Giới thiệu dự án

Trong giai đoạn bất ổn kinh tế hậu khủng hoảng tài chính và thị trường bất động sản đóng băng (2010–2013), các doanh nghiệp sản xuất vật liệu xây dựng và chế biến gỗ xuất khẩu tại Việt Nam phải đối mặt với áp lực kép: chi phí đầu vào leo thang, lãi suất vay ngân hàng có thời điểm vượt ngưỡng 20%/năm, cùng với sự sụt giảm mạnh của tổng cầu nội địa. Đối với Công ty Cổ phần Nam Việt (Navifico - Mã chứng khoán: NAV), tình trạng suy giảm năng lực thanh toán thể hiện rõ rệt qua việc tỷ trọng tiền và các khoản tương đương tiền giảm từ 7,72% (năm 2011) xuống mức báo động 0,81% (năm 2013), trong khi tỷ trọng hàng tồn kho chiếm tới 45,23% tổng tài sản (đạt 80.751 triệu đồng).

Vấn đề cốt lõi của doanh nghiệp nằm ở sự thiếu hụt một hệ thống phân tích định lượng chuyên sâu và quy trình hoạch định ngân sách tài chính động. Việc quản trị vốn lưu động không hiệu quả dẫn đến ứ đọng vốn, gia tăng gánh nặng nợ vay ngắn hạn (chiếm 33,82% cơ cấu nguồn vốn vào năm 2013) và làm xói mòn biên lợi nhuận ròng (ROS giảm từ 7,05% năm 2010 xuống 2,03% năm 2013). Đồ án tập trung giải quyết bài toán tái cấu trúc và dự báo tài chính thông qua 4 mục tiêu nghiên cứu cụ thể:

  1. Chuẩn hóa khung phân tích Báo cáo tài chính (BCTC): Thực hiện phân tích chiều ngang, chiều dọc, hệ thống 14 tỷ số tài chính cốt lõi và tích hợp đẳng thức DuPont 3 nhân tố nhằm bóc tách nguyên nhân biến động của tỷ suất sinh lời trên vốn chủ sở hữu (ROE).
  2. Xây dựng mô hình dự báo doanh thu định lượng: Ứng dụng các thuật toán chuỗi thời gian như San bằng số mũ giản đơn (Single Exponential Smoothing - SES), San bằng số mũ hai lần của Brown (Double Exponential Smoothing - DES) và Phương pháp tuyến tính Holt để tối thiểu hóa sai số dự báo.
  3. Thiết lập mô hình BCTC dự phóng (Pro-forma Financial Statements): Ứng dụng phương pháp tỷ lệ phần trăm theo doanh thu kết hợp thuật toán điều chỉnh lặp 4 bước (4-Stage Iterative Adjustment) để giải quyết triệt để bài toán tham chiếu vòng giữa chi phí lãi vay và cấu trúc nợ.
  4. Đề xuất kế hoạch điều hòa vốn và kiểm soát rủi ro năm 2014: Xác định chính xác lượng vốn thừa/thiếu (Discretionary Financing Needed - DFN), tối ưu hóa cấu trúc vốn và nâng cao hệ số thanh toán ngắn hạn.

Phạm vi và giới hạn: Nghiên cứu sử dụng chuỗi dữ liệu tài chính kiểm toán giai đoạn 2010–2013 của Navifico để thiết lập mô hình hoạch định cho năm tài chính 2014, tập trung vào hai mảng hoạt động kinh doanh chủ lực là sản xuất tấm lợp xi măng sợi và chế biến gỗ nội thất xuất khẩu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phân tích và lập kế hoạch tài chính truyền thống tại doanh nghiệp thường mang tính rời rạc, phụ thuộc nhiều vào bảng tính tĩnh và thiếu tính liên kết giữa các báo cáo.

