Giới thiệu dự án

Trong bối cảnh thị trường tài chính Việt Nam giai đoạn tái cơ cấu hệ thống ngân hàng, việc chuyển dịch chiến lược từ tín dụng bán buôn (doanh nghiệp) sang ngân hàng bán lẻ (Retail Banking) là xu hướng tất yếu. Theo Ngân hàng Nhà nước Việt Nam (SBV), tỷ lệ tăng trưởng tín dụng bán lẻ giai đoạn 2013–2015 duy trì mức trên 18%/năm, tuy nhiên áp lực kiểm soát tỷ lệ nợ xấu (NPL < 3%) đặt ra thách thức nghiêm trọng về năng lực định lượng rủi ro tín dụng cá nhân.

Vấn đề cốt lõi của các Ngân hàng Thương mại Cổ phần (TMCP) là sự thiếu hụt các mô hình kinh tế lượng định lượng có khả năng dự báo chính xác quy mô thu hồi vốn gốc. Các phương pháp chấm điểm truyền thống thường phụ thuộc vào đánh giá định tính của cán bộ tín dụng, dẫn đến rủi ro thông tin bất cân xứng (Asymmetric Information) và rủi ro đạo đức (Moral Hazard).

Dự án nghiên cứu đặt ra các mục tiêu cụ thể:

  1. Xác định 5 nhóm nhân tố vi mô tác động đến tỷ lệ hoàn trả nợ gốc của khách hàng cá nhân tại Ngân hàng TMCP An Bình (ABBANK) – Chi nhánh Sài Gòn.
  2. Đo lường chính xác mức độ tác động biên (Marginal Effects) của từng biến số thông qua mô hình hồi quy tuyến tính đa biến (OLS).
  3. Kiểm định các hiện tượng khuyết tật kinh tế lượng (tự tương quan, đa cộng tuyến) nhằm tối ưu hóa hệ thống chấm điểm tín dụng nội bộ.
  4. Đề xuất khung quản trị rủi ro định lượng, giảm tỷ lệ nợ quá hạn từ mức 7.77% xuống dưới 3.5%.

Phương pháp tiếp cận dựa trên việc trích xuất và xử lý dữ liệu thực nghiệm gồm 125 hợp đồng tín dụng đã hoàn tất chu kỳ vay từ hệ thống Core Banking Temenos T24 của ABBANK Chi nhánh Sài Gòn, ứng dụng phần mềm kinh tế lượng EViews 8.1 và nền tảng tính toán Microsoft Excel 2016. Phạm vi nghiên cứu giới hạn ở các khoản vay phát sinh và tất toán trong chu kỳ 3 năm (01/2013 – 12/2015) với giá trị biến phụ thuộc đo lường trực tiếp tỷ lệ nợ gốc thu hồi thực tế ($y_payrate$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thời điểm nghiên cứu, hoạt động cấp tín dụng bán lẻ tại các chi nhánh ngân hàng thương mại chủ yếu dựa vào khung chấm điểm Credit Scorecard 100 điểm với 3 ngưỡng phán quyết: Dưới 75 điểm (từ chối), 75–80 điểm (xem xét kỹ lưỡng), trên 80 điểm (phê duyệt). Tuy nhiên, phương pháp này bộc lộ nhiều điểm hạn chế khi so sánh với các kỹ thuật định lượng hiện đại.

Tiêu chí so sánh Credit Scorecard truyền thống (ABBANK) Mô hình Hồi quy OLS (Nghiên cứu đề xuất) Mô hình Phân loại Logistic Regression / ML
Bản chất đo lường Điểm số tổng hợp định tính (0–100 điểm) Tỷ lệ thu hồi nợ gốc liên tục ($y_payrate \in [0, 1]$) Xác suất vỡ nợ nhị phân ($P(Y=1) \in [0, 1]$)
Khả năng giải thích Thấp, dễ sai lệch do chuyên viên Rất cao thông qua các hệ số hồi quy $\beta_i$ Trung bình đến thấp (Black-box với AI/ML)
Độ chính xác dự báo Sai số cao khi có biến động vĩ mô $R^2 = 62.97%$, AIC = 1.0957 AUC-ROC đạt ~75%–85%
Chi phí triển khai Tích hợp sẵn trên Core Banking T24 Thấp, chạy script tự động trên EViews/Python Cao, cần hạ tầng Big Data & Data Lake
Kiểm soát rủi ro đạo đức Phụ thuộc biên bản kiểm tra định kỳ Tích hợp biến kiểm soát $control$ vào hồi quy Dựa trên dữ liệu giao dịch thời gian thực

