Integrating artificial intelligence into socioeconomic development planning in conjunction with environmental protection: International experiences for Vietnam
Cao Tấn Huy
Email: caohuy@ufm.edu.vn
Trần Thị Kim Oanh
Email: kimoanh@ufm.edu.vn
Trường Đại học Tài chính – Marketing
(Quanlynhanuoc.vn) – Bài viết phân tích kinh nghiệm tích hợp trí tuệ nhân tạo (AI) vào công tác lập kế hoạch phát triển kinh tế – xã hội gắn với bảo vệ môi trường tại Singapore, Liên minh châu Âu (EU), Nhật Bản và Hàn Quốc. Bằng phân tích tài liệu và so sánh các trường hợp, bài viết xem xét bốn khâu: chẩn đoán, xây dựng kịch bản, thẩm định và tham vấn, và triển khai, giám sát. Phân tích phân biệt nền tảng dữ liệu, mô phỏng vật lý và ứng dụng học máy. Các trường hợp cung cấp bằng chứng về AI trong dự báo và hỗ trợ vận hành; việc lựa chọn phương án phát triển vẫn cần được đánh giá chuyên môn và do cơ quan có thẩm quyền chịu trách nhiệm. Bài viết đề xuất sáu bài học cho Việt Nam, tập trung vào quản trị dữ liệu, gắn kết kết quả phân tích với quy trình pháp định, kiểm soát rủi ro và năng lực vận hành của khu vực công.
Từ khóa: Trí tuệ nhân tạo; lập kế hoạch phát triển; bảo vệ môi trường; quản trị dữ liệu; kinh nghiệm quốc tế; Việt Nam.
Abstract: This article analyzes experiences in integrating artificial intelligence (AI) into socioeconomic development planning linked to environmental protection in Singapore, the European Union (EU), Japan, and South Korea. Through literature review and comparative case studies, the article examines four stages: diagnosis, scenario building, assessment and consultation, and implementation and monitoring. The analysis distinguishes between data platforms, physical modeling, and machine learning applications. The case studies provide evidence of AI’s use in forecasting and operational support; however, selecting development options still requires expert evaluation and must be the responsibility of the competent authority. The article proposes six lessons for Vietnam, focusing on data governance, aligning analysis results with statutory processes, risk management, and the public sector’s operational capacity.
Keywords: Artificial Intelligence, development planning, environmental protection, data governance, international experience, Vietnam.
1. Đặt vấn đề
AI có thể hỗ trợ xử lý dữ liệu lớn, nhận diện các mối quan hệ phức tạp và dự báo, qua đó cung cấp thêm cơ sở cho việc hoạch định chính sách. Fatima et al. (2020) phân tích các chiến lược AI quốc gia, làm rõ cơ hội hiện đại hóa khu vực công và trách nhiệm quản trị dữ liệu, thuật toán. Lauterbach (2019) nhấn mạnh yêu cầu xây dựng cơ chế quản trị phù hợp với rủi ro công nghệ. Trong lĩnh vực môi trường, Gupta & Degbelo (2023), Al-Raeei (2024) và Greif et al. (2024) ghi nhận tiềm năng ứng dụng AI trong giám sát, quản lý tài nguyên và thích ứng với biến đổi khí hậu. Các nghiên cứu này đồng thời lưu ý những hạn chế về dữ liệu, khả năng giải thích và tác động môi trường của chính hạ tầng tính toán.
Nghị quyết A/RES/78/265 của Đại Hội đồng Liên Hợp quốc nhấn mạnh yêu cầu phát triển AI an toàn, đáng tin cậy và phục vụ phát triển bền vững (United Nations General Assembly, 2024). Đối với việc lập kế hoạch, vấn đề cần xem xét là kết quả phân tích được sử dụng ở khâu nào, ai chịu trách nhiệm thẩm định và ra quyết định, cũng như cách xử lý các sai lệch của mô hình. Những yêu cầu này giúp phân biệt năng lực kỹ thuật của hệ thống với giá trị thực tiễn của nó trong quản lý nhà nước.
Tại Việt Nam, cơ sở chính sách và pháp luật liên quan đã được bổ sung ở một số phương diện. Về môi trường, Luật Bảo vệ môi trường năm 2020 và Chiến lược bảo vệ môi trường quốc gia đến năm 2030, tầm nhìn đến năm 2050 tạo cơ sở để lồng ghép các yêu cầu về môi trường vào quá trình phát triển (Quốc hội, 2020; Thủ tướng Chính phủ, 2022). Về khoa học, công nghệ và chuyển đổi số, Nghị quyết số 57-NQ/TW ngày 22/12/2024 xác định định hướng đột phá cho phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia (Bộ Chính trị, 2024). Về dữ liệu, Luật Dữ liệu năm 2024 và Luật Bảo vệ dữ liệu cá nhân năm 2025 đặt nền tảng pháp lý cho việc quản lý, khai thác và bảo vệ dữ liệu. Việc kết nối thông tin phục vụ lập kế hoạch phải được thực hiện đồng thời với việc bảo vệ quyền của chủ thể dữ liệu (Quốc hội, 2024, 2025a).
