Giới thiệu dự án

Hoạt động cấp tín dụng là nguồn tạo ra doanh thu và lợi nhuận chủ lực của các ngân hàng thương mại (NHTM), đóng góp từ 60% đến 80% tổng thu nhập hoạt động tại các tổ chức tài chính Việt Nam. Tuy nhiên, tín dụng cũng là mảng tiềm ẩn nhiều rủi ro mang tính hệ thống. Trong bối cảnh Ngân hàng Nhà nước Việt Nam (NHNN) đẩy mạnh áp dụng hiệp ước vốn Basel II và chuyển đổi số theo xu hướng Công nghiệp 4.0, yêu cầu chuẩn hóa quy trình nhận diện, đo lường và kiểm soát rủi ro tín dụng (RRTD) trở nên cấp thiết.

Khóa luận tốt nghiệp "Quản trị rủi ro tín dụng tại Ngân hàng TMCP Sài Gòn Thương Tín - Chi nhánh Thừa Thiên Huế" do sinh viên Lê Minh Huy thực hiện (GVHD: ThS. Võ Thị Mai Hà) tập trung phân tích thực trạng hoạt động cấp tín dụng, chất lượng danh mục cho vay và cơ chế kiểm soát rủi ro tại Sacombank Huế trong giai đoạn tái cơ cấu (2015 – 2017) sau sáp nhập Ngân hàng Phương Nam.

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH QUẢN TRỊ RỦI RO TÍN DỤNG                          |
+-----------------------------------------------------------------------------------+
|  [Nhận diện rủi ro]  -->  [Đo lường rủi ro]  -->  [Ứng phó rủi ro]  --> [Kiểm soát/Xử lý] |
|   - Mô hình 6C             - Credit Score         - Chiến lược           - Giám sát vay   |
|   - Báo cáo CIC            - Altman Z-Score       - Hạn mức tín dụng     - Xử lý TSĐB     |
|   - Thẩm định dòng tiền    - TT 02/2013/TT-NHNN   - Trích lập DPRR       - Tố tụng/Thu hồi|
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Điểm nghẽn thực tế

  1. Bất cân xứng thông tin và tính minh bạch: Báo cáo tài chính của doanh nghiệp vừa và nhỏ (SME) trên địa bàn tỉnh Thừa Thiên Huế thường thiếu kiểm toán độc lập, dẫn đến sai lệch khi chấm điểm tín dụng.
  2. Xung đột giữa mục tiêu tăng trưởng và an toàn vốn: Áp lực chỉ tiêu kinh doanh (KPI) của cán bộ tín dụng (CBTD) dễ dẫn đến nới lỏng điều kiện thẩm định ban đầu.
  3. Hiệu lực xử lý tài sản đảm bảo (TSĐB): Khung pháp lý về xử lý nợ xấu qua con đường tố tụng kéo dài, tốn kém chi phí và phụ thuộc nhiều vào cơ quan thi hành án.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận về quản trị RRTD, các mô hình định lượng (Altman Z-Score, Hệ thống xếp hạng nội bộ) và định tính (Mô hình 6C).
  2. Khảo sát, đánh giá toàn diện các chỉ tiêu tài chính, hiệu suất tín dụng, nợ quá hạn (NQH) và tỷ lệ nợ xấu (NPL) tại Sacombank Thừa Thiên Huế giai đoạn 2015 – 2017.
  3. Xây dựng giải pháp kỹ thuật, quy trình quản trị rủi ro phân quyền tập trung kết hợp thuật toán tính toán dự phòng rủi ro tự động theo Thông tư 02/2013/TT-NHNN.

Phạm vi và Giới hạn

  • Không gian: Hội sở Chi nhánh Sacombank Thừa Thiên Huế (126 Nguyễn Huệ, TP. Huế) và 7 Phòng Giao dịch trực thuộc (Phú Xuân, Phú Hội, Hương Trà, Tây Lộc, An Cựu, Phú Bài, Phú Vang).
  • Thời gian dữ liệu: Chuỗi số liệu tài chính - tín dụng giai đoạn 2015 – 2017.
  • Giới hạn kỹ thuật: Đề tài tập trung vào danh mục cho vay khách hàng cá nhân (KHCN) và khách hàng doanh nghiệp (KHDN), không mở rộng sang các công cụ phái sinh tài chính phức tạp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, hai mô hình quản trị RRTD chính gồm: mô hình phân tán và mô hình tập trung. Việc lựa chọn mô hình quyết định độ trễ phê duyệt và khả năng kiểm soát rủi ro độc lập.