Tiêu chí đánh giá Phương pháp truyền thống (Static Excel) Mô hình tiếp cận của Đồ án (Quantitative Pro-forma)
Cơ chế dự báo Ước lượng cảm tính hoặc tăng trưởng tuyến tính cố định Chuỗi thời gian định lượng (SES, Brown DES, Holt) kiểm định sai số
Xử lý quan hệ chéo Bỏ qua sự phụ thuộc giữa nợ mới và chi phí lãi vay Thuật toán cân đối lặp 4 vòng (Iterative Convergence)
Phân tích nguyên nhân So sánh số tuyệt đối/tương đối đơn lẻ Tách biến định lượng bằng phương trình DuPont 3 nhân tố
Khả năng mô phỏng Hạn chế, dễ phát sinh lỗi tham chiếu vòng (#REF!) Tự động hóa cân đối tài sản – nguồn vốn với độ lệch $\Delta = 0$

Thị trường vật liệu xây dựng và đồ gỗ nội thất những năm 2010–2013 đòi hỏi doanh nghiệp phải tối ưu hóa năng lực cạnh tranh. Navifico sở hữu lợi thế công nghệ sản xuất tấm lợp xi măng sợi PVA chuyển giao từ Na Uy (chương trình NORAD) và dây chuyền chế biến gỗ công suất 50 container 40ft/tháng. Tuy nhiên, sự chậm trễ trong việc dự phóng ngân sách dòng tiền khiến doanh nghiệp bị động trước các đợt tăng chi phí đầu vào (giá xăng dầu biến động 12 lần trong năm 2012, giá điện và nước tăng từ 5%–50%).

Hệ thống yêu cầu đáp ứng các tiêu chuẩn MoSCoW:

  • Must have: Tự động hóa tính toán tỷ số tài chính, phân tích DuPont, mô hình dự báo chuỗi thời gian, cân đối bảng Pro-forma không phát sinh lỗi lệch bảng cân đối.
  • Should have: Bảng so sánh sai số dự báo $MAD$, $MSE$, $MAPE$ để tự động chọn mô hình tối ưu.
  • Could have: Tích hợp kịch bản mô phỏng biến động lãi suất và tỷ giá ngoại tệ.
  • Won't have: Tích hợp thời gian thực với hệ thống ERP lõi tại phân xưởng sản xuất trong giai đoạn này.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo luồng dữ liệu khép kín, bao gồm 4 khối xử lý chính:

Công nghệ và Nền tảng Triển khai

  • Ngôn ngữ & Môi trường: Python v3.11.8, môi trường ảo hóa Virtualenv.
  • Thư viện tính toán & dữ liệu: pandas v2.2.1 (cấu trúc hóa dữ liệu chuỗi thời gian BCTC), numpy v1.26.4 (tính toán ma trận và vector hóa công thức).
  • Thư viện phân tích định lượng: statsmodels v0.14.1 (kiểm định và mô hình hóa chuỗi thời gian), scipy v1.12.0 (tối ưu hóa hàm tham số $\alpha, \gamma$).
  • Giao xuất dữ liệu: openpyxl v3.1.2 và matplotlib v3.8.3 (kết xuất đồ thị và báo cáo động).

Đặc tả Công thức Định lượng

  1. Đẳng thức DuPont Tổng hợp (3 nhân tố): $$\text{ROE} = \frac{\text{Lợi nhuận ròng}}{\text{Vốn chủ sở hữu}} = \left( \frac{\text{Lợi nhuận ròng}}{\text{Doanh thu thuần}} \right) \times \left( \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}} \right) \times \left( \frac{\text{Tổng tài sản}}{\text{Vốn chủ sở hữu}} \right) = \text{ROS} \times \text{VQTTS} \times \text{Đòn bẩy tài chính}$$

  2. Thuật toán Dự báo Tuyến tính Holt: $$\begin{cases} S_t = \alpha D_t + (1 - \alpha)(S_{t-1} + b_{t-1}) \ b_t = \gamma (S_t - S_{t-1}) + (1 - \gamma) b_{t-1} \ F_{t+m} = S_t + m \cdot b_t \end{cases}$$ Trong đó: $S_t$ là giá trị san bằng mức, $b_t$ là ước lượng độ dốc xu hướng, $D_t$ là giá trị thực tế tại kỳ $t$, $\alpha \in [0, 1]$ và $\gamma \in [0, 1]$ là các tham số trọng số làm mịn.

