Giới thiệu dự án

Hệ thống ngân hàng thương mại đóng vai trò huyết mạch trung gian tài chính trong nền kinh tế quốc gia, điều tiết dòng vốn và duy trì tính ổn định của thị trường tiền tệ. Trong bối cảnh Việt Nam hội nhập sâu rộng vào Tổ chức Thương mại Thế giới (WTO) và chuẩn bị các lộ trình áp dụng chuẩn mực an toàn vốn Basel II, hiệu quả hoạt động và năng lực sinh lời của các Ngân hàng Thương mại Cổ phần (NHTMCP) chịu sự chi phối mạnh mẽ từ các yếu tố nội tại và biến động vĩ mô.

Khóa luận "Các nhân tố bên trong ảnh hưởng đến khả năng sinh lợi tại các ngân hàng thương mại cổ phần Việt Nam" tập trung giải quyết bài toán định lượng mức độ tác động của 6 nhân tố nội sinh then chốt tới hiệu quả sinh lời của hệ thống ngân hàng Việt Nam giai đoạn 2016–2018.

Vấn đề nghiên cứu và Điểm nghẽn thực tiễn (Problem Statement)

  • Thiếu hụt nghiên cứu thực nghiệm nội sinh: Đa số các nghiên cứu tại Việt Nam tập trung vào nhóm doanh nghiệp phi tài chính hoặc gộp chung yếu tố vĩ mô mà chưa phân tích chuyên sâu tác động riêng lẻ của các biến số quản trị tài chính nội bộ ngân hàng.
  • Rủi ro chênh lệch kỳ hạn và chi phí huy động vốn: Tăng trưởng huy động vốn ồ ạt dẫn tới áp lực chi phí lãi vay tăng cao khi kỳ hạn tiền gửi và cho vay không khớp, trực tiếp làm suy giảm biên lợi nhuận ròng.
  • Nợ xấu tiềm ẩn và trích lập dự phòng: Chi phí xử lý nợ xấu làm xói mòn vốn tự có và lợi nhuận ròng của các ngân hàng quy mô vừa và nhỏ.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về khả năng sinh lợi của ngân hàng thương mại thông qua hai chỉ tiêu đại diện: Tỷ lệ sinh lời trên tổng tài sản ($ROA$) và Tỷ lệ sinh lời trên vốn chủ sở hữu ($ROE$).
  2. Xây dựng và ước lượng mô hình hồi quy tuyến tính đa biến nhằm xác định hướng và cường độ tác động của 6 nhân tố nội sinh: Quy mô tài sản ($SIZE$), Vốn chủ sở hữu ($CA$), Tiền gửi khách hàng ($DP$), Hoạt động cho vay ($LOAN$), Tính thanh khoản ($LQD$), và Nợ xấu ($NPL$).
  3. Thực hiện các kiểm định kinh tế lượng bắt buộc (ANOVA, Durbin-Watson, Hệ số phóng đại phương sai VIF) để đảm bảo độ tin cậy và không vi phạm các giả thiết OLS.
  4. Đề xuất hệ thống giải pháp tài chính và quản trị rủi ro nhằm tối ưu hóa danh mục tài sản, kiểm soát chi phí vốn và nâng cao năng lực sinh lời đến năm 2025.

Phạm vi và Giới hạn dữ liệu

  • Phạm vi đối tượng: 19 NHTMCP quy mô lớn nhất Việt Nam.
  • Thời gian nghiên cứu: Dữ liệu chuỗi thời gian 3 năm liên tiếp (2016–2018).
  • Nguồn dữ liệu: Báo cáo tài chính kiểm toán hợp nhất và Báo cáo thường niên đã công bố công khai.
  • Giới hạn: Dữ liệu bảng không cân đối (unbalanced panel data) do tính minh bạch thông tin không đồng đều ở một số ngân hàng chưa niêm yết.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh phương pháp tiếp cận với các công trình thực nghiệm tiêu biểu trên thế giới và tại Việt Nam:

