Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV

Chia sẻ chuyên mục Đề Tài Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Giải pháp tăng cường kiểm soát rủi ro gian lận báo cáo tài chính thông qua hệ thống xếp hạng tín dụng nội bộ tập trung dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1. ĐỊNH HƯỚNG HỆ THỐNG XẾP HẠNG TÍN DỤNG NỘI BỘ TẬP TRUNG HIỆN TẠI CỦA BIDV

• Hệ thống Xếp hạng tín dụng nội bộ được BIDV xây dựng nhằm mục đích:

Phân loại nợ và trích lập Dự phòng rủi ro tín dụng: Hệ thống Xếp hạng tín dụng nội bộ là công cụ để BIDV thực hiện phân loại nợ (tài sản tín dụng) theo quy định của Ngân hàng nhà nước và theo thông lệ quốc tế. Căn cứ vào kết quả xếp hạng khách hàng để thực hiện phân loại nợ, BIDV tính toán và trích lập dự phòng rủi ro theo quy định tại Thông tư 31 và các văn bản sửa đổi, bổ sung, thay thế; các văn bản liên quan khác của Ngân hàng Nhà nước và theo hướng dẫn của BIDV từng thời kỳ.

Phục vụ quản lý rủi ro tín dụng toàn hệ thống với các ý nghĩa mục tiêu sau: Hệ thống Xếp hạng tín dụng nội bộ có thể giúp BIDV xác định hợp lý, chính xác ở mức độ cao nhất lượng tổn thất tín dụng theo từng dòng sản phẩm hoặc lĩnh vực hay ngành kinh tế; phân tích được lợi nhuận của các dòng sản phẩm; Tạo điều kiện cho việc xây dựng một cách đồng bộ, rõ ràng, chi tiết và cụ thể các quy trình tín dụng và chính sách khách hàng; Nâng cao công tác quản trị kinh doanh của Ngân hàng tiến tới thông lệ quốc tế; Hỗ trợ công tác quản trị rủi ro tín dụng toàn hệ thống tới từng khách hàng, theo từng danh mục, lĩnh vực ngành nghề với quy mô khác nhau; Hỗ trợ ra quyết định cấp tín dụng.

Phục vụ quản lý rủi ro tín dụng tại các chi nhánh trong và ngoài nước: Kết quả xếp hạng khách hàng là một trong các căn cứ để ra quyết định tín dụng; Kết quả xếp hạng góp phần đo lường hợp lý mức độ rủi ro của danh mục tín dụng tại chi nhánh; Hỗ trợ theo dõi, đánh giá khen thưởng đối với cán bộ Quản lý khách hàng thông qua đánh giá quá trình sử dụng Hệ thống Xếp hạng tín dụng nội bộ của cán bộ.

3.2. GIẢI PHÁP HOÀN THIỆN KIỂM SOÁT RỦI RO GIAN LẬN BÁO CÁO TÀI CHÍNH TẠI BIDV THÔNG QUA HỆ THỐNG XẾP HẠNG TÍN DỤNG NỘI BỘ

3.2.1 Hoàn thiện khung pháp lý và cơ chế chia sẻ thông tin

Thiết lập cơ sở dữ liệu tập trung về doanh nghiệp gian lận: BIDV có thể phối hợp cùng Ngân hàng nhà nước và Hiệp hội Ngân hàng Việt Nam xây dựng cơ chế chia sẻ dữ liệu “danh sách đen” khách hàng có hành vi gian lận Báo cáo tài chính hoặc vi phạm tín dụng. Đây là thông lệ phổ biến tại nhiều quốc gia.

Tăng cường kết nối với cơ quan thuế và kiểm toán độc lập: Đề xuất Ngân hàng nhà nước cho phép các Ngân hàng thương mại có kênh tra cứu hạn chế thông tin thuế hoặc báo cáo kiểm toán của khách hàng. Điều này sẽ giảm phụ thuộc hoàn toàn vào hồ sơ khách hàng cung cấp. Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Nâng cao chế tài xử phạt: Kiến nghị cơ quan lập pháp và Ngân hàng nhà nước hoàn thiện khung xử lý vi phạm với hành vi gian lận Báo cáo tài chính. Thay vì chỉ dừng cho vay hoặc tất toán, cần có quy định bắt buộc chuyển hồ sơ sang cơ quan pháp luật để truy cứu trách nhiệm hình sự, đủ sức răn đe doanh nghiệp.

Phối hợp chặt chẽ với các cơ quan và hoàn thiện khung pháp lý: Kiến nghị Ngân hàng nhà nước và các cơ quan chức năng về việc chia sẻ thông tin các trường hợp gian lận giữa các Tổ chức tín dụng. Đồng thời, vận động hoàn thiện khung pháp lý xử lý gian lận tài chính: cần có chế tài mạnh hơn đối với hành vi lập Báo cáo tài chính gian dối khi vay vốn ngân hàng (ví dụ: xử hình sự hoặc đưa vào danh sách cấm vay trên toàn hệ thống). BIDV cũng có thể làm việc với cơ quan thuế để đối chiếu số liệu doanh thu, lợi nhuận mà doanh nghiệp báo cáo thuế so với báo cáo gửi ngân hàng, qua đó phát hiện ngay chênh lệch đáng ngờ. Về nội bộ, ngân hàng cần cập nhật quy định tín dụng theo hướng thắt chặt yêu cầu minh bạch: nâng hạn mức bắt buộc kiểm toán độc lập đối với doanh nghiệp vay vốn (nhiều doanh nghiệp vừa và nhỏ hiện chưa kiểm toán, rủi ro số liệu cao). Bên cạnh đó, thực hiện nghiêm túc các hướng dẫn của chuẩn mực kiểm toán và kế toán mới, đảm bảo tuân thủ chuẩn mực cao nhất trong lập và kiểm tra Báo cáo tài chính.