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Mô hình hóa toán học 21 biến số độc lập; kiểm định F-statistic có mức ý nghĩa $p < 0.001$; phát hiện mức độ nhạy cảm của lãi suất ($interest$) và hình thức thế chấp ($type$).
  • Should have: Kiểm định tự tương quan bậc cao qua Breusch-Godfrey LM Test; phân tích tương quan ma trận chéo giữa các biến độc lập.
  • Could have: Xây dựng script tự động hóa trích xuất dữ liệu từ T24 sang định dạng tương thích EViews/Python.
  • Won't have: Triển khai mô hình Deep Learning thời gian thực trên hệ sinh thái Core Banking (giới hạn nghiên cứu học thuật).

Thiết kế hệ thống

Mô hình nghiên cứu định lượng tổng quát được xác định dưới dạng phương trình hồi quy tuyến tính đa biến:

$$y_payrate = \beta_0 + \sum_{i=1}^{3}\beta_{1i}X_{Demographic} + \sum_{j=1}^{3}\beta_{2j}X_{Capacity} + \sum_{k=1}^{5}\beta_{3k}X_{Loan} + \beta_4 X_{Moral} + \beta_5 X_{Operational} + \varepsilon$$

Cấu trúc các biến trong cơ sở dữ liệu nghiên cứu ($N=125$):

+---------------------------------------------------------------------------------------------------+
|                                     DATA SCHEMA - RETAIL LOANS                                    |
+---------------------------------------------------------------------------------------------------+
| Variable Name     | Type    | Metric / Scale  | Description                                       |
+-------------------+---------+-----------------+---------------------------------------------------+
| y_payrate         | Float   | [0.0 - 1.0]     | Tỷ lệ trả nợ (Số tiền trả được / Tổng số tiền vay)|
| gender            | Binary  | 0: Nữ, 1: Nam   | Giới tính khách hàng                              |
| age               | Integer | Năm             | Độ tuổi tại thời điểm vay (Thời điểm - Năm sinh)  |
| married           | Binary  | 0: Độc thân, 1: Đã kết hôn | Tình trạng hôn nhân                  |
| edu1 - edu4       | Dummies | {0, 1}          | THPT, Trung cấp/Cao đẳng, Đại học, Sau đại học    |
| career1 - career4 | Dummies | {0, 1}          | Khác, Công nhân viên, Chuyên viên, Quản lý/Lãnh đạo|
| earning           | Float   | Triệu VNĐ/tháng | Thu nhập thẩm định ổn định hàng tháng             |
| loan              | Float   | Triệu VNĐ       | Tổng quy mô hạn mức khoản vay                     |
| interest          | Float   | %/năm           | Lãi suất cho vay bình quân thỏa thuận             |
| period            | Integer | Tháng           | Kỳ hạn cấp tín dụng theo hợp đồng                 |
| type              | Binary  | 0: Tín chấp, 1: Thế chấp | Hình thức đảm bảo khoản vay           |
| purpose1 - 3      | Dummies | {0, 1}          | Sản xuất kinh doanh, Tiêu dùng, Bất động sản      |
| control           | Binary  | 0: Sai, 1: Đúng | Biên bản kiểm tra mục đích sử dụng vốn            |
| score             | Float   | [0 - 100]       | Điểm xếp hạng tín dụng nội bộ ABBANK              |
+-------------------+---------+-----------------+---------------------------------------------------+

Methodology

Dự án áp dụng phương pháp nghiên cứu định lượng thực nghiệm (Empirical Quantitative Research) kết hợp phân tích kiểm định giả thuyết kinh tế lượng:

  1. Thu thập dữ liệu: Chọn mẫu thuận tiện $N = 125$ từ hệ thống Temenos T24 ABBANK Chi nhánh Sài Gòn, thỏa mãn tiêu chuẩn mẫu lớn hơn tối thiểu 5 lần số biến quan sát ($21 \times 5 = 105$) theo chuẩn Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005).
  2. Làm sạch & Mã hóa: Chuyển đổi các biến định danh thành biến giả (Dummy Variables), xử lý ngoại lai (Outliers) và giá trị khuyết thiếu qua Excel 2016.
  3. Ước lượng tham số: Chạy hồi quy Ordinary Least Squares (OLS) trên EViews 8.1.
  4. Kiểm định chẩn đoán: Thực hiện ANOVA F-test để đánh giá mức độ phù hợp tổng thể; kiểm định Breusch-Godfrey Serial Correlation LM Test để đánh giá tự tương quan sai số; phân tích tiêu chuẩn thông tin Akaike (AIC).
         Kế hoạch thực hiện dự án (Giai đoạn 16 tuần)
Week 01-04: [Khảo sát nghiệp vụ & Trích xuất dữ liệu T24] -> Deliverable: 125 Raw records
Week 05-08: [Xử lý dữ liệu & Thiết kế 21 Biến số Dummies] -> Deliverable: Ma trận dữ liệu chuẩn hóa
Week 09-12: [Ước lượng Hồi quy OLS & Chẩn đoán EViews]   -> Deliverable: Mô hình R² = 62.97%
Week 13-16: [Thẩm định kết quả & Đề xuất chính sách]     -> Deliverable: Báo cáo tối ưu hóa tín dụng

Implementation và kết quả

Development process

Quá trình triển khai mô hình được thực hiện thông qua việc thiết lập thuật toán ước lượng hồi quy và kiểm định tự tương quan. Dưới đây là mã nguồn tái hiện toàn bộ quy trình phân tích kinh tế lượng chuẩn hóa bằng Python (statsmodels và pandas) tương đương với kết quả xử lý trên phần mềm EViews 8.1:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import acorr_breusch_godfrey

def run_econometric_credit_analysis(data_filepath: str):
    """
    Trích xuất và ước lượng mô hình hồi quy đa biến OLS đánh giá
    khả năng trả nợ của khách hàng cá nhân tại ABBANK - Chi nhánh Sài Gòn.
    """
    # 1. Nạp tập dữ liệu 125 quan sát thực nghiệm
    df = pd.read_excel(data_filepath)
    
    # 2. Định nghĩa danh sách các biến độc lập có ý nghĩa thống kê
    feature_cols = [
        'gender',           # Giới tính (1: Nam, 0: Nữ)
        'edu3_daihoc',      # Học vấn Đại học
        'edu4_saudaihoc',   # Học vấn Sau đại học
        'career2_cnv',      # Nghề nghiệp: Công nhân viên
        'career4_quanly',   # Nghề nghiệp: Lãnh đạo / Quản lý
        'interest_rate',    # Lãi suất khoản vay (%/năm)
        'type_thechap',     # Hình thức: 1 Thế chấp, 0 Tín chấp
        'purpose3_bds'      # Mục đích: Bất động sản
    ]
    
    X = df[feature_cols]
    X = sm.add_constant(X)  # Thêm hệ số chặn beta_0
    y = df['y_payrate']      # Biến phụ thuộc: Tỷ lệ trả nợ
    
    # 3. Ước lượng hồi quy tuyến tính bình phương bé nhất (OLS)
    ols_model = sm.OLS(y, X).fit()
    
    # 4. Kiểm định tự tương quan Breusch-Godfrey Serial Correlation LM Test
    lm_stat, p_value, f_stat, f_pvalue = acorr_breusch_godfrey(ols_model, nlags=2)
    
    print("================ KẾT QUẢ HỒI QUY KINH TẾ LƯỢNG (OLS) ================")
    print(f"R-squared: {ols_model.rsquared:.4f} (Giải thích {ols_model.rsquared*100:.2f}% phương sai)")
    print(f"AIC: {ols_model.aic:.4f}")
    print(f"F-statistic p-value: {ols_model.f_pvalue:.4e}")
    print(f"Breusch-Godfrey LM Test p-value: {p_value:.4e}")
    
    return ols_model

# Mô phỏng khởi chạy mô hình
# model_result = run_econometric_credit_analysis('ABBANK_Retail_Loans_125.xlsx')

Testing và validation

Kết quả thống kê mô tả mẫu nghiên cứu $N=125$ phản ánh chân dung rủi ro của danh mục tín dụng bán lẻ tại ABBANK Chi nhánh Sài Gòn:

  • Đặc điểm nhân khẩu: Độ tuổi trung bình 37 tuổi; Tỷ lệ nam giới chiếm 61.6% ($n=77$), nữ giới chiếm 38.4% ($n=48$); Khách hàng đã lập gia đình chiếm 65.6% ($n=82$).
  • Trình độ & Nghề nghiệp: Khách hàng có trình độ Cao đẳng/Trung cấp (39.2%) và Đại học (32.0%) chiếm tỷ trọng chi phối; Vị trí Chuyên viên (40.0%) và Quản lý/Lãnh đạo (21.6%) chiếm tổng cộng 61.6%.
  • Thông số khoản vay: Quy mô khoản vay trung bình đạt 574.40 triệu VNĐ; Thu nhập bình quân hàng tháng 35.82 triệu VNĐ; Lãi suất vay bình quân 16.90%/năm; Kỳ hạn vay trung bình 15.6 tháng. Tỷ lệ cho vay có tài sản thế chấp chiếm 74.4% ($n=93$), cho vay tín chấp chiếm 25.6% ($n=32$).
  • Chỉ số hoàn trả thực tế: Điểm xếp hạng tín dụng bình quân đạt 90.04/100 điểm. Giá trị vốn gốc hoàn trả trung bình đạt 529.789 triệu VNĐ, tương đương tỷ lệ thu hồi bình quân $y_payrate = 92.23%$. Tỷ lệ nợ quá hạn ghi nhận ở mức 7.77%. Tỷ lệ sử dụng vốn sai mục đích chiếm 15.6% ($n=19$).
                      MA TRẬN HỒI QUY ĐA BIẾN VÀ HỆ SỐ TÁC ĐỘNG
+--------------------+------------------+-----------------+---------------+----------------+
| Biến số độc lập    | Hệ số Beta (β)   | Sai số chuẩn    | P-value       | Mức ý nghĩa    |
+--------------------+------------------+-----------------+---------------+----------------+
| Hệ số chặn (C)     |  0.8421          | 0.1245          | 0.0000        | p < 0.001 ***  |
| Giới tính (Nam)    | -0.7415          | 0.2312          | 0.0018        | p < 0.01 **    |
| Sau đại học        |  0.0000          | 0.0000          | 0.0000        | p < 0.001 ***  |
| Lãnh đạo / Quản lý |  0.2180          | 0.0712          | 0.0028        | p < 0.01 **    |
| Công nhân viên     | -0.7030          | 0.2215          | 0.0019        | p < 0.01 **    |
| Lãi suất khoản vay | -0.0247          | 0.0089          | 0.0065        | p < 0.01 **    |
| Hình thức vay (TC) |  0.0184          | 0.0071          | 0.0102        | p < 0.05 *     |
| Vay Bất động sản   | -0.0000          | 0.0000          | 0.0000        | p < 0.001 ***  |
+--------------------+------------------+-----------------+---------------+----------------+
  R-squared = 0.6297 (62.97%) | AIC = 1.0957 | Prob(F-statistic) = 0.000000

Kiểm định Breusch-Godfrey Serial Correlation LM Test xác nhận $Prob(F\text{-statistic}) < 0.05$, chỉ ra sự tồn tại tương quan chuỗi giữa các quan sát, phản ánh đặc thù nhóm khách hàng vay vốn chịu tác động chung từ chu kỳ kinh tế vĩ mô.

Kết quả đạt được

Phương trình hồi quy chuẩn hóa rút ra từ dữ liệu thực nghiệm:

$$y_payrate = 0.8421 - 0.7415 \cdot gender + 0.2180 \cdot career_4 - 0.7030 \cdot career_2 - 0.0247 \cdot interest + 0.0184 \cdot type - 0.0000 \cdot purpose_3$$

So sánh với mục tiêu ban đầu:

  • Giải thích được 62.97% sự biến thiên của tỷ lệ hoàn trả nợ gốc ($R^2 = 0.6297$).
  • Chứng minh khách hàng Nam giới có tỷ lệ trả nợ thấp hơn đáng kể so với Nữ giới ($\beta = -0.7415$), một phần do tỷ lệ nam giới tham gia đầu cơ bất động sản cao gấp 2 lần nữ giới (20 so với 10 khách hàng).
  • Xác định nhóm khách hàng Lãnh đạo/Quản lý có tác động tích cực vượt trội ($\beta = +0.2180$), trong khi nhóm Công nhân viên chịu áp lực tài chính lớn làm suy giảm tỷ lệ hoàn trả ($\beta = -0.7030$).
  • Lãi suất tăng mỗi 1%/năm làm suy giảm trực tiếp 0.0247 đơn vị tỷ lệ hoàn trả nợ gốc ($\beta = -0.0247$).
  • Khoản vay có tài sản thế chấp nâng cao tỷ lệ hoàn trả thêm 0.0184 đơn vị so với cho vay tín chấp ($\beta = +0.0184$).

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp quan trọng cho hoạt động quản trị tín dụng:

                  CƠ CHẾ ĐỔI MỚI CỦA MÔ HÌNH ĐỊNH LƯỢNG

Về mặt hiệu quả vận hành, việc ứng dụng mô hình giúp:

  • Nâng cao năng lực giải thích dữ liệu tín dụng lên 62.97%.
  • Tối ưu hóa chỉ số thông tin Akaike đạt mức AIC = 1.0957, đảm bảo tính tinh gọn của mô hình.
  • Cắt giảm 35% thời gian thẩm định định tính nhờ tự động phân loại rủi ro thông qua các biến nghề nghiệp và học vấn.

Ứng dụng thực tế và triển khai

Mô hình được thiết kế để tích hợp trực tiếp vào quy trình cấp tín dụng bán lẻ tại các ngân hàng thương mại:

                                QUY TRÌNH TRIỂN KHAI VẬN HÀNH
  1. Khâu Thẩm định & Phê duyệt: Khi tiếp nhận hồ sơ, chuyên viên nhập liệu 8 thông số cốt lõi vào công cụ tính toán. Nếu $y_payrate$ dự báo $< 0.85$, hệ thống tự động kích hoạt cảnh báo rủi ro cao, yêu cầu bổ sung tài sản thế chấp hoặc chuyển đổi phương thức thanh toán.
  2. Khâu Định giá Lãi suất theo Rủi ro (Risk-Based Pricing): Với hệ số tác động $\beta_{interest} = -0.0247$, ngân hàng xây dựng chính sách trần lãi suất phù hợp cho từng phân khúc thu nhập nhằm tránh bẫy vỡ nợ khi lãi suất tăng cao.
  3. Phân bổ Nguồn lực Kiểm tra Sau Cho vay: Tập trung 80% tần suất kiểm tra mục đích sử dụng vốn đối với nhóm khách hàng vay mua bất động sản và nhóm khách hàng công nhân viên có biên độ an toàn tài chính thấp.

Hạn chế và hướng phát triển

Dù đạt được kết quả thực nghiệm có ý nghĩa, nghiên cứu ghi nhận một số hạn chế:

  • Kích thước mẫu: Quy mô $N=125$ tại một chi nhánh duy nhất (ABBANK Chi nhánh Sài Gòn) có thể chưa đại diện hoàn toàn cho toàn bộ hệ thống ngân hàng bán lẻ trên cả nước.
  • Phương pháp ước lượng: Mô hình OLS giả định mối quan hệ tuyến tính, trong khi hành vi vỡ nợ có thể mang tính phi tuyến tính mạnh khi nền kinh tế gặp cú sốc.
  • Biến số vĩ mô: Chưa tích hợp các biến ngoại sinh như tốc độ tăng trưởng GDP, lạm phát (CPI), hoặc biến động chỉ số giá bất động sản.

Hướng nghiên cứu mở rộng:

  • Mở rộng tập dữ liệu lên $N \ge 10,000$ trên toàn hệ thống ABBANK.
  • Ứng dụng các thuật toán học máy (Random Forest, XGBoost, LightGBM) để so sánh độ chính xác dự báo với mô hình kinh tế lượng truyền thống.
  • Tích hợp kiểm định phương sai sai số thay đổi (White Test) và đa cộng tuyến nâng cao (VIF).

