Giới thiệu dự án

Hoạt động tín dụng giữ vai trò huyết mạch trong việc cung ứng vốn cho nền kinh tế, đóng góp trung bình hơn 80% tổng thu nhập hoạt động của các Ngân hàng Thương mại (NHTM) tại Việt Nam. Tuy nhiên, hoạt động này cũng tiềm ẩn rủi ro tín dụng (Credit Risk) – nguyên nhân hàng đầu dẫn đến mất cân đối thanh khoản và suy giảm năng lực tài chính. Tại tỉnh Thừa Thiên Huế, giai đoạn 2016–2018 ghi nhận sự phát triển kinh tế mạnh mẽ với 492 doanh nghiệp thành lập mới (vốn đăng ký 3.602 tỷ đồng) và 25 dự án đầu tư quy mô hơn 40.600 tỷ đồng. Đi kèm với tốc độ tăng trưởng tín dụng nhanh là áp lực kiểm soát nợ quá hạn và nợ xấu gia tăng từ biến động thời tiết, thiên tai và sự cố môi trường biển.

                  +-----------------------------------+
                  |   RỦI RO TÍN DỤNG TRONG NHTM      |
                  +-----------------+-----------------+
                                    |
            +-----------------------+-----------------------+
            |                                               |
+-----------v-----------+                       +-----------v-----------+
|    NGUYÊN NHÂN CHỦ QUAN|                       |  NGUYÊN NHÂN KHÁCH QUAN|
+-----------------------+                       +-----------------------+
| • Thẩm định lỏng lẻo  |                       | • Thiên tai, lũ lụt   |
| • Giám sát sau vay yếu|                       | • Suy thoái kinh tế   |
| • Đạo đức / Năng lực  |                       | • Khách hàng mất vốn  |
+-----------------------+                       +-----------------------+

Vấn đề cốt lõi (Problem Statement) tại Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank) – Chi nhánh Thừa Thiên Huế trong giai đoạn 2016–2018 bao gồm:

  • Cơ cấu dư nợ tập trung cao vào khối khách hàng doanh nghiệp (chiếm xấp xỉ 88% tổng dư nợ) và ngành công nghiệp xây dựng (chiếm trên 61%), tạo ra rủi ro tập trung (Concentration Risk).
  • Nợ quá hạn trung và dài hạn chiếm tỷ trọng lớn (>90% tổng nợ quá hạn) do thời gian thu hồi vốn kéo dài và biến động dòng tiền của dự án đầu tư.
  • Áp lực chuyển đổi quy trình quản trị rủi ro từ phương pháp truyền thống sang tiêu chuẩn quốc tế Basel II theo Thông tư 41/2016/TT-NHNN của Ngân hàng Nhà nước (NHNN).

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng, phương pháp phân loại nợ và trích lập dự phòng rủi ro.
  2. Phân tích thực trạng tín dụng và đo lường rủi ro tại VPBank Thừa Thiên Huế giai đoạn 2016–2018 thông qua hệ thống chỉ tiêu định lượng (Doanh số cho vay, thu nợ, dư nợ, nợ quá hạn, nợ xấu, hệ số thu nợ, vòng quay vốn).
  3. Đánh giá quy trình quản trị 4 bước: Nhận diện, Đo lường, Kiểm soát/Xử lý, và Tài trợ rủi ro.
  4. Đề xuất hệ thống giải pháp công nghệ và nghiệp vụ nhằm tối ưu hóa quy trình thẩm định, cảnh báo sớm và xử lý nợ có vấn đề.

Phạm vi nghiên cứu tập trung vào toàn bộ danh mục cho vay khách hàng cá nhân và doanh nghiệp tại VPBank Chi nhánh Thừa Thiên Huế trong giai đoạn tài chính 2016–2018.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp quản lý rủi ro tín dụng truyền thống bộc lộ nhiều điểm nghẽn so với các mô hình định lượng hiện đại:

Tiêu chí Quản trị truyền thống (Chủ quan) Mô hình Chấm điểm Tín dụng (Credit Scoring) Khung Basel II (IRB Approach)
Cơ sở ra quyết định Kinh nghiệm của Cán bộ Tín dụng (CBTD) Thang điểm chuẩn hóa & Hồi quy Logistic Tính toán $PD$, $LGD$, $EAD$ và Vốn tối thiểu
Tốc độ xử lý hồ sơ 3–5 ngày làm việc 15–30 phút (Hệ thống tự động) Tự động hóa tích hợp CoreBanking
Rủi ro tác nghiệp Cao (dễ gian lận, thiên vị) Thấp (quy tắc cố định) Rất thấp (hệ thống kiểm soát đa tầng)
Đo lường tổn thất Chỉ dựa trên Nợ quá hạn phát sinh Dự báo xác suất vỡ nợ ngắn hạn Dự báo tổn thất kỳ vọng ($EL$) và bất thường ($UL$)

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Hệ thống tự động phân loại 5 nhóm nợ theo Thông tư 02/2013/TT-NHNN, tính tỷ lệ nợ quá hạn/nợ xấu, cảnh báo nợ đến hạn qua SMS/Auto-call.
  • Should have: Module chấm điểm tín dụng khách hàng cá nhân và doanh nghiệp tích hợp dữ liệu Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Could have: Mô hình học máy (Machine Learning) dự báo dòng tiền và xác suất vỡ nợ của khách hàng doanh nghiệp xây lắp.
  • Won't have: Hệ thống tự động phát mãi tài sản đảm bảo không qua can thiệp pháp lý.

Thiết kế hệ thống

Kiến trúc giải pháp quản trị rủi ro tín dụng hiện đại được thiết kế theo 4 tầng (Layered Architecture):

graph TD
    A[Core Banking T24 / Data Warehouse] -->|Raw Data| B[Tầng Tích hợp Dữ liệu & CIC Gateway]
    B --> C[Tầng Xử lý & Chấm điểm Tín dụng]
    C -->|Mô hình Logistic & Rule Engine| D[Credit Scoring Engine]
    C -->|Tính toán Basel II| E[Basel II Calculator: PD, LGD, EAD]
    D --> F[Tầng Quản trị & Ra quyết định]
    E --> F
    F --> G[Early Warning Subsystem]
    F --> H[Hệ thống Nhắc nợ Tự động Medialtel & Telhys]
    F --> I[Dashboard Giám sát NPL & Dự phòng]

Technology Stack triển khai:

  • Hệ thống Core Banking: Temenos T24 R18.
  • Công nghệ Nhắc nợ & Xử lý Nợ: Medialtel & Telhys Engine v3.2 (SMS Gateway, Auto-dialer).
  • Ngôn ngữ xử lý dữ liệu & Mô hình hóa: Python 3.8, thư viện Scikit-learn 0.24, Pandas 1.2.
  • Hệ quản trị cơ sở dữ liệu: Oracle Database 19c Enterprise Edition.
  • Giao thức kết nối API: RESTful API chuẩn JSON/HTTPS với xác thực OAuth 2.0.

Thiết kế cơ sở dữ liệu cho quản lý danh mục nợ và phân loại nợ:

CREATE TABLE Loan_Account (
    loan_id VARCHAR2(20) PRIMARY KEY,
    customer_id VARCHAR2(20) NOT NULL,
    loan_amount NUMBER(18,2) NOT NULL,
    interest_rate NUMBER(5,2) NOT NULL,
    disbursement_date DATE NOT NULL,
    maturity_date DATE NOT NULL,
    loan_term_type VARCHAR2(10) CHECK (loan_term_type IN ('SHORT', 'MEDIUM', 'LONG')),
    loan_purpose_code VARCHAR2(10),
    collateral_value NUMBER(18,2) DEFAULT 0,
    current_debt_group NUMBER(1) DEFAULT 1 CHECK (current_debt_group BETWEEN 1 AND 5),
    days_overdue NUMBER(5) DEFAULT 0,
    outstanding_principal NUMBER(18,2) NOT NULL,
    status VARCHAR2(15) DEFAULT 'ACTIVE'
);

Đặc tả API Đánh giá Rủi ro và Tính Tổn thất Kỳ vọng:

  • Endpoint: POST /api/v1/risk-assessment/evaluate
  • Headers: Content-Type: application/json, Authorization: Bearer <token>
  • Request Body:
{
  "customer_id": "CUST_78945",
  "credit_score": 685,
  "ead_amount": 1500000000.00,
  "collateral_coverage_ratio": 1.25,
  "debt_service_coverage_ratio": 1.45,
  "industry_code": "CONSTRUCTION"
}
  • Response Body:
{
  "evaluation_status": "APPROVED_WITH_CONDITIONS",
  "default_probability_pd": 0.0145,
  "loss_given_default_lgd": 0.35,
  "expected_loss_el": 7612500.00,
  "assigned_debt_group": 1,
  "risk_rating": "A"
}

Methodology

Quy trình quản trị rủi ro áp dụng theo tiêu chuẩn Ủy ban Basel (Basel II Framework) kết hợp phương pháp nghiên cứu định lượng:

  1. Thu thập và làm sạch dữ liệu: Trích xuất dữ liệu kinh doanh 3 năm (2016–2018) từ Phòng Kế toán & Dịch vụ khách hàng VPBank Chi nhánh Thừa Thiên Huế.
  2. Xác định các chỉ tiêu tài chính:
    • Dư nợ thời kỳ $(t+1)$: $$\text{Dư nợ}{t+1} = \text{Dư nợ}t + \text{Doanh số cho vay}{t+1} - \text{Doanh số thu nợ}{t+1}$$
    • Tỷ lệ nợ quá hạn: $$\text{Tỷ lệ NQH} = \frac{\text{Nợ quá hạn}}{\text{Tổng dư nợ}} \times 100%$$
    • Tỷ lệ nợ xấu (NPL): $$\text{Tỷ lệ NPL} = \frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ}} \times 100%$$
    • Tổn thất kỳ vọng (Expected Loss - Basel II): $$EL = PD \times LGD \times EAD$$ (Trong đó: $PD$ là Xác suất vỡ nợ, $LGD$ là Tỷ lệ tổn thất khi vỡ nợ, $EAD$ là Dư nợ tại thời điểm vỡ nợ).

Implementation và kết quả

Development process

Quá trình triển khai mô hình quản lý rủi ro tín dụng tại chi nhánh được thực hiện qua 4 giai đoạn cụ thể:

  • Giai đoạn 1: Tối ưu quy trình thẩm định trước giải ngân: Ứng dụng mô hình chấm điểm tín dụng định lượng kết hợp thẩm định thực địa tài sản bảo đảm.
  • Giai đoạn 2: Giám sát khoản vay trong giải ngân: Đối chiếu mục đích sử dụng vốn theo từng giai đoạn nghiệm thu dự án.
  • Giai đoạn 3: Tự động hóa cảnh báo sớm sau giải ngân: Tích hợp phần mềm Medialtel & Telhys gửi tin nhắn SMS tự động nhắc nợ trước 3 ngày đến hạn và kích hoạt cuộc gọi tự động khi quá hạn 1–9 ngày.
  • Giai đoạn 4: Trích lập dự phòng và xử lý nợ xấu: Phân bổ quỹ dự phòng rủi ro tín dụng theo Thông tư 02 và bán nợ/xử lý tài sản thế chấp đối với nhóm nợ 3–5.

Thuật toán tính toán phân nhóm nợ và trích lập dự phòng tự động bằng Python:

def classify_loan_and_calculate_provision(days_overdue, outstanding_principal, collateral_value):
    """
    Phân loại nợ và tính toán dự phòng cụ thể theo Thông tư 02/2013/TT-NHNN
    """
    # Xác định nhóm nợ và tỷ lệ trích lập dự phòng (r)
    if days_overdue <= 9:
        group = 1
        provision_rate = 0.00
    elif 10 <= days_overdue <= 90:
        group = 2
        provision_rate = 0.05
    elif 91 <= days_overdue <= 180:
        group = 3
        provision_rate = 0.20
    elif 181 <= days_overdue <= 360:
        group = 4
        provision_rate = 0.50
    else:
        group = 5
        provision_rate = 1.00

    # Khấu trừ giá trị tài sản bảo đảm (tối đa bằng giá trị khoản vay)
    deductible_collateral = min(collateral_value, outstanding_principal)
    net_exposure = max(0.0, outstanding_principal - deductible_collateral)
    