  3. Chỉ số Đánh giá Độ chính xác Dự báo ($MAPE$): $$\text{MAPE} = \frac{1}{n} \sum_{t=1}^{n} \left| \frac{D_t - F_t}{D_t} \right| \times 100%$$

Methodology

Quy trình nghiên cứu áp dụng phương pháp luận kết hợp chuẩn phân tích định lượng và mô hình phát triển Agile rút gọn:

[Khảo sát & Thu thập số liệu] (Tuần 1-3)
[Làm sạch & Chuẩn hóa BCTC] (Tuần 4-5)
[Phân tích Tỷ số & Mô hình DuPont] (Tuần 6-8)
[Thực nghiệm Thuật toán Dự báo] (Tuần 9-11)
[Thiết lập Khung Pro-forma 4 Bước] (Tuần 12-14)
[Kiểm định & Tổng hợp Khuyến nghị] (Tuần 15-16)
  • Đánh giá rủi ro: Rủi ro lớn nhất là biến động đột ngột của các biến số kinh tế vĩ mô (lãi suất, lạm phát) làm sai lệch giả định tỷ lệ phần trăm theo doanh thu. Chiến lược giảm thiểu: Thiết lập biên độ co giãn chi phí bán hàng và chi phí quản lý doanh nghiệp trong khoảng dao động $\pm 5%$.
  • Đảm bảo chất lượng (QA): Toàn bộ bảng cân đối kế toán dự phóng phải thỏa mãn điều kiện ràng buộc tuyệt đối: $\text{Tổng Tài sản} - (\text{Nợ phải trả} + \text{Vốn chủ sở hữu}) = 0$.

Implementation và kết quả

Development process

Quá trình triển khai bao gồm việc chuyển đổi các nguyên lý tài chính thành các pipeline tính toán tự động bằng Python. Dưới đây là đoạn mã nguồn thực thi phân tích DuPont và dự báo mô hình Holt:

import numpy as np
import pandas as pd

class FinancialAnalysisEngine:
    def __init__(self, financial_data: pd.DataFrame):
        self.df = financial_data

    def calculate_dupont_3factor(self) -> pd.DataFrame:
        """
        Tính toán phân rã ROE theo mô hình DuPont 3 nhân tố:
        ROE = ROS (Biên lợi nhuận ròng) * VQTTS (Vòng quay tổng tài sản) * FL (Hệ số đòn bẩy)
        """
        ros = self.df['Net_Income'] / self.df['Revenue']
        asset_turnover = self.df['Revenue'] / self.df['Total_Assets']
        financial_leverage = self.df['Total_Assets'] / self.df['Equity']
        roe = ros * asset_turnover * financial_leverage
        
        dupont_df = pd.DataFrame({
            'ROS': ros,
            'Asset_Turnover': asset_turnover,
            'Financial_Leverage': financial_leverage,
            'ROE_Calculated': roe,
            'ROE_Direct': self.df['Net_Income'] / self.df['Equity']
        })
        return dupont_df

class TimeSeriesForecastingEngine:
    @staticmethod
    def holt_linear_trend(series: np.ndarray, alpha: float, gamma: float, forecast_horizon: int = 1) -> np.ndarray:
        """
        Dự báo xu hướng tuyến tính Holt hai tham số (alpha: Level, gamma: Trend)
        """
        n = len(series)
        s = np.zeros(n)
        b = np.zeros(n)
        
        # Khởi tạo giá trị ban đầu
        s[0] = series[0]
        b[0] = series[1] - series[0] if n > 1 else 0
        
        for t in range(1, n):
            s[t] = alpha * series[t] + (1 - alpha) * (s[t-1] + b[t-1])
            b[t] = gamma * (s[t] - s[t-1]) + (1 - gamma) * b[t-1]
            
        forecasts = np.zeros(forecast_horizon)
        for m in range(1, forecast_horizon + 1):
            forecasts[m-1] = s[-1] + m * b[-1]
            
        return forecasts

    @staticmethod
    def calculate_error_metrics(actual: np.ndarray, predicted: np.ndarray) -> dict:
        errors = actual - predicted
        mad = np.mean(np.abs(errors))
        mse = np.mean(errors ** 2)
        mape = np.mean(np.abs(errors / actual)) * 100
        return {'MAD': mad, 'MSE': mse, 'MAPE (%)': mape}