3.2.2 Nâng cao độ chính xác và khả năng thích ứng của mô hình Xếp hạng tín dụng nội bộ

Cập nhật dữ liệu theo chu kỳ ngắn hơn: Thay vì chỉ dựa vào Báo cáo tài chính năm, hệ thống nên tích hợp dữ liệu quý hoặc dữ liệu quản trị để giảm độ trễ thông tin.

Mở rộng dữ liệu phi truyền thống: Tích hợp thông tin pháp lý (vụ kiện, tranh chấp), tin tức, truyền thông xã hội, tín hiệu thị trường ngành để làm chỉ báo cảnh báo sớm.

Ứng dụng trí tuệ nhân tạo (AI) và machine learning: Xây dựng module AI nhận diện mẫu hình bất thường trong Báo cáo tài chính theo thời gian (ví dụ tăng trưởng doanh thu bất thường không tương ứng với dòng tiền). AI có thể học từ dữ liệu gian lận trước đây để phát hiện dấu hiệu gian lận mới.

Tự động hóa và số hóa quy trình: Giảm thao tác thủ công, hạn chế sai sót con người, đồng thời rút ngắn thời gian xử lý hồ sơ để cán bộ thẩm định tập trung vào phân tích chuyên sâu.

3.2.3 Quản trị mâu thuẫn giữa yêu cầu kiểm soát và áp lực kinh doanh

Thiết kế quy trình phê duyệt linh hoạt: Áp dụng cơ chế phân luồng hồ sơ. Khách hàng xếp hạng cao, uy tín, minh bạch được xử lý nhanh với thủ tục đơn giản; trong khi hồ sơ có rủi ro cao phải thẩm định kỹ.

Đẩy mạnh tài chính toàn diện và nâng cao văn hóa minh bạch: BIDV có thể kết hợp các chương trình đào tạo, hội thảo để hướng dẫn SME nâng cao năng lực lập Báo cáo tài chính chuẩn mực, minh bạch. Điều này vừa cải thiện chất lượng dữ liệu đầu vào, vừa xây dựng niềm tin với ngân hàng.

Truyền thông nội bộ: Ban lãnh đạo cần cân bằng giữa mục tiêu tăng trưởng tín dụng và quản trị rủi ro, tránh tạo áp lực quá lớn cho cán bộ kinh doanh dẫn đến dễ dãi trong thẩm định.

3.2.4 Cải thiện vận hành hệ thống Xếp hạng tín dụng nội bộ Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Giảm độ trễ dữ liệu: Đẩy nhanh tiến độ cập nhật Báo cáo tài chính, áp dụng công cụ bóc tách dữ liệu để tự động nhập số liệu, giảm rủi ro nhập thủ công.

Chuẩn hóa đánh giá phi tài chính: Xây dựng hướng dẫn chi tiết, định lượng hóa tối đa các chỉ tiêu phi tài chính (ví dụ: tỷ lệ doanh thu qua ngân hàng, điểm quản trị DN) để giảm sự chủ quan của cán bộ.

Nâng cấp hiệu năng công nghệ: Cải thiện tốc độ xử lý dữ liệu, khắc phục lỗi giao diện và tối ưu trải nghiệm người dùng. Điều này không chỉ giúp tiết kiệm thời gian mà còn tăng độ tin cậy của hệ thống.

3.2.5 Ứng dụng công nghệ số và AI trong kiểm soát gian lận Báo cáo tài chính

AI phát hiện gian lận đa chiều: Tích hợp AI để đối chiếu chéo dữ liệu từ nhiều nguồn (BCTC, dòng tiền giao dịch, dữ liệu ngành) nhằm phát hiện sự sai lệch tiềm ẩn.

Số hóa toàn bộ quy trình thẩm định: Từ khâu thu thập hồ sơ đến phân tích và phê duyệt, giảm bớt thời gian xử lý, tăng năng lực phân tích dữ liệu lớn (big data).

Triển khai hệ thống cảnh báo sớm: Dựa trên AI/ML và dữ liệu thời gian thực, tự động phát tín hiệu cảnh báo cho các trường hợp có khả năng gian lận, giúp cán bộ kịp thời tăng cường thẩm định.

