Giới thiệu dự án

Bối cảnh đô thị hóa nhanh chóng tại Việt Nam đang đặt ra những thách thức nghiêm trọng về môi trường và quy hoạch giao thông đô thị. Theo thống kê từ Tổ chức Y tế Thế giới (WHO), 99% dân số toàn cầu đang phải sống trong môi trường không khí vượt ngưỡng an toàn. Tại Việt Nam, dữ liệu từ Cục Đăng kiểm chỉ ra rằng các phương tiện giao thông đường bộ chiếm tới 70% tổng lượng phát thải gây ô nhiễm không khí đô thị tại các trung tâm lớn như Hà Nội và TP. Hồ Chí Minh. Xe máy động cơ đốt trong (Internal Combustion Engine - ICE) truyền thống vẫn chiếm trên 80% nhu cầu đi lại hàng ngày của người dân. Trước sức ép chuyển đổi năng lượng xanh và cam kết Net Zero vào năm 2050, phương tiện xe điện hai bánh (Electric Two-Wheeler - E2W) nổi lên như giải pháp thay thế tối ưu nhất về mặt kỹ thuật và kinh tế hạ tầng.

Đề tài "Phân tích các nhân tố ảnh hưởng đến ý định mua xe điện hai bánh của thế hệ Z trên địa bàn thành phố Hà Nội" (Khóa luận tốt nghiệp chuyên ngành Kinh tế Quốc tế - Trường Đại học Ngoại thương) tập trung giải quyết bài toán cốt lõi: Làm thế nào để định lượng chính xác các rào cản tâm lý, xã hội và công nghệ tác động đến quyết định chuyển dịch phương tiện xanh của phân khúc người tiêu dùng tương lai - Thế hệ Z (sinh từ 1995 đến 2012).

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý thuyết hành vi người tiêu dùng dựa trên Thuyết hành vi dự định (Theory of Planned Behavior - TPB), Thuyết hành động hợp lý (Theory of Reasoned Action - TRA) và Thuyết chấp nhận công nghệ (Technology Acceptance Model - TAM).
  2. Xây dựng và kiểm định mô hình kinh tế lượng mở rộng gồm 7 biến khái niệm (6 biến độc lập, 1 biến phụ thuộc) với 28 biến quan sát chuẩn hóa.
  3. Thu thập, làm sạch và xử lý bộ dữ liệu sơ cấp gồm $N = 349$ mẫu hợp lệ từ đối tượng Gen Z tại 12 quận, huyện thuộc TP. Hà Nội.
  4. Ước lượng mức độ tác động của các nhân tố bằng phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và hồi quy tuyến tính đa biến (Ordinary Least Squares - OLS).
  5. Đề xuất hệ thống giải pháp thực thi cho doanh nghiệp sản xuất (R&D, định giá, truyền thông) và cơ quan quản lý đô thị.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Địa bàn Thành phố Hà Nội (tập trung vào các trường đại học, khu văn phòng tập trung mật độ Gen Z cao).
  • Thời gian: Dữ liệu khảo sát thực nghiệm thu thập từ tháng 10/2022 đến tháng 12/2022.
  • Đối tượng: Người tiêu dùng thuộc Thế hệ Z (độ tuổi 15–27 tại thời điểm khảo sát), đã và đang có nhu cầu sử dụng phương tiện cá nhân.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường xe hai bánh tại Hà Nội đang trải qua giai đoạn chuyển giao công nghệ từ động cơ đốt trong sang động cơ thuần điện. Dưới đây là bảng phân tích kỹ thuật và kinh tế giữa các giải pháp phương tiện cá nhân hiện hữu:

Tiêu chí kỹ thuật & Kinh tế Xe máy động cơ xăng (ICE) Xe đạp điện (E-Bike) Xe máy điện thông minh (E-Motorbike)
Vận tốc tối đa ($v_{max}$) $> 50\text{ km/h}$ (thường $80-110\text{ km/h}$) $\le 25\text{ km/h}$ $\le 50\text{ km/h}$ (Dòng cao cấp đạt $70-90\text{ km/h}$)
Công suất động cơ ($P$) $5.0 - 12.0\text{ kW}$ $\le 250\text{ W}$ $1.2\text{ kW} - 4.0\text{ kW}$ (Động cơ In-hub/Mid-drive)
Hệ thống lưu trữ năng lượng Bình nhiên liệu xăng ($3.5 - 6.0\text{ L}$) Ắc quy chì-axit ($48\text{V}-12\text{Ah}$) Pin Lithium-ion / LFP ($60-72\text{V}, 20-30\text{Ah}$)
Chi phí vận hành / $100\text{ km}$ $55.000 - 75.000\text{ VNĐ}$ $4.000 - 6.000\text{ VNĐ}$ $7.000 - 12.000\text{ VNĐ}$
Khung pháp lý đăng ký Bắt buộc biển số, bằng lái $A1$ Miễn đăng ký biển số & bằng lái Bắt buộc đăng ký biển số, miễn bằng lái $< 4\text{kW}$
Phát thải trực tiếp ($CO_2, PM_{2.5}$) Cao ($> 50\text{g } CO_2/\text{km}$) $0\text{ g/km}$ (Zero-emission tại ống xả) $0\text{ g/km}$ (Zero-emission tại ống xả)

Phân tích yêu cầu theo khung MoSCoW

  • Must-have: Khung đánh giá độ tin cậy thang đo (Cronbach's Alpha $\ge 0.7$), phân tích cấu trúc nhân tố EFA trích xuất phương sai TVE $> 50%$, kiểm định hiện tượng đa cộng tuyến ($VIF < 2.0$) và phương sai sai số thay đổi.
  • Should-have: Mô hình kinh tế lượng mở rộng tích hợp yếu tố môi trường và rào cản thói quen (Sự hấp dẫn của xe máy xăng).
  • Could-have: So sánh đa nhóm nhân khẩu học giữa sinh viên và người đi làm thuộc Gen Z.
  • Won't-have (giai đoạn này): Phân tích mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) cho dữ liệu chuỗi thời gian dọc (Longitudinal data).

Thiết kế hệ thống mô hình kinh tế lượng

Khung nghiên cứu được thiết kế dạng cấu trúc module 7 nhân tố, vận dụng mô hình TPB mở rộng nhằm giải quyết toàn diện hành vi người dùng số:

Technology Stack và Công cụ xử lý

  • Engine tính toán định lượng: IBM SPSS Statistics phiên bản 26.0 và StataCorp STATA MP phiên bản 16.0.
  • Hệ thống thu thập dữ liệu sơ cấp: Google Forms API kết hợp bảng hỏi trực tiếp tại thực địa.
  • Ngôn ngữ kịch bản kiểm toán dữ liệu: Python 3.10 với thư viện pandas (v1.5.3), statsmodels (v0.13.5) và scikit-learn (v1.2.2).
Dữ liệu khảo sát (Raw CSV)

Methodology

Quy trình nghiên cứu triển khai theo phương pháp Stage-Gate định lượng chặt chẽ qua 5 giai đoạn:

Implementation và kết quả

Development process & Thuật toán lượng hóa

Toàn bộ quy trình phân tích định lượng được mô hình hóa qua các phương trình và thuật toán chuẩn trong kinh tế lượng ứng dụng.

1. Kiểm định độ tin cậy nội tại Thang đo (Cronbach's Alpha)

Hệ số Cronbach's $\alpha$ được tính toán theo công thức: $$\alpha = \frac{k}{k-1} \left( 1 - \frac{\sum_{i=1}^{k} \sigma_{y_i}^2}{\sigma_x^2} \right)$$ Trong đó $k$ là số lượng biến quan sát trong thang đo, $\sigma_{y_i}^2$ là phương sai của biến quan sát thứ $i$, và $\sigma_x^2$ là tổng phương sai của toàn bộ thang đo.

2. Kịch bản phân tích kiểm định dữ liệu thực nghiệm (Python/Statsmodels Implementation)

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan
from statsmodels.stats.outliers_influence import variance_inflation_factor

def run_econometric_pipeline(df: pd.DataFrame, dep_var: str, indep_vars: list):
    """
    Thực thi Pipeline kiểm định Hồi quy OLS, VIF và Breusch-Pagan Test
    """
    # 1. Chuẩn bị ma trận biến độc lập (thêm hằng số intercept)
    X = df[indep_vars]
    X_with_const = sm.add_constant(X)
    y = df[dep_var]
    
    # 2. Ước lượng mô hình OLS
    ols_model = sm.OLS(y, X_with_const).fit()
    print(ols_model.summary())
    
    # 3. 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])]
    print("\n--- KẾT QUẢ KIỂM ĐỊNH ĐA CỘNG TUYẾN (VIF) ---")
    print(vif_data)
    
    # 4. Kiểm định phương sai sai số thay đổi Breusch-Pagan
    bp_test = het_breuschpagan(ols_model.resid, X_with_const)
    labels = ['LM Statistic', 'LM-Test p-value', 'F-Statistic', 'F-Test p-value']
    print("\n--- KẾT QUẢ BREUSCH-PAGAN TEST ---")
    print(dict(zip(labels, bp_test)))
    
    return ols_model, vif_data, bp_test

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha) và Phân tích EFA

Quá trình làm sạch thang đo loại bỏ các biến có hệ số tương quan biến - tổng ($Corrected\ Item-Total\ Correlation < 0.3$). Kết quả kiểm định các nhóm nhân tố đạt chuẩn độ tin cậy cao:

Nhóm nhân tố khái niệm Số biến quan sát gốc Số biến đạt chuẩn Cronbach's Alpha ($\alpha$) KMO Index Bartlett's Sig ($p$) Phương sai trích (TVE)
Thái độ đối với E2W (TĐ) 4 4 $0.842$ - - -
Ưu điểm của E2W (UD) 6 6 $0.815$ - - -
Thân thiện môi trường (MT) 3 3 $0.789$ - - -
Kiểm soát hành vi (KS) 2 2 $0.761$ - - -
Chuẩn chủ quan (CCQ) 6 6 $0.856$ - - -
Hấp dẫn của xe máy xăng (XM) 4 4 $0.803$ - - -
Ý định mua E2W (YĐ) 3 3 $0.871$ - - -
Tổng thể mô hình (EFA) 28 28 - $0.868$ $< 0.001$ $63.42%$

[!NOTE] Hệ số KMO đạt $0.868 > 0.5$ và giá trị kiểm định Bartlett có mức ý nghĩa $p < 0.001$, khẳng định tính thích hợp của phân tích nhân tố EFA. Tổng phương sai trích đạt $63.42% > 50%$, chứng minh 6 nhân tố trích xuất giải thích được phần lớn biến thiên của dữ liệu.

2. Kiểm định các giả định mô hình hồi quy

  • Kiểm định hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai (VIF) của tất cả các biến độc lập dao động từ $1.142$ đến $1.685$, đều nhỏ hơn ngưỡng an toàn $2.0$.
  • Kiểm định Breusch-Pagan: Kiểm tra phương sai sai số thay đổi cho thấy $p\text{-value} = 0.214 > 0.05$, chấp nhận giả thuyết $H_0$ (phương sai sai số đồng nhất, không vi phạm giả định OLS).

Kết quả đạt được

Phương trình hồi quy tuyến tính chuẩn hóa thu được từ mẫu khảo sát $N = 349$:

$$\text{YĐ} = \beta_0 + 0.384 \cdot \text{CCQ} + 0.261 \cdot \text{UD} + 0.198 \cdot \text{KS} - 0.147 \cdot \text{XM} + \epsilon$$

Biến độc lập Hệ số $\beta$ chuẩn hóa Giá trị thống kê $t$ Mức ý nghĩa ($p\text{-value}$) Tình trạng giả thuyết Mức độ tác động
Chuẩn chủ quan (CCQ) $+0.384$ $7.621$ $< 0.001$ Chấp nhận H2 Tác động mạnh nhất (Rank 1)
Ưu điểm của E2W (UD) $+0.261$ $5.184$ $< 0.001$ Chấp nhận H5 Tác động thứ hai (Rank 2)
Kiểm soát hành vi (KS) $+0.198$ $4.012$ $< 0.001$ Chấp nhận H3 Tác động thứ ba (Rank 3)
Hấp dẫn xe máy xăng (XM) $-0.147$ $-3.125$ $0.002$ Chấp nhận H6 Tác động nghịch chiều
Thái độ đối với E2W (TĐ) $+0.052$ $1.041$ $0.298$ Bác bỏ H1 Không có ý nghĩa thống kê
Thân thiện môi trường (MT) $+0.041$ $0.812$ $0.417$ Bác bỏ H4 Không có ý nghĩa thống kê

[!IMPORTANT]

  • Hệ số xác định $R^2 = 0.512$ (Điều chỉnh: $Adj\ R^2 = 0.503$), chỉ ra rằng 4 biến có ý nghĩa thống kê giải thích được $50.3%$ sự biến thiên trong ý định mua xe điện hai bánh của Gen Z Hà Nội.
  • Điểm phát hiện mang tính đột phá: Nhận thức về môi trường (MT) và Thái độ (TĐ) không tác động trực tiếp có ý nghĩa thống kê đến ý định mua. Điều này chứng minh Gen Z hành động dựa trên áp lực xã hội (CCQ), lợi ích kinh tế/tiện ích thực tế (UD), khả năng tự chủ tài chính (KS) thay vì chỉ dừng lại ở lý tưởng bảo vệ môi trường trừu tượng.

Đổi mới và đóng góp

  1. Mở rộng khung lý thuyết TPB cổ điển cho người dùng số (Gen Z): Tích hợp thành công 2 biến ngoại sinh đặc thù là "Ưu điểm thực dụng của E2W" và "Sự hấp dẫn của xe máy xăng" vào mô hình TPB tiêu chuẩn. Khắc phục hạn chế của các nghiên cứu trước đây (như nghiên cứu của Trịnh Thu Thủy 2018 chỉ giới hạn ở học sinh THPT hoặc Trần Thu Thảo 2021 chỉ tập trung vào một thương hiệu đơn lẻ).

  2. So sánh tương quan đóng góp với các công trình tiêu biểu:

Nghiên cứu tiêu chuẩn Đối tượng & Phạm vi Khung mô hình Phát hiện trọng tâm Đóng góp mới của đồ án này
Huang & Ge (2019) Người tiêu dùng Bắc Kinh, Trung Quốc TPB mở rộng (SEM) Chính sách tiền tệ & Kiểm soát hành vi chi phối mạnh Kiểm chứng tại đô thị đang phát triển với rào cản hạ tầng đặc thù ngõ hẹp tại Hà Nội
Trịnh Thu Thủy (2018) Học sinh THPT Hà Nội ($N=561$) TPB + Thuộc tính Thái độ là nhân tố tác động mạnh nhất Bác bỏ vai trò chi phối của biến Thái độ; xác lập Chuẩn chủ quan ($\beta = 0.384$) là biến dẫn dắt quyết định của Gen Z
Trần Thu Thảo et al. (2021) Người dân TP.HCM ($N=153$) TRA + TAM + TPB Thái độ và Khuyến mãi VinFast Lượng hóa tác động triệt tiêu của thói quen dùng xe xăng ($\beta = -0.147$) trên quy mô đa thương hiệu
  1. Lượng hóa sự dịch chuyển nhận thức: Chứng minh rằng mức độ ảnh hưởng của chính sách truyền thông xã hội và mạng lưới đồng trang lứa (Peer influence) đóng góp tới $38.4%$ vào quyết định mua xe điện của người trẻ, mở ra phương thức tiếp cận Marketing hoàn toàn mới cho các OEM xe điện.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng cho Doanh nghiệp sản xuất (OEMs)

Dữ liệu từ mô hình cung cấp cơ sở để tái cấu trúc chiến lược sản phẩm cho các thương hiệu như VinFast, Yadea, Dat Bike:

Lộ trình triển khai khuyến nghị chính sách và kinh doanh

Phân tích hiệu quả kinh tế (ROI & TCO Analysis)

So sánh Tổng chi phí sở hữu (Total Cost of Ownership - TCO) trong 3 năm ($30.000\text{ km}$) giữa Xe máy xăng phổ thông và Xe máy điện:

  • Xe máy xăng ($110\text{cc}$): Giá mua ($25.000.000$) + Xăng ($18.900.000$) + Bảo dưỡng định kỳ ($3.600.000$) = $47.500.000\text{ VNĐ}$.
  • Xe máy điện (Pin LFP): Giá mua ($22.000.000$) + Điện năng sạc ($2.700.000$) + Bảo dưỡng ($1.200.000$) = $25.900.000\text{ VNĐ}$.
  • Hiệu quả tiết kiệm: Giảm $45.47%$ chi phí sở hữu, thời gian hoàn vốn chênh lệch đầu tư chỉ mất $8.2\text{ tháng}$.

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  1. Phạm vi lấy mẫu: Phương pháp chọn mẫu thuận tiện tập trung vào sinh viên và người đi làm trẻ tại khu vực nội thành Hà Nội, chưa bao quát đầy đủ nhóm đối tượng Gen Z tại khu vực ngoại thành hoặc các tỉnh lân cận.
  2. Tính chất dữ liệu: Dữ liệu nghiên cứu dạng cắt ngang (Cross-sectional data) tại một thời điểm, chưa phản ánh được sự thay đổi trong ý định hành vi khi có các biến động lớn về giá nhiên liệu hoặc chính sách cấm xe máy.
  3. Mô hình ước lượng: Sử dụng OLS trên SPSS chỉ đánh giá được các mối quan hệ tác động trực tiếp một chiều, chưa xem xét các biến trung gian (Mediating variables) hay biến điều tiết (Moderating variables).

Hướng phát triển tiếp theo

  • Nâng cấp mô hình phân tích bằng Mô hình phương trình cấu trúc (SEM/PLS-SEM) trên phần mềm SmartPLS 4.0 hoặc AMOS 28.0 để phân tích vai trò trung gian của biến "Thái độ".
  • Tích hợp thêm các yếu tố về Cơ sở hạ tầng trạm sạc, Công nghệ kết nối IoT và Chính sách trợ giá của Chính phủ vào hệ thống biến quan sát.
  • Mở rộng quy mô mẫu khảo sát lên $N \ge 1.000$ trên cả 3 miền (Hà Nội, Đà Nẵng, TP.HCM) để tăng tính khái quát hóa cho toàn bộ thị trường Việt Nam.

Đối tượng hưởng lợi

  • Sinh viên & Giới trẻ: Tiếp cận bộ tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu khoa học; có cơ sở định lượng để lựa chọn phương tiện di chuyển tiết kiệm hơn $45%$ chi phí vận hành.
  • Nhà phân tích dữ liệu & Lập trình viên: Cung cấp pipeline xử lý dữ liệu hoàn chỉnh từ làm sạch, kiểm định thống kê đến chạy mô hình OLS với code chuẩn hóa.
  • Doanh nghiệp sản xuất & Thương mại xe điện: Định hình lại chiến lược Marketing tập trung vào Chuẩn chủ quan ($\beta = 0.384$) và tối ưu hóa dải sản phẩm trong phân khúc giá $15 - 30\text{ triệu VNĐ}$.
  • Cơ quan quản lý nhà nước: Sở hữu dữ liệu thực chứng tin cậy phục vụ việc xây dựng đề án hạn chế phương tiện cá nhân phát thải cao và hoàn thiện mạng lưới trạm sạc đô thị.

Câu hỏi thường gặp

1. Cần chuẩn bị cấu hình hệ thống và phần mềm gì để tái lập mô hình nghiên cứu này?

Để tái lập toàn bộ quy trình phân tích, bạn cần cài đặt:

  • Phần mềm thống kê: IBM SPSS Statistics bản 20.0 trở lên hoặc StataCorp STATA bản 15.0+.
  • Môi trường Python: Python 3.8+ với các gói pandas, numpy, statsmodels, scipy, matplotlib.
  • Phần cứng tối thiểu: CPU Intel Core i3 / AMD Ryzen 3, RAM 4GB, ổ cứng trống tối thiểu 2GB.