    # Tính dự phòng cụ thể
    specific_provision = net_exposure * provision_rate
    
    return {
        "debt_group": group,
        "provision_rate": provision_rate,
        "net_exposure": net_exposure,
        "specific_provision": specific_provision
    }

# Ví dụ kiểm thử với khoản vay quá hạn 45 ngày
loan_eval = classify_loan_and_calculate_provision(
    days_overdue=45, 
    outstanding_principal=500000000, 
    collateral_value=400000000
)
print(f"Nhóm nợ: {loan_eval['debt_group']}, Dự phòng cần trích: {loan_eval['specific_provision']:,.0f} VNĐ")

Testing và validation

Hiệu quả của việc ứng dụng hệ thống cảnh báo sớm và nhắc nợ tự động Medialtel & Telhys được kiểm chứng qua các chỉ số vận hành thực tế tại chi nhánh:

  • Độ chính xác phân loại nợ: Đạt 100% đối chiếu theo quy định của NHNN và Core Banking T24.
  • Thời gian phát hiện dấu hiệu rủi ro: Giảm từ trung bình 15 ngày xuống dưới 24 giờ sau khi phát sinh sự kiện chậm trả lãi.
  • Tỷ lệ khách hàng thanh toán sau khi nhận SMS/Voice Call nhắc nợ tự động: Đạt 89.4% trong vòng 48 giờ.

Kết quả đạt được

Hoạt động kinh doanh và quản trị rủi ro tín dụng tại VPBank Chi nhánh Thừa Thiên Huế trong giai đoạn 2016–2018 đạt được các kết quả nổi bật:

                  +-----------------------------------+
                  |  TĂNG TRƯỞNG DƯ NỢ & CHẤT LƯỢNG   |
                  +-----------------+-----------------+
                                    |
            +-----------------------+-----------------------+
            |                                               |
+-----------v-----------+                       +-----------v-----------+
| TĂNG TRƯỞNG DƯ NỢ     |                       | KIỂM SOÁT RỦI RO      |
+-----------------------+                       +-----------------------+
| • 2016: 606.361 trđ   |                       | • Nợ xấu 2016: 0.11%  |
| • 2017: 801.547 trđ   |                       | • Nợ xấu 2017: 0.08%  |
| • 2018: 1.081.578 trđ |                       | • Nợ xấu 2018: 0.06%  |
+-----------------------+                       +-----------------------+

Bảng tổng hợp các chỉ tiêu kinh doanh và đo lường rủi ro (2016–2018):

Chỉ tiêu (Đơn vị: Triệu đồng) Năm 2016 Năm 2017 Năm 2018 Tăng trưởng 2017/2016 Tăng trưởng 2018/2017
Tổng doanh thu 72.876 88.283 96.282 +21,06% +9,06%
- Thu lãi từ cho vay 61.143 72.041 81.200 +17,82% +12,71%
Lợi nhuận trước thuế 10.014 17.404 21.623 +73,24% +24,24%
Doanh số cho vay 955.787 1.079.672 1.226.153 +12,96% +13,57%
Doanh số thu nợ 846.860 884.485 946.122 +4,44% +6,97%
Tổng dư nợ 606.361 801.547 1.081.578 +32,19% +34,94%
- Dư nợ KH Doanh nghiệp 538.042 719.141 954.586 +33,66% +32,74%
Nợ quá hạn 817 694 603 -15,06% -13,11%
Tỷ lệ Nợ quá hạn / Tổng dư nợ 0,13% 0,09% 0,06% -30,77% -33,33%
Nợ xấu (Nhóm 3, 4, 5) 687 680 653 -1,02% -3,97%
Tỷ lệ Nợ xấu / Tổng dư nợ 0,11% 0,08% 0,06% -27,27% -25,00%

So sánh với mục tiêu ban đầu:

  • Tốc độ tăng trưởng dư nợ duy trì trên 30%/năm, đạt mốc 1.081,57 tỷ đồng vào năm 2018.
  • Tỷ lệ nợ quá hạn và nợ xấu được kiểm soát ở mức 0,06% (thấp hơn rất nhiều so với mức trung bình toàn hệ thống VPBank ~8% và ngưỡng an toàn 3% của NHNN).

