1 (Pydantic v2)
  • Phân tích khảo sát: IBM SPSS Statistics 26.0

Thiết kế cấu trúc dữ liệu (Database Schema)

-- Bảng quản lý thông tin khách hàng và xếp hạng tín dụng
CREATE TABLE credit_customer (
    customer_id VARCHAR(20) PRIMARY KEY,
    customer_name VARCHAR(255) NOT NULL,
    customer_type VARCHAR(20) CHECK (customer_type IN ('INDIVIDUAL', 'SME', 'CORP')),
    financial_score NUMERIC(5, 2) NOT NULL,
    non_financial_score NUMERIC(5, 2) NOT NULL,
    total_score NUMERIC(5, 2) GENERATED ALWAYS AS (financial_score + non_financial_score) STORED,
    credit_rating VARCHAR(5) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Bảng quản lý hợp đồng tín dụng và nhóm nợ theo Thông tư 02
CREATE TABLE loan_account (
    loan_id VARCHAR(30) PRIMARY KEY,
    customer_id VARCHAR(20) REFERENCES credit_customer(customer_id),
    loan_amount NUMERIC(15, 2) NOT NULL,
    current_balance NUMERIC(15, 2) NOT NULL,
    overdue_days INT DEFAULT 0,
    debt_group INT CHECK (debt_group BETWEEN 1 AND 5),
    collateral_value NUMERIC(15, 2) DEFAULT 0.00,
    specific_provision NUMERIC(15, 2) DEFAULT 0.00,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận nghiên cứu (Methodology)

  1. Nghiên cứu định tính: Phân tích tổng hợp lý luận, đánh giá quy chế nội bộ theo Quyết định 1978/QĐ-HĐQT-VAB và hệ thống XHTD nội bộ theo Quyết định 1327/QĐ-VAB & 1328/QĐ-VAB.
  2. Nghiên cứu định lượng:
    • Khảo sát thực nghiệm với $N = 200$ mẫu hợp lệ từ cán bộ tín dụng, thẩm định và lãnh đạo tại Hội sở chính cùng VietABank – CN Phan Đình Phùng.
    • Sử dụng thang đo Likert 5 bậc (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý).
    • Kiểm định độ tin cậy thang đo bằng hệ số Cronbach's Alpha và phân tích hồi quy các nhân tố ảnh hưởng.

Implementation và kết quả

Development Process & Thuật toán tính toán rủi ro

Quy trình QTRRTD được tự động hóa thông qua các thuật toán cốt lõi tính toán điểm số tín dụng và trích lập dự phòng theo công thức:

$$\text{Tỷ lệ nợ quá hạn} = \frac{\text{Tổng nợ quá hạn}}{\text{Tổng dư nợ}} \times 100%$$

$$\text{Dự phòng cụ thể (DPRR)} = \max\left(0, (\text{Dư nợ gốc} - \text{Giá trị TSĐB đã khấu trừ}) \times r_i\right)$$

Trong đó $r_i$ là tỷ lệ trích lập tương ứng 5 nhóm nợ: $r_1=0%, r_2=5%, r_3=20%, r_4=50%, r_5=100%$.

from dataclasses import dataclass
from typing import Dict, Literal
from enum import Enum

class DebtGroup(Enum):
    GROUP_1 = 1  # Du tieu chuan (0%)
    GROUP_2 = 2  # Can chu y (5%)
    GROUP_3 = 3  # Duoi tieu chuan (20%)
    GROUP_4 = 4  # Nghi ngo (50%)
    GROUP_5 = 5  # Kha nang mat von (100%)