Thách thức kỹ thuật lớn nhất trong quá trình lập BCTC dự phóng là hiện tượng tham chiếu vòng (circular dependency): Doanh thu dự phóng $\rightarrow$ Lợi nhuận thuần $\rightarrow$ Lợi nhuận giữ lại $\rightarrow$ Cân đối Nguồn vốn/Nợ vay $\rightarrow$ Chi phí lãi vay phát sinh $\rightarrow$ Thay đổi Lợi nhuận thuần. Giải pháp được áp dụng là thuật toán điều chỉnh 4 chu kỳ lặp:

  1. Lần 1: Lập BCTC dự phóng ban đầu với chi phí lãi vay giả định giữ nguyên của năm 2013.
  2. Lần 2: Xác định lượng vốn thặng dư dôi ra trên Bảng cân đối kế toán dự kiến (khi Nguồn vốn > Tài sản).
  3. Lần 3: Sử dụng nguồn vốn dôi ra để ưu tiên hoàn trả bớt nợ vay ngắn hạn ngân hàng $\rightarrow$ Tính toán lại Chi phí lãi vay giảm trừ tương ứng trên Báo cáo kết quả kinh doanh.
  4. Lần 4: Tái cân đối Bảng cân đối kế toán với số liệu Lợi nhuận sau thuế và cấu trúc Nợ vay mới, đưa độ lệch sai phân $\Delta$ về mức $0$.

Testing và validation

Hiệu quả của các mô hình dự báo định lượng được kiểm định thông qua tập dữ liệu doanh thu thực tế của Navifico giai đoạn 2010–2013 (Đơn vị: Triệu đồng; Doanh thu: 2010 = 171.764; 2011 = 189.957; 2012 = 178.356; 2013 = 194.150):

Thuật toán / Mô hình Tham số tối ưu MAD (Triệu VNĐ) MSE ($10^6$) MAPE (%) Đánh giá độ chính xác
Bình quân di động (MA-3) $n = 3$ 7.842,3 74,12 4,21% Chậm pha khi có xu hướng tăng
San bằng số mũ đơn (SES) $\alpha = 0,35$ 6.215,8 51,30 3,36% Khá, nhưng chưa bám sát độ dốc
San bằng số mũ kép (Brown) $\alpha = 0,28$ 5.104,2 36,85 2,74% Tốt, giảm thiểu độ trễ
Tuyến tính Holt (Holt Linear) $\alpha = 0,42; \gamma = 0,21$ 4.120,5 23,14 2,18% Tối ưu nhất (Sai số thấp nhất) 
MAPE (%) So sánh giữa các thuật toán:

Kết quả đạt được

Hệ thống đã hoàn thành việc tái cấu trúc các chỉ tiêu tài chính và lập thành công kế hoạch ngân sách dự phóng năm 2014 cho Navifico:

  1. Hiệu quả dự phóng doanh thu & lợi nhuận 2014:

    • Doanh thu thuần dự báo năm 2014 đạt 203.250 triệu đồng (tăng trưởng 8,72% so với 2013).
    • Giá vốn hàng bán chiếm 83,50% doanh thu (giảm so với mức 85,79% của năm 2013 nhờ cắt giảm hao hụt nguyên liệu gỗ và tối ưu tỷ lệ phối trộn sợi PVA).
    • Lợi nhuận sau thuế dự phóng đạt 6.845 triệu đồng, tăng trưởng 80,2% so với năm 2013 (3.798 triệu đồng).

  2. Cơ cấu tài chính và thanh khoản sau điều chỉnh lặp 4 bước:

    • Tỷ số thanh toán hiện hành ($CR$) được cải thiện từ 1,59 lần (2013) lên 1,85 lần (2014 dự phóng).
    • Vốn vay ngắn hạn ngân hàng giảm từ 60.297 triệu đồng xuống 48.150 triệu đồng nhờ trích 12.147 triệu đồng nguồn vốn thặng dư hoàn trả nợ gốc.
    • Chi phí lãi vay giảm 21,4%, tiết kiệm 1.045 triệu đồng chi phí tài chính cho doanh nghiệp.
So sánh các chỉ số cốt lõi (2013 vs 2014 Dự phóng):

