Hơn 5 triệu hành trình: từ một luận văn thành một tấm bản đồ “biết thở”
January 23, 2026

Hơn 5 triệu hành trình: từ một luận văn thành một tấm bản đồ “biết thở”

January 23, 2026

Nếu Google Maps chỉ cho bạn vài phương án di chuyển tại một thời điểm cụ thể, thì Nguyễn An Ninh chọn một cách tiếp cận tham vọng hơn nhiều: mô hình hóa toàn bộ các hành trình có thể có trong mạng lưới giao thông công cộng TP.HCM, ở mọi thời điểm trong ngày, cùng lúc. Cách làm này tạo ra hơn 5 triệu hành trình, cho phép nhìn hệ thống giao thông không chỉ qua từng lát cắt, mà ở tầm toàn thành phố.

Nguyễn An Ninh, học viên khóa MPP25 – chuyên ngành Phân tích Chính sách, vừa bảo vệ thành công luận văn tốt nghiệp với kết quả Giỏi tại Trường Chính sách công & Quản lý Fulbright (FSPPM). Với đề tài mang tính thời sự cao và cách vận dụng khoa học dữ liệu một cách linh hoạt trong nghiên cứu chính sách, Ninh chia sẻ hành trình thực hiện luận văn và những góc nhìn mở ra từ bài toán rất "địa phương" này.

FSPPM: Ninh có thể chia sẻ tên đề tài luận văn của bạn và động lực nào thúc đẩy bạn thực hiện luận văn này?

Nguyễn An Ninh:

Tên đề tài của mình là "Integration Matters: Evidence from Public Transport Accessibility to Ho Chi Minh City Metro Line 1" (tạm dịch: Tầm quan trọng của sự tích hợp: Bằng chứng từ khả năng tiếp cận giao thông công cộng đến Tuyến Metro số 1 tại Thành phố Hồ Chí Minh.) Bản chất của luận văn là đánh giá việc đi đến Metro số 1 bằng xe buýt, đi bộ, kể cả xe máy nữa,... theo thời gian trong ngày, xem chỗ nào tốt/chưa tốt. Từ kết quả tìm được, mình vận động cho sự kết nối tốt hơn giữa các phương tiện giao thông công cộng - tức là kết nối đa phương thức.

Lúc đó mục tiêu của mình rất đơn giản - cần làm xong luận văn. Rồi mình bắt đầu ngồi tìm ý tưởng, đọc tạp chí khoa học, xem người ta làm gì. Mình thấy có mấy bài họ vẽ bản đồ dữ liệu rất đẹp. Chưa biết sẽ làm gì, nhưng biết chắc là luận văn của mình phải có "visualization" (trực quan hoá), có thể nhìn thấy được vấn đề. Mình nói với thầy Huỳnh Nhật Nam – giảng viên hướng dẫn - về mong muốn làm một đề tài mà cuối cùng có thể ra được một bản đồ như vậy. Rất tình cờ, lúc đó thầy Nam đang có một bài toán nhưng chưa có ai làm cả. Thế là từ một ý tưởng rất mơ hồ ban đầu, mình có luôn một bài toán lớn để theo đuổi, thay vì phải tự mò mẫm một mình, nhiều khi nhìn không đúng.

FSPPM: Luận văn của bạn giải quyết vấn đề gì?

Nguyễn An Ninh:

Mục tiêu trực tiếp của luận văn là đánh giá khả năng kết nối đến Metro trong bối cảnh TP.HCM muốn xây dựng mạng lưới Metro phủ khắp toàn thành phố trong tương lai.

Định hướng này gắn liền với mô hình TOD – Transit Oriented Development (mô hình phát triển đô thị theo định hướng phát triển giao thông công cộng), theo đó mỗi nhà ga sẽ trở thành một đô thị nén, nơi nhà ở, việc làm và dịch vụ được tổ chức trong bán kính đi bộ, và các khu dân cư được kết nối với nhau bằng Metro. Tuy nhiên, trên thực tế, người dân vẫn chủ yếu di chuyển giữa các khu vực bằng xe máy, ô tô hay taxi.

Vì vậy, TOD không thể chỉ dừng ở bán kính đi bộ, mà cần được mở rộng thông qua hệ thống trung chuyển như xe buýt, tức là câu chuyện của "integration" - sự tích hợp giữa các phương thức giao thông.

Nếu nhìn ở góc độ TOD, việc tiếp cận một nhà ga Metro không còn đơn thuần là "đến nhà ga", mà là tiếp cận một khu dân cư và một vùng kinh tế sôi động. Luận văn vì thế mô phỏng toàn bộ các hành trình có thể có trong mạng lưới giao thông công cộng TP.HCM, lấy Metro số 1 làm đích, để trả lời câu hỏi: ở bất kỳ đâu và bất kỳ thời điểm nào trong ngày, người dân có thể tiếp cận Metro bằng giao thông công cộng trong bao lâu, chỗ nào còn kết nối kém, và khi so sánh với việc đi bằng xe máy thì như thế nào?

FSPPM: Bạn đã sử dụng hoặc tạo ra những công cụ gì cho luận văn để giải quyết bài toán này?

Nguyễn An Ninh:

 Luận văn của mình dùng một khung tiếp cận gọi là time-expanded network - tức là tính toán khả năng tiếp cận tại từng vị trí và từng thời điểm trong ngày. Thay vì chỉ hỏi "điểm A cách ga Metro bao xa?", mình hỏi "nếu xuất phát từ điểm A lúc 7 giờ sáng hay 5 giờ chiều, thì mất bao lâu để đến nhà ga?". Mình tính hết thời gian di chuyển, thời gian chờ, rồi mô hình hóa tất cả các hành trình có thể xảy ra.

Cách này khác với việc chỉ nhìn bản đồ xem nhà bạn có gần ga hay gần trạm xe buýt hay không. Vì thực tế di chuyển còn phụ thuộc vào mạng lưới đường bộ, và quan trọng nhất là giờ xe chạy. Bạn có thể tới trạm, nhưng nếu trễ một phút thì xe đi mất, phải chờ thêm 15 phút nữa.

Khi có kết quả rồi, mình biểu diễn nó thành một bản đồ tương tác. Thông qua bản đồ đó, có thể thấy khả năng tiếp cận từng nhà ga của Metro số 1 ở TP. HCM thay đổi như thế nào theo thời gian trong ngày.

FSPPM: Google Maps cũng có thể tính thời gian di chuyển như vậy, vậy sự khác biệt cụ thể ở đây là gì?

Nguyễn An Ninh:

 Đúng rồi, câu hỏi này mình gặp rất nhiều. Google Maps cho người xem biết ngay là đi đến đó bao nhiêu phút, đi bằng phương tiện gì, rất đầy đủ.

Nhưng vấn đề là Google Maps chỉ cho bạn một lát cắt tại một thời điểm. Bạn search bây giờ thì ra một tuyến đường, nhưng 15 phút sau search lại thì có thể ra tuyến khác, vì lịch xe buýt đã đổi.

Còn cái mình làm là tính toán một cách có hệ thống cho toàn bộ thành phố. Cụ thể, mình chia TP.HCM thành lưới với hàng nghìn điểm xuất phát, rồi tính khả năng tiếp cận từ mỗi điểm này đến tất cả các ga Metro, ở từng thời điểm khác nhau trong ngày. Tức là ở bất kỳ đâu tại TP. HCM, vào bất kỳ thời điểm nào, mình đều mô phỏng được hành trình đi đến Metro từ điểm đó.

Về quy mô, mô hình của mình tạo ra hơn 5 triệu hành trình trong một ngày, từ tất cả các điểm và tất cả các thời điểm. Nếu làm bằng Google Maps thì phải tra cứu đến... 5 triệu lần. Google Maps cũng tính được từng hành trình chính xác, nhưng mục đích của nghiên cứu là nhìn nhận toàn cảnh hệ thống để đánh giá chính sách, chứ không phải chỉ đường cho từng cá nhân.

FSPPM: Trước giờ trên thế giới đã có ai làm nghiên cứu tương tự chưa? Và kết quả này hỗ trợ như thế nào cho đề xuất chính sách?

Nguyễn An Ninh:

Theo mình được biết thì hiện nay vẫn có đánh giá sự kết nối giữa các phương tiện với nhau. Đó là lý do mà thành phố phải bổ sung thêm một số chuyến xe buýt kết nối đến Metro hiện có. Tuy nhiên, gần như chưa có một nghiên cứu nào định lượng được: tốt hay không tốt, tốt đến mức nào, mà đa phần là thấy thiếu rồi bổ sung thêm.

Ngoài ra, việc so sánh giữa phương tiện cá nhân và giao thông công cộng thường chỉ phổ biến ở các nước phát triển, nơi ô tô là phương tiện chính. Ở châu Á và đặc biệt là Đông Nam Á, xe máy mới là phương tiện di chuyển chủ đạo, nhưng gần như chưa có nghiên cứu nào so sánh trực tiếp xe máy với giao thông công cộng.

Ở điểm đó, mình nghĩ luận văn này có một đóng góp nhất định: đưa xe máy vào bài toán và thử đo lường sự khác biệt giữa các phương thức di chuyển trong bối cảnh đô thị như TP. HCM.

FSPPM: Bạn thu thập và xử lý dữ liệu cho luận văn như thế nào?

Nguyễn An Ninh:

 Dữ liệu chính là từ lịch trình xe buýt được công bố công khai trên Internet, lấy từ trang xe buýt của TP. HCM, nơi họ công bố toàn bộ các tuyến đang chạy và lịch trình chi tiết. Trong đó, mỗi tuyến (route) sẽ có nhiều chuyến (trip), mỗi chuyến lại có giờ chạy cụ thể và vị trí các trạm dừng tương ứng. Tất cả đều là dữ liệu mở.

Mình lấy những dữ liệu đó để xây dựng mô hình, rồi chạy thuật toán tìm hành trình nhanh nhất, tức là hành trình tốn ít thời gian di chuyển nhất — về logic thì cũng giống như Google Maps tìm đường nhanh nhất cho mình.

Ngoài dữ liệu xe buýt, mình dùng thêm dữ liệu bản đồ thực tế. Thay vì giả định đi từ điểm A đến điểm B theo "đường chim bay", mình xây dựng một mạng lưới bám sát đường đi thật: đường đó có cho xe đi hay không, có bị cấm hay không, đi vòng ra sao... tất cả đều bám sát mạng lưới đường thực tế. Phần bản đồ này mình dùng OpenStreetMap, là nền tảng mã nguồn mở mà hầu hết các hãng xe công nghệ hiện nay đều sử dụng.

Trước đây Uber phải trả cho Google Maps hàng chục triệu đô mỗi năm chỉ để gọi API chỉ đường, nên các công ty công nghệ mới có động lực phát triển những giải pháp thay thế rẻ hơn và mở hơn. Nhờ cộng đồng và các công nghệ như xử lý ảnh, dữ liệu bản đồ ngày càng chi tiết — đến mức biết được đường có biển báo gì, có cho xe đi hay không, thậm chí có vỉa hè hay cây xanh. Nhờ vậy, mô hình tính toán các hành trình chính xác và bám sát thực tế hơn, chứ không phải là một giả định lý thuyết.

FSPPM: Như vậy, có thể hiểu bản đồ của bạn là một dạng bản đồ "sống"?

Nguyễn An Ninh:

 Đúng vậy. Dữ liệu bản đồ được cập nhật liên tục nhờ các nền tảng công nghệ cùng sử dụng và đóng góp. Khi dữ liệu thay đổi, thuật toán trong mô hình của mình cũng tự động cập nhật theo, nên kết quả luôn bám sát thực tế.

FSPPM: Bạn cảm nhận thế nào về việc học môn Data Science (Khoa học Dữ liệu) của trường và mối liên hệ với luận văn này?

Nguyễn An Ninh:

Thực ra trước khi học ở trường, mình không có nền tảng về công nghệ, mà là về kinh doanh. Khi làm luận văn, phần kỹ thuật mình cũng phải tự học lại gần như từ đầu. Data Science rất rộng, và điều mình học trên lớp với nội dung làm trong luận văn thật ra là hai thứ khác nhau.

Nhưng điều quan trọng nhất mình nhận được không hẳn là kỹ thuật, mà là cách nhìn. Ở trường có hai môn liên quan đến số liệu thực sự thay đổi góc nhìn của mình về mọi thứ đó là Kinh tế lượng và Data Science. Cùng dùng toán và thống kê, nhưng lại cho hai góc nhìn khác nhau.

Ví dụ như hồi quy (regression). Trong kinh tế lượng, giải thích cơ chế nhân quả là mục tiêu hàng đầu. Ở Data Science, dự đoán chính xác mới là mục tiêu, còn giải thích thường không quan trọng.

Một góc nhìn khác, ví dụ, trong Khoa học Dữ liệu có một khái niệm gọi là overfitting – tức là nếu bám sát quá khứ quá mức thì lại không nhìn ra được xu hướng tương lai, còn nếu không bám sát đủ thì lại hiểu sai thực tế. Từ đó, mình bắt đầu nhìn mọi thứ trong cuộc sống như những "pattern" (xu hướng), cố gắng giảm "noise" (nhiễu) đi, và đi tìm các "pattern" tổng quát nhất.

Mình nghĩ rằng: con người luôn phải đánh giá và ra quyết định. Đánh giá càng chính xác bao nhiêu thì quyết định trong cuộc sống càng tốt bấy nhiêu — từ công việc cho đến chính sách. Không phải lúc nào cũng đúng, nhưng hãy cố gắng giảm khoảng cách giữa thực tế và dự đoán. Và đôi khi kết quả "null"- tức là không có kết luận - cũng là một câu trả lời trung thực.

Còn về việc học xong có thể áp dụng vào công việc như thế nào thì tuỳ từng người. Trong trường hợp của mình, mình đã nhìn thế giới khác đi — và đó là điều mình thấy thú vị nhất.

FSPPM: Cảm ơn những chia sẻ rất giá trị của Ninh!

  • Phỏng vấn và biên tập: Uyên Vũ

 

---

Trường Chính sách công và Quản lý Fulbright đang tuyển sinh khoá đào tạo ngắn hạn Khoa học Dữ liệu Ứng dụng | Thời gian học: 4 ngày trực tiếp (31/01 & 01/02; 07 & 08/02/2026) | Hạn đăng ký: 26/01/2026 | Thông tin chi tiết & lịch học:
https://fsppm.fulbright.edu.vn/vn/tin-tuc-su-kien/chuong-trinh-dao-tao-ngan-han-danh-cho-ca-nhan/khoa-hoc-du-lieu-ung-dung/

Đăng ký tham gia khoá học: oneplace.fulbright.edu.vn 

Tư vấn: exedu.fsppm@fulbright.edu.vn | 091 33 55 911

Những bài viết liên quan

Trang web này sử dụng cookies để cung cấp trải nghiệm người dùng tốt hơn.

Các cookies cần thiết (Essential Cookies) được mặc định và là cơ sở để trang web hoạt động chính xác. Cookies phân tích (Analytics cookies) thu thập dữ liệu ẩn danh để cải thiện và theo dõi website. Cookies hiệu suất (Performance cookies) được sử dụng bởi bên thứ ba để tối ưu hóa các ứng dụng (như video và bản đồ) được tích hợp trong trang web của chúng tôi. Để chấp nhận tất cả cookies, vui lòng bấm vào 'Tôi chấp nhận.'