@dataclass
class CreditProfile:
    customer_id: str
    overdue_days: int
    principal_balance: float
    collateral_value: float
    financial_score: float      # Thang diem 0 - 60
    non_financial_score: float  # Thang diem 0 - 40

class CreditRiskEngine:
    RATING_MAP = [
        (92, 100, "AAA", "Rui ro rat thap"),
        (85, 92,  "AA",  "Rui ro thap"),
        (77, 85,  "A",   "Rui ro tuong doi thap"),
        (70, 77,  "BBB", "Rui ro trung binh"),
        (65, 70,  "BB",  "Rui ro duoi trung binh"),
        (59, 65,  "B",   "Rui ro tuong doi cao"),
        (56, 59,  "CCC", "Rui ro cao"),
        (53, 56,  "CC",  "Rui ro rat cao"),
        (45, 53,  "C",   "Rui ro dac biet cao"),
        (0,  45,  "D",   "Nguy co mat von")
    ]
    
    PROVISION_RATES = {
        DebtGroup.GROUP_1: 0.00,
        DebtGroup.GROUP_2: 0.05,
        DebtGroup.GROUP_3: 0.20,
        DebtGroup.GROUP_4: 0.50,
        DebtGroup.GROUP_5: 1.00
    }

    @classmethod
    def evaluate_rating(cls, total_score: float) -> Dict[str, str]:
        for lower, upper, rank, desc in cls.RATING_MAP:
            if lower <= total_score <= upper:
                return {"rating": rank, "risk_level": desc}
        return {"rating": "D", "risk_level": "Nguy co mat von"}

    @classmethod
    def classify_debt_group(cls, overdue_days: int) -> DebtGroup:
        if overdue_days < 10:
            return DebtGroup.GROUP_1
        elif 10 <= overdue_days <= 90:
            return DebtGroup.GROUP_2
        elif 91 <= overdue_days <= 180:
            return DebtGroup.GROUP_3
        elif 181 <= overdue_days <= 360:
            return DebtGroup.GROUP_4
        else:
            return DebtGroup.GROUP_5

    @classmethod
    def calculate_provision(cls, profile: CreditProfile) -> Dict[str, float]:
        debt_group = cls.classify_debt_group(profile.overdue_days)
        rate = cls.PROVISION_RATES[debt_group]
        
        # Gia tri chiu trich lap sau khi khau tru TSDB hop le
        net_exposure = max(0.0, profile.principal_balance - profile.collateral_value)
        specific_provision = net_exposure * rate
        
        # Trich lap du phong chung: 0.75% tren tong du no nhom 1 - 4
        general_provision = (profile.principal_balance * 0.0075) if debt_group != DebtGroup.GROUP_5 else 0.0
        
        return {
            "debt_group": debt_group.value,
            "specific_provision": round(specific_provision, 2),
            "general_provision": round(general_provision, 2),
            "total_provision": round(specific_provision + general_provision, 2)
        }

Kết quả đo lường thực tế tại Chi nhánh

Phân tích số liệu thực tế giai đoạn 2020 – 2022 tại VietABank – CN Phan Đình Phùng phản ánh diễn biến rủi ro:

Chỉ tiêu tài chính & tín dụng Năm 2020 Năm 2021 Năm 2022 Biến động 2022/2020
Tổng dư nợ (Tỷ đồng) 780,00 1.100,00 1.500,00 +92,31%
- Dư nợ ngắn hạn (Tỷ đồng / Tỷ trọng) 600,00 (77,0%) 870,00 (78,5%) 1.220,00 (81,3%) +103,33%
- Dư nợ trung & dài hạn (Tỷ đồng) 180,00 (23,0%) 230,00 (21,5%) 280,00 (18,7%) +55,56%
Nợ quá hạn (Tỷ đồng) 30,22 37,80 60,00 +98,54%
- Tỷ lệ nợ quá hạn / Tổng dư nợ 3,87% 3,44% 4,00% +0,13 điểm %
- Khách hàng có nợ quá hạn / Tổng KH 33 / 321 (10,28%) 45 / 411 (10,95%) 47 / 397 (11,84%) +1,56 điểm %
Nợ xấu nhóm 3 – 5 (Tỷ đồng) 24,18 31,90 44,50 +84,04%
- Nợ nhóm 3: Dưới tiêu chuẩn 6,50 8,20 12,50 +92,31%
- Nợ nhóm 4: Nghi ngờ 11,20 15,10 22,00 +96,43%
- Nợ nhóm 5: Khả năng mất vốn 6,48 8,60 10,00 +54,32%
Tỷ lệ nợ xấu / Tổng dư nợ 3,10% 2,90% 2,97% -0,13 điểm %

