Giới thiệu dự án

Trong bối cảnh cách mạng công nghiệp 4.0 và sự chuyển dịch mạnh mẽ sau đại dịch COVID-19, việc số hóa các dịch vụ tài chính - ngân hàng đã trở thành xu thế tất yếu của nền kinh tế toàn cầu. Việt Nam sở hữu cơ cấu "dân số vàng" với 96,5 triệu dân, trong đó 35% thuộc nhóm thế hệ Y (19–40 tuổi) – nhóm khách hàng có thu nhập khả dụng tăng trưởng nhanh, am hiểu công nghệ và có nhu cầu quản trị tài chính cá nhân rất cao. Thêm vào đó, tỷ lệ sở hữu điện thoại thông minh đạt 72%, 130 triệu thuê bao di động cùng 67% dân số sử dụng Internet (khoảng 64 triệu người) đã tạo tiền đề cho sự bùng nổ của tài chính số (Digital Finance).

Tuy nhiên, các ngân hàng thương mại đang đối mặt với bài toán lớn: làm thế nào để chuyển đổi tập khách hàng truyền thống sang các nền tảng số hóa một cách bền vững khi các rào cản về bất đối xứng thông tin, rủi ro an ninh mạng và thói quen tiền mặt vẫn còn hiện hữu.

graph TD
    A["Bối cảnh thị trường: 67% Internet, 72% Smartphone"] --> B["Thách thức: Rào cản bảo mật & Thói quen tiền mặt"]
    B --> C["Đề tài: Phân tích nhân tố ảnh hưởng tới sử dụng DV Tài chính số"]
    C --> D["Mô hình định lượng TAM + TRA (N=198)"]
    D --> E["Hệ giải pháp tối ưu hóa chuyển đổi số cho Ngân hàng"]

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận: Làm rõ khung lý thuyết về tài chính số, kết hợp Mô hình Chấp nhận Công nghệ (TAM - Technology Acceptance Model) và Thuyết Hành động Hợp lý (TRA - Theory of Reasoned Action).
  2. Nhận diện và lượng hóa: Xác định mức độ tác động của từng nhóm nhân tố (Hữu ích, Dễ sử dụng, Tin tưởng, Rủi ro, Ảnh hưởng xã hội) đến ý định và hành vi sử dụng dịch vụ tài chính số.
  3. Kiểm định mô hình thực nghiệm: Thu thập dữ liệu từ người dân tại Hà Nội, thực hiện kiểm định độ tin cậy thang đo (Cronbach's Alpha), Phân tích nhân tố khám phá (EFA) và Phân tích hồi quy tuyến tính bội trên SPSS v25.0.
  4. Đề xuất khuyến nghị: Cung cấp hệ giải pháp khả thi giúp các ngân hàng thương mại xây dựng chiến lược phát triển sản phẩm số và tối ưu hóa trải nghiệm khách hàng (eCRM).

Phạm vi và giới hạn

  • Không gian nghiên cứu: Địa bàn thành phố Hà Nội.
  • Thời gian khảo sát: Từ ngày 01/04/2021 đến ngày 15/04/2021.
  • Mẫu khảo sát: 217 phiếu phát ra, thu về 198 mẫu hợp lệ (tỷ lệ phản hồi hợp lệ đạt 92,17%).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Sự chuyển dịch từ ngân hàng truyền thống sang tài chính số diễn ra qua nhiều giai đoạn với các đặc trưng kỹ thuật và vận hành khác biệt:

Tiêu chí Ngân hàng truyền thống Internet/Online Banking (Giai đoạn 1) Tài chính số / Digital Finance (Giai đoạn 2)
Kênh tương tác Trực tiếp tại quầy giao dịch Web portal trên PC/Laptop Đa kênh: Mobile App, Open API, P2P, Robo-Advisor
Chi phí vận hành Rất cao (chi nhánh, nhân sự quầy) Trung bình (hạ tầng máy chủ web) Tối ưu (chi phí giao dịch thấp hơn 11 lần so với tại quầy)
Tốc độ xử lý Giờ hành chính, xử lý thủ công Xử lý bán tự động theo lô (Batch processing) Xử lý thời gian thực (Real-time 24/7), tự động hóa STP
Sản phẩm cốt lõi Gửi tiết kiệm, vay vốn giấy tờ Vấn tin số dư, chuyển khoản cơ bản Cho vay trực tuyến P2P, quản lý tài sản, bảo hiểm số

So sánh thực tiễn tại các ngân hàng thương mại Việt Nam

  • Techcombank: Tiên phong với ứng dụng TCWealth (2018) và Robo-Advisor giúp hoạch định tài chính tự động, tối ưu hóa danh mục đầu tư cá nhân.
  • Vietcombank, MBBank, VPBank: Triển khai ngân hàng hợp nhất (Omni-channel), tích hợp eKYC, mở tài khoản trực tuyến và cho vay tiêu dùng không thế chấp qua ứng dụng di động.

Phân tích yêu cầu theo mô hình MoSCoW

  • Must-have (Bắt buộc): Bảo mật đa lớp (2FA/OTP/Biometrics), khả năng giao dịch 24/7 không gián đoạn, sao kê minh bạch.
  • Should-have (Nên có): Giao diện người dùng (UI/UX) tối giản, tính năng quản lý chi tiêu cá nhân thông minh.
  • Could-have (Có thể có): Tích hợp tư vấn tài chính tự động bằng AI, liên kết hệ sinh thái số (thương mại điện tử, đặt vé, thanh toán hóa đơn).
  • Won't-have (Chưa ưu tiên): Các sản phẩm phái sinh tài chính phức tạp dành cho phân khúc bán lẻ đại trà.
classDiagram
    class MoSCoW_Prioritization {
        +MustHave: 2FA, Biometrics, Real-time Transaction
        +ShouldHave: Clean UI/UX, Personal Wealth Management
        +CouldHave: AI Robo-Advisor, Ecosystem Integration
        +WontHave: Complex Derivative Products
    }

Thiết kế hệ thống nghiên cứu

Mô hình nghiên cứu được xây dựng dựa trên sự kế thừa mô hình TAM (Davis, 1989), TAM mở rộng (Luarn & Lin, 2005) và TRA (Fishbein & Ajzen, 1975), bao gồm 5 biến độc lập và 1 biến phụ thuộc với 30 biến quan sát.

graph LR
    SHI["Nhận thức sự hữu ích (SHI)"] -->|H1 (+)| SDDV["Ý định & Hành vi sử dụng (SDDV)"]
    DSD["Nhận thức tính dễ sử dụng (DSD)"] -->|H2 (+)| SDDV
    STT["Sự tin tưởng (STT)"] -->|H3 (+)| SDDV
    RR["Cảm nhận rủi ro (RR)"] -->|H4 (-)| SDDV
    AHXH["Ảnh hưởng xã hội (AHXH)"] -->|H5 (+)| SDDV

Cấu trúc thang đo (Construct Operationalization)

  • Hữu ích (SHI - 7 items): Giao dịch mọi lúc mọi nơi, tiết kiệm chi phí, tiết kiệm thời gian, giảm thủ tục chứng từ, tăng hiệu suất, theo dõi dòng tiền chính xác, tiếp cận sản phẩm mới.
  • Dễ sử dụng (DSD - 6 items): Hướng dẫn rõ ràng, quy trình dễ hiểu, đăng ký/đăng nhập đơn giản, thao tác trực quan, học nhanh, tham khảo bạn bè.
  • Tin tưởng (STT - 6 items): Bảo mật dữ liệu, độ chính xác nghiệp vụ, giao dịch an toàn, nguy cơ rò rỉ thấp, hệ thống ổn định, liên kết an toàn.
  • Rủi ro (RR - 4 items): Rủi ro tài chính tổng thể, lo ngại lộ thông tin cá nhân, nguy cơ bị chiếm đoạt tài khoản, rủi ro cao hơn ngân hàng truyền thống.
  • Ảnh hưởng xã hội (AHXH - 3 items): Khuyến khích từ người thân/bạn bè, xu hướng cộng đồng xung quanh, thông điệp truyền thông đại chúng.
  • Sử dụng dịch vụ (SDDV - 4 items): Ý định sử dụng thường xuyên, sử dụng khi có nhu cầu, sẵn sàng giới thiệu cho người khác, động lực sử dụng mạnh mẽ.

Phương pháp nghiên cứu (Methodology)

Quy trình nghiên cứu kết hợp phương pháp nghiên cứu định tính (phỏng vấn chuyên gia để hiệu chỉnh thang đo) và nghiên cứu định lượng (khảo sát diện rộng và phân tích thống kê đa biến).

flowchart TD
    M1["1. Cơ sở lý thuyết & Mô hình nghiên cứu"] --> M2["2. Thiết kế bảng hỏi sơ bộ (Likert 5 điểm)"]
    M2 --> M3["3. Khảo sát thử nghiệm & Tham vấn chuyên gia"]
    M3 --> M4["4. Thu thập dữ liệu chính thức (N=198)"]
    M4 --> M5["5. Làm sạch & Mã hóa dữ liệu (SPSS 25)"]
    M5 --> M6["6. Kiểm định Cronbach's Alpha"]
    M6 --> M7["7. Phân tích nhân tố khám phá (EFA)"]
    M7 --> M8["8. Phân tích Hồi quy tuyến tính OLS"]
    M8 --> M9["9. Kết luận & Khuyến nghị chính sách"]

Ma trận kiểm soát rủi ro dữ liệu

  • Sai số chọn mẫu (Sampling Bias): Kiểm soát bằng cách phân bổ mẫu đa dạng độ tuổi, nghề nghiệp và thu nhập tại các quận nội - ngoại thành Hà Nội.
  • Đa cộng tuyến (Multicollinearity): Kiểm soát chặt chẽ thông qua chỉ số phóng đại phương sai $VIF < 2$ và hệ số tương quan Pearson.
  • Sai số phương pháp chung (Common Method Bias): Xáo trộn ngẫu nhiên thứ tự các câu hỏi trong bảng khảo sát Likert 5 mức độ (1 = Rất không đồng ý đến 5 = Hoàn toàn đồng ý).

Implementation và kết quả

Quy trình xử lý và thuật toán phân tích dữ liệu

Toàn bộ quy trình xử lý dữ liệu định lượng được thực hiện trên nền tảng phần mềm IBM SPSS Statistics 25.0 theo pipeline chuẩn mực:

# Mô phỏng quy trình kiểm định chất lượng thang đo và hồi quy tuyến tính
import numpy as np
import pandas as pd
import statsmodels.api as sm

def cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha cho thang đo đa biến."""
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_score_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - item_variances / total_score_variance)
    return float(alpha)

def run_regression(X: pd.DataFrame, y: pd.Series):
    """Phân tích hồi quy tuyến tính bội OLS."""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    return model.summary()

Công thức toán học áp dụng

  1. Hệ số tin cậy Cronbach’s Alpha: $$\alpha = \frac{K}{K-1} \left(1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2}\right)$$ Điều kiện: Loại bỏ biến có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $< 0,3$; chấp nhận thang đo khi $\alpha \ge 0,70$.

  2. Phương trình hồi quy tuyến tính bội: $$SDDV = \beta_0 + \beta_1 SHI + \beta_2 DSD + \beta_3 STT + \beta_4 RR + \beta_5 AHXH + e_i$$


Kiểm định và đánh giá thống kê

1. Thống kê mô tả mẫu (N=198)

  • Giới tính: Nam chiếm 33,8% (67 người), Nữ chiếm 66,2% (131 người).
  • Nghề nghiệp: Học sinh/Sinh viên (34,0%), Công chức/Viên chức (22,8%), Kinh doanh (13,13%), Công nhân (12,1%), Nông dân (8,1%), Khác (9,87%).
  • Thu nhập hàng tháng: Dưới 5 triệu VNĐ (40,9%), Từ 5–10 triệu VNĐ (29,79%), Từ 10–30 triệu VNĐ (16,16%), Trên 30 triệu VNĐ (13,15%).
  • Tần suất sử dụng DVTC số: Thỉnh thoảng (51,0%), 2–3 lần/tuần (31,8%), Hàng ngày (17,2%).
pie title Cơ cấu nghề nghiệp mẫu khảo sát (N=198)
    "Học sinh / Sinh viên" : 34.0
    "Công chức / Viên chức" : 22.8
    "Kinh doanh" : 13.13
    "Công nhân" : 12.1
    "Nông dân" : 8.1
    "Khác" : 9.87

2. Kết quả kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Qua kiểm định lần 1 và lần 2, hai biến quan sát bị loại bỏ do có tương quan biến - tổng thấp hoặc làm tăng hệ số Alpha tổng khi loại bỏ:

  • Biến SHI2 bị loại $\rightarrow$ Cronbach's Alpha của nhóm SHI tăng từ 0,918 lên 0,925.
  • Biến DSD6 bị loại $\rightarrow$ Cronbach's Alpha của nhóm DSD tăng từ 0,889 lên 0,925.
STT Tên nhóm biến tiềm ẩn Ký hiệu Số biến ban đầu Số biến giữ lại Cronbach's Alpha ($\alpha$) Đánh giá
1 Nhận thức sự hữu ích SHI 7 6 (loại SHI2) 0.925 Rất tốt
2 Nhận thức tính dễ sử dụng DSD 6 5 (loại DSD6) 0.925 Rất tốt
3 Sự tin tưởng STT 6 6 0.923 Rất tốt
4 Cảm nhận rủi ro RR 4 4 0.882 Tốt
5 Ảnh hưởng xã hội AHXH 3 3 0.872 Tốt
6 Ý định sử dụng dịch vụ SDDV 4 4 0.846 Tốt

3. Kết quả phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO: $\text{KMO} = 0,913$ ($> 0,5$), chứng minh kích thước mẫu hoàn toàn phù hợp để phân tích nhân tố.
  • Kiểm định Bartlett: Giá trị Sig. $= 0,000 < 0,05$, khẳng định các biến quan sát có tương quan tuyến tính chặt chẽ trong tổng thể.
  • Tổng phương sai trích (Total Variance Explained): Đạt 73,267% ($> 50%$), nghĩa là 5 nhân tố trích xuất giải thích được 73,267% sự biến thiên của dữ liệu gốc.
  • Chỉ số Eigenvalue: Đạt 1,049 ($> 1$), trích xuất chuẩn xác 5 nhóm nhân tố độc lập với hệ số tải nhân tố (Factor Loading) của tất cả các biến đều đạt mức cao ($> 0,55$).
gantt
    title Tiến độ triển khai dự án nghiên cứu
    dateFormat  YYYY-MM-DD
    section Giai đoạn chuẩn bị
    Tổng quan lý thuyết & Thiết kế bảng hỏi   :done,    des1, 2021-03-01, 2021-03-20
    Khảo sát thử nghiệm & Chỉnh sửa          :done,    des2, 2021-03-21, 2021-03-31
    section Thu thập & Xử lý
    Thu thập dữ liệu thực địa (Hà Nội)       :done,    des3, 2021-04-01, 2021-04-15
    Làm sạch & Nhập liệu SPSS v25            :done,    des4, 2021-04-16, 2021-04-22
    section Kiểm định & Báo cáo
    Kiểm định Cronbach's Alpha & EFA         :done,    des5, 2021-04-23, 2021-04-30
    Phân tích hồi quy & Đề xuất khuyến nghị  :done,    des6, 2021-05-01, 2021-05-15

Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị học thuật và thực tiễn nổi bật cho lĩnh vực kinh tế số:

graph TD
    A["Đóng góp của đề tài"] --> B["Học thuật: Khung tích hợp TAM + TRA + Risk"]
    A --> C["Phương pháp: Xử lý thang đo tinh gọn (Alpha: 0.925)"]
    A --> D["Thực tiễn: Lượng hóa ảnh hưởng đến Ngân hàng bán lẻ"]
  1. Hoàn thiện mô hình chấp nhận công nghệ trong ngân hàng bán lẻ: Tích hợp đồng thời hai biến số đặc thù là "Sự tin tưởng" ($\alpha=0,923$) và "Cảm nhận rủi ro" ($\alpha=0,882$) vào khung lý thuyết TAM kinh điển của Davis (1989), phản ánh chính xác tâm lý khách hàng tại thị trường đang phát triển.
  2. Độ tin cậy giải thích cao: Mô hình đạt phương sai trích 73,267%, vượt trội so với các nghiên cứu đơn lẻ trước đây (thường dao động từ 55%–65%).
  3. Cơ sở dữ liệu thực nghiệm chuẩn xác: Phản ánh chân thực hành vi người tiêu dùng tại đô thị lớn (Hà Nội) trong giai đoạn bước ngoặt chuyển đổi số 2020–2021.

Ứng dụng thực tế và triển khai

Dựa trên kết quả nghiên cứu định lượng, các ngân hàng thương mại có thể triển khai lộ trình chuyển đổi số 4 bước:

flowchart LR
    P1["Bước 1: Nâng cấp Core Banking & Mở rộng Open API"] --> P2["Bước 2: Tối ưu UI/UX & Giảm độ phức tạp (DSD)"]
    P2 --> P3["Bước 3: Tăng cường bảo mật & Xây dựng lòng tin (STT)"]
    P3 --> P4["Bước 4: Chiến dịch Marketing & Hiệu ứng mạng (AHXH)"]

1. Nâng cấp trải nghiệm người dùng (UX/UI Optimization)

  • Đơn giản hóa quy trình đăng ký, chuyển khoản, gửi tiết kiệm qua tối đa 3 chạm.
  • Ứng dụng công nghệ xử lý ngôn ngữ tự nhiên (NLP) cho Chatbot/Virtual Assistant để hỗ trợ người dùng 24/7.

2. Tăng cường hạ tầng an ninh và bảo mật thông tin

  • Triển khai xác thực sinh trắc học nâng cao (FIDO2, FaceID với công nghệ chống giả mạo Liveness Detection).
  • Mã hóa đầu cuối dữ liệu giao dịch theo tiêu chuẩn quốc tế PCI-DSS cấp độ cao nhất.

3. Tối ưu hóa hiệu quả chi phí và lợi ích kinh tế

  • Giảm chi phí giao dịch cho khách hàng (chính sách Zero-Fee chuyển khoản liên ngân hàng).
  • Tiết kiệm chi phí vận hành cho ngân hàng: Thay thế giao dịch viên quầy bằng các ki-ốt ngân hàng tự động (Digital Hub/LiveBank).

Hạn chế và hướng phát triển

  • Quy mô không gian: Nghiên cứu chỉ tập trung tại địa bàn Hà Nội; chưa bao quát khu vực nông thôn – nơi tài chính toàn diện (Financial Inclusion) đang cần thúc đẩy.
  • Cơ cấu mẫu: Tỷ lệ sinh viên/thu nhập dưới 5 triệu chiếm tỷ trọng tương đối lớn (40,9%), có thể tạo ra độ lệch nhất định đối với các sản phẩm tài chính giá trị cao (vay mua nhà, đầu tư chứng chỉ quỹ).
  • Phương pháp phân tích tiếp theo: Nghiên cứu trong tương lai có thể áp dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) hoặc mô hình CB-SEM trên phần mềm AMOS/SmartPLS để phân tích sâu hơn các biến trung gian và biến điều tiết (độ tuổi, giới tính, học vấn).

Đối tượng hưởng lợi

mindmap
  root((Đối tượng hưởng lợi))
    Sinh viên & Nghiên cứu sinh
      ::icon(fa fa-graduation-cap)
      Tham khảo quy trình phân tích SPSS
      Kế thừa thang đo chuẩn hóa
    Lập trình viên & Product Owner
      ::icon(fa fa-code)
      Tối ưu luồng nghiệp vụ UI/UX
      Thiết kế kiến trúc bảo mật định hướng người dùng
    Ngân hàng & Tổ chức Fintech
      ::icon(fa fa-building)
      Định hình chiến lược Go-To-Market
      Tối ưu hóa chi phí vận hành chi nhánh
  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng, thiết kế bảng hỏi Likert và quy trình xử lý dữ liệu trên SPSS.
  • Chuyên viên phân tích dữ liệu & Kỹ sư sản phẩm Fintech: Nắm bắt chính xác các thuộc tính tính năng ảnh hưởng trực tiếp đến tỷ lệ giữ chân (Retention Rate) của người dùng app ngân hàng.
  • Ban lãnh đạo Ngân hàng Thương mại: Cung cấp luận cứ khoa học để phân bổ ngân sách đầu tư công nghệ thông tin và truyền thông thương hiệu hiệu quả.

Câu hỏi thường gặp

1. Vì sao biến SHI2 và DSD6 lại bị loại bỏ trong quá trình kiểm định Cronbach's Alpha?

Biến SHI2 (Tiết kiệm chi phí hơn) và DSD6 (Cần tham khảo ý kiến bạn bè khi dùng) có hệ số tương quan biến - tổng nhỏ hơn ngưỡng yêu cầu, hoặc khi loại bỏ chúng, hệ số Cronbach's Alpha tổng của nhóm tăng lên đáng kể (đạt 0,925). Điều này giúp loại bỏ sự nhiễu và tăng tính nhất quán nội tại cho thang đo.

2. Chỉ số KMO = 0,913 và Tổng phương sai trích 73,267% có ý nghĩa gì trong phân tích EFA?

Hệ số $\text{KMO} = 0,913 > 0,5$ chứng minh dữ liệu hoàn toàn phù hợp để phân tích nhân tố khám phá. Tổng phương sai trích đạt 73,267% ($> 50%$) khẳng định 5 nhân tố rút ra giải thích được phần lớn sự biến thiên của 28 biến quan sát, đảm bảo tính đại diện cao của mô hình.

3. Làm thế nào để các ngân hàng giảm thiểu "Cảm nhận rủi ro" (RR) của khách hàng?

Ngân hàng cần minh bạch hóa chính sách bảo hiểm tiền gửi trực tuyến, áp dụng xác thực 2 lớp (2FA/OTP biến thiên), tích hợp công nghệ AI phát hiện gian lận giao dịch bất thường trong thời gian thực và đẩy mạnh truyền thông hướng dẫn bảo mật tài khoản cá nhân.

4. Nghiên cứu này có thể mở rộng cho các ví điện tử độc lập (MoMo, ZaloPay, VNPay) không?

Hoàn toàn có thể. Khung thang đo 5 nhóm nhân tố này có tính khái quát hóa cao, phù hợp để áp dụng đánh giá hành vi người dùng trên các nền tảng ví điện tử trung gian thanh toán tại Việt Nam.

5. Yếu tố nào có tác động thúc đẩy mạnh mẽ nhất đến quyết định sử dụng dịch vụ tài chính số?

Trong các mô hình TAM mở rộng, Nhận thức sự hữu ích (SHI)Sự tin tưởng (STT) luôn là hai nhân tố có trọng số tác động tích cực lớn nhất, đóng vai trò điều kiện tiên quyết để người dùng chuyển đổi từ giao dịch tiền mặt sang giao dịch số.


Kết luận

Đề tài khóa luận tốt nghiệp "Phân tích nhân tố ảnh hưởng tới sử dụng dịch vụ tài chính số tại ngân hàng" của tác giả Đào Thị Hiền đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra. Thông qua phương pháp luận chặt chẽ, kết hợp mô hình lý thuyết TAM - TRA và kỹ thuật phân tích định lượng chuyên sâu (Cronbach's Alpha, EFA, OLS Regression trên SPSS 25), công trình đã định lượng hóa thành công tác động của 5 nhóm nhân tố cốt lõi đến hành vi tiêu dùng tài chính số tại Hà Nội.

Kết quả nghiên cứu là tài liệu tham khảo có giá trị thực tiễn cao cho các nhà quản trị ngân hàng trong việc hoạch định chính sách sản phẩm, nâng cấp trải nghiệm người dùng số và xây dựng hệ sinh thái tài chính an toàn, thông minh trong kỷ nguyên kinh tế số 4.0.