Nghiên cứu Phương pháp Mẫu nghiên cứu Phát hiện chính Hạn chế
Muhammad Bilal et al. (2013) Pooled OLS 25 NHTM Pakistan (2007–2011) $SIZE$ (+), $NPL$ (-) tác động mạnh đến $ROE$, $DP$ (+) nhưng không có ý nghĩa thống kê Không tách biệt kiểm định đa cộng tuyến sâu
Ayadi & Boujelbene (2012) Linear Regression 12 NHTM Tunisia (1995–2005) $SIZE$ (+), $CA$ (+), $LQD$ (-) không có ý nghĩa thống kê đến $ROA$ Cỡ mẫu nhỏ (12 ngân hàng)
Cao Ngọc Thủy (2013) Pooled OLS, FE, RE 40 NHTMCP VN (2006–2012) Tín dụng và quy mô (+), chi phí dự phòng rủi ro (-) Quá nhiều biến vĩ mô làm phân tán tác động biến nội sinh
Đề tài hiện tại (2020) OLS Đa biến & Diagnostic Tests 19 NHTMCP VN (2016–2018) $SIZE$, $CA$, $LOAN$, $LQD$ (+); $DP$, $NPL$ (-); kiểm soát chặt chẽ tự tương quan & VIF Giới hạn chuỗi 3 năm thời kỳ hậu tái cơ cấu

Ưu tiên yêu cầu phân tích theo khung MoSCoW

  • Must-have (Bắt buộc): Ước lượng chính xác hệ số $\beta$ cho 2 phương trình $ROA$ và $ROE$; kiểm định $F$ (ANOVA) đạt mức ý nghĩa $\alpha = 5%$; kiểm định tự tương quan Durbin-Watson nằm trong dải $[1; 3]$.
  • Should-have (Nên có): Kiểm định đa cộng tuyến toàn diện qua hệ số VIF $< 10$; phân tích độ nhạy của biến chi phí tiền gửi $DP$.
  • Could-have (Có thể có): So sánh tương quan giữa các nhóm ngân hàng phân theo tỷ lệ an toàn vốn CAR.
  • Won't-have (Không thực hiện): Chạy mô hình hồi quy không gian hoặc chuỗi thời gian ARIMA do giới hạn số quan sát $T=3$.

Thiết kế hệ thống phân tích kinh tế lượng

Hệ thống xử lý và phân tích dữ liệu được mô hình hóa theo cấu trúc đường ống (pipeline) toán định lượng:

Ngăn xếp công nghệ và Công cụ sử dụng

  • Nền tảng phân tích định lượng: IBM SPSS Statistics phiên bản 22.0 / 26.0 (sử dụng module Regression & Descriptive Statistics).
  • Công cụ hỗ trợ mô phỏng: Python 3.9 (pandas 1.3.5, statsmodels 0.13.2, numpy 1.21.6).
  • Xử lý bảng tính: Microsoft Excel 2019 (chuẩn hóa ma trận dữ liệu ban đầu).

Từ điển dữ liệu và Công thức toán học các biến số

Ký hiệu Tên biến Phân loại Công thức xác định Kỳ vọng
$ROA$ Tỷ suất sinh lời trên tài sản Phụ thuộc $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$ N/A
$ROE$ Tỷ suất sinh lời trên vốn CSH Phụ thuộc $\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$ N/A
$SIZE$ Quy mô tài sản Độc lập $\log_{10}(\text{Tổng tài sản})$ $+/-$
$CA$ Tỷ lệ vốn chủ sở hữu Độc lập $\text{Vốn chủ sở hữu} / \text{Tổng tài sản}$ $+$
$DP$ Tỷ lệ tiền gửi khách hàng Độc lập $\text{Tổng tiền gửi khách hàng} / \text{Tổng tài sản}$ $+$
$LOAN$ Tỷ lệ dư nợ cho vay Độc lập $\text{Dư nợ cho vay khách hàng} / \text{Tổng tài sản}$ $+/-$
$LQD$ Tính thanh khoản Độc lập $\text{Tài sản lưu động} / \text{Tổng tài sản}$ $+$
$NPL$ Tỷ lệ nợ xấu Độc lập $\text{Dư nợ xấu (Nhóm 3-5)} / \text{Tổng dư nợ tín dụng}$ $-$