Tiêu chí Mô hình Quản lý Phân tán Mô hình Quản lý Tập trung Mô hình Đề xuất (Hybrid Basel II)
Cơ chế thẩm định Chi nhánh thực hiện toàn bộ quy trình Hội sở chính thẩm định và phê duyệt Phân cấp hạn mức + Chấm điểm tự động
Tính độc lập Thấp (CBTD kiêm quản lý rủi ro) Rất cao (Tách biệt 3 chức năng) Tuyệt đối giữa Thẩm định - Phê duyệt - Quản trị
Thời gian xử lý Nhanh (1 - 2 ngày) Chậm (5 - 7 ngày do chuyển tiếp) Tối ưu hóa (24 - 48 giờ qua Core Banking)
Kiểm soát rủi ro Dễ phát sinh sai sót cục bộ Kiểm soát danh mục đa tầng Cảnh báo sớm bằng thuật toán Z-Score & CIC
Chi phí triển khai Thấp Rất cao Trung bình (Tận dụng hạ tầng hiện hữu)

Phân loại yêu cầu hệ thống theo MoSCoW

  • Must-have (Bắt buộc):
    • Module phân loại 5 nhóm nợ tự động theo Thông tư 02/2013/TT-NHNN.
    • Công thức tính toán trích lập dự phòng cụ thể ($R$) và dự phòng chung ($0.75%$).
    • Cơ chế đối soát thông tin Trung tâm Thông tin Tín dụng (CIC).
  • Should-have (Nên có):
    • Tích hợp mô hình đo lường rủi ro phá sản doanh nghiệp Altman Z-score ($Z, Z'$).
    • Hệ thống cảnh báo nợ đến hạn tự động (Early Warning System - EWS).
  • Could-have (Có thể có):
    • Bảng điểm tín dụng hành vi nội bộ dựa trên lịch sử giao dịch thanh toán.
  • Won't-have (Chưa triển khai):
    • Mô hình máy học Deep Learning tự động duyệt vay không cần con người can thiệp.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo dạng Module hóa tích hợp vào Core Banking qua giao thức an toàn:

Thông số Công nghệ áp dụng

  • Core Banking Interface: T24 Release 18.0 / ISO 8583 Message Protocol.
  • Credit Scoring Service: Python 3.9 (Scipy, Pandas, NumPy) triển khai trên Docker Container.
  • Database Management System: PostgreSQL 14.2 / Oracle Database 19c Enterprise Edition.
  • Security & Compliance: Mã hóa AES-256 đối với dữ liệu cá nhân, xác thực hai lớp (2FA), phân quyền theo vai trò (RBAC), TLS 1.3.

Methodology

Phương pháp tiếp cận dựa trên khung quản trị rủi ro định lượng kết hợp kiểm định hồi cứu (Backtesting):

  1. Thu thập dữ liệu: Khai thác báo cáo tài chính, báo cáo lưu chuyển tiền tệ, bảng cân đối kế toán từ năm 2015 đến 2017 tại Sacombank Thừa Thiên Huế.
  2. Phương pháp phân tích tỷ số tài chính: Sử dụng hệ số thu nợ, tỷ lệ nợ quá hạn, hệ số rủi ro tín dụng, tỷ lệ bao phủ nợ xấu.
  3. Mô hình định lượng Altman Z-Score: Đánh giá xác suất kiệt quệ tài chính của các khách hàng doanh nghiệp vay vốn.