Luật Trí tuệ nhân tạo năm 2025 có hiệu lực từ ngày 01/3/2026 cùng với Nghị định số 142/2026/NĐ-CP, quy định việc quản lý hệ thống theo mức độ rủi ro và trách nhiệm khi sử dụng trong các cơ quan nhà nước (Chính phủ, 2026; Quốc hội, 2025b). Quyết định số 1671/QĐ-TTg ngày 28/8/2026 phê duyệt Chiến lược quốc gia về AI đến năm 2030, tầm nhìn đến năm 2045, xác lập định hướng phát triển trong giai đoạn mới (Thủ tướng Chính phủ, 2026).
Bài viết phân tích cách kết nối dữ liệu, mô hình và quy trình ra quyết định thông qua 4 trường hợp quốc tế. Phương pháp sử dụng là phân tích tài liệu chính sách, báo cáo triển khai và các nghiên cứu đã công bố, kết hợp với so sánh các trường hợp, chứ không phải khảo sát đại diện hay tổng quan hệ thống. Bốn khâu lập kế hoạch là khung đối chiếu; dữ liệu, mô phỏng vật lý và học máy là các thành phần có thể kết hợp, chứ không phải là ba cấp độ của AI. Kết quả thí điểm được phân biệt với mục tiêu chính sách và các hoạt động đã triển khai.
2. Kinh nghiệm quốc tế
2.1. Singapore tổ chức dữ liệu và ứng dụng AI trong vận hành
Kinh nghiệm của Singapore được xem xét trong mối liên hệ giữa chính sách chuyển đổi số, chiến lược AI và các mục tiêu về môi trường. Smart Nation 2.0 được công bố vào tháng 10/2024, tiếp nối định hướng quốc gia thông minh với trọng tâm là nâng cao niềm tin, tạo cơ hội tăng trưởng và tăng cường sự tham gia của cộng đồng trong môi trường số (Ministry of Digital Development and Information, 2024). Chiến lược AI quốc gia 2.0 năm 2023 đề ra 15 hành động, chú trọng năng lực ứng dụng trong khu vực công, phát triển nhân lực và hạ tầng dữ liệu, cũng như năng lực tính toán. Cách tiếp cận này đặt các dự án AI trong bối cảnh tổ chức thực hiện rộng hơn, thay vì chỉ xem xét từng giải pháp kỹ thuật riêng lẻ (Smart Nation and Digital Government Office, 2023).
Kế hoạch Xanh 2030 cung cấp các mục tiêu môi trường có thể theo dõi, trong đó có mục tiêu giảm mức tiêu thụ nước sinh hoạt xuống còn 130 lít/người/ngày vào năm 2030. Chỉ tiêu này là mục tiêu chính sách, không phải kết quả đã đạt được nhờ AI (Singapore Green Plan 2030, n.d.). Luật Quản trị khu vực công năm 2018 tạo cơ sở cho việc chia sẻ dữ liệu giữa các cơ quan (Public Sector (Governance) Act 2018). Khung quản trị AI mẫu nhấn mạnh tính minh bạch và sự tham gia phù hợp của con người (Infocomm Media Development Authority & Personal Data Protection Commission, 2020). Ở khâu chẩn đoán, ePlanner cung cấp hơn 200 lớp dữ liệu, phục vụ hơn 1.600 người dùng thuộc 40 cơ quan. Số liệu này phản ánh khả năng chia sẻ dữ liệu, nhưng chưa đo lường chất lượng các quyết định được AI hỗ trợ (Urban Redevelopment Authority – URA, 2024).
Ở khâu xây dựng kịch bản, các công cụ mô phỏng giúp đánh giá tác động của phương án quy hoạch trong các điều kiện khác nhau. Mô hình ngập lụt ven biển và nội địa do PUB phát triển kết hợp đánh giá rủi ro từ biển và hệ thống thoát nước trên đất liền, phục vụ nghiên cứu ứng phó với nước biển dâng và mưa lớn (PUB, Singapore’s National Water Agency, 2021). Bản sao số khí hậu đô thị DUCT cho phép mô phỏng những thay đổi về nhiệt độ khi điều chỉnh hình thái đô thị, cây xanh hoặc các hoạt động phát thải nhiệt. Công cụ này hỗ trợ so sánh các kịch bản trước khi quyết định triển khai trên thực địa (Yap, 2024). Học máy có thể được kết hợp với mô phỏng. Mô hình giao thông và năng lượng tích hợp SITEM sử dụng học máy để xử lý và tinh chỉnh dữ liệu trước khi chạy mô phỏng, hỗ trợ đánh giá nhu cầu hạ tầng sạc và khả năng đáp ứng của lưới điện khi phát triển phương tiện chạy điện (URA, 2026).