Phương pháp nghiên cứu (Methodology)

Phương pháp nghiên cứu tuân thủ quy trình phân tích kinh tế lượng chuẩn 4 giai đoạn:

Giai đoạn 1: Thu thập & Làm sạch dữ liệu BCTC
Giai đoạn 2: Ước lượng Tham số Mô hình hồi quy Tuyến tính OLS
Giai đoạn 3: Kiểm định tính vững của Mô hình
Giai đoạn 4: Diễn giải Hệ số & Khuyến nghị Chính sách

Triển khai và kết quả thực nghiệm

Quy trình triển khai và Mã nguồn thuật toán

Toàn bộ quy trình ước lượng mô hình hồi quy đa biến, tính toán sai số chuẩn và thực hiện các kiểm định thống kê được mô hình hóa chi tiết bằng mã nguồn phân tích:

import pandas as pd
import numpy as np
import statsmodels.api as sm
from statsmodels.stats.stattools import durbin_watson
from statsmodels.stats.outliers_influence import variance_inflation_factor

def evaluate_bank_profitability(dataset_path: str):
    # 1. Load và tiền xử lý dữ liệu 19 NHTMCP giai đoạn 2016-2018
    df = pd.read_csv(dataset_path)
    
    # 2. Xây dựng danh sách biến độc lập
    independent_vars = ['SIZE', 'CA', 'DP', 'LOAN', 'LQD', 'NPL']
    X = df[independent_vars]
    X_with_const = sm.add_constant(X)
    
    # 3. Ước lượng Mô hình 1: ROA
    y_roa = df['ROA']
    model_roa = sm.OLS(y_roa, X_with_const).fit()
    
    # 4. Ước lượng Mô hình 2: ROE
    y_roe = df['ROE']
    model_roe = sm.OLS(y_roe, X_with_const).fit()
    
    # 5. Tính toán các chỉ số kiểm định chẩn đoán (Diagnostic Metrics)
    dw_roa = durbin_watson(model_roa.resid)
    dw_roe = durbin_watson(model_roe.resid)
    
    # 6. Tính toán Variance Inflation Factor (VIF)
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return {
        "model_roa": model_roa,
        "model_roe": model_roe,
        "dw_roa": dw_roa,
        "dw_roe": dw_roe,
        "vif": vif_data
    }

Kết quả kiểm định thống kê và Độ chuẩn xác của mô hình

Kết quả xử lý từ bộ dữ liệu của 19 NHTMCP Việt Nam (2016–2018) đưa ra các thông số cụ thể:

1. Phương trình hồi quy ROA (Mô hình 1)

$$\widehat{ROA} = \beta_1 + \beta_2 \cdot SIZE + \beta_3 \cdot CA - \beta_4 \cdot DP + \beta_5 \cdot LOAN + \beta_6 \cdot LQD - 0.111 \cdot NPL$$

  • Hệ số xác định ($R^2$): $0.291$ (Mô hình giải thích được $29.1%$ sự biến thiên của ROA).
  • $R^2$ hiệu chỉnh (Adjusted $R^2$): $0.202$ ($20.2%$).
  • Kiểm định ANOVA: $F\text{-statistic} = 3.284$, mức ý nghĩa $\text{Sig.} = 0.000 < 0.05 \implies$ Mô hình có ý nghĩa thống kê tổng thể ở mức $95%$.
  • Hệ số Durbin-Watson: $d = 1.763$ ($1 < 1.763 < 3 \implies$ Không có hiện tượng tự tương quan chuỗi bậc 1).
  • Đa cộng tuyến: Tất cả hệ số $VIF < 10 \implies$ Không tồn tại đa cộng tuyến nghiêm trọng.