3.3. GIẢI PHÁP XÂY DỰNG HỆ THỐNG XẾP HẠNG TÍN DỤNG NỘI BỘ TẬP TRUNG MỚI DỰA TRÊN ỨNG DỤNG LẬP TRÌNH NHẬN DIỆN GIAN LẬN BÁO CÁO TÀI CHÍNH TỰ ĐỘNG TẠI BIDV – CHI NHÁNH SỞ GIAO DỊCH 2

3.3.1 Sự cần thiết của mô hình nghiên cứu và giải pháp ứng dụng

Trong nền kinh tế thị trường, nhu cầu cho và nhận thông tin, đặc biệt là các thông tin tài chính luôn giữ vai trò tối quan trọng để đưa ra những quyết định kinh doanh then chốt. Đặc biệt trong lĩnh vực ngân hàng tính minh bạch, tính trung thực của thông tin tài chính đóng vai trò thiết yếu trong việc thẩm định, đánh giá khách hàng và kiểm soát rủi ro tín dụng. Tính đến 30/06/2025 nợ xấu của phần lớn ngân hàng đều tiếp tục xu hướng tăng, một số ngân hàng ghi nhận mức tăng nợ xấu lên tới 2 con số. Theo thống kê từ báo cáo tài chính quý II/2025, số dư nợ xấu (nợ nhóm 3 đến nhóm 5) của 29 ngân hàng đã công bố báo cáo tài chính tiếp tục tăng mạnh so với quý I/2025 và cuối năm 2024. Sau 6 tháng đầu năm nay, số dư nợ xấu các ngân hàng nói trên đã tăng thêm tổng cộng 46.719 tỷ đồng (tương đương 20,8%) so với thời điểm cuối năm 2024. Nhận thấy chất lượng tín dụng tại các tổ chức tín dụng nói chung và BIDV nói riêng ngày càng suy giảm vì vậy việc xây dựng mô hình cảnh báo sớm gian lận báo cáo tài chính nhằm đưa ra những khuyến nghị trước khi cấp tín dụng là hoàn toàn cần thiết.

Hoạt động kinh doanh của ngân hàng thương mại luôn chứa đựng nhiều rủi ro, đặc biệt phải kể đến là rủi ro tín dụng (RRTD) trong đó việc sơ xuất trong đánh giá tình hình tài chính khách hàng tổ chức là một trong những nguyên nhân chính dẫn đến nợ xấu, nợ quá hạn. Đặc biệt hiện tại BIDV đang ngày càng mở rộng phân khúc khách hàng SME, các sản phẩm cho vay không có tài sản đảm bảo với rủi ro cao hơn ngày càng chiếm tỷ trọng lớn: Tài trợ chuỗi cung ứng, bao thanh toán trong nước, Misa Lending… Vì vậy xây dựng một công cụ đánh giá sớm rủi ro từ những cảnh báo gian lận trong báo cáo tài chính hướng đến phát triển tín dụng an toàn và hiệu quả là cần thiết. Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Trên thực tế các mô hình M-Score, F- Score, Z- Score đã được nhiều quốc gia trên thế giới sử dụng để cảnh báo các dấu hiệu gian lận về báo cáo tài chính khá hiệu quả, tại Việt Nam các nghiên cứu của Bùi Phương Chi (2022) – Dự báo rủi ro gian lận báo cáo tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam; Nguyễn Trần Nguyên Trân (2015) – Nghiên cứu về sai sót trong báo cáo tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam; Phạm Thị Mộng Tuyền (2020) – Kết hợp mô hình M-Score Beneish và chỉ số Z-Score để nhận diện khả năng gian lận báo cáo tài chính… đều chỉ ra tính hiệu quả nhất định của mô hình M-Score trong việc phát hiện gian lận báo cáo tài chính.

Ngoài ra kết quả cảnh báo sớm rủi ro có thể kết hợp với các mô hình xếp hạng tín nhiệm hiện hành để các nhà quản lý xem xét điều chỉnh và ban hành các cơ chế, chính sách tín dụng phù hợp với từng đối tượng khách hàng nhằm nâng cao tính hiệu quả trong việc vận dụng chính sách tín dụng, cơ chế lãi suất… đối với khách hàng tổ chức.

Tổng hợp các nguyên nhân trên,nhóm tác giả đã xây dựng 1 hệ thống trí tuệ nhân tạo (AI) thông minh,tự động dựa trên các công nghệ lập trình mới nhất và các thuật toán tối ưu tuyến tính phù hợp nhất cho bộ dữ liệu gốc (dataset) của BIDV.

3.3.2 Cơ sở lý thuyết mô hình Mscore và áp dụng thuật toán hồi quy tuyến tính cho bài toán dự đoán M-Score Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

3.3.2.1 Giới thiệu mô hình Mscore

Mô hình M-Score là một mô hình thống kê giúp nhận diện được các công ty có điều chỉnh lợi nhuận và các công ty không điều chỉnh lợi nhuận, được đưa ra bởi giáo sư Messod D.Beneish (Trường Đại học Indiana, Mỹ) vào năm 1999 và được sử dụng rộng rãi cho tới nay.

Beneish sử dụng mẫu từ 74 công ty có bóp méo thu nhập và tất cả các công ty trên Compustat được kết hợp bởi các số SIC hai chữ số mà dữ liệu có sẵn trong giai đoạn 1982 –1992, sau đó tác giả sử dụng mô hình xác suất đơn vị dựa trên tỷ trọng của mẫu ngoại sinh(weighted exogenous sample maximum likelihood – WESML) cũng như mô hình xác suất đơn vị không dựa vào tỷ trọng để có được mô hình M – score.