Các ví dụ về triển khai và giám sát cho thấy, cần đánh giá hiệu quả theo từng nhiệm vụ cụ thể. PUB (2020) báo cáo rằng AI đã rút ngắn thời gian chuẩn bị phương án cấp nước hằng ngày từ tối đa 2 giờ xuống còn 15 phút. Trong thí điểm điều khiển dự báo tải amoni, lượng sục khí cần thiết giảm 15% so với phương pháp đang sử dụng. Chỉ số này không đồng nghĩa với việc giảm 15% điện năng trên toàn hệ thống.
Theo Energy Market Authority (2022), mô hình dự báo bức xạ mặt trời đã hoàn thành thử nghiệm trong 1 năm tại trung tâm điều độ vào tháng 9/2022. Với khoảng dự báo trước tối đa 1 giờ, sai số căn quân phương chuẩn hóa trung bình (nRMSE) thấp hơn 10%. Mô hình kết hợp dữ liệu quan trắc, dự báo thời tiết số và học máy nhằm hỗ trợ chủ động cân bằng cung cầu điện. Trong lĩnh vực sức khỏe môi trường, Shi et al. (2016) phát triển mô hình dự báo sốt xuất huyết theo tuần với thời hạn tới 3 tháng, sử dụng dữ liệu dịch tễ, khí tượng và giám sát véc-tơ. Trường hợp này minh họa khả năng cung cấp thông tin sớm để bố trí nguồn lực phòng dịch, nhưng hiệu quả kiểm soát dịch vẫn phụ thuộc vào việc tổ chức các biện pháp can thiệp.
Kinh nghiệm của Singapore gợi ý đánh giá AI theo nhiệm vụ và các chỉ tiêu cụ thể, đồng thời kiểm tra khả năng sử dụng kết quả trong quá trình ra quyết định quản lý.
2.2. Liên minh châu Âu phát triển bản sao số và quản trị AI theo rủi ro
EU tổ chức các công cụ hỗ trợ ra quyết định ở quy mô liên quốc gia, kết hợp hạ tầng mô phỏng với cơ chế chia sẻ dữ liệu và các quy định kiểm soát rủi ro. Destination Earth (DestinE) xây dựng bản sao số của hệ thống Trái Đất để mô phỏng khí hậu và các tác động liên quan. Bản sao số thích ứng với biến đổi khí hậu cung cấp mô phỏng trong nhiều thập kỷ ở độ phân giải không gian 5-10 km, đáp ứng nhu cầu của các lĩnh vực chịu tác động. Độ phân giải cao không tự động bảo đảm độ chính xác ở mọi địa phương (European Centre for Medium-Range Weather Forecasts – ECMWF, 2026b). DestinE bước vào giai đoạn 3, bắt đầu từ 30/6/2026. Học máy đã được phát triển cho các thành phần như đất liền, đại dương và thủy văn; việc kết nối chúng thành một mô hình hệ thống Trái Đất dựa trên AI là hướng triển khai tiếp theo. Cần phân biệt năng lực đã vận hành với mục tiêu đang xây dựng (ECMWF, 2026a). Không gian dữ liệu thỏa thuận Xanh châu Âu (GDDS) hướng đến việc chia sẻ và tái sử dụng dữ liệu môi trường giữa các chủ thể. Trong Chiến lược Liên minh Dữ liệu năm 2025, Ủy ban châu Âu xác định các ưu tiên như số hóa thủ tục cấp phép và giám sát rừng bằng học máy trên dữ liệu mở và dữ liệu có quyền truy cập hạn chế.
Quy định (EU) 2024/1689 về AI áp dụng quản trị theo rủi ro, bao gồm các yêu cầu về dữ liệu, lưu vết và giám sát của con người đối với các hệ thống thuộc nhóm rủi ro cao. Theo văn bản hợp nhất ngày 27/7/2026, các nhóm quy định liên quan áp dụng từ ngày 02/12/2027 đối với hệ thống thuộc Điều 6 (2) và Phụ lục III và từ ngày 02/8/2028 đối với hệ thống thuộc Điều 6 (1) và Phụ lục I. Do đó, không thể dùng một mốc chung cho mọi hệ thống rủi ro cao hoặc mặc nhiên xếp mọi công cụ hỗ trợ hành chính vào nhóm này (European Parliament & Council of the European Union, 2024/2026).
Chỉ thị (2001)/42/EC yêu cầu đánh giá môi trường đối với các kế hoạch và chương trình thuộc phạm vi điều chỉnh (European Parliament & Council of the European Union, 2001). Dữ liệu từ DestinE có thể bổ sung căn cứ đánh giá khi đáp ứng yêu cầu của từng hồ sơ; việc liên thông cần được xác định trong quy trình cụ thể.
