Dự báo biến động nhân sự của các cục thi hành án dân sự ở việt nam sử dụng phương pháp học máy

Lưu BỘ GIÁO DỤC VÀ DÀO TẠO TUÁN KIỆT TRƯỜNG ĐẠI HỌC MỞ HÀ NỘI CÔNG NGHỆ THÔNG TIN LUẬN VĂN THẠC sĩ CHUYÊN NGÀNH: CÔNG NGHỆ THÔNG TIN Thư viện Trường Đại học Mở Hà Nội DỤ BÁO BIẾN ĐỘNG NHÂN sụ CỦA CÁC cục THI HÀNH ÁN DÂN Sự Ở VIỆT NAM sử DỤNG PHƯƠNG PHÁP HỌC MÁY LƯU TUẤN KIỆT KHÓA 2019-2021 HÀ NỘI - NĂM 2023 TRƯỜNG ĐẠI HỌC MỞ HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN LUU TUẤN KIỆT Thư viện Trường Đại học Mở Hà Nội DỤ BÁO BIẾN ĐỘNG NHÂN sụ CỦA CÁC CỤC THI HÀNH ÁN DÂN sụ Ở VIỆT NAM SỬ DỤNG PHƯƠNG PHÁP HỌC MÁY NGÀNH/CHUN NGÀNH: CƠNG NGHỆ THỊNG TIN Mã đề tài: 1525 NGƯỜI HƯỚNG DÀN KHOA HỌC: PGS.TS NGUYÊN QUANG HOAN LUẬN VĂN TỐT NGHIỆP THẠC sĩ HÀ NỘI - NĂM 2023 LÒĨ CAM DOAN Tác giả xin cam đoan Luận văn tot nghiệp cùa thân tác giả Các kết Luận văn tốt nghiệp trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu (nếu có) thực trích dẫn ghi nguồn tài liệu tham khão quy định Tác giả LVĐT Lưu Tuấn Kiệt Thư viện Trường Đại học Mở Hà Nội LÒĨ CẢM ƠN Sau năm học tập, rèn luyện trường Đại học Mờ Hà Nội nói chung khoa Cơng nghệ thơng tin nói riêng, em nhận nhiều hướng dẫn, giúp đờ thầy cô bạn ngành học sống Lời đầu tiên, em xin chân thành cảm 011 giãng viên Trường Đại học Mở Hà Nội đặc biệt thầy cô môn khoa Công nghệ thông tin truyền dạy kiến thức cần thiết đế giúp em thực luận văn Đặc biệt, thời gian làm luận vãn, em đà hướng dẫn tận tình PGS.TS Nguyễn Quang Hoan Em xin chân thành cảm ơn thầy cô giúp đờ, bố sung cho em nhũng kiến thức cho em lời khuyên, gợi ý đề em hồn thành luận văn cách nhanh chóng hiệu quâ Trong trinh học tập thực luận văn em may mắn chi bão, hướng dần tận tinh cùa thầy cô giáo gia đình, bạn bè quan tâm, động viên, bên tạo điều kiện thuận lợi đế hoàn thành tốt luận văn Trong suốt trinh làm luận văn với đề tài “Dự báo biến động nhân Cục Thi hành Án Dân Việt Nam sử dụng phương pháp học máypi em nỗ lực đế xây dựng hoàn thiện luận văn cách tốt nhất, kiến thức cịn hạn chế, thời gian hồn thành luận văn có hạn thiếu kinh nghiệm thực tế nên khơng thê tránh sai sót Một lần nữa, em xin chân thành cảm ơn thày cô giáo, bạn bè gia đỉnh, người giúp đỡ, ủng hộ em thời gian vừa qua EM XIN CHÂN THÀNH CẢM ƠN Học viên Lưu Tuấn Kiệt ii MỤC LỤC LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC HÌNH ÁNH vii DANH MỤC CÁC TỪ VIÉT TẮT VÀ GIÃI THÍCH CÁC THUẬT NGỪ ix CHƯƠNG GIỚI THIỆU 1.1 Lý chọn đề tài 1.2 Mục tiêu đề tài .2 1.3 Đối tượng phạm vi nghiên cứu 1.3.1 Đối tượng nghiên cứu 1.3.2 Phạm vi nghiên cứu 1.3.3 Khu vực nghiên cứu CHƯƠNG TIẾP CẬN Cơ SỞ LÝ THUYẾT 2.1 Học máy (Machine Learning) 2.1.1 Tống