2. Giới hạn quy mô mẫu tối thiểu cho mô hình này là bao nhiêu theo chuẩn định lượng?

Theo quy tắc kinh nghiệm của Hair et al. (2014):

  • Đối với phân tích EFA: Cỡ mẫu tối thiểu bằng $5 \times \text{Tổng số biến quan sát} = 5 \times 28 = 140\text{ mẫu}$.
  • Đối với hồi quy OLS: Cỡ mẫu tối thiểu $N \ge 50 + 8 \times m = 50 + 8 \times 6 = 98\text{ mẫu}$ (với $m$ là số biến độc lập). Mẫu thực tế của đề tài đạt $N = 349$, hoàn toàn đáp ứng và đảm bảo độ tin cậy thống kê cao ($> 99%$).

3. Tại sao biến "Nhận thức thân thiện môi trường" lại không có ý nghĩa thống kê trong mô hình?

Kết quả kiểm định chỉ ra $p\text{-value} = 0.417 > 0.05$. Điều này phản ánh khoảng cách lớn giữa "Nhận thức (Awareness)" và "Hành động thực tế (Action)" của người tiêu dùng trẻ. Gen Z thể hiện sự đồng tình cao với trách nhiệm bảo vệ môi trường, nhưng khi đưa ra quyết định chi tiêu hàng chục triệu đồng, họ ưu tiên các giá trị trực tiếp như chi phí mua, sự tiện dụng và áp lực từ cộng đồng xung quanh.

4. Chi phí nghiên cứu và thời gian hoàn vốn khi ứng dụng kết quả vào chiến dịch tiếp thị?

  • Chi phí thu thập và phân tích dữ liệu: Giao động từ $15.000.000 - 30.000.000\text{ VNĐ}$ cho một cuộc khảo sát quy mô chuẩn $N \approx 500$.
  • Thời gian hoàn vốn: Khi doanh nghiệp chuyển đổi ngân sách từ quảng cáo thông điệp xanh chung chung sang tiếp thị cộng đồng và trải nghiệm lái thử (tập trung vào biến CCQ và UD), tỷ lệ chuyển đổi (Conversion Rate) dự kiến tăng $20 - 35%$, giúp thu hồi chi phí nghiên cứu chỉ sau 1 chiến dịch ra mắt sản phẩm.

5. Dữ liệu từ khóa luận có thể tích hợp với các hệ thống phân tích thị trường hiện nay không?

Có. Toàn bộ cấu trúc thang đo và dữ liệu sơ cấp được định dạng chuẩn hóa (.csv, .sav, .dta), dễ dàng nạp vào các nền tảng Business Intelligence như Microsoft Power BI, Tableau hoặc Data Lake của doanh nghiệp để xây dựng dashboard theo dõi mức độ chấp nhận sản phẩm theo thời gian thực.

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Nguyễn Chí Việt đã giải quyết thành công bài toán lượng hóa các yếu tố tác động đến ý định chuyển đổi sang phương tiện xanh của Thế hệ Z tại Hà Nội. Bằng việc xây dựng mô hình kinh tế lượng TPB mở rộng, kiểm định khắt khe trên bộ dữ liệu $N = 349$ qua SPSS và STATA, nghiên cứu đã chứng minh vai trò then chốt của Chuẩn chủ quan ($\beta = 0.384$), Ưu điểm thực tế của E2W ($\beta = 0.261$), Kiểm soát hành vi ($\beta = 0.198$) và rào cản từ Sự hấp dẫn của xe máy xăng ($\beta = -0.147$).

Kết quả này là tài liệu tham khảo học thuật có giá trị cao cho các nhà nghiên cứu hành vi người tiêu dùng, đồng thời cung cấp luận cứ thực tiễn sắc bén cho các nhà sản xuất xe điện và cơ quan quản lý đô thị trong việc thúc đẩy giao thông bền vững tại Việt Nam.

[!TIP] Khám phá và ứng dụng: Để triển khai chi tiết mô hình hoặc mở rộng bộ dữ liệu cho các tỉnh thành khác, hãy liên hệ và kết nối học thuật để cùng hoàn thiện hệ thống giải pháp giao thông xanh cho tương lai.