2.3. Nhật Bản phát triển dữ liệu mở và cơ chế thúc đẩy ứng dụng AI
Luật Thúc đẩy nghiên cứu, phát triển và ứng dụng công nghệ liên quan đến AI của Nhật Bản có hiệu lực đầy đủ từ ngày 01/9/2025, thiết lập bộ máy điều phối và cơ chế thúc đẩy ứng dụng gắn với quản lý rủi ro (Cabinet Office of Japan, 2025). Kế hoạch cơ bản về AI ngày 23/12/2025 đã được thay thế bằng kế hoạch ngày 14/7/2026, tiếp tục nhấn mạnh việc ứng dụng trong khu vực công (Cabinet Office of Japan, 2026). Cách tiếp cận chú trọng hướng dẫn và điều phối không loại trừ nghĩa vụ tuân thủ pháp luật.
Đối với việc lập kế hoạch ở địa phương, hai nền tảng dữ liệu có giá trị tham khảo là RESAS và PLATEAU. RESAS cung cấp trực tuyến dữ liệu phân tích kinh tế – xã hội vùng, hỗ trợ xây dựng chiến lược địa phương từ năm tài khóa 2015. Nền tảng tạo điều kiện tiếp cận dữ liệu chung cho các chủ thể tham gia lập chiến lược (Jige, 2016). PLATEAU do Bộ Đất đai, Hạ tầng, Giao thông và Du lịch Nhật Bản chủ trì xây dựng và công khai mô hình đô thị 3D. Thông cáo ngày 25/4/2025 ghi nhận phạm vi đã đạt khoảng 250 đô thị. Đây là hạ tầng phân tích đô thị, không đồng nghĩa với việc từng địa phương đã vận hành AI (Bộ Xây dựng, Bộ Giao thông Vận tải, 2025).
Ở cấp chính sách môi trường, lộ trình phi carbon hóa vùng năm 2021 đặt mục tiêu lựa chọn ít nhất 100 khu vực tiên phong. Báo cáo trình bày ngày 17/3/2026 ghi nhận 102 đề xuất của 133 địa phương đã được lựa chọn qua 7 đợt, trong đó đợt gần nhất diễn ra vào tháng 02/2026. Đây là kết quả lựa chọn chương trình, không phải số lượng địa phương đã hoàn thành mục tiêu phi carbon hóa (Yamamoto, 2026, tr. 30-31).
Kinh nghiệm của Nhật Bản nhấn mạnh điều kiện tiếp cận dữ liệu ở địa phương. Khi vận dụng, cần tách chỉ tiêu xây dựng hạ tầng số khỏi chỉ tiêu sử dụng AI và các kết quả về môi trường. Các trường hợp này chưa đủ để khái quát mức độ ứng dụng AI trên toàn quốc.
2.4. Hàn Quốc lồng ghép đánh giá khí hậu và triển khai AI dự báo lũ
Luật khung về phát triển AI và tạo lập nền tảng tin cậy của Hàn Quốc được ban hành ngày 21/01/2025 và có hiệu lực từ ngày 22/01/2026. Luật kết hợp thúc đẩy phát triển AI với yêu cầu bảo vệ quyền, lợi ích và niềm tin của công chúng (Framework Act on the Development of Artificial Intelligence and the Creation of a Foundation for Trust, 2025). Trong quản trị môi trường, Luật khung về trung hòa carbon và tăng trưởng xanh năm 2021 tạo cơ sở để gắn các yêu cầu về khí hậu với hoạt động lập kế hoạch và phân bổ nguồn lực. Luật quy định xây dựng kế hoạch khung quốc gia cho thời kỳ 20 năm, rà soát theo chu kỳ 5 năm; kế hoạch cấp tỉnh, thành phố có thời kỳ 10 năm. Các quy định này giúp xác định mối quan hệ giữa mục tiêu dài hạn và chu kỳ điều chỉnh chính sách (Framework Act on Carbon Neutrality and Green Growth for Coping with Climate Crisis, 2021, Điều 10-11).
Theo thông báo của Bộ Môi trường Hàn Quốc, đánh giá tác động biến đổi khí hậu bắt đầu được thực hiện từ ngày 25/9/2022 đối với các kế hoạch, dự án thuộc phạm vi áp dụng, gắn với đánh giá môi trường chiến lược hoặc đánh giá tác động môi trường. Nội dung xem xét bao gồm giảm phát thải và thích ứng với khủng hoảng khí hậu (Bộ Môi trường Hàn Quốc, 2022).
Điều 24 của Luật khung về trung hòa carbon quy định việc phân tích tác động khí hậu của ngân sách và quỹ, đồng thời phản ánh kết quả phân tích trong hoạt động tài chính của Nhà nước và chính quyền địa phương (Framework Act on Carbon Neutrality and Green Growth for Coping with Climate Crisis, 2021). Những quy định này xác định nơi tiếp nhận và xem xét thông tin khí hậu trong quy trình quản lý. Tuy nhiên, cơ sở pháp lý cho việc đánh giá khí hậu cần được phân biệt với yêu cầu sử dụng một công nghệ dự báo cụ thể. Trong quá trình vận hành, hệ thống dự báo lũ là một ví dụ về sự kết hợp giữa học máy và các mô hình chuyên ngành.
