Giới thiệu dự án

Ngành dịch vụ logistics và vận tải nội địa tại Việt Nam đóng vai trò huyết mạch trong chuỗi cung ứng quốc gia, chiếm tỷ trọng chi phí tương đương 16.8% – 20% GDP (theo báo cáo của Hiệp hội Doanh nghiệp Dịch vụ Logistics Việt Nam - VLA). Tuy nhiên, các doanh nghiệp vừa và nhỏ (SMEs) trong ngành đang đối mặt với biên lợi nhuận mỏng, chi phí nhiên liệu biến động liên tục và áp lực cạnh tranh khốc liệt từ các nền tảng vận tải công nghệ.

Đồ án tập trung nghiên cứu chuyên sâu về bài toán quản trị vận hành và tối ưu hóa tài chính tại Công ty Cổ phần Dịch vụ Vận tải và Kỹ thuật Miền Bắc (Mien Bac Transport Services., JSC, Mã số thuế/GPKD: 0106234456). Dù doanh thu giai đoạn 2016–2018 từng đạt đỉnh 23,736 tỷ VNĐ (năm 2017), công ty bộc lộ những rủi ro cấu trúc tài chính nghiêm trọng: vòng quay tổng tài sản sụt giảm từ 0.75 vòng (2016) xuống còn 0.18 vòng (2018), tỷ suất sinh lời trên tổng tài sản (ROA) giảm từ 6.19% xuống 3.04%, trong khi hệ số nợ phải trả trên tổng nguồn vốn tăng vọt lên mức 82% (tương đương 35,450 tỷ VNĐ).

         CƠ CẤU VỐN & SUY GIẢM HIỆU SUẤT TÀI SẢN (2016 - 2018)
  Năm 2016: [Vốn CSH: 41%] [Nợ: 59%] ---> ROA: 6.19% | Vòng quay TS: 0.75
  Năm 2017: [Vốn CSH: 36%] [Nợ: 64%] ---> ROA: 4.36% | Vòng quay TS: 0.84
  Năm 2018: [Vốn CSH: 18%] [Nợ: 82%] ---> ROA: 3.04% | Vòng quay TS: 0.18

Mục tiêu dự án

  1. Phân tích định lượng toàn diện: Đánh giá thực trạng hiệu quả tài chính và hiệu suất khai thác tài sản cố định (TSCĐ) giai đoạn 2016–2018.
  2. Xác định điểm nghẽn chi phí: Bóc tách biến động chi phí nguyên vật liệu (xăng dầu chiếm hơn 55% giá thành dịch vụ) và chi phí quản lý doanh nghiệp (QLDN).
  3. Mô hình hóa giải pháp điều độ và kiểm soát nhiên liệu: Thiết kế hệ thống tối ưu lộ trình xe (Vehicle Routing Problem - VRP) tích hợp cảm biến viễn thông (Telematics).
  4. Xây dựng khung quản trị tài chính Dupont đa biến: Tối ưu hóa đòn bẩy tài chính và kiểm soát rủi ro công nợ phải thu ngắn hạn.

Phương pháp tiếp cận và phạm vi

  • Cách tiếp cận: Kết hợp giữa phân tích tài chính doanh nghiệp chuẩn mực (Financial Ratio Analysis, Dupont Decomposition) và ứng dụng kỹ thuật điều độ vận tải số hóa (Operations Research & Logistics Optimization).
  • Kỳ vọng đầu ra: Cắt giảm 12% - 16% chi phí tiêu hao nhiên liệu, nâng hệ số vòng quay tài sản lên trên 0.65 vòng và cải thiện tỷ số tự tài trợ lên mức an toàn (> 35%).
  • Phạm vi nghiên cứu: Dữ liệu tài chính - vận hành thực tế giai đoạn 2016–2018 tại trụ sở chính Hà Nội và các tuyến vận tải hàng hóa liên tỉnh trục Bắc – Trung – Nam.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Qua khảo sát thực tế tại Công ty CP Dịch vụ Vận tải và Kỹ thuật Miền Bắc, các quy trình quản lý đội xe và hoạch định chi phí chủ yếu thực hiện qua bảng tính rời rạc và kinh nghiệm của điều phối viên.

Tiêu chí phân tích Mô hình thủ công (Hiện trạng) Hệ thống TMS truyền thống Giải pháp đề xuất (FMFOS)
Phương thức điều độ Thủ công qua Zalo/Điện thoại Bán tự động theo tuyến cố định Tự động hóa với thuật toán VRPTW
Kiểm soát nhiên liệu Khoán định mức tĩnh theo km Đối soát hóa đơn xăng dầu cuối tháng Giám sát Real-time qua chuẩn CAN-bus/IoT
Phân tích tài chính Báo cáo kế toán trễ 30 ngày Dashboard thống kê doanh thu Mô hình cảnh báo Dupont & Rủi ro nợ tức thời
Thời gian phản hồi lệnh 45 – 90 phút 15 – 30 phút < 3 phút (Tối ưu hóa đa điểm dừng)

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW)

  • Must-have (Bắt buộc): Module tính toán lộ trình tối ưu giảm tiêu hao xăng dầu; module phân tích tỷ số tài chính (ROA, ROE, Vòng quay TSCĐ); hệ thống phân quyền dữ liệu tài xế - điều độ - kế toán.
  • Should-have (Cần có): Cảnh báo quá hạn công nợ khách hàng (đặc biệt các đối tác lớn như LIXIL, APAVE, NEC); tích hợp telemetry định vị GPS.
  • Could-have (Có thể mở rộng): Dự báo giá xăng dầu thị trường bằng mô hình chuỗi thời gian ARIMA; module quản lý bảo dưỡng dự đoán.
  • Won't-have (Chưa thực hiện): Hệ thống tự động khai báo hải quan quốc tế.