quan 2.1.2 Các phương pháp học máy 2.1.2.1 Học có giám sát (Supervised 2.1.2.2 Học không giám sát (Unsupcrviscd Learning) 2.1.2.3 Nhận xét ưu nhược diem củahọc có giám sát không giám sát 2.1.3 2.2 Tnu vTeiiiThroTig Dai Tỉộẹ Mơ Ha Nội Learning) Đánh giá mơ hình 2.1.3.1 RMSE 2.1.3.2 MSE 2.1.3.3 MAE Học sâu (Deep Learning) mạng nơ-ron nhân tạo (Neural Network) 10 2.2.1 Khái niệm 10 2.2.2 Mạng nơ-ron nhân tạo (Neural Network ) 11 2.3 Lồi mơ hình 12 2.4 Gradient 12 2.4.1 Định nghĩa 12 2.4.2 Tối ưu hóa học sâu bang Gradient descent 13 2.5 Entropy 14 iii 2.6 Perceptron đa tầng phi tuyến tính (Multilayer perceptron) 14 2.6.1 Định nghĩa .14 2.6.1.1 Kiến trúc mạng perceptron đa tầng có tầng ẩn 14 2.6.1.2 Hàm kích hoạt phi tuyến 14 2.6.1.3 Cơng thức hình thức 15 2.6.2 Hàm ReLU 15 2.6.2.1 Định nghĩa 15 2.6.2.2 Công thức 15 2.Ó.2.3 Đồ thị 15 2.6.3 Hàm Sigmoid 16 2.6.3.1 Định nghĩa 16 2.6.3.2 Công thức 16 2.Ó.3.3 Đồ thị 17 2.6.4 Hàm Tanh 17 2.6.4.1 Định nghĩa 17 2'6'4 '2 W^iYTOarig-Đặĩ-líỌC-Mơ HấNọĩ J1 2.6.43 2.6.5 2.7 Đồ thị 17 Lan truyền mạng perceptron đa tầng 18 2.6.5.1 Lan truyền xuôi (Forward propagation) 18 2.6.5.2 Lan truyền ngược (Backward propagation) 18 Các kỹ thuật học sâu thực tế 19 2.7.1 Vấn đề tiêu biến gradient (Vanishing gradient) 19 2.7.1.1 Trinh bày 19 2.7.1.2 Giải pháp 19 2.7.2 Suy giảm trọng số .20 2.7.2.1 Định nghĩa 20 2.7.2.2 Công thức hàm mục tiêu 20 2.7.2.3 Công thức cập nhật trọng số 20 2.7.3 Bó học (Dropout) 21 2.7.3.1 Định nghĩa 21 2.7.3.2 Ưu nhược điểm 21 iv 2.8 Dữ liệu chuồi thời gian (Time series) 22 Giới thiệu chung 22 2.8.1 2.8.2 Các thành phần cùa liệu chuỗi thời gian 22 2.8.3 Dừ liệu nhân 24 2.9 Một số mơ hình dự báo chuỗi thời gian 25 2.9.1 Mơ hình ARIMA 26 2.9.2 Mạng nơ-ron hồi quy (Recurrent Network - RNN) 27 2.9.2.1 Định nghĩa mạng nơ-ron hồi quy 27 2.9.2.2 Huấn luyện mơ hình 29 2.9.2.3 Phân loại toán RNN 29 2.9.2.4 ứng dụng toán RNN 30 Mạng nhớ dài-ngắn (Long short term memory network - LSTM) 30 2.9.3 2.9.3.1 Định nghĩa mơ hình LSTM 30 2.9.3.2 Cách thức hoạt động mơ hình LSTM 31 2.9.3.3 ửng dụng mơ hình LSTM 33 2.9.4 ■ Mạng Neural hồi tiếp với nút có cổng (Gated Recurrent Unit - GRU) 35 2.9.4.1 -Thu’ Viện TOơọ^ặnĩộc MơTTâ NỘI Định nghĩa mơ hình GRU ' 35 2.9.4.2 Cách thức hoạt động mơ hình GRU 36 2.9.4.3 Úng dụng mơ hình GRU 37 Tổng kết chương 38 2.10 CHƯƠNG ỨNG DỤNG PHƯƠNG PHÁP VÀ XÂY DỤNG MỊ HÌNH 39 3.1 Giới thiệu toán .39 3.1.1 Bài toán dự báo biến động nhân cùa Cục THADS Việt Nam 39 3.1.2 Các chi số báo cáo biến động nhân hàng năm 39 3.1.3 Chỉ số dùng cho đào tạo huấn luyện mơ hình 40 3.2 Phương pháp công bố 41 3.2.1 Phương pháp dựa thuật toán long short term memory 41 3.2.2 Dữ liệu cho toán LSTM 42 3.2.3 Kết mơ hình sử dụng LSTM 43 3.3 Các công cụ xây dựng mơ hình 45 3.3.1 Ngơn ngữ lập trình Python 45 3.3.2 Những thư viện học máy sử dụng toán 47 3.3.2.1 Thư viện Scikit-leam 47 3.3.2.2 Thư viện Kcras 49 3.4 Xây dựng mơ hình dự báo 49 3.5 Thực nghiệm đánh giá mơ hình 50 3.5.1 Chuẩn bị liệu 50 3.5.1.1 Dữ liệu phục vụ xây mơ hình 50 3.5.1.2 Các bước thu thập xử lý dừ liệu 51 3.5.2 Tiền xử lý liệu 51 3.5.3 Chia huấn luyện/kiểm tra(train/test) 55 3.5.4 Thiết lập huấn luyện mơ hình 55 3.5.4.1 MôhinhLSTM 55 3.5.4.2 MơhìnhGRU 59 3.5.4.3 Môi trường huấn luyện 60 3.5.5 Đánh giá mơ hình 61 3.5.5.1 3.5.5.2 3.5.5.3 3.6 Đánh giá mơ hình LSTM™ ^ .,.,., x.5., 61 Tnil viện Truung Đặì nọc MO' Ha NỘI Đánh giá mơ hình GRU .’ ' 61 Lựa chọn mơ hình 62 Tổng kết chương 63 KÉT LUẬN 65 TÀI LIỆU THAM KHÀO 67 vi DANH MỤC CÁC HÌNH ẢNH Hình 1.1 Các bàn nội dung tuyến dụng Tống cục THADS đăng tài Hình 2.1 Minh họa học máy có giám sát Hình 2.2 Kiến trúc Neural Network 12 Hình 2.3 Kiến trúc mạng perceptron đa tầng 14 Hình 2.4 Đồ thị hàm ReLU đạo hàm 16 Hình 2.5 Đồ thị hàm Sigmoid đạo hàm 17 Hình 2.6 Đồ thị hàm Tanh đạo hàm 18 Hình 2.7 Đồ thị lan truyền xuôi 18 Hình 2.8 Quá trình lan truyền ngược qua mạng (phải) qua nút (trái) 19 Hình 2.11 Kiến trúc mạng nơ-ron tiêu chuẩn (trái) mạng nơ-ron áp dụng dropout (phái) 21 Hình 2.21 Thành phan xu hướng dài hạn 23 Hình 2.22 Thành phần mùa 23 Hình 2.23 Thành phần chu ki 24 Hình 2.12 Mơ hình RNN cho tốn 28 Hình 2.13 Các dạng toán RNN 29 Hình 2.14 Mơ hình RNN đưa mơ tả cho hình 30 Hình 2.15 Mơ hình LSTM 31 Hình 2.16 Tầng 1.tang sigmoid— , y-.- T- — a Hình 2.17 Trạng tlíái sau khAuotWp nhật mnVrtanh va sigmoỉà' 32 Hình 2.18 Cập nhật trạng thái tế bào 33 Hình 2.19 Giá trị mong muốn mơ hình LSTM 33 Hình 2.20 Mơ hình LSTM sử dụng dự báo biến động nhân 35 Hình 2.24 Kiến trúc làm việc cùa Gated Recurrent Unit (GRU) 36 Hình 2.25 Cổng cập nhật GRU 36 Hình 2.26 Cấu trúc cống Reset GRU .37 Hình 3.1 Kiến trúc đơn gián mạng nơ-ron 42 Hình 3.2 Mơ hình LSTM 42 Hình 3.3 cấu trúc LSTM 43 Hình 3.4 Kết quà thử nghiệm mã GOOGL NKE 44 Hình 3.7 Biên chế biến động từ năm 2013-2021 54 Hình 3.8 dự đốn tập liệu dùng mơ hình LSTM 58 Hình 3.9 Trinh tối ưu hóa Adam 59 Hình 3.10 dự đốn tập dừ liệu dùng mơ hình GRU 60 vii DANH MỤC BẢNG BIÊU Bàng 2.1 Bàng 2.2 Bảng 2.3 Bảng 3.1 Bảng 3.2 So sánh học có giám sát với học khơng giám sát Tiêu chí đánh giá chất lượng dự báo (WMO, 2012) .8 Giái thích ký hiệu có mơ hình 31 Kết quà đánh giá mã chứng khoán 45 Bảng liệu kết xuất từ thông báo đăng tải 51 Thư viện Trường Đại học Mở Hà Nội viii KÉT LUẬN Kết nghiên cứu Luận văn đà sử dụng mơ hình LSTM, GRU