Đổi mới và đóng góp

  1. Chuẩn hóa hệ thống xếp hạng tín dụng nội bộ 10 bậc: Xây dựng ma trận chấm điểm phân tầng từ AAA (Rủi ro thấp nhất) đến D (Nguy cơ vỡ nợ), loại bỏ sự phụ thuộc cảm tính của chuyên viên thẩm định.
  2. Thiết lập mô hình tổ chức phân tách độc lập: Tách bạch 3 chức năng: Khởi tạo tín dụng (Phòng KH) $\rightarrow$ Thẩm định độc lập & Định giá tài sản (Phòng Quản lý rủi ro) $\rightarrow$ Giám sát & Quản lý nợ có vấn đề.
  3. Cải thiện hiệu suất vận hành đo lường được:
    • Thời gian thẩm định hồ sơ chuẩn giảm từ 5 ngày xuống 3 ngày làm việc (cải thiện 40% tốc độ xử lý).
    • Tỷ lệ nợ xấu được kiểm soát chặt chẽ ở mức 2,97% năm 2022 (dưới ngưỡng trần an toàn 3,00% của NHNN).
    • Nâng cao tính chính xác trong định giá TSĐB, giảm thiểu 35% các trường hợp định giá vượt quá giá trị thị trường.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Case)

Khi tiếp nhận hồ sơ vay vốn doanh nghiệp SME ngành thương mại dịch vụ trị giá 10 tỷ đồng:

  1. Bước 1: CVQHKH nhập liệu báo cáo tài chính đã kiểm toán và hồ sơ pháp lý vào hệ thống.
  2. Bước 2: Engine tính toán tự động các chỉ số thanh toán hiện hành, vòng quay vốn lưu động, đòn bẩy tài chính ($D/E$) và chấm điểm phi tài chính $\rightarrow$ Xếp hạng BBB.
  3. Bước 3: Hệ thống tự động xác định hạn mức tín dụng tối đa (không quá 3 lần vốn chủ sở hữu) và xuất cảnh báo nếu tài sản thế chấp là BĐS có biến động giá trị.
  4. Bước 4: Phòng Quản lý rủi ro thẩm định độc lập và trình Hội đồng tín dụng giải ngân.
                    LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP 2023 - 2025
                    
  2023                        2024                        2025
  ├── Số hóa 100% hồ sơ       ├── Tích hợp API            └── Ứng dụng Machine
  │   chấm điểm nội bộ        │   CIC thời gian thực          Learning (PD/LGD)
  └── Tái cơ cấu mô hình      └── Thành lập Bộ phận       └── Tự động hóa Early
      kiểm soát dọc               Dự báo kinh tế vĩ mô        Warning System

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Cơ sở dữ liệu lịch sử khách hàng cá nhân còn phân tán, phụ thuộc một phần vào báo cáo giấy.
  • Chưa kết nối API trực tiếp theo thời gian thực với hệ thống Định danh & Dữ liệu dân cư quốc gia.
  • Danh mục tín dụng còn tập trung lớn vào tài sản thế chấp là bất động sản (chiếm trên 70% danh mục bảo đảm).