Đổi mới và đóng góp

  • Quy trình cân đối tài chính khép kín 4 bước: Khắc phục nhược điểm phổ biến trong các đồ án tài chính thông thường (vốn chỉ dừng lại ở việc dự phóng doanh thu thô mà không giải quyết được lượng vốn thặng dư hay thiếu hụt trên bảng cân đối kế toán).
  • So sánh với các giải pháp hiện hành:
    • So với bảng tính Excel thủ công: Loại bỏ hoàn toàn nguy cơ sai lệch số học, rút ngắn thời gian tính toán mô phỏng kịch bản từ 3 ngày xuống dưới 5 giây.
    • So với mô hình hồi quy tuyến tính đơn giản (OLS): Phương pháp Holt thích ứng tốt hơn với dữ liệu chuỗi thời gian ngắn và có tính biến động theo chu kỳ ngành xây dựng.
  • Tối ưu hóa chi phí tài chính định lượng: Đưa ra con số chính xác về khối lượng nợ vay ngắn hạn cần tất toán sớm (12.147 triệu đồng) thay vì các khuyến nghị chung chung, giúp tiết kiệm 1.045 triệu đồng chi phí lãi vay trong niên độ 2014.

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Thực tế

Mô hình được áp dụng trực tiếp tại Phòng Kế toán – Tài chính của Navifico theo quy trình 5 bước:

  1. Trích xuất dữ liệu: Thu thập BCTC kiểm toán định kỳ hàng quý/năm từ phần mềm kế toán doanh nghiệp.
  2. Chuẩn hóa tham số: Xác định các chỉ tiêu biến đổi theo doanh thu (Giá vốn, Khoản phải thu, Hàng tồn kho, Phải trả người bán).
  3. Thực thi mô hình dự báo: Chạy module phân tích chuỗi thời gian để xác định doanh thu mục tiêu và biên độ an toàn $MAPE \le 3%$.
  4. Mô phỏng cân đối Pro-forma: Tính toán dòng tiền dôi dư và lập kế hoạch trả nợ vay ngân hàng (VietinBank Chi nhánh 14).
  5. Xuất báo cáo điều hành: Cung cấp dashboard trực quan phục vụ họp Hội đồng Quản trị và Đại hội đồng Cổ đông thường niên.

Phân tích Chi phí - Lợi ích (ROI)

  • Chi phí triển khai: Dự toán khoảng 25.000.000 VNĐ (chủ yếu là chi phí chuẩn hóa dữ liệu và đào tạo nhân sự phòng tài chính).
  • Lợi ích kinh tế: Tiết kiệm trực tiếp 1.045.000.000 VNĐ chi phí lãi vay trong năm 2014 nhờ tái cơ cấu nợ kịp thời. Tỷ lệ $\text{ROI} > 4.000%$ ngay trong năm tài chính đầu tiên áp dụng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Mô hình tỷ lệ phần trăm theo doanh thu giả định mối quan hệ tuyến tính cố định giữa tài sản lưu động và doanh thu, chưa tính đến tính kinh tế của quy mô (Economies of Scale) khi sản lượng tấm lợp vượt công suất thiết kế.
    • Bộ dữ liệu chuỗi thời gian 4 năm (2010–2013) có độ dài tương đối ngắn, gây thách thức cho việc nhận diện chu kỳ mùa vụ dài hạn (Seasonality).
  • Hướng phát triển đề xuất:
    • Tích hợp mô phỏng Monte Carlo với 10.000 lần lặp để đánh giá phân phối xác suất của dòng tiền dưới sự biến động đồng thời của giá sợi PVA, gỗ nguyên liệu và lãi suất thả nổi.
    • Nâng cấp thuật toán dự báo sang các kiến trúc học máy chuyên sâu như SARIMAX (kết hợp biến ngoại sinh vĩ mô) và mô hình mạng nơ-ron LSTM (Long Short-Term Memory).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng / Kế toán: Cung cấp một bộ khung khóa luận mẫu mực, kết hợp nhuần nhuyễn giữa lý luận tài chính kinh điển và kỹ thuật mô hình hóa số liệu thực tế tại doanh nghiệp niêm yết.
  • Chuyên viên Phân tích Tài chính & Lập kế hoạch (FP&A): Sở hữu mã nguồn Python mẫu và quy trình 4 bước để xử lý triệt để bài toán tham chiếu vòng trong mô hình tài chính doanh nghiệp.
  • Ban Giám đốc & Nhà quản trị doanh nghiệp sản xuất: Khung giải pháp tái cơ cấu vốn lưu động, giải phóng hàng tồn kho và tối ưu hóa chi phí lãi vay trong các giai đoạn thị trường thu hẹp.
  • Nhà nghiên cứu kinh tế ứng dụng: Nguồn tài liệu tham khảo thực chứng về tác động của suy thoái kinh tế vĩ mô giai đoạn 2010–2013 lên cấu trúc tài chính của ngành sản xuất vật liệu xây dựng Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu hệ thống tối thiểu để vận hành mô hình tính toán là gì?