đế dự báo ti lệ nhân biến động (số lượng biên chế cap thêm năm kế tiếp) Ket quà cho thấy LSTM cho kết quà dự báo tốt với toán chuỗi thời gian Tuy nhiên, kết dự báo chưa thực tốt mong đợi phần liệu thuộc giai đoạn dịch bệnh, có sai số dự báo Hơn nữa, liệu chi có thơng tin 10 năm gần thời điểm dự báo, số quan sát chưa thực lớn để mơ hình học máy hết ưu việt cùa so với mơ hình dự báo sứ dụng trước Dữ liệu sau thu thập xử lý, tiến hành huấn luyện kiếm tra với mơ hình LSTM Sau so sánh với mơ hình dự báo khác GRU, kết thử nghiệm cho thay phương pháp tiếp cận đề xuất tạo dự báo xác, vận dụng vào thực tể Nghiên cứu tiếp tục cài tiến nham nâng cao độ xác cùa mơ hình dự báo phát triển mơ hình đế dự báo cho nhiều hon bước thời gian đầu vào, đàu hình thành cơng cụ thân thiện với người dùng Định hướng tuông lai Qua kết quà thu tìr thử nghiệm, bước đầu cho thấy mơ hình LSTM xử lý dự báo chuỗi số liệu tốt Việc dự báo giá trị cực trị mơ hình cịn hạn chế kết thay đối bước thời gian đầu vào có thay đối Sự thay đổi nhân bị ành hưởng nhiều yếu tố khác thị trường lao động, áp lực công việc, chênh lệch thu nhập nghiên cứu chi sứ dụng biến đầu vào số lượng nhân (biên chế) theo năm Nghiên cứu cần bố sung thêm phương pháp xử lý số liệu đầu vào thử nghiệm mô hình với chuỗi số liệu đa biến để đạt hiệu quà dự báo tốt Em áp dụng mơ hỉnh đế thứ nghiệm phát triến dự đốn thêm đơn vị khác thuộc Bộ, kèm theo chức phát triền web để người dùng có trải nghiệm trun nghiệp Tuy có ưu điểm mơ hình chưa chuẩn hóa cách đầy đủ chưa triền khai rộng rãi Trong tương lai, em cố gắng phát triển nghiên cứu sau dựa liệu có số quan sát lớn (chẳng hạn thị trường lao động theo độ tuổi 65 Việt Nam, thị trường chứng khốn, giá tiền ) Hoặc tiếp tục nghiên cứu lại mơ hình, khám phá tính mùa vụ cùa dừ liệu, nghiên cứu thêm mơ hình học máy khác Mặc dù rat cố gang việc nghiên cứu thực luận văn, thời gian hiểu biết em hạn chế nên luận văn chi dừng lại mức ứng dụng đơn giàn, mà chưa kịp thực triển khai ứng dụng vào thực tế bới việc cần thêm nhiều kiến thức hiểu biết lình vực cơng nghệ khác Đồng thời, luận văn chắn khơng tránh khói thiếu sót, nên em mong nhận ỷ kiến đóng góp từ người Em xin chân thành cảm ơn! Thư viện Trường Đại học Mở Hà Nội 66 TÀI LIỆU THAM KHẢO Tài liệu tiếng Anh [1] Lufuno Ronald Marwala: Forescasting the Stock Market Index Using Artificial Intelligence Techniques, A dissertation submitted to the Faculty of Engineering and the Built Environment, University of the Witwatersrand, Johannesburg (2010) [2] Bilal Hmoud: The determinants of HR Leaders' attitude toward the adoptions of Artificial Intelligence in Human Resources Management, Doctoral (PhD) dissertation, University of Debrecen (2021) [3] N Zhang, "Development of a Drought Prediction System Based on Long ShortTerm Memory Networks (LSTM)," Advances in Neural Networks - ISNN 2020 (pp 142-153) [4] Biljana Miveva-Boshkoska and Mile Stankovski Prediction of Missing Data for Ozone Concentrations Using Support Vector Machines and Radial Basis Neural Networks Department of Automatics, Faculty for Electrotechnics and Information Technologies (December 2007) [5] Adil Moghara, Mhamed Hamichcb with Stock Market Prediction Using LSTM Recurrent Neural Network, IWSMA1 2020 (April 6-9, 2020) [0] Ross Ihaka Time Series Analysis, Lecture Notes for 475.726, Statistics Department, University of Auckland, 2005 Tài liệu tiếng Việt [6] Nguyền Thanh Tuấn, Deep Learning bủn, V2 2020 [7] Nguyễn Quang Hoan Giảo trình khai phá dừ liệu - PGS.TS., 2020 [8] Lê Văn Nghinh, Hoàng Thanh Tùng, Nguyễn Ngọc Hải, Nghiên cứu ứng dụng mạng nơ ron thần kinh vào dự báo lũ sông Tinh Bình Định Qng Trị Tạp chí tuyển tập hội nghị, Đại học Thuỷ lợi, số 14 (8/2006), trang 65-70 [9] Vĩnh Anh Nghiêm Quân cộng Anh hướng cùa hàm kích hoạt đến mơ hình mạng nơ ron tích chập, Tạp chí Khoa học, Trường Đại học Sư phạm, Đại học Huế, 12/2018 [ 10] Cao Hào Thi, Phân tích chuỗi theo thời gian dự báo Đại học kỳ thuật TP Hồ Chí Minh, MS07-R1 Ob, ( 2021 -2022) 67 Website tham khao [11] Thanh Lưu, Thi hành án: thiếu người, khó tuyển mới, Báo pháp luật, 2010 Website: https://plo.vn [12] Denny, Recurrent Neural Networks Tutorial, Part I - Introduction to RNNs, 2015 Website: https://dcnnybritz.com/posts/wildml/recurrcnt-ncural-nctworks- tutorial-part-1 [13] Đ M Hai, "dominhhai.github.io", 23 10 2017 Website: https://dominhhai.github.io/vi/ [14] Website: https://vi.wikipedia.org/wiki/Python [15] Website: https.7/scikit-learn.org/stable/about.html [16] Website: https://irender.vn/tong-quan-ve-keras-cho-nguoi-moi-bat-dau Thư viện Trường Đại học Mở Hà Nội 68 Thư viện Trường Đại học Mở Hà Nội 69 PHỤ LỤC CÀI ĐẶT VÀ SỬ DỤNG CÁC PHÀN MÈM/THƯ VIỆN TRONG LUẬN VĂN Như trinh bày phần môi trường triền khai thử nghiệm Colaboratory (Google Colab), sàn phấm từ Google Research, cho phép thực thi Python tảng đám mây, đặc biệt phù hợp với Data analysis, machine learning giáo dục Colab không cần yêu cầu cài đặt hay cấu hình máy tính, thứ có thề chạy thơng qua trinh duyệt, bạn sừ dụng tài nguyên máy tính từ CPU tốc độ cao GPUs TPUs cung cấp cho người dùng Sử dụng Googlc Colab có lợi ích ưu việt như: sẵn sàng chạy Python thiết bị có kết nối Internet mà khơng cần cài đặt, chia sẻ làm việc nhóm dễ dàng, sử dụng miền phí GPU cho dự án AI Google Colab cho phép ta lựa chọn Cloud Runtime cung cấp Googlc giúp tận dụng sức mạnh GPU, TPU mơi trường Cloud Có số thư viện cài đặt sần Numpy, Pandas, Matplotlib Ngoài ra, Colab cung cấp nhiều thư viện machine learning cài đặt sẵn Keras, ■ “ rĩfư Viện Trương Đại nọc Mơ Ha INọr Pytorch, Tensorflow Trong hầu hết trường hợp ta thực Import thư viện lệnh import phần mềm khác Để import thư viện vào Colab ta sử dụng câu lệnh import package name as something (trong package name thư viện bạn muon import, something tên ký danh (alias) gán cho thư viện đê tiện gọi sử dụng Ví dụ, muon import thư viện pandas gán cho tên rút gọn pd, ta chi nhập câu lệnh sau vào code cell thực thi: import pandas as pd # Import resources Imatplotlib inline Iconfig IniineBackend.figureformat - 'retina' import time import json import copy import import import import matplotlib.pyplot as pit seaborn as sns numpy as np PIL from PIL import Imago from collections import OrderedDict import torch from torch import nn, optim from torch.optim import lr_scheduler from torch.autograd import Variable import torchvision from torchvision import datasets, models, transforms! from torch.utils.data.sampler import SubsctRandomSampler Import torch.nn as nn import torch.nn.functional as F Import os Trong so trường hợp ten thư viện ngắn gọn sẵn khơng cần thiết phải gán alias, ta chi cần import thư viện với câu lệnh đơn giãn import package name Đe cài đặt thư viện sẵn Google Colab, ta thực thi câu lệnh pip install package name code cell (trong packagename tên thư viện bạn muốn cài đặt thêm) Ví dụ, đế cài đặt thư viện facebook business sdk cho Python, thực thi câu lệnh pip install facebook business Thông thường ta phải cài đặt lại thư viện khơng có sẵn làm việc với Colab sau kết thúc session làm việc trước thời gian (15-30 phút khơng kích hoạt) PHỤ LỤC DŨ LIỆU BIẾN ĐỘNG CHỈ TIÊU BIÊN CHẺ HÀNG NĂM THEO TÙNG cục THADS depcode AGG BRVT BGG legion zipcod Area An Giang Ba Ria Vung Tau Bac Giang 90000 10 13 78000 97000 10 BKN Bac Kan Bae Lieu Bac Ninh Ben Tre Binh Dinh 23000 26000 BLU BNH BTE BDH 16000 86000 75000 BDG Binh Duong BPC Binh Phuoc 55000 67000 BTN CMU Binh Thuan Ca Mau 10 CTO Can Tho 77000 98000 21000 CBG Cao Bang 94000 DNG DLK DNNG Da Nang 50000 63000 65000 Dak Lak Dak Nong 14/9/2013 14 14/12/2013 14 21 19 21 23 10 21 11 14/7/2013 19 11 19 24 16 7 21 13 25 19 10 15 25 19 11 23 23 12 24 16 16 16 13 20 13 20 13 20 6 •5 *2 10 DTP Dong Thap Gia Lai Ha Giang 81000 61000 20000 Ha Nam 18000 10000 18 25 19 1^)1' M< ) Ị Ị d 24 24 24 12 16 16 16 43 18 43 19 1 10 14 14 43 21 14 HTH Ha Tinh HDG Hai Duong Hai Phong 45000 03000 04000 HGNG HCM Hau Giang 95000 Ho Chi Minh HBH HYN Hoa Binh Hung Yen 36000 70000 17000 KGG KTM Kien Giang 57000 Kon Turn 91000 KHA Khanh Hoa LCU Lai Chau 60000 30000 LDG Lam Dong LSN Lang Son LCI Lao Cai Long An Nam Dinh Ninh Binh LAN NDH NBH 11 2 21 32000 I4 21 r Quù ‘ĨẳỊ 76000 HPG Dong Nai Ha Noi 19 Dien Bien HGG HNM 1INI 14/9/2014 2 22 18 19 18 DBN DNI GLI 20 10 22 14/7/2014 2 12 13 10 1 2 10 11 0 27 4 20 2 12 18 2 18 19 19 20 23 13 34 13 34 12 12 11 11 34 12 11 10 10 10 10 13 16 25000 24 13 13 16 25 13 13 31000 20 20 66000 82000 07000 12 12 20 20 14 14 20 14 43000 15 15 15 13 1 19 25 13 13 16 NTN Ninh Thuan 08000 18 18 18 NAN Nghe An 59000 9 19 19 PTO Phu Tho 15 15 15 PYE QBH QNM Phu Yen Quang Binh Quang Nam 35000 56000 47000 51000 13 13 13 13 13 6 QNH QNI Quang Ninh Quang Ngai 53000 12 12 13 12 01000 16 16 16 4 QT1 Quang Tri Soc Trang 48000 96000 34000 13 13 20 20 13 20 10 15 13 13 13 16 80000 24000 36 12 17 1 31 12 17 37 06000 16 2 STG SLA TNH Son La TQG TBH Tay Ninh Ticn Giang Tuycn Quang Thai Binh 40000 13 13 13 TNN Thai Nguyen 49000 18 18 18 TUA Thanh Hoa TTH Thua Thicn Hue Tra Vinh 84000 87000 22000 85000 30 14 31 14 31 14 12 12 12 14 15 17 15000 12 12 12 17 19 19 TGG TVH VLG VPC YB1 Vinh Long Vinh Phue Yen Bai 33000 12 17 2 1 16 2 14/12/2014 14/7/2015 14'9/2015 14/12/2015 14/7/201'6 14/9/2016 14712/20 í6 1477/2017 14/9/2017 14/12/2017 7 2 4 12 12 12 0 4 4 3 1 11 14 14 14 13 14 14 6 1 7 8 0 5 8 4 3 2 2 2 6 8 2 0 8 4 7 10 26 26 26 7 13 13 13 19 19 19 5 0 8 0 7 11 11 11 4 7 6 6 2 3 3 8 8 7 7 7 5 20 21 22 17 17 17 4 4 4 7 1 4 12 6 3 0 6 6 3 4 4 13 10 10 10 1 15 15 15 8 4 7 1 18 18 18 21 21 21 5 3 8 3 2 5 8 4 3 8 4 6 11 7 15 16 15 8 X 7 2 2 2 7 0 5 2 5 1 8 4 7 X 2 4 11 11 11 2 1 7 2 7 9 5 7 7 lị 18 Thir /Ịện Ti lÝờnợ ộại 11 ( )?■ Mơ Ệà Ni 5 ■ 3 ■ 3 3 5 2 4 10 10 10 4 9 10 10 10 2 8 19 11 II II II 13 13 2 8 2 7 9 5 8 6 4 6 5 4 4 3 1 3 7 1 6 8 4 6 16 10 10 10 0 4 8 1 3 3 3 4 4 4 6 1 7 6 2 6 3 1 5 3 3 4 16 10 10 10 5 27 27 27 7 3 3 3 5 1 5 9 1 1 1 11 2 7 9 3 4 14/7/2018 14/9/2018 14/12/2018 14/7/2019 14/9/2019 14/12/2019 3 3 3 1 0 9 7 1 0 8 11 11 13 0 0 0 2 3 0 0 0 3 0 0 Hà N ội toư viện Pnrờng ỉ )ại học 1 2 5 7 0 0 0 0 0 0 5 5 5 0 0 0 2 3 1 3 0 0 0 3 4 7 8 2 0 0 0 0 14 14 14 19 21 21 0 1 8 2 0 0 0 3 0 7 0 4 0 4 11 11 11 1 0 0 0 0 0 0 0 3 6 6 6 5 0 0 0 9 4 12 12 12 10 10 10 0 0 0 7 1 l?ư viện Prirờng ỉ )âi học ĩ 4b’ Hà 7 0 ởi 13 13 13 16 17 17 3 4 0 0 0 3 0 11 11 11 7 0 0 0 0 0 0 0 0 0 2 1 7 0 0 0 0 5 5 5 4 4 4 5 0 6 3 6 0 4 5 5 5 1 0 0 0 2 4 14/7/2020 14/9/2020 14/12/2020 14/7/2021 14/9/2021 14/12/2021 0 0 0 0 0 0 6 1 2 4 6 5 0 0 0 4 5 0 0 0 0 0 0 0 3 0 2 2 2 0 0 0 0 0 0 3 0 0 0 0 0 0 0 3 4 0 0 0 9 8 9 3 0 0 0 0 0 0 16 16 16 13 14 14 1 0 Thư ựịện Trườĩiị