Mô hình Mscore có công thức như sau: M-score = –4.84& + 0.920 (DSR) + 0.528 (GMI) + 0.404 (AQI) + 0.892 (SGI) + 0.115 (DEPI) – 0.172 (SGAI) + 4.679 (Accruals) – 0.327 (LEVI)

• Bảng 3.1: Giải thích các biến

Trong đó: Doanh nghiệp có mức điểm M-score trên -2.22 sẽ có nguy cơ trung bình. M-score lớn hơn mức -1.78 là những công ty có nguy cơ cao trong gian lận báo cáo tài chính.

Từ đó, tác giả áp dụng mức ngưỡng điểm trên để xây dựng hệ thống nhận diện gian lận báo cáo tài chính tự động này.

3.3.2.2. Giới thiệu thuật toán hồi quy tuyến tính

Linear Regression (hồi quy tuyến tính) là một thuật toán thuộc loại supervised learning, thường được dùng để giải quyết các bài toán dự đoán và hồi quy. Thuật toán này nhằm tìm ra mối quan hệ tuyến tính giữa biến độc lập (independent variable) và biến phụ thuộc (dependent variable). Phương trình của Linear Regression cho mối quan hệ giữa các biến có dạng: 𝛾𝛾 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯ + 𝛽𝑛𝑥𝑛 + 𝜖 Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Trong đó:

• 𝛾𝛾: Biến phụ thuộc cần dự đoán (output).
• 𝑥1, 𝑥2, … 𝑥𝑛: Các biến độc lập (input).
• 𝛽₀: Hệ số chặn (intercept).
• 𝛽1, 𝛽2, … 𝛽𝑛: Hệ số hồi quy tuyến tính của các biến độc lập.
• 𝜖: Sai số hay nhiễu ngẫu nhiên.

Linear Regression có thể được phân loại thành hai loại chính:

• Simple Linear Regression: Hồi quy tuyến tính đơn, chỉ có một biến độc lập.
• Multiple Linear Regression: Hồi quy tuyến tính đa biến, có nhiều biến độc lập.

Linear Regression đã được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau để giải quyết các bài toán dự đoán và phân tích.

• Áp dụng thuật toán hồi quy tuyến tính cho bài toán dự đoán M-Score

M-score là một chỉ số dùng để đánh giá khả năng có thể xảy ra gian lận tài chính của một doanh nghiệp, được xây dựng dựa trên nhiều biến số tài chính khác nhau. Khi biết 8 chỉ số cấu thành M-score, Linear Regression là một lựa chọn phù hợp vì những lý do sau:

• Tính đơn giản và dễ hiểu: Linear Regression cung cấp một mô hình đơn giản, giúp dễ dàng hiểu và giải thích mối quan hệ giữa các chỉ số của M-score và kết quả dự đoán.
• Hiệu quả với dữ liệu có tính tuyến tính: Linear Regression hoạt động hiệu quả khi có mối quan hệ gần như tuyến tính giữa các biến. Trong trường hợp M-score, các biến độc lập có thể có mối tương quan tuyến tính với khả năng gian lận tài chính, từ đó giúp Linear Regression phát huy hiệu quả.
• Tiết kiệm tài nguyên tính toán: So với các thuật toán phức tạp như neural network, Linear Regression có yêu cầu tính toán thấp hơn, giúp tối ưu hiệu năng, đặc biệt hữu ích khi làm việc với các tập dữ liệu lớn.
• Khả năng giải thích: Thuật toán hồi quy tuyến tính cho phép phân tích và đánh giá từng hệ số hồi quy, giúp hiểu rõ hơn về ảnh hưởng của từng biến độc lập lên kết quả dự đoán M-score, hỗ trợ cho việc ra quyết định.

3.3.3 Các bước chi tiết trong việc xây dựng hệ thống Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

3.3.3.1 Mô tả dữ liệu nghiên cứu và kết quả nghiên cứu định lượng dùng cho xây dựng hệ thống ứng dụng

Quá trình điều tra nghiên cứu định lượng chính thức được thực hiện trong khoảng thời gian từ năm 2024 đến năm 2026 thông qua dữ liệu thứ cấp từ chương trình IRB, ODS, MPA… Kết quả đã thu về được dữ liệu Báo cáo tài chính 103 khách hàng tổ chức tại BIDV chi nhánh Sở Giao Dịch 2 và chi nhánh Quận 7 Sài Gòn. Trong số 103 khách hàng có 48 phiếu bị loại do khách hàng không thực hiện vay vốn tại BIDV hoặc không còn dư nợ, không còn kết quả phân loại nợ tại thời điểm nghiên cứu. Như vậy, sau khi loại bỏ các khách hàng không hợp lệ, kết quả thu được dữ liệu Báo cáo tài chính 55 khách hàng làm cơ sở cho nghiên cứu chính thức. Sau khi tiến hành phân tích MSCORE các khách hàng trên và đối chiếu với kết quả PLN tình hình quá hạn tại BIDV Chi nhánh Quận 7 Sài Gòn. Kết quả nghiên cứu như sau:

Trong tổng số 55 khách hàng đang có dư nợ nội bảng và ngoại bảng tại BIDV Quận 7 Sài Gòn, mô hình dự đoán đúng và chính xác toàn bộ 8 khách hàng đang có nợ ngoại bảng và các khách hàng đang quá hạn hoặc có lịch sử quá hạn tại BIDV đều có dấu hiệu gian lận Báo cáo tài chính. Cụ thể như sau:

• Bảng 3.2. Kết quả đánh giá sơ bộ

Đối với các khách hàng mô hình có cảnh báo gian lận báo cáo tài chính tại một trong các năm từ năm 2024 đến năm 2026 được phân loại nợ nhóm 1 và không có quá hạn tại BIDV. Chi tiết như sau:

• Bảng 3.2. Kết quả đánh giá chi tiết

Công ty cổ phần Minh Phú Hậu Giang: Lợi nhuận công ty đang có dấu hiệu sụt giảm, các khoản phải thu về tập đoàn Minh Phú lớn dẫn đến mô hình MScore dự báo khách hàng có nguy cơ gian lận báo cáo tài chính, nhận thấy kết quả dự báo phù hợp với tình hình tài chính thực tế của khách hàng và thực trạng tình hình thị trường tôm hiện tại.

Cty CP KIZUNA JV: Mặc dù tình hình tài chính có sự cải thiện tuy nhiên vốn lưu động ròng khách hàng vẫn âm, việc cảnh báo của mô hình là phù hợp để tiếp tục kiểm soát khách hàng.

Cty cổ phần S NEW RICE: Doanh nghiệp đang dần ổn định tài chính sau lỗ năm 2020, nên việc theo dõi cảnh báo nguy cơ gian lận là cần thiết. Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Các khách hàng còn lại chủ yếu là doanh nghiệp nhỏ và vừa (100% tài sản đảm bảo hoặc tín chấp Misa Lending) với đặc thù bộ phận kế toán đa phần là kế toán dịch vụ nên Báo cáo tài chính chưa chuyên nghiệp, hạch toán còn nhiều điểm bất hợp lý nên việc mô hình cảnh báo gian lận báo cáo tài chính đối với các khách hàng này là tương đối phù hợp.

Các biến số tài chính cần thiết bao gồm:

• Doanh thu thuần
• Tổng tài sản
• Tài sản ngắn hạn
• Và nhiều biến số khác liên quan đến hoạt động tài chính và hiệu suất của doanh nghiệp.

Các dữ liệu này sẽ là cơ sở để tính toán các chỉ số tài chính cần thiết nhằm xác định M-Score của doanh nghiệp

=> Nhận thấy việc triển khai hệ thống MSCORE nhằm cảnh báo sớm rủi ro gian lận Báo cáo tài chính đối với doanh nghiệp là cần thiết và có hiệu quả tại BIDV Quận 7 Sài Gòn và BIDV SGD2, đáp ứng nhu cầu trong giai đoạn 1 là giúp cán bộ quan hệ khách hàng, cấp quản lý đặc biệt là các nhà quản trị có cái nhìn tổng quan về báo cáo tài chính khách hàng cung cấp để đưa đến các quyết định cấp tín dụng phù hợp tại BIDV chi nhánh Quận 7 Sài Gòn hướng đến hoàn thiện Phân tích và đánh giá các yếu tố ảnh hưởng đến việc áp dụng mô hình M-Score kết hợp các mô hình khác như Z-Score, F-Score… và mức độ ảnh hưởng của các yếu tố này đến việc sử dụng các mô hình này trong việc cảnh báo sớm rủi ro gian lận báo cáo tài chính trên toàn hệ thống BIDV nhằm giúp cán bộ quản lý khách hàng, đặc biệt là các nhà quản trị có cái nhìn tổng quan về tính hiệu quả của việc vận dụng mô hình từ đó đưa ra các quyết định quản trị phù hợp.

3.3.3.2. Chi tiết quy trình xử lý dữ liệu dùng cho ứng dụng

Việc xử lý dữ liệu là bước quan trọng nhằm chuẩn bị tập dữ liệu hoàn chỉnh cho quá trình huấn luyện mô hình. Các bước cụ thể bao gồm: Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Bước 1: Thay các giá trị trống: Trong quá trình nhập liệu, có thể xuất hiện các giá trị bị thiếu ở một số biến số. Để khắc phục, ta sẽ thay thế các giá trị trống của từng năm bằng giá trị 0, giúp đảm bảo tính nhất quán của dữ liệu mà không làm mất đi bất kỳ quan sát nào.

Bước 2: Loại bỏ các dòng dữ liệu trùng lặp: Những dòng trùng lặp có thể gây sai lệch khi huấn luyện mô hình, vì vậy sẽ được loại bỏ khỏi tập dữ liệu.

Bước 3: Tổng hợp dữ liệu. Sau khi làm sạch, dữ liệu sẽ được tổng hợp để tạo ra các thông tin cần thiết cho việc tính toán các chỉ số M-Score. Các biến tài chính bao gồm: Lợi nhuận gộp, Các Khoản phải thu ngắn hạn, Giá trị còn lại Tài sản cố định, Tài sản ngắn hạn, Tổng tài sản, Chi phí khấu hao, Chi phí bán hàng, Lợi nhuận trước thuế, Dòng tiền từ SXKD, Nợ phải trả, Doanh thu thuần, Chi phí quản lý doanh nghiệp. Từ các biến này, các chỉ số của M-Score sẽ được tính toán. Việc tổng hợp này đòi hỏi phải có công thức chính xác để chuyển đổi các biến tài chính thô thành các chỉ số phù hợp nhằm phát hiện gian lận tài chính.

Bước 4: Tính toán các chỉ số của M-Score. Dựa vào các biến tài chính đã tổng hợp, tiến hành tính toán 8 chỉ số thành phần của M-Score. Các chỉ số này sẽ được sử dụng làm biến độc lập (features) trong mô hình hồi quy tuyến tính để dự đoán M-

Bước 5: chia tập dữ liệu. Để đảm bảo tính hiệu quả và khách quan của mô hình, tập dữ liệu sẽ được chia thành hai phần theo tỷ lệ: 80% dữ liệu cho tập huấn luyện, dùng để đào tạo mô hình và ước lượng các tham số hồi quy, 20% dữ liệu cho tập kiểm thử, dùng để đánh giá hiệu suất của mô hình trên các dữ liệu chưa từng gặp. Việc chia tỷ lệ này giúp đánh giá tính chính xác của mô hình, giảm thiểu tình trạng dự đoán sai lệch và đảm bảo mô hình có khả năng tổng quát hóa tốt.

3.3.4. Triển khai lập trình mô hình Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Để triển khai mô hình dự đoán M-Score, chúng tôi sử dụng ngôn ngữ Python phiên bản 3.12 cùng với thư viện Scikit-Learn, một thư viện mạnh mẽ và phổ biến dành cho các bài toán Machine Learning. Dưới đây là các bước chi tiết để xây dựng mô hình Linear Regression nhằm dự đoán M-Score.

• Bước 1: Cài đặt Thư viện Yêu Cầu: Trước tiên, cài đặt thư viện scikit-learn bằng cách sử dụng câu lệnh sau trong terminal hoặc command prompt: pip install scikit-learn
• Bước 2: Thêm các thư viện cần thiết: Các thư viện cần thiết để xử lý dữ liệu và xây dựng mô hình bao gồm pandas, numpy, onxx, và scikit-learn.
• Bước 3: Tải và xử lý dữ liệu (như mô tả ở mục 2).
• Bước 4: Chia Tập Dữ Liệu Thành Tập Huấn Luyện và Kiểm Thử: Sử dụng train_test_split để chia dữ liệu theo tỷ lệ 80% – 20%.
• Bước 5: Xây Dựng và Huấn Luyện Mô Hình Linear Regression: Sử dụng mô hình LinearRegression từ Scikit-Learn để huấn luyện trên tập dữ liệu.
• Bước 6: Lưu mô hình thành file ONXX

3.3.5. Tiêu chuẩn đánh giá và kết quả mô hình đạt được khi triển khai trên hệ thống

3.3.5.1.    Tiêu chuẩn đánh giá mô hình

Trong đề án này, mô hình Linear Regression sẽ được đánh giá độ chính xác và hiệu quả qua các tiêu chuẩn sau: Mean Square Error (MSE) và 𝑅²:

Mean Square Error (MSE)

• Định nghĩa: MSE (Mean Squared Error) là giá trị trung bình của bình phương sai lệch giữa giá trị thực tế và giá trị dự đoán. MSE được tính theo công thức đã giới thiệu ở mục định nghĩa mô hình Linear Regression.
• Ý nghĩa: MSE cho biết mức độ sai lệch trung bình giữa các giá trị dự đoán và giá trị thực tế. MSE càng thấp thì mô hình càng chính xác. Tuy nhiên, vì MSE dùng bình phương sai lệch, nó rất nhạy cảm với các điểm dữ liệu có sai lệch lớn (outliers).

𝘙^𝟐𝟐 Score

• Định nghĩa: R² Score, hay hệ số xác định, cho biết tỷ lệ biến thiên của biến mục tiêu có thể được giải thích bởi các biến đầu vào trong mô hình. R² Score được tính theo công thức:

Trong đó: Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

• ∑^𝑛(𝛾𝛾1 − 𝛾𝛾�𝑖)²: Tổng bình phương sai lệch giữa giá trị dự đoán và giá trị thực tế.
• ∑^𝑛 (𝛾𝛾1 − 𝛾𝛾̅𝑖)²: Tổng bình phương sai lệch giữa giá trị thực tế và giá trị trung bình của biến mục tiêu y.

Ý nghĩa: R² Score dao động từ 0 đến 1. Giá trị gần 1 thể hiện mô hình có thể giải thích tốt biến thiên của dữ liệu. Nếu R² bằng 0, mô hình không thể giải thích được biến thiên của biến mục tiêu dựa trên các biến độc lập. R² có thể âm nếu mô hình dự đoán kém hơn so với giá trị trung bình của biến mục tiêu.

3.3.5.2. Kết quả đạt được khi lập trình ứng dụng và mô hình

Sau khi huấn luyện và kiểm thử mô hình Linear Regression cho bài toán dự đoán M-Score, kết quả sẽ được tính theo các tiêu chuẩn đã giới thiệu ở mục Tiêu chuẩn đánh giá mô hình và được thể hiện ở bảng 3.3:

• Bảng 3.3 : Kết quả mô hình Linear Regression theo MSE, 𝘙^𝟐𝟐, và Accuracy

Kết quả ở bảng 3.3 cho thấy mô hình Linear Regression cho ra kết quả chính xác tuyệt đối. Việc kết quả đạt được ngưỡng cao nhất là do yêu cầu bài toán đặt ra còn đơn giản, khi chỉ cần dự đoán M-Score dựa trên 8 chỉ số đã được tính sẵn ở bước xử lý dữ liệu. Từ đó, độ phức tạp của bài toán đã giảm đi rất nhiều khi phép tính không còn chứa các tỉ lệ, các giá trị biến thiên trong công thức của M-Score.