World Meteorological Organization (WMO, 2025) ghi nhận hệ thống AI được lắp đặt tại khoảng 223 điểm. Mô hình bộ nhớ dài ngắn hạn (LSTM) khai thác dữ liệu lịch sử và thời gian thực để dự báo mực nước theo khoảng thời gian 10 phút, kết hợp với mô hình thủy văn và thủy lực. Khoảng thời gian này không nên được diễn giải như một thời gian cảnh báo. Kết quả dự báo được kết nối với cơ chế cảnh báo cho cơ quan chức năng và người dân. Việc lựa chọn ngưỡng cảnh báo và tổ chức ứng phó vẫn đòi hỏi trách nhiệm của cơ quan quản lý, dù một số công đoạn đã được tự động hóa (WMO, 2025).
OECD (2025) cho biết hệ thống phân tích dữ liệu thời gian thực từ hơn 670 trạm quan trắc và tích hợp cảnh báo vào ứng dụng dẫn đường. Số trạm cung cấp dữ liệu và số điểm dự báo là hai chỉ tiêu khác nhau, không thể thay thế cho nhau. Thông cáo ngày 12/5/2026 nêu kế hoạch triển khai dự báo ngập đô thị tại sáu khu vực quanh ga Gangnam và Sindaebang ở Seoul, chưa cung cấp đánh giá hiệu quả sau triển khai (Ministry of Climate, Energy and Environment of Korea, 2026).
Kinh nghiệm Hàn Quốc gợi ý gắn phân tích khí hậu với thẩm định và cảnh báo, đồng thời kiểm tra sai số của mô hình và khả năng ứng phó của đơn vị sử dụng.
2.5. So sánh và nhận định chung
Bảng 1: Đối chiếu các công cụ hỗ trợ theo khâu lập kế hoạch
| Khâu | Singapore | EU | Nhật Bản | Hàn Quốc |
| Chẩn đoán | Nền tảng dữ liệu liên ngành ePlanner (a) | Không gian dữ liệu Thỏa thuận Xanh (a) | RESAS, PLATEAU (a) | Dữ liệu từ hơn 670 trạm quan trắc (a) |
| Xây dựng kịch bản | Mô phỏng ngập, nhiệt; mô hình lai (b, c) | DestinE mô phỏng khí hậu; phát triển học máy (b, c) | Mô phỏng 3D (b) | Mô hình thủy văn kết hợp AI (b, c) |
| Thẩm định, tham vấn | Cơ sở dữ liệu chung hỗ trợ phối hợp | Đánh giá môi trường theo phạm vi Chỉ thị | Chiến lược tổng hợp địa phương dựa trên RESAS | Đánh giá tác động khí hậu theo luật |
| Triển khai, giám sát | Nước, điện mặt trời, sốt xuất huyết (c) | Định hướng giám sát rừng bằng học máy (c) | Chưa đủ dữ liệu để khái quát mức độ AI | Dự báo lũ tại 223 điểm (c) |
Từ các trường hợp được đối chiếu, có thể rút ra những nhận định sau.
Thứ nhất, bằng chứng về AI trong dự báo và vận hành cụ thể hơn so với bằng chứng về tác động đến việc lựa chọn phương án dài hạn. Các ví dụ chưa cho phép kết luận rằng, AI có thể tự quyết định phân bổ lợi ích và chi phí giữa phát triển kinh tế và bảo vệ môi trường.
Thứ hai, ePlanner, RESAS và GDDS minh họa vai trò của dữ liệu dùng chung trong công tác phối hợp liên cơ quan. Nghiên cứu chưa có căn cứ định lượng để xếp hạng đóng góp của hạ tầng dữ liệu so với thuật toán hoặc nhân sự.
Thứ ba, kết quả phân tích cần có vị trí trong quy trình pháp định. Đánh giá môi trường ở EU và đánh giá tác động khí hậu ở Hàn Quốc cung cấp cơ chế xem xét bằng chứng, gắn với trách nhiệm của cơ quan thẩm định và cơ quan ra quyết định.
Thứ tư, các trường hợp kết hợp quy định bắt buộc với chiến lược và hướng dẫn không thể chỉ được phân thành “luật cứng” và “luật mềm”. Yêu cầu chung là xác định nghĩa vụ theo rủi ro, phạm vi sử dụng và khả năng can thiệp của con người.
3. Kinh nghiệm cho Việt Nam
Một là, ưu tiên cơ chế quản trị và dữ liệu dùng chung khi lựa chọn đầu tư vào AI. Trên cơ sở Luật Dữ liệu năm 2024, cần tổ chức kết nối dữ liệu quy hoạch và môi trường, xác định cơ quan chịu trách nhiệm về dữ liệu gốc, chất lượng cập nhật và quyền truy cập (Quốc hội, 2024). Có thể tham khảo RESAS và PLATEAU để cung cấp công cụ dùng chung cho địa phương, đồng thời tận dụng nền tảng hiện có, tránh xây dựng thêm hệ thống trùng lặp. Phạm vi chia sẻ phải phù hợp với yêu cầu bảo vệ dữ liệu cá nhân và thông tin có mức độ hạn chế về quyền truy cập.
Hai là, gắn phân tích có AI hỗ trợ với công cụ pháp định hiện có. Đánh giá môi trường chiến lược theo Luật Bảo vệ môi trường năm 2020 là một quy trình có thể tiếp nhận kết quả mô phỏng nếu dữ liệu và giả định đáp ứng yêu cầu chuyên môn (Quốc hội, 2020). Kinh nghiệm của Hàn Quốc gợi ý rà soát cách tiếp cận rủi ro khí hậu trong từng loại hình quy hoạch. Nội dung bổ sung cần xác định rõ hồ sơ, trách nhiệm thẩm định và mối quan hệ với thủ tục hiện hành để hạn chế chồng chéo.
Ba là, lựa chọn mô hình theo nhiệm vụ và kiểm chứng trước khi sử dụng. Học máy có thể hỗ trợ xử lý dữ liệu và dự báo ngắn hạn về ngập đô thị, chất lượng không khí hoặc cấp nước; mô hình vật lý cung cấp cơ sở để mô phỏng các quá trình môi trường. Kinh nghiệm DestinE và dự báo lũ Hàn Quốc cho thấy, khả năng kết hợp hai hướng tiếp cận. Cơ quan triển khai cần so sánh với phương pháp đang sử dụng, công bố điều kiện kiểm thử và theo dõi sự thay đổi sai số khi dữ liệu đầu vào biến động.
Bốn là, cụ thể hóa trách nhiệm quản lý rủi ro và giám sát của con người. Việc phân loại phải căn cứ vào chức năng, phạm vi sử dụng và các tiêu chí pháp lý, không mặc nhiên xếp mọi hệ thống quy hoạch hoặc cảnh báo thiên tai vào cùng một nhóm. Điều 27 Luật Trí tuệ nhân tạo và Điều 20 Nghị định số 142/2026/NĐ-CP quy định đánh giá tác động đối với những trường hợp sử dụng AI trong cơ quan nhà nước thuộc diện áp dụng (Chính phủ, 2026; Quốc hội, 2025b). Với từng ứng dụng, cần quy định người thẩm định kết quả, cách lưu vết, cách xử lý sự cố và thẩm quyền tạm dừng. AI không thay thế trách nhiệm ra quyết định của người có thẩm quyền.
Năm là, tổ chức thí điểm có đánh giá và lộ trình làm chủ hệ thống. Hồ sơ thí điểm cần xác định chỉ số đầu ra, dữ liệu đối chứng, chi phí duy trì và điều kiện dừng. Bài học từ D-MOSS là cần ghi nhận cả việc sử dụng dự báo trong quá trình ra quyết định, thay vì chỉ đo lường độ chính xác của mô hình (Campbell et al., 2026). Hợp đồng với đơn vị cung cấp cần làm rõ quyền tiếp cận dữ liệu, tài liệu kỹ thuật, nghĩa vụ chuyển giao và phương án vận hành khi kết thúc việc hỗ trợ.
Sáu là, gắn đánh giá AI với các chỉ tiêu môi trường và năng lực nhân sự. Kế hoạch cần xác định các kết quả có thể đo lường, chẳng hạn như thời gian xử lý, mức tiêu thụ tài nguyên hoặc độ tin cậy của cảnh báo, phù hợp với nhiệm vụ triển khai. Cùng với đào tạo phân tích dữ liệu, cán bộ cần được bồi dưỡng khả năng giải thích bất định và nhận diện giới hạn mô hình. Chi phí điện năng và hạ tầng tính toán cũng cần được xem xét khi đánh giá lợi ích môi trường của AI (Greif et al., 2024).
Bài viết đề xuất lộ trình tham khảo theo ba giai đoạn; việc chuyển giai đoạn cần dựa vào kết quả đánh giá năng lực và hiệu quả, không chỉ theo mốc thời gian.
Giai đoạn 2026-2027 tập trung rà soát dữ liệu, chuẩn hóa kết nối và trách nhiệm phối hợp, đồng thời lựa chọn những nhiệm vụ có điều kiện thí điểm phù hợp.
Giai đoạn 2028-2030 triển khai thí điểm tại một số địa phương, lĩnh vực có dữ liệu đủ tin cậy; so sánh hiệu quả và chi phí với phương pháp hiện hành trước khi quyết định nhân rộng.
Sau năm 2030, những ứng dụng đã được kiểm chứng có thể được tích hợp ổn định vào chu kỳ lập kế hoạch và quy hoạch, kèm theo cơ chế cập nhật, đánh giá lại và giải trình kết quả.
4. Kết luận
Tích hợp AI vào lập kế hoạch phát triển kinh tế – xã hội gắn với bảo vệ môi trường đòi hỏi kết nối dữ liệu, phân tích chuyên môn và thẩm quyền quyết định. Những trường hợp khảo sát cho thấy khả năng hỗ trợ dự báo, mô phỏng và vận hành, nhưng chưa chứng minh hiệu quả chung đối với lựa chọn phương án phát triển. Việt Nam cần ưu tiên các nhiệm vụ có thể kiểm chứng, cơ chế tiếp nhận kết quả và năng lực duy trì hệ thống.
Nghiên cứu sử dụng tài liệu công bố và một số kết quả do cơ quan vận hành báo cáo, nhưng chưa xác định được mối quan hệ nhân quả giữa AI và chất lượng quyết định hoặc kết quả về môi trường. Các bài học cần được điều chỉnh theo dữ liệu, nguồn lực và các quy định pháp luật của từng địa phương. Nghiên cứu tiếp theo nên đo lường mức độ sử dụng dự báo và so sánh chi phí, hiệu quả để hỗ trợ quyết định nhân rộng.
Tài liệu tham khảo:
Al-Raeei, M. (2024). Artificial intelligence for climate resilience: Advancing sustainable goals in SDGs 11 and 13 and its relationship to pandemics. Discover Sustainability, 5, Article 513. https://doi.org/10.1007/s43621-024-00775-5
Bộ Chính trị (2024). Nghị quyết số 57-NQ/TW ngày 22/12/2024 về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.
Cabinet Office of Japan (2025). Act on promotion of research and development, and utilization of artificial intelligence-related technology. https://www8.cao.go.jp/cstp/ai/ai_act/ai_act.html
Cabinet Office of Japan (2026, July 14). Artificial intelligence basic plan. https://www8.cao.go.jp/cstp/ai/ai_plan/aiplan_eng_20260714.pdf
Campbell, A. M., Colón-González, F., Quoc, D. K., Tuan, N. H., Dong, N. T., Trang, T. T., Bin Sulaiman, L. H., Wong, S. F., Hofmann, B., Tsarouchi, G.,
Harpham, Q., Nam, V. S., & Brady, O. (2026). Performance evaluation of an operational dengue forecasting system (D-MOSS) in Vietnam. PLOS Global Public Health, 6(3), Article e0005867. https://doi.org/10.1371/journal.pgph.0005867
Chính phủ (2026). Nghị định số 142/2026/NĐ-CP ngày 30/4/2026 quy định chi tiết một số điều và biện pháp thi hành Luật Trí tuệ nhân tạo.
Energy Market Authority (2022). Enhancing Singapore’s solar adoption and grid reliability with solar forecasting tools. https://www.ema.gov.sg/news-events/news/media-releases/2022/enhancing-singapores-solar-adoption-and-grid-reliability-with-solar-forecasting-tools
European Center for Medium-Range Weather Forecasts. (2026a, June 30). Destination Earth moves into its third phase. https://www.ecmwf.int/en/about/media-centre/news/2026/destination-earth-moves-its-third-phase
European Center for Medium-Range Weather Forecasts. (2026b). Paper highlighting DestinE Climate Digital Twin capabilities published. Destination Earth. https://destine.ecmwf.int/news/paper-highlighting-destine-climate-digital-twin-capabilities-published/
European Commission (2025). Data Union Strategy: Unlocking data for AI. (COM(2025) 835 final). https://eur-lex.europa.eu/legal-content/EN/TXT/HTML
European Parliament & Council of the European Union (2001). Directive 2001/42/EC of 27 June 2001 on the assessment of the effects of certain plans and programs on the environment. Official Journal of the European Communities, L 197, 30–37. https://eur-lex.europa.eu/eli/dir/2001/42/oj/eng.
European Parliament & Council of the European Union (2026). Regulation (EU) 2024/1689 laying down harmonized rules on artificial intelligence. https://eur-lex.europa.eu/eli/reg/2024/1689.
Fatima, S., Desouza, K. C., & Dawson, G. S. (2020). National strategic artificial intelligence plans: A multi-dimensional analysis. Economic Analysis and Policy, 67, 178–194. https://doi.org/10.1016/j.eap.2020.07.008
Framework Act on Carbon Neutrality and Green Growth for Coping with Climate Crisis, Act No. 18469 (2021). https://elaw.klri.re.kr/eng.
Framework Act on the Development of Artificial Intelligence and the Creation of a Foundation for Trust, Act No. 20676 (2025). https://elaw.klri.re.kr/eng_service/lawViewContent.do?hseq=71019
Greif, L., Kimmig, A., El Bobbou, S., Jurisch, P., & Ovtcharova, J. (2024). Strategic view on the current role of AI in advancing environmental sustainability: A SWOT analysis. Discover Artificial Intelligence, 4, Article 45. https://doi.org/10.1007/s44163-024-00146-z
Gupta, S., & Degbelo, A. (2023). An empirical analysis of AI contributions to sustainable cities (SDG 11). In F. Mazzi & L. Floridi (Eds.). The ethics of artificial intelligence for the Sustainable Development Goals (pp. 461–484). Springer. https://doi.org/10.1007/978-3-031-21147-8_25
Infocomm Media Development Authority, & Personal Data Protection Commission (2020). Model artificial intelligence governance framework. (2nd ed.). https://www.pdpc.gov.sg/-/media/Files/PDPC/PDF-Files/Resource-for-Organisation/AI/SGModelAIGovFramework2.pdf
Jige, S. (2016, March/April). The role of finance in local revitalization. Japan Spotlight, 20-23. https://www.jef.or.jp/journal/pdf/206th_Cover_05.pdf
Lauterbach, A. (2019). Artificial intelligence and policy: Quo vadis? Digital Policy, Regulation and Governance, 21(3), 238–263. https://doi.org/10.1108/DPRG-09-2018-0054
Ministry of Climate, Energy and Environment of Korea. (2026, May 12). Bigger water capacity, smarter flood forecasting. https://mcee.go.kr/eng/web/board/read.do?boardId=1863550&boardMasterId=522&menuId=461
Ministry of Digital Development and Information (2024). Smart Nation 2.0: A thriving digital future for all. https://file.go.gov.sg/smartnation2-report.pdf
Ministry of Environment of Korea (2022). The Ministry of Environment to implement climate change impact assessment in national plans and development projects. https://www.me.go.kr/eng/web/board/read.do?boardId=1551170&boardMasterId=522&menuId=461
Ministry of Land, Infrastructure, Transport and Tourism (2025). Project PLATEAU 2025 nendo no torikumi o happyō. https://www.mlit.go.jp/report/press/toshi03_hh_000167.html
OECD (2025). Digital government review of Korea: Harnessing digital and data to transform government. OECD Publishing. https://doi.org/10.1787/9defc197-en
PUB, Singapore’s National Water Agency (2020). Digitalizing water: Sharing Singapore’s experience. IWA Publishing. https://www.pub.gov.sg/-/media/Images/Feature/Content-Pages/Resources/R-and-D/Digitalising-Water-Sharing-Singapores-Experience.pdf
PUB, Singapore’s National Water Agency (2021). PUB commences development of Coastal-Inland Flood Model. https://www.pub.gov.sg/Resources/News-Room/PressReleases/2021/04/pub-commences-development-of-coastal.
Public Sector (Governance) Act 2018 (2018). (Singapore). https://sso.agc.gov.sg/act/psga2018
Quốc hội (2020). Luật Bảo vệ môi trường năm 2020.
Quốc hội (2024). Luật Dữ liệu năm 2024.
Quốc hội (2025a). Luật Bảo vệ dữ liệu cá nhân năm 2025.
Quốc hội (2025b). Luật Trí tuệ nhân tạo năm 2025.
Shi, Y., Liu, X., Kok, S.-Y., Rajarethinam, J., Liang, S., Yap, G., Chong, C.-S., Lee, K.-S., Tan, S. S. Y., Chin, C. K. Y., Lo, A., Kong, W., Ng, L. C., & Cook, A. R. (2016). Three-month real-time dengue forecast models: An early warning system for outbreak alerts and policy decision support in Singapore. Environmental Health Perspectives, 124(9), 1369-1375. https://doi.org/10.1289/ehp.1509981
Singapore Green Plan 2030. (n.d.). Our vision. https://www.greenplan.gov.sg/vision/
Smart Nation and Digital Government Office (2023). National AI Strategy 2.0: AI for the public good, for Singapore and the world. https://file.go.gov.sg/nais2023.pdf
Thủ tướng Chính phủ (2022). Quyết định số 450/QĐ-TTg ngày 13/4/2022 phê duyệt Chiến lược bảo vệ môi trường quốc gia đến năm 2030, tầm nhìn đến năm 2050.
Thủ tướng Chính phủ (2026). Quyết định số 1671/QĐ-TTg ngày 28/8/2026 phê duyệt Chiến lược quốc gia về trí tuệ nhân tạo đến năm 2030, tầm nhìn đến năm 2045.
United Nations General Assembly (2024). Seizing the opportunities of safe, secure and trustworthy artificial intelligence systems for sustainable development. (A/RES/78/265). https://docs.un.org/en/A/RES/78/265
Urban Redevelopment Authority (2024). Sustainability report FY2023. https://www.ura.gov.sg/-/media/Corporate/Resources/Publications/Sustainability-Reports/PDFs/URA-Sustainability-Report-FY23.pdf
Urban Redevelopment Authority (2026). AI for cities. https://www.ura.gov.sg/land-planning/planning-strategies/exploring-new-frontiers/ai-for-cities/
World Meteorological Organization (2025). The future of flood forecasting: Technology-driven resilience. MeteoWorld. https://wmo.int/resources/meteoworld/meteoworld-june-2025/future-of-flood-forecasting-technology-driven-resilience
Yamamoto, K. (2026). Transport-related environmental policies in Japan. Ministry of the Environment of Japan. https://uncrd.un.org/sites/default/files/2026-04/2026estws_s6-japan.pdf
Yap, X. (2024). Building scenarios, addressing urban heat. Singapore-ETH Center. https://sec.ethz.ch/news-events/news/2024/06/building-scenarios-addressing-urban-heat.html