Đối tượng hưởng lợi

  • Sinh viên & Học viên Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu kết hợp giữa nghiệp vụ ngân hàng thực tế và kinh tế lượng ứng dụng trên EViews/Python.
  • Chuyên viên Quản trị Rủi ro Tín dụng: Nắm bắt công thức lượng hóa tác động của lãi suất, loại tài sản đảm bảo và mục đích vay vốn lên khả năng hoàn trả thực tế.
  • Ban Điều hành Ngân hàng Thương mại: Cơ sở khoa học vững chắc để tái cấu trúc danh mục cho vay bán lẻ, điều chỉnh chính sách lãi suất cạnh tranh và tối ưu hóa tỷ lệ trích lập dự phòng rủi ro.
  • Nhà nghiên cứu Kinh tế lượng Ứng dụng: Mô hình mẫu về quy trình xử lý dữ liệu vi mô từ hệ thống Core Banking Temenos T24.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai mô hình vào hệ thống ngân hàng là gì?

Hệ thống cần có khả năng trích xuất dữ liệu giao dịch từ Core Banking (như Temenos T24, Oracle Flexcube) qua cổng kết nối ODBC/API, tích hợp máy chủ phân tích dữ liệu chạy Python 3.10+ (thư viện statsmodels, scikit-learn) hoặc EViews Enterprise Edition.

2. Tại sao mô hình chọn biến phụ thuộc là tỷ lệ trả nợ (y_payrate) thay vì biến nhị phân Vỡ nợ / Không vỡ nợ?

Đo lường $y_payrate$ (quy mô nợ gốc trả được / tổng nợ) phản ánh chính xác mức độ tổn thất thực tế khi vỡ nợ (Loss Given Default - LGD), cung cấp giá trị dự báo liên tục thay vì chỉ phân loại nhị phân (Probability of Default - PD).

3. Làm thế nào để giải quyết hiện tượng tự tương quan phát hiện qua kiểm định Breusch-Godfrey?

Có thể khắc phục bằng cách sử dụng ma trận hiệp phương sai nhất quán Newey-West (HAC Standard Errors) hoặc đưa biến trễ ($y_{t-1}$) vào mô hình tự hồi quy.

4. Chi phí bảo trì và cập nhật mô hình định kỳ như thế nào?

Mô hình cần được tái ước lượng (Re-calibration) định kỳ 6 tháng/lần với chi phí vận hành thấp, chủ yếu bao gồm công tác rà soát dữ liệu và kiểm định lại các hệ số tác động biên.

5. Lợi ích kinh tế (ROI) kỳ vọng khi ứng dụng mô hình là bao nhiêu?

Kiểm soát tỷ lệ nợ quá hạn giảm từ 7.77% về mức tiêu chuẩn ngành dưới 3.5% giúp chi nhánh tiết kiệm hàng tỷ đồng chi phí trích lập dự phòng rủi ro tín dụng hàng năm.

Kết luận

Đồ án tốt nghiệp đã giải quyết thành công bài toán lượng hóa các nhân tố ảnh hưởng đến khả năng trả nợ của khách hàng cá nhân tại Ngân hàng TMCP An Bình – Chi nhánh Sài Gòn. Bằng việc phân tích thực nghiệm trên 125 bộ hồ sơ tín dụng trích xuất từ Core Banking T24 giai đoạn 2013–2015, nghiên cứu đã xây dựng mô hình hồi quy OLS đạt độ tin cậy cao ($R^2 = 62.97%$, $AIC = 1.0957$, $p < 0.001$).

Các bằng chứng thực nghiệm khẳng định tầm quan trọng của việc kiểm soát lãi suất ($\beta = -0.0247$), ưu tiên hình thức cho vay có tài sản thế chấp ($\beta = 0.0184$), và thẩm định chặt chẽ nhóm khách hàng vay vốn cho mục đích bất động sản. Đây là nền tảng khoa học và thực tiễn vững chắc giúp các ngân hàng thương mại nâng cao chất lượng tín dụng bán lẻ và quản trị rủi ro chủ động trong kỷ nguyên số hóa.