• Kết quả thực tiễn khi áp dụng vào hạ tầng công nghệ thông tin tại BIDV:

Kết quả dự đoán sẽ được hiển thị dưới dạng bảng như hình bên dưới. Hiển thị danh sách các khách hàng có trong file IRB, số CIF, tên, năm báo cáo tài chính.

2 cột dự đoán tên là MScore và AI, chứa kết quả tính toán của 2 phương pháp tương ứng, giúp dễ dàng so sánh kết quả. Kết quả được tô màu, giúp dễ dàng nhận biết trạng thái gian lận:

• Màu xanh lá: tương ứng dự đoán khách hàng KHÔNG có nguy cơ gian lận tài chính
• Màu đỏ: tương ứng dự đoán khách hàng CÓ nguy cơ gian lận báo cáo tài chính

Ngoài ra, dữ liệu đã được thử nghiệm và áp dụng rộng rãi cho toàn bộ các năm từ 2019 đến 2026,cho tất cả các khách hàng tại chi nhánh SGD2 và Quận 7 Sài Gòn,và kết quả thu được qua các hình ảnh sau:

• Hình 3.1. Kết quả tổng quát của toàn hệ thống
• Hình 3.2. Các thông số chi tiết của từng công ty trên hệ thống

3.3.6. Các tính năng ưu việt và thành tựu của hệ thống Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

3.3.6.1 Các tính năng ưu việt mà ứng dụng hệ thống mang lạ

Phân tích và xử lý khối lượng dữ liệu lớn: AI có khả năng xử lý và phân tích khối lượng dữ liệu khổng lồ trong thời gian ngắn, giúp kiểm tra từng dòng dữ liệu tài chính để phát hiện các bất thường.

Khả năng học và thích ứng thông minh: Các mô hình AI học từ dữ liệu trong quá khứ để phát hiện những dấu hiệu bất thường hoặc sai lệch có thể cho thấy dấu hiệu gian lận. AI có khả năng thích ứng, ngày càng hoàn thiện khi được huấn luyện với dữ liệu mới.

Phát hiện mẫu hình bất thường: Hệ thống AI có thể nhận diện các mẫu hình gian lận ẩn mà con người khó phát hiện, bao gồm các biểu hiện lặp đi lặp lại trong dữ liệu doanh thu, dòng tiền, hay các số liệu Báo cáo tài chính doanh nghiệp bất thường.

Phân tích dữ liệu theo thời gian thực: Hệ thống có khả năng theo dõi và phân tích dữ liệu trong thời gian thực, giúp phát hiện các hành vi gian lận ngay khi chúng xảy ra, từ đó có thể đưa ra các biện pháp kịp thời để ngăn chặn thiệt hại.

Cảnh báo tức thì và update dữ liệu ngay lập tức: Hệ thống có thể gửi cảnh báo khi phát hiện các hành vi đáng ngờ, giúp tổ chức có thể nhanh chóng điều tra và xử lý.

Giảm thiểu sai sót: Việc tự động hóa quy trình kiểm tra giúp giảm thiểu các sai sót do yếu tố con người, từ đó đảm bảo tính chính xác và đáng tin cậy của dữ liệu.

Tự động hóa quy trình: Hệ thống giúp tự động hóa các quy trình kiểm tra, giảm thời gian cần thiết cho việc kiểm toán và phân tích. Điều này giúp các tổ chức tiết kiệm chi phí nhân lực và thời gian.

Tăng cường hiệu suất: Với khả năng xử lý và phân tích dữ liệu nhanh chóng, hệ thống cho phép người sử dụng tập trung vào các nhiệm vụ chiến lược hơn thay vì các công việc lặp đi lặp lại,tiết kiệm thời gian và chi phí rất nhiều.

Phân tích rủi ro: Hệ thống AI có thể phân tích các yếu tố rủi ro khác nhau trong dữ liệu của hệ thống và dự đoán khả năng xảy ra gian lận dựa trên dữ liệu lịch sử và hiện tại. Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Quyết định thông minh: Dữ liệu phân tích từ hệ thống giúp các nhà quản lý đưa ra các quyết định kịp thời và chính xác hơn trong việc quản lý tài chính. Áp dụng các công nghệ lập trình hiện đại nhất cũng như ngôn ngữ lập trình tối ưu và thuật toán tối ưu cho hạ tầng CNTT để giải quyết bài toán rút trích, khai phá dữ liệu nhằm đem lại hiệu quả cao nhất cho người dùng bao gồm:

Hệ thống AI được lập trình với các công nghệ mới nhất trên thế giới chi tiết như sau:

• Hạ tầng Cơ sở dữ liệu BackEnd: Hệ thống dùng ngôn ngữ NodeJs, SqLite.
• Hạ tầng Giao diện FrontEnd: Hệ thống code trên nền ngôn ngữ Reactjs,Antd(UI), Tensorflow.js(Predict client side).
• Thư viện Library cho AI và máy học : Python 3.12,Framework Scikit-Learn,Pandas.
• Thuật toán và mô hình chính cho hệ thống : Linear Regression (hồi quy tuyến tính).