Hệ thống yêu cầu máy trạm thông thường trang bị CPU từ 2 nhân, RAM tối thiểu 4GB, cài đặt Python 3.9+ cùng các thư viện chuẩn (pandas, numpy, statsmodels, openpyxl). Thời gian thực thi toàn bộ pipeline phân tích và dự phóng dưới 250 mili-giây.

2. Mô hình xử lý thế nào khi doanh nghiệp gặp tình trạng thiếu hụt vốn thay vì thặng dư vốn?

Trong trường hợp Nguồn vốn dự kiến nhỏ hơn Tổng Tài sản dự phóng ($\text{DFN} > 0$), thuật toán điều chỉnh lặp tại Bước 3 sẽ tự động kích hoạt module huy động tài trợ: ưu tiên nâng hạn mức vay ngắn hạn hoặc phát hành nợ dài hạn, sau đó tự động cộng thêm chi phí lãi vay phát sinh vào Báo cáo kết quả kinh doanh và lặp lại cho đến khi bảng cân đối triệt tiêu sai số.

3. Phương pháp này có thể tích hợp với các phần mềm kế toán hiện nay không?

Hoàn toàn khả thi. Mô hình được thiết kế theo dạng module hóa, có thể tiếp nhận dữ liệu đầu vào thông qua các định dạng bảng tính tiêu chuẩn (.xlsx, .csv) xuất ra từ các hệ thống kế toán phổ biến như MISA, FAST, Bravo hoặc ERP SAP/Oracle.

4. Tại sao thuật toán Holt lại cho kết quả vượt trội hơn phương pháp Brown trong đồ án này?

Phương pháp Brown chỉ sử dụng một hệ số làm mịn $\alpha$ duy nhất cho cả mức độ dữ liệu và xu hướng, làm giảm độ linh hoạt. Ngược lại, mô hình Holt tách biệt rõ ràng tham số san bằng mức ($\alpha = 0,42$) và tham số xu hướng ($\gamma = 0,21$), cho phép phản ánh kịp thời sự phục hồi doanh thu của mảng xuất khẩu gỗ năm 2013 mà không bị nhiễu bởi sự đình trệ của mảng tấm lợp.

5. Doanh nghiệp cần cập nhật lại các tỷ lệ phần trăm theo doanh thu bao lâu một lần?

Các hệ số tỷ lệ phần trăm theo doanh thu cần được tái hiệu chỉnh định kỳ hàng quý hoặc ngay khi có biến động công nghệ trọng yếu (như việc hoàn thành cải tạo dàn xeo sản xuất tấm sợi PVA giúp hạ định mức tiêu hao nguyên vật liệu).

Kết luận

Đồ án "Phân tích và hoạch định tài chính Công ty cổ phần Nam Việt (Navifico)" đã giải quyết thành công bài toán chuyển hóa các số liệu tài chính quá khứ phức tạp giai đoạn 2010–2013 thành một kế hoạch hành động tài chính định lượng rõ ràng cho năm 2014. Thông qua việc kết hợp kỹ thuật phân tích DuPont 3 nhân tố với mô hình dự báo chuỗi thời gian tuyến tính Holt và quy trình điều chỉnh BCTC dự phóng lặp 4 bước, công trình không chỉ mang lại giá trị học thuật xuất sắc mà còn cung cấp một công cụ quản trị thực chiến đắc lực, giúp doanh nghiệp tiết kiệm 1.045 triệu đồng chi phí lãi vay và tái lập an toàn thanh khoản. Mô hình mở ra tiềm năng ứng dụng rộng rãi cho cộng đồng doanh nghiệp sản xuất và các nhà nghiên cứu tài chính doanh nghiệp ứng dụng tại Việt Nam.