2. Phương trình hồi quy ROE (Mô hình 2)

$$\widehat{ROE} = \beta_1 + \beta_2 \cdot SIZE + \beta_3 \cdot CA - \beta_4 \cdot DP + \beta_5 \cdot LOAN + \beta_6 \cdot LQD - 0.176 \cdot NPL$$

  • Hệ số xác định ($R^2$): $0.475$ (Mô hình giải thích được $47.5%$ sự biến thiên của ROE).
  • $R^2$ hiệu chỉnh (Adjusted $R^2$): $0.412$ ($41.2%$).
  • Kiểm định ANOVA: $\text{Sig.} = 0.000 < 0.05 \implies$ Mô hình đạt độ phù hợp rất cao.
  • Hệ số Durbin-Watson: Nằm trong khoảng tối ưu $[1; 3]$.
  • Đa cộng tuyến: $VIF < 10$.

Bảng tổng hợp kết quả tác động của các nhân tố

Biến số Chiều tác động thực tế Mức ý nghĩa thống kê (p-value) Đánh giá thực nghiệm
Quy mô ($SIZE$) Dương ($+$) $p < 0.05$ Khai thác hiệu quả tính kinh tế nhờ quy mô (Economies of Scale)
Vốn chủ sở hữu ($CA$) Dương ($+$) $p < 0.05$ Vốn dày tạo lớp đệm rủi ro vững chắc, hạ thấp chi phí vốn
Tiền gửi khách hàng ($DP$) Âm ($-$) $p < 0.10$ (ROA) / $p < 0.05$ (ROE) Chi phí trả lãi huy động tăng cao; rủi ro chênh lệch kỳ hạn
Dư nợ cho vay ($LOAN$) Dương ($+$) $p < 0.05$ Cho vay vẫn là nguồn thu lãi ròng (NIM) đóng góp chính
Tính thanh khoản ($LQD$) Dương ($+$) $p = 0.562$ (ROA) / $p < 0.05$ (ROE) Giảm thiểu chi phí thanh khoản khẩn cấp, tối ưu hóa $ROE$
Tỷ lệ nợ xấu ($NPL$) Âm ($-$) Hệ số $-0.111$ (ROA) / $-0.176$ (ROE) Nợ xấu bào mòn lợi nhuận qua trích lập dự phòng rủi ro

Đổi mới và đóng góp khoa học

Phát hiện mới mang tính đột phá

  1. Hiện tượng nghịch đảo tác động của Tiền gửi ($DP$): Khác với các giả định truyền thống cho rằng huy động vốn càng nhiều thì lợi nhuận càng cao, nghiên cứu chứng minh trong giai đoạn 2016–2018 tại Việt Nam, biến $DP$ mang tương quan âm ($-$) có ý nghĩa thống kê. Nguyên nhân cốt lõi do cuộc đua lãi suất huy động giữa các ngân hàng thương mại làm đội chi phí vốn đầu vào, trong khi đầu ra tín dụng bị khống chế trần tăng trưởng từ Ngân hàng Nhà nước.
  2. Vai trò then chốt của Vốn chủ sở hữu ($CA$): Khẳng định tính đúng đắn của việc tăng vốn điều lệ theo định hướng Basel II; tỷ lệ an toàn vốn cao giúp các ngân hàng giảm chi phí huy động trên thị trường liên ngân hàng và tạo lợi nhuận vượt trội trên vốn ($ROE$).
  3. Định lượng tác động tiêu cực của Nợ xấu ($NPL$): Mỗi $1%$ tăng lên của tỷ lệ nợ xấu trực tiếp làm suy giảm hệ số sinh lời trên vốn $ROE$ tới $0.176%$.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (Real-World Use Cases)

  1. Ứng dụng tại Ủy ban Quản lý Tài sản Nợ - Có (ALCO): Sử dụng hàm hồi quy để mô phỏng tác động của việc tăng lãi suất huy động tới chỉ tiêu $ROA$. Cân đối lại danh mục huy động tiền gửi không kỳ hạn (CASA) nhằm giảm hệ số tiêu cực của biến $DP$.
  2. Ứng dụng tại Khối Quản trị Rủi ro Tín dụng: Thiết lập hệ số cảnh báo sớm: khi tỷ lệ nợ xấu $NPL$ chạm ngưỡng $2%$, hệ thống tự động kích hoạt kịch bản siết chặt điều kiện cấp tín dụng để ngăn đà sụt giảm $ROE$.
  3. Chiến lược Tăng vốn CSH cho Ban Điều hành: Cung cấp căn cứ định lượng để thuyết phục Đại hội đồng Cổ đông thông qua phương án giữ lại lợi nhuận sau thuế tái đầu tư thay vì chi trả toàn bộ cổ tức bằng tiền mặt.

Lộ trình triển khai khuyến nghị giai đoạn 2020–2025

Năm 2020 - 2021: Tái cấu trúc cơ cấu nguồn vốn
Năm 2022 - 2023: Tăng cường năng lực tài chính & Quản trị rủi ro
Năm 2024 - 2025: Tối ưu hóa quy mô và Đa dạng hóa nguồn thu

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Mẫu dữ liệu thời gian ngắn: Giai đoạn quan sát $2016–2018$ (3 năm) chưa bao quát hết một chu kỳ kinh tế đầy đủ (7–10 năm).
  • Mô hình Pooled OLS chưa kiểm soát hoàn toàn hiệu ứng riêng ngân hàng: Chưa tích hợp sâu mô hình Tác động cố định (Fixed Effects - FE) và Tác động ngẫu nhiên (Random Effects - RE) do giới hạn độ dài chuỗi quan sát.
  • Biến ngoại sinh: Chưa đưa các biến kiểm soát vĩ mô như Tăng trưởng GDP, Chỉ số giá tiêu dùng CPI và Cung tiền M2 vào đồng thời trong phương trình ước lượng.

Hướng nghiên cứu mở rộng

  • Áp dụng phương pháp ước lượng Hồi quy Men-GMM (Generalized Method of Moments) để khắc phục triệt để hiện tượng nội sinh tiềm ẩn giữa nợ xấu và khả năng sinh lời.
  • Mở rộng tập dữ liệu từ năm 2015 đến 2024 (bao gồm giai đoạn biến động sau đại dịch COVID-19) với quy mô toàn bộ 31 NHTMCP.
  • Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest Regressor) để so sánh hiệu năng dự báo tỷ số $ROA$/$ROE$ với mô hình kinh tế lượng cổ điển.

Đối tượng hưởng lợi

                      GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN
[Sinh viên /        [Chuyên viên Phân tích]        [Ban Quản trị         [Cơ quan Quản lý
 Nghiên cứu sinh]    (Financial Analysts)           Ngân hàng]            (NHNN / Cơ quan Vĩ mô)]
  • Framework kinh     • Hệ thống trọng số            • Chiến lược tăng     • Căn cứ hoạch định
    tế lượng mẫu         định lượng biến nội            vốn & tái cấu trúc    chính sách tiền tệ
  • Quy trình xử lý      sinh để định giá CP            danh mục huy động     & giám sát an toàn
    SPSS chuẩn tắc       ngân hàng                      nguồn vốn             hệ thống
  • Sinh viên và Học viên Cao học ngành Tài chính - Ngân hàng: Tiếp cận cấu trúc phân tích định lượng chuẩn mực, từ khâu xây dựng giả thuyết, thu thập dữ liệu BCTC đến các bước chạy kiểm định ANOVA, Durbin-Watson và VIF.
  • Chuyên viên Phân tích Đầu tư & Cổ đông: Nắm bắt được các động lực nội tại chi phối lợi nhuận ngân hàng; hiểu rõ vì sao tăng trưởng tiền gửi nóng có thể làm giảm hiệu quả sinh lời trên vốn cổ phần ($ROE$).
  • Ban Lãnh đạo NHTMCP: Có cơ sở dữ liệu thực nghiệm để ra quyết định phân bổ tỷ trọng giữa vốn chủ sở hữu, danh mục cho vay và tài sản thanh khoản.
  • Cơ quan Quản lý Nhà nước (NHNN): Bổ sung căn cứ thực tiễn để ban hành các quy định về tỷ lệ an toàn vốn tối thiểu, kiểm soát tăng trưởng tín dụng và giám sát tỷ lệ nợ xấu toàn hệ thống.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để tái lập mô hình nghiên cứu này là gì?

Cần chuẩn bị tập dữ liệu bảng từ Báo cáo tài chính kiểm toán hợp nhất (tối thiểu 3 năm liên tiếp), phần mềm IBM SPSS phiên bản $\ge 20.0$ hoặc môi trường Python với thư viện statsmodels. Dữ liệu các biến thô cần được chuẩn hóa (ví dụ: lấy logarit cơ số 10 cho biến tổng tài sản $SIZE$).

2. Tại sao biến Tiền gửi khách hàng ($DP$) lại có tương quan âm với khả năng sinh lời?

Trong giai đoạn nghiên cứu 2016–2018, các NHTMCP tăng cường huy động vốn bằng cách nâng lãi suất tiền gửi nhưng gặp khó khăn trong việc giải ngân đầu ra tương ứng do hạn mức tín dụng (room tín dụng) từ NHNN. Sự lệch pha kỳ hạn và chi phí trả lãi cao dẫn đến việc gia tăng tiền gửi làm giảm biên lợi nhuận ròng ($ROA$, $ROE$).

3. Làm thế nào để giải quyết hiện tượng tự tương quan nếu giá trị Durbin-Watson rơi ra ngoài khoảng 1 đến 3?

Nếu hệ số $d < 1$ (tự tương quan dương) hoặc $d > 3$ (tự tương quan âm), cần chuyển sang sử dụng mô hình sai phân bậc một (First Difference), đưa biến trễ của biến phụ thuộc vào mô hình ($ROA_{t-1}$), hoặc sử dụng phương pháp tự hồi quy sai số chuẩn Newey-West.

4. Mô hình này có thể áp dụng cho các doanh nghiệp sản xuất hoặc phi tài chính không?

Không thể áp dụng trực tiếp do đặc thù cơ cấu bảng cân đối kế toán của ngân hàng thương mại rất khác biệt (đòn bẩy tài chính của ngân hàng thường rất cao, tiền gửi là nợ phải trả, cho vay là tài sản). Đối với doanh nghiệp phi tài chính, cần thay thế bằng các biến số như Vòng quay hàng tồn kho, Kỳ thu tiền bình quân và Tỷ số nợ trên vốn (D/E).

5. Chi phí triển khai hệ thống quản trị dữ liệu kinh tế lượng nội bộ là bao nhiêu?

Chi phí triển khai mô hình phân tích tự động định kỳ dao động từ mức thấp (sử dụng mã nguồn mở Python/R tích hợp sẵn vào Data Warehouse nội bộ của ngân hàng) đến mức trung bình (đầu tư bản quyền phần mềm phân tích chuyên sâu SAS/Stata/SPSS), mang lại tỷ suất hoàn vốn ROI vượt trội thông qua việc ngăn ngừa tổn thất dự phòng rủi ro tín dụng hàng trăm tỷ đồng.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại bức tranh toàn diện và sâu sắc về các nhân tố nội sinh chi phối khả năng sinh lời tại 19 NHTMCP Việt Nam giai đoạn 2016–2018:

  • Đóng góp học thuật: Xác lập mô hình kinh tế lượng vững chắc với độ giải thích $R^2 = 29.1%$ cho $ROA$ và $R^2 = 47.5%$ cho $ROE$; vượt qua toàn bộ các kiểm định khắt khe về ANOVA ($\text{Sig.} = 0.000$), tự tương quan ($d = 1.763$) và kiểm định đa cộng tuyến ($VIF < 10$).
  • Giá trị thực tiễn: Bác bỏ định kiến về việc tăng trưởng tiền gửi thuần túy luôn mang lại lợi nhuận; khẳng định tầm quan trọng sống còn của việc mở rộng quy mô tài sản hợp lý, gia tăng lớp đệm vốn chủ sở hữu và kiểm soát chặt chẽ tỷ lệ nợ xấu dưới ngưỡng an toàn.
  • Định hướng ứng dụng: Kết quả nghiên cứu là cẩm nang định lượng hữu ích cho các nhà quản trị ngân hàng trong việc xây dựng chiến lược kinh doanh bền vững, tối ưu hóa cơ cấu tài sản và sẵn sàng đáp ứng các chuẩn mực quốc tế khắt khe trong giai đoạn phát triển mới.