3.3.6.2 Các thành tựu đạt được khi triển khai ứng dụng toàn BIDV

Sau khi hoàn thành và áp dụng thực tiễn thì hệ thống đã có các đóng góp cho BIDV như sau:

• Hệ thống giúp Tiết kiệm thời gian và chi phí cho cán bộ BIDV.
• Tăng cường độ chính xác và tin cậy cho việc hỗ trợ người dùng ra quyết định
• Phát hiện gian lận kịp thời,tránh rủi ro về gian lận Báo cáo tài chính
• Đảm bảo tuân thủ quy định an toàn thông tin,bảo mật của BIDV.
• Cải thiện quản lý rủi ro và chất lượng tín dụng doanh nghiệp BIDV.
• Tối ưu hóa công nghệ và tối ưu hóa giá trị của khai phá dữ liệu BIDV.
• Dự báo trước xu hướng và hỗ trợ khuyến nghị cho cán bộ Khách hàng doanh nghiệp.
• Nâng cao hình ảnh và uy tín của BIDV
• Hệ thống ứng dụng chạy rất nhanh,tối ưu và rất tốt trên mọi trình duyệt của thế giới.

TÓM TẮT CHƯƠNG 3

Chương 3 tập trung vào định hướng và giải pháp hoàn thiện công tác kiểm soát rủi ro gian lận Báo cáo tài chính tại BIDV thông qua hệ thống Xếp hạng tín dụng nội bộ tập trung. Trên cơ sở định hướng phát triển chung của BIDV là trở thành ngân hàng hiện đại, tiệm cận chuẩn mực Basel II/III và nâng cao năng lực quản trị rủi ro, chương này xác định mục tiêu củng cố tính minh bạch, nâng cao độ chính xác của hệ thống Xếp hạng tín dụng nội bộ, tăng cường khả năng phát hiện gian lận và bảo đảm an toàn tín dụng.

Đặc biệt, một giải pháp mang tính đột phá được nhấn mạnh là xây dựng hệ thống Xếp hạng tín dụng nội bộ tập trung mới dựa trên ứng dụng lập trình nhận diện gian lận báo cáo tài chính tự động tại BIDV – Chi nhánh Sở Giao dịch 2. Hệ thống này sẽ tích hợp công nghệ AI và machine learning để phân tích dữ liệu tài chính, dòng tiền và thông tin phi truyền thống, tự động nhận diện mẫu hình bất thường trong báo cáo tài chính, từ đó phát hiện sớm nguy cơ gian lận. Việc triển khai thí điểm tại Chi nhánh Sở Giao dịch 2 – một trong những chi nhánh trọng điểm của BIDV không chỉ tạo tiền đề cho việc nhân rộng trên toàn hệ thống, mà còn giúp BIDV khẳng định vị thế tiên phong trong ứng dụng công nghệ hiện đại vào quản trị rủi ro tín dụng tại Việt Nam.

KẾT LUẬN Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

Kiểm soát rủi ro gian lận Báo cáo tài chính là một trong những nội dung trọng tâm trong quản trị rủi ro tín dụng của ngân hàng thương mại, đóng vai trò quan trọng trong việc đảm bảo an toàn hệ thống, nâng cao chất lượng tín dụng và duy trì sự phát triển bền vững. Đặc biệt, trong bối cảnh nền kinh tế nhiều biến động, hành vi gian lận ngày càng tinh vi và phức tạp, việc tăng cường năng lực phát hiện và phòng ngừa gian lận báo cáo tài chính không chỉ giúp ngân hàng giảm thiểu tổn thất mà còn góp phần củng cố niềm tin của thị trường, hỗ trợ sự ổn định chung của hệ thống tài chính ngân hàng. Chính vì vậy, hoàn thiện công tác kiểm soát gian lận Báo cáo tài chính thông qua hệ thống Xếp hạng tín dụng nội bộ luôn là một nhiệm vụ cấp thiết của BIDV.

Đề tài đã phân tích cơ sở lý luận, đánh giá thực trạng triển khai hệ thống Xếp hạng tín dụng nội bộ trong việc phát hiện và kiểm soát gian lận Báo cáo tài chính, chỉ ra những kết quả đạt được và những hạn chế còn tồn tại, đồng thời đề xuất các giải pháp hoàn thiện theo hướng ứng dụng công nghệ hiện đại, đặc biệt là trí tuệ nhân tạo và lập trình nhận diện gian lận tự động. Hy vọng rằng những nội dung nghiên cứu trong đề án sẽ góp phần giúp BIDV nâng cao hiệu quả vận hành hệ thống Xếp hạng tín dụng nội bộ, tăng cường khả năng phòng ngừa gian lận, đáp ứng yêu cầu quản trị rủi ro theo Basel II/III và khẳng định vị thế tiên phong trong chuyển đổi số lĩnh vực quản trị rủi ro tại Việt Nam. Luận văn: Giải pháp Kiểm soát rủi ro gian lận BCTC tại BIDV.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Kiểm soát rủi ro gian lận báo cáo tài chính tại BIDV

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com