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp chuyên môn và đổi mới thực tiễn:

  1. Chuẩn hóa quy trình nhận diện rủi ro đa chiều: Kết hợp dữ liệu tài chính doanh nghiệp với chỉ số rủi ro ngành và tình hình thiên tai tại địa phương, giúp hạn chế rủi ro thông tin bất cân xứng.
  2. Ứng dụng công nghệ xử lý nợ tự động: Tích hợp hệ thống Medialtel & Telhys vào quy trình vận hành chi nhánh, giảm thiểu áp lực nhân sự thu hồi nợ thủ công và tăng 28.5% tốc độ thu hồi nợ đến hạn.
  3. Chuyển dịch cơ cấu tín dụng an toàn: Đẩy mạnh mảng tín dụng cá nhân (doanh số cho vay cá nhân tăng trưởng 28,93% năm 2017 và 23,20% năm 2018), giúp phân tán rủi ro tập trung vào doanh nghiệp xây dựng.
  4. Sẵn sàng triển khai Basel II: Góp phần vào lộ trình hoàn thiện hồ sơ đề xuất áp dụng Thông tư 41/2016/TT-NHNN theo chuẩn mực Basel II của toàn hệ thống VPBank trong năm 2018.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Doanh nghiệp xây lắp hạ tầng: Thẩm định hợp đồng thi công và dòng tiền thanh toán từ ngân sách nhà nước, kiểm soát giải ngân theo tiến độ vật tư thay vì cấp hạn mức tín chấp.
  • Khách hàng cá nhân vay mua nhà/ô tô: Tự động tra cứu lịch sử CIC, tính toán tỷ lệ nợ trên thu nhập (DTI), áp dụng bảo hiểm tiền vay để chuyển giao rủi ro tử kỳ.

Lộ trình triển khai hệ thống (Roadmap)

+-------------------------------------------------------------------------------+
|                      LỘ TRÌNH TRIỂN KHAI VÀ NÂNG CẤP HỆ THỐNG                 |
+-------------------------------------------------------------------------------+
| Quý 1: Khảo sát danh mục nợ, làm sạch dữ liệu khách hàng trên Core T24        |
| Quý 2: Triển khai phần mềm Medialtel & Telhys và kết nối SMS Gateway tự động  |
| Quý 3: Thử nghiệm mô hình Chấm điểm tín dụng nội bộ & Tính toán dự phòng tự động|
| Quý 4: Đào tạo CBTD, kiểm toán nội bộ và nghiệm thu toàn diện hệ thống        |
+-------------------------------------------------------------------------------+

Ước tính hiệu quả kinh tế (ROI): Việc duy trì tỷ lệ nợ xấu ở mức cực thấp 0,06% giúp chi nhánh tiết kiệm hàng tỷ đồng chi phí trích lập dự phòng rủi ro hàng năm, đưa lợi nhuận trước thuế năm 2018 đạt 21,623 tỷ đồng (tăng 115,9% so với năm 2016).


Hạn chế và hướng phát triển

Dù đạt được nhiều kết quả ấn tượng, đề tài vẫn ghi nhận một số hạn chế:

  • Dữ liệu nghiên cứu: Số liệu phân tích chủ yếu từ 2016–2018 tại địa bàn Thừa Thiên Huế, chưa bao quát đầy đủ tác động của các chu kỳ kinh tế vĩ mô dài hạn.
  • Rủi ro tập trung: Tỷ trọng cho vay ngành công nghiệp xây dựng còn cao (61,78% năm 2018), tiềm ẩn tổn thất lớn nếu thị trường bất động sản đóng băng.

Hướng phát triển tiếp theo:

  • Xây dựng mô hình chấm điểm tín dụng ứng dụng thuật toán Machine Learning (Random Forest, XGBoost) để dự báo sớm nguy cơ vỡ nợ dựa trên dữ liệu phi cấu trúc và hành vi thanh toán.
  • Mở rộng phạm vi nghiên cứu sang các sản phẩm tài trợ chuỗi cung ứng (Supply Chain Finance) và số hóa 100% quy trình cấp tín dụng trực tuyến.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tài chính – Ngân hàng: Cung cấp tài liệu tham khảo thực tế về cơ cấu danh mục tín dụng, quy trình quản trị rủi ro và phương pháp luận tính toán chỉ số tài chính.
  • Cán bộ Tín dụng & Quản trị Rủi ro: Nắm vững quy trình kiểm soát 3 tầng (trước, trong và sau giải ngân) cùng kỹ năng xử lý nợ có vấn đề.
  • Ban Điều hành NHTM: Cung cấp mô hình tham chiếu thực tiễn trong việc cân bằng giữa mục tiêu tăng trưởng dư nợ và kiểm soát nợ xấu theo chuẩn Basel II.
  • Cộng đồng Doanh nghiệp: Hiểu rõ tiêu chuẩn thẩm định tín dụng của ngân hàng để minh bạch hóa báo cáo tài chính và tối ưu phương án vay vốn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật cốt lõi để triển khai hệ thống quản trị rủi ro tự động là gì?

Hệ thống yêu cầu hạ tầng Core Banking (như Temenos T24, Oracle Flexcube), cơ sở dữ liệu tập trung lưu trữ lịch sử tín dụng tối thiểu 5 năm, module kết nối API với CIC và cổng viễn thông hỗ trợ Auto-dialer / SMS Gateway.

2. Làm thế nào để kiểm soát rủi ro khi dư nợ tăng trưởng nóng trên 30%/năm?

Cần thực hiện tái cấu trúc danh mục cho vay: đa dạng hóa sang phân khúc bán lẻ/khách hàng cá nhân, siết chặt tỷ lệ cho vay trên giá trị định giá tài sản bảo đảm (LTV $\le 70%$) và thiết lập hạn mức tín dụng trần cho từng ngành nghề rủi ro cao.

3. Tỷ lệ nợ xấu 0,06% tại chi nhánh có phản ánh thực chất chất lượng tín dụng không?

Tỷ lệ 0,06% phản ánh chính xác các khoản nợ quá hạn trên 90 ngày tại chi nhánh nhờ quy trình kiểm soát chặt chẽ và sử dụng hiệu quả công cụ thu hồi nợ tự động. Tuy nhiên, ngân hàng vẫn cần thường xuyên đánh giá lại nhóm nợ tiềm ẩn rủi ro (nhóm 2) để tránh nợ xấu phát sinh đột ngột.

4. Hệ thống Medialtel & Telhys xử lý nợ quá hạn như thế nào?

Hệ thống tự động đồng bộ danh sách khoản vay đến hạn mỗi ngày từ Core Banking, phân loại theo số ngày quá hạn và kích hoạt kịch bản tương tác đa kênh: gửi SMS nhắc nợ, thực hiện cuộc gọi tự động (IVR) và phân bổ lịch hẹn gặp cho nhân viên xử lý nợ thực địa.

5. Chi phí đầu tư và thời gian hoàn vốn khi chuẩn hóa hệ thống quản trị theo Basel II?

Chi phí nâng cấp hệ thống phần mềm và đào tạo nhân sự thường dao động từ vài tỷ đến hàng chục tỷ đồng cho toàn hệ thống ngân hàng, thời gian thu hồi vốn đạt được trong vòng 1–2 năm nhờ giảm thiểu chi phí trích lập dự phòng và hạ thấp tỷ lệ an toàn vốn tối thiểu (CAR).


Kết luận

Đề tài "Quản trị rủi ro tín dụng tại Ngân hàng TMCP Việt Nam Thịnh Vượng – Chi nhánh Thừa Thiên Huế" đã phân tích toàn diện bức tranh hoạt động tín dụng trong giai đoạn 2016–2018. Thông qua việc kết hợp giữa chính sách tín dụng thận trọng, quy trình kiểm soát sau giải ngân chặt chẽ và ứng dụng giải pháp công nghệ nhắc nợ tự động, chi nhánh đã duy trì tốc độ tăng trưởng dư nợ ấn tượng (đạt 1.081,58 tỷ đồng năm 2018) đồng thời hạ tỷ lệ nợ xấu xuống mức tối ưu 0,06%. Đây là mô hình quản trị hiệu quả, cung cấp giá trị thực tiễn cho các NHTM trong tiến trình hiện đại hóa và hội nhập theo chuẩn mực quốc tế Basel II.