Hướng phát triển tiếp theo

  • Xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) và tổn thất khi vỡ nợ (Loss Given Default - LGD) ứng dụng thuật toán Random Forest và XGBoost.
  • Phát triển hệ thống Radar cảnh báo sớm rủi ro (Early Warning Radar) dựa trên biến động số dư tài khoản thanh toán và dòng tiền thực tế.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận khung phương pháp luận phân tích rủi ro tín dụng thực tế, kết hợp giữa lý thuyết ngân hàng và công nghệ xử lý dữ liệu.
  • Chuyên viên tín dụng & Quản trị rủi ro: Sở hữu bộ công cụ, quy trình và thuật toán tính toán phân loại nợ, trích lập dự phòng chính xác.
  • Ban Lãnh đạo NHTM: Có căn cứ khoa học để hoạch định chính sách tín dụng an toàn, tối ưu hóa tỷ lệ an toàn vốn (CAR) theo chuẩn Basel.
  • Nhà nghiên cứu kinh tế: Nguồn tài liệu tham khảo thực nghiệm phong phú về thị trường tín dụng Việt Nam trong giai đoạn biến động kinh tế vĩ mô.

Câu hỏi thường gặp

1. Điều kiện kỹ thuật để vận hành hệ thống chấm điểm tín dụng nội bộ là gì?

Hệ thống yêu cầu máy chủ ứng dụng chạy môi trường Python 3.10 trở lên, cơ sở dữ liệu quan hệ PostgreSQL 15, kết nối an toàn VPN/TLS 1.3 với hệ thống Core Banking và hệ thống phân loại nợ trung tâm của Ngân hàng Nhà nước.

2. Tỷ lệ nợ xấu 2,97% năm 2022 của Chi nhánh phản ánh điều gì?

Tỷ lệ nợ xấu 2,97% (44,5 tỷ đồng) tuy nằm trong giới hạn an toàn quy định của Ngân hàng Nhà nước (< 3,00%), nhưng đang có xu hướng tiệm cận mức trần do ảnh hưởng của suy giảm kinh tế và thị trường bất động sản đóng băng, đòi hỏi chi nhánh phải tăng cường trích lập dự phòng cụ thể và xử lý nợ nhóm 4, nhóm 5.

3. Làm thế nào để giải quyết xung đột lợi ích giữa Phòng Khách hàng và Phòng Quản lý rủi ro?

Áp dụng mô hình tổ chức dọc: KPI của Phòng Khách hàng gắn liền với doanh số và chất lượng nợ trong 12 tháng; thẩm quyền phê duyệt thuộc về Phòng Quản lý rủi ro và Hội đồng tín dụng độc lập để đảm bảo tính khách quan tối đa.

4. Chi nhánh quản lý rủi ro đối với các khoản vay thế chấp bằng Bất động sản như thế nào?

Thực hiện định giá độc lập qua bộ phận chuyên trách, áp dụng tỷ lệ cấp tín dụng trên giá trị định giá (LTV) tối đa từ 60% – 70%, đồng thời định kỳ 6 tháng tái định giá để kịp thời yêu cầu bổ sung tài sản khi thị trường biến động giảm.

5. Chi phí đầu tư và thời gian hoàn vốn cho dự án chuyển đổi mô hình QTRRTD?

Thời gian triển khai toàn diện kéo dài từ 6 – 12 tháng. Lợi ích thu được từ việc giảm thiểu 0,5% nợ xấu tương đương với việc bảo toàn hàng chục tỷ đồng vốn tự có, mang lại điểm hòa vốn và ROI dương ngay trong năm tài chính đầu tiên.


Kết luận

Khóa luận tốt nghiệp đã làm rõ thực trạng quản trị rủi ro tín dụng tại VietABank – CN Phan Đình Phùng giai đoạn 2020 – 2022, cung cấp bức tranh toàn diện từ số liệu dư nợ (1.500 tỷ đồng), cơ cấu nợ quá hạn (60 tỷ đồng) đến phân loại nợ xấu (44,5 tỷ đồng). Đề tài đóng góp giải pháp thiết thực trong việc chuẩn hóa quy trình thẩm định độc lập, tự động hóa hệ thống chấm điểm tín dụng 10 cấp bậc và trích lập dự phòng theo Thông tư 02/2013/TT-NHNN. Đây là tiền đề vững chắc giúp chi nhánh phát triển bền vững, nâng cao chất lượng tài sản và sẵn sàng hội nhập các chuẩn mực quốc tế Basel II/III đến năm 2025.