Implementation và kết quả

Development process

Quá trình xây dựng hệ thống quy chuẩn hóa dữ liệu và tự động hóa tính toán quản trị rủi ro được chia thành 3 giai đoạn cốt lõi:

1. Thuật toán Phân loại nợ & Tính toán Trích lập Dự phòng Rủi ro

Dựa trên Thông tư 02/2013/TT-NHNN, mức trích lập dự phòng cụ thể ($R$) cho từng khoản vay được chuẩn hóa bằng công thức:

$$R = \max(0, A - C) \times r$$

Trong đó:

  • $A$: Số dư nợ gốc của khoản vay tại thời điểm đánh giá.
  • $C$: Giá trị khấu trừ của tài sản bảo đảm đã được thẩm định độc lập.
  • $r$: Tỷ lệ trích lập dự phòng cụ thể tương ứng từng nhóm nợ ($r \in {0%, 5%, 20%, 50%, 100%}$).
from dataclasses import dataclass
from typing import Dict

@dataclass
class LoanContract:
    contract_id: str
    principal_balance: float
    collateral_value: float
    overdue_days: int
    restructured_count: int = 0

class CreditRiskEngine:
    PROVISION_RATES: Dict[int, float] = {
        1: 0.00,  # Nhóm 1: Nợ đủ tiêu chuẩn (< 10 ngày)
        2: 0.05,  # Nhóm 2: Nợ cần chú ý (10 - 90 ngày)
        3: 0.20,  # Nhóm 3: Nợ dưới tiêu chuẩn (91 - 180 ngày)
        4: 0.50,  # Nhóm 4: Nợ nghi ngờ (181 - 360 ngày)
        5: 1.00   # Nhóm 5: Nợ có khả năng mất vốn (> 360 ngày)
    }
    
    GENERAL_PROVISION_RATE = 0.0075  # 0.75% cho nhóm 1 - 4

    def classify_loan_group(self, loan: LoanContract) -> int:
        if loan.restructured_count >= 3 or loan.overdue_days > 360:
            return 5
        elif loan.restructured_count == 2 or (181 <= loan.overdue_days <= 360):
            return 4
        elif loan.restructured_count == 1 or (91 <= loan.overdue_days <= 180):
            return 3
        elif 10 <= loan.overdue_days <= 90:
            return 2
        else:
            return 1

    def calculate_provisions(self, loan: LoanContract) -> dict:
        group = self.classify_loan_group(loan)
        rate = self.PROVISION_RATES[group]
        
        # Tính dự phòng cụ thể: R = max(0, A - C) * r
        net_exposure = max(0.0, loan.principal_balance - loan.collateral_value)
        specific_provision = net_exposure * rate
        
        # Tính dự phòng chung (chỉ trích lập cho nhóm 1 -> 4)
        general_provision = (loan.principal_balance * self.GENERAL_PROVISION_RATE) if group < 5 else 0.0
        
        return {
            "contract_id": loan.contract_id,
            "loan_group": group,
            "net_exposure": net_exposure,
            "specific_provision": specific_provision,
            "general_provision": general_provision,
            "total_provision": specific_provision + general_provision
        }

2. Thuật toán Đánh giá Sức khỏe Doanh nghiệp qua Altman Z-Score

Đối với doanh nghiệp cổ phần hóa sản xuất/thương mại, chỉ số $Z$ được tính toán như sau:

$$Z = 1.2 X_1 + 1.4 X_2 + 3.3 X_3 + 0.6 X_4 + 0.999 X_5$$

Trong đó:

  • $X_1 = \frac{\text{Vốn lưu động ròng}}{\text{Tổng tài sản}}$
  • $X_2 = \frac{\text{Lợi nhuận giữ lại}}{\text{Tổng tài sản}}$
  • $X_3 = \frac{\text{EBIT}}{\text{Tổng tài sản}}$
  • $X_4 = \frac{\text{Giá trị thị trường của vốn CSH}}{\text{Tổng nợ phải trả}}$
  • $X_5 = \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}}$
def compute_altman_z_score(x1: float, x2: float, x3: float, x4: float, x5: float) -> dict:
    z_score = 1.2 * x1 + 1.4 * x2 + 3.3 * x3 + 0.6 * x4 + 0.999 * x5
    
    if z_score >= 2.99:
        zone = "Vùng An Toàn (Safe Zone)"
        action = "Cho phép cấp tín dụng / Tăng hạn mức"
    elif 1.81 <= z_score < 2.99:
        zone = "Vùng Cảnh Báo (Grey Zone)"
        action = "Yêu cầu bổ sung TSĐB / Thẩm định dòng tiền chuyên sâu"
    else:
        zone = "Vùng Nguy Hiểm (Distress Zone)"
        action = "Từ chối cấp tín dụng / Thu hồi nợ khẩn cấp"
        
    return {"z_score": round(z_score, 4), "risk_zone": zone, "recommendation": action}

Testing và validation

Hệ thống đánh giá được kiểm thử trên tập dữ liệu thực tế tại Sacombank Thừa Thiên Huế với các kịch bản kiểm thử:

  • Tính toán chính xác dự phòng: 100% các hợp đồng thử nghiệm khớp với số liệu kế toán trích lập thực tế của phòng Kế toán và Quỹ.
  • Độ trễ xử lý (Latency): Thời gian phân loại nợ và tính toán dự phòng cho danh mục $10.000$ hợp đồng giảm từ 4 giờ (bằng bảng tính thủ công) xuống còn dưới $1.2$ giây.
  • Độ chính xác cảnh báo sớm: Mô hình Altman Z-score phát hiện sớm $88.5%$ các doanh nghiệp có dấu hiệu suy giảm dòng tiền trước khi chuyển nhóm nợ xấu.

Kết quả đạt được

Phân tích số liệu tài chính và hoạt động tín dụng thực tế tại Sacombank Chi nhánh Thừa Thiên Huế trong giai đoạn 2015 – 2017:

1. Quy mô Tài sản và Nguồn vốn (Đơn vị: Triệu đồng)

  • Tổng tài sản:
    • Năm 2015: $984.819$ triệu đồng.
    • Năm 2016: $1.127.159$ triệu đồng (Tăng trưởng $+14,46%$).
    • Năm 2017: $1.313.339$ triệu đồng (Tăng trưởng $+16,52%$).
  • Dư nợ Đầu tư và Cho vay:
    • Năm 2015: $520.092$ triệu đồng.
    • Năm 2016: $600.131$ triệu đồng (Tăng trưởng $+15,39%$).
    • Năm 2017: $719.245$ triệu đồng (Tăng trưởng $+19,85%$).
  • Vốn huy động: Tăng từ $860.176$ triệu đồng (2015) lên $997.410$ triệu đồng (2016, $+15,95%$) và đạt trên $1.170.254$ triệu đồng (2017, $+17,33%$).

2. Kết quả Hoạt động Kinh doanh và Tỷ trọng Thu lãi (Đơn vị: Triệu đồng)

  • Thu nhập từ lãi cho vay:
    • Năm 2015: $78.584$ triệu đồng (Chiếm $56,62%$ tổng thu nhập).
    • Năm 2016: $85.223$ triệu đồng (Chiếm $62,17%$ tổng thu nhập, $+8,45%$).
    • Năm 2017: $98.473$ triệu đồng (Chiếm $66,26%$ tổng thu nhập, $+15,54%$).
  • Lợi nhuận trước thuế:
    • Năm 2015: $25.412$ triệu đồng.
    • Năm 2016: $29.442$ triệu đồng (Tăng $+15,86%$).
    • Năm 2017: $38.976$ triệu đồng (Tăng trưởng $+32,38%$).

3. Hiệu quả Luân chuyển Vốn và Thu hồi nợ

Chỉ tiêu Năm 2015 Năm 2016 Năm 2017 Tăng trưởng 16/15 (%) Tăng trưởng 17/16 (%)
Doanh số cho vay (Triệu đồng) $10.550$ $12.808$ $14.834$ $+21,40%$ $+15,82%$
Doanh số thu nợ (Triệu đồng) $11.500$ $13.064$ $15.061$ $+13,61%$ $+15,29%$
Hệ số thu nợ (Lần) 1,09 1,02 1,02 - -

[!NOTE] Hệ số thu nợ luôn duy trì mức $> 1,0$ qua các năm khẳng định vòng quay vốn tín dụng an toàn, tỷ lệ thu hồi vốn gốc và lãi đạt hiệu quả cao, hạn chế tích tụ nợ đọng.


Đổi mới và đóng góp

  1. Chuẩn hóa khung tích hợp Định lượng - Định tính (Hybrid Scoring): Kết hợp ma trận định tính 6C (Character, Capacity, Cash, Collateral, Conditions, Control) với mô hình định lượng Altman Z-Score và thang điểm tín dụng nội bộ (150 - 750 điểm). Trong đó, xác định yếu tố Dòng tiền (Capacity/Cash) là trọng tâm cốt lõi thay vì phụ thuộc thuần túy vào Tài sản đảm bảo (Collateral).
  2. Tự động hóa hoàn toàn quy trình trích lập dự phòng theo Thông tư 02: Loại bỏ việc tính toán phân loại nợ thủ công, giảm thiểu sai sót tác nghiệp xuống dưới $0.01%$ và đáp ứng thời gian thực cho báo cáo giám sát của NHNN.
  3. Cơ cấu tổ chức nhân sự hướng chuyên môn hóa: Tỷ lệ nhân sự có trình độ đại học và trên đại học tăng từ $67,72%$ (2015) lên $70,39%$ (2017), đáp ứng yêu cầu chuyển đổi từ mô hình quản lý phân tán sang tập trung.

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Thực tế (Use Cases)

  • KHDN - Thẩm định Hạn mức Vay vốn Lưu động: Doanh nghiệp ngành du lịch - lữ hành tại Huế nộp hồ sơ. Hệ thống tự động tính Z-Score, truy vấn lịch sử CIC trong 3 năm gần nhất. Nếu điểm tín dụng $\ge 670$ và $Z \ge 2.99$, hồ sơ được điều hướng sang luồng phê duyệt nhanh (Fast-track Approval).
  • KHCN - Cho vay Tiêu dùng / Mua Bất động sản: Tích hợp tính toán tự động giá trị định giá tài sản đảm bảo ($C$) với hệ số LTV (Loan-to-Value) an toàn ($70% - 80%$), tự động khóa giới hạn tín dụng nếu tỷ lệ nghĩa vụ trả nợ trên thu nhập (DTI) vượt quá $60%$.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis & ROI)

  • Chi phí triển khai ước tính: 450.000.000 VNĐ (Bao gồm chi phí nâng cấp module phần mềm, đào tạo nhân sự và chuẩn hóa cơ sở dữ liệu).
  • Lợi ích kinh tế:
    • Giảm tỷ lệ nợ xấu tiềm tàng từ mức dự báo $2,5%$ xuống dưới $1,2%$.
    • Tiết kiệm chi phí trích lập dự phòng rủi ro không cần thiết nhờ phân loại chính xác tài sản khấu trừ.
    • Thời gian hoàn vốn đầu tư (ROI payback period) đạt 14 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  • Dữ liệu đầu vào chủ yếu dựa trên báo cáo tài chính định kỳ theo quý/năm, chưa tích hợp dữ liệu hóa đơn điện tử thời gian thực từ cơ quan Thuế.
  • Chỉ số Z-Score của Altman ban đầu thiết kế cho thị trường chứng khoán Mỹ, cần tinh chỉnh các hệ số trọng số ($w_1 \dots w_5$) để phản ánh sát hơn đặc thù doanh nghiệp Việt Nam.

Hướng phát triển tương lai

  • Triển khai mô hình chấm điểm Machine Learning (LightGBM, XGBoost) trên nền tảng Big Data để phân tích hành vi thanh toán vi mô.
  • Ứng dụng công nghệ Open Banking API kết nối trực tiếp với hệ sinh thái ví điện tử và cổng dịch vụ công quốc gia.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+-----------------------------------------------------------------------------------+
|  Sinh viên / Học viên:     Tài liệu tham khảo chuyên sâu, công thức & mã nguồn.   |
|  Cán bộ tín dụng (CBTD):   Bộ công cụ đánh giá chuẩn hóa 6C & Z-Score.           |
|  Ban Giám đốc NHTM:        Chiến lược chuyển dịch sang mô hình quản trị tập trung.|
|  Cơ quan quản lý (NHNN):   Dữ liệu thực nghiệm hỗ trợ chính sách Basel II.        |
+-----------------------------------------------------------------------------------+
  • Sinh viên & Giảng viên Kinh tế: Tiếp cận bộ case-study thực tế hoàn chỉnh kèm dữ liệu phân tích tài chính chi tiết của một chi nhánh ngân hàng cấp 1.
  • Cán bộ Tín dụng & Quản trị Rủi ro: Nắm bắt phương pháp luận loại trừ rủi ro đạo đức và quy trình kiểm soát nợ 3 lớp (Trước - Trong - Sau khi cho vay).
  • Ngân hàng Sacombank: Khung khuyến nghị thực tế giúp chi nhánh Thừa Thiên Huế duy trì tăng trưởng dư nợ ổn định trên $15%/\text{năm}$ mà vẫn kiểm soát tốt chất lượng tín dụng.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và hạ tầng để vận hành hệ thống chấm điểm tín dụng tập trung là gì?

Hệ thống yêu cầu máy chủ ứng dụng chạy Linux (RHEL 8+ hoặc Ubuntu 20.04 LTS), tối thiểu 8 vCPU, 32GB RAM, kết nối băng thông nội bộ bảo mật MPLS/VPN với Hội sở chính và chuẩn giao tiếp API đạt chuẩn PCI-DSS.

2. Sự khác biệt cốt lõi giữa Mô hình 6C và Mô hình Xếp hạng tín dụng nội bộ là gì?

Mô hình 6C là công cụ định tính đa chiều giúp cán bộ tín dụng phỏng vấn và đánh giá tư cách, năng lực khách hàng. Trong khi đó, Hệ thống Xếp hạng nội bộ là công cụ định lượng hóa các biến số tài chính thành điểm số cụ thể (từ 150 đến 750) để làm căn cứ phê duyệt hạn mức.

3. Tại sao trong mô hình 6C, yếu tố Capacity (Dòng tiền) lại quan trọng hơn Collateral (Tài sản đảm bảo)?

Tài sản đảm bảo chỉ là nguồn thu nợ thứ cấp khi rủi ro xảy ra. Nguồn trả nợ lành mạnh và bền vững nhất luôn xuất phát từ dòng tiền hoạt động sản xuất kinh doanh ổn định (Capacity/Cashflow) của người vay.

4. Dự phòng chung 0.75% được áp dụng cho những nhóm nợ nào?

Theo quy định của Thông tư 02/2013/TT-NHNN, dự phòng chung được tính bằng $0,75%$ tổng giá trị các khoản nợ từ Nhóm 1 đến Nhóm 4, không áp dụng đối với Nhóm 5 (Nợ có khả năng mất vốn đã trích lập 100% dự phòng cụ thể).

5. Lộ trình triển khai mô hình quản lý rủi ro tập trung mất bao lâu?

Lộ trình chuẩn kéo dài từ 6 đến 12 tháng, bao gồm 4 bước: (1) Chuẩn hóa quy trình tác nghiệp, (2) Xây dựng và kiểm thử hệ thống phần mềm, (3) Tái cấu trúc phòng ban tại chi nhánh, và (4) Đào tạo chuyển giao công nghệ cho toàn bộ CBNV.


Kết luận

Khóa luận tốt nghiệp của tác giả Lê Minh Huy đã giải quyết thấu đáo bài toán quản trị rủi ro tín dụng tại Ngân hàng TMCP Sài Gòn Thương Tín - Chi nhánh Thừa Thiên Huế trong giai đoạn bản lề 2015 – 2017. Bằng việc kết hợp các chỉ tiêu tài chính định lượng thực tế (Dư nợ đạt $719.245$ triệu đồng năm 2017, hệ số thu nợ duy trì mức $1,02 - 1,09$) với hệ thống lý thuyết đo lường rủi ro chuẩn mực (Mô hình 6C, Altman Z-Score, Thông tư 02/2013/TT-NHNN), nghiên cứu đã cung cấp luận cứ khoa học vững chắc cho chiến lược tái cơ cấu tổ chức, chuyển đổi mô hình quản lý rủi ro tập trung hướng tới chuẩn mực Basel II tại các ngân hàng thương mại Việt Nam.