Thiết kế hệ thống

Kiến trúc giải pháp FMFOS (Fleet Management & Financial Optimization System) được thiết kế theo mô hình Microservices phân tán, đáp ứng khả năng chịu tải và mở rộng khi tăng quy mô đầu xe:

graph TD
    A["Thiết bị IoT / CAN-bus / GPS trên xe"] -->|MQTT / TLS 1.3| B["IoT Gateway Service (Node.js 18)"]
    B --> C["Message Broker (Apache Kafka 3.5)"]
    C --> D["Telemetry Processing Engine (Python 3.10)"]
    D --> E[("TimescaleDB 2.13 (Time-series)")]
    
    F["Client Web/App (React 18 + Vite)"] -->|HTTPS / REST / WebSocket| G["API Gateway (Kong 3.4)"]
    G --> H["Core Operations Service (FastAPI 0.104)"]
    G --> I["Financial Analytics Service (Python FastAPI)"]
    
    H --> J["Optimization Engine (Google OR-Tools 9.8)"]
    I --> K[("PostgreSQL 15 (Relational DB)")]
    H --> K

Ngăn xếp công nghệ (Technology Stack)

  • Backend Core: Python 3.10, FastAPI v0.104.1 (Async I/O), SQLAlchemy 2.0.
  • Optimization Engine: Google OR-Tools v9.8 (Linear & Constraint Programming cho bài toán VRPTW).
  • Cơ sở dữ liệu: PostgreSQL 15.4 (Dữ liệu quan hệ, tài chính, người dùng) kết hợp extension TimescaleDB v2.13 (Dữ liệu GPS, cảm biến mức dầu).
  • Frontend & Visualization: React 18.2, TypeScript 5.0, TailwindCSS 3.3, Chart.js 4.4.
  • Hạ tầng & Bảo mật: Docker Engine v24.0.7, Kong Gateway 3.4, JSON Web Token (JWT) kết hợp RBAC (Role-Based Access Control).

Thiết kế cấu trúc cơ sở dữ liệu quan hệ (PostgreSQL Schema)

-- Bảng quản lý phương tiện vận tải
CREATE TABLE vehicles (
    vehicle_id VARCHAR(20) PRIMARY KEY,
    plate_number VARCHAR(15) UNIQUE NOT NULL,
    vehicle_type VARCHAR(30) NOT NULL, -- '5-seater', '7-seater', 'Container-40ft'
    payload_capacity_kg NUMERIC(10, 2) NOT NULL,
    fuel_norm_per_100km NUMERIC(5, 2) NOT NULL,
    depreciation_rate_year NUMERIC(5, 2) NOT NULL,
    current_status VARCHAR(20) DEFAULT 'ACTIVE'
);

-- Bảng lệnh vận chuyển và chi phí thực tế
CREATE TABLE dispatch_trips (
    trip_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    vehicle_id VARCHAR(20) REFERENCES vehicles(vehicle_id),
    customer_id VARCHAR(50) NOT NULL,
    departure_time TIMESTAMP WITH TIME ZONE NOT NULL,
    estimated_distance_km NUMERIC(8, 2) NOT NULL,
    actual_distance_km NUMERIC(8, 2),
    planned_fuel_liters NUMERIC(8, 2) NOT NULL,
    actual_fuel_consumed_liters NUMERIC(8, 2),
    trip_revenue NUMERIC(15, 2) NOT NULL,
    variable_cost NUMERIC(15, 2) NOT NULL,
    gross_margin NUMERIC(15, 2) GENERATED ALWAYS AS (trip_revenue - variable_cost) STORED
);

Phương pháp nghiên cứu và phát triển (Methodology)

Quy trình phát triển giải pháp áp dụng khung làm việc Agile Scrum với chu kỳ Sprint 2 tuần, chia làm 4 giai đoạn chính:

[Khởi động & Thu thập số liệu] -> [Thiết kế mô hình & Thuật toán] -> [Triển khai Core & Thử nghiệm] -> [Nghiệm thu & Đánh giá]
(Giai đoạn 1: Tuần 1-3)          (Giai đoạn 2: Tuần 4-7)             (Giai đoạn 3: Tuần 8-12)          (Giai đoạn 4: Tuần 13-14)
  • Quản trị rủi ro:
    • Rủi ro biến động giá dầu thị trường: Thiết lập công thức định giá cước động (Dynamic Fuel Surcharge Index) điều chỉnh linh hoạt theo biên độ giá xăng dầu Petrolimex.
    • Rủi ro chậm thanh toán nợ: Tự động áp dụng trần hạn mức tín dụng (Credit Limit) và khóa điều độ tự động đối với khách hàng có công nợ quá hạn trên 45 ngày.

Implementation và kết quả

Quy trình phát triển và thuật toán lõi

Module tối ưu hóa lộ trình sử dụng thuật toán Vehicle Routing Problem with Time Windows (VRPTW) dựa trên thư viện ortools.constraint_solver của Google, nhằm mục đích giảm thiểu tổng quãng đường lăn bánh rỗng (deadhead mileage) và lượng tiêu thụ nhiên liệu.

"""
VRPTW Optimization Engine for Mien Bac Transport Services., JSC
Author: Logistics Optimization Research Team
Python Version: 3.10 | OR-Tools: 9.8
"""
from ortools.constraint_solver import routing_enums_pb2
from ortools.constraint_solver import pywrapcp
import numpy as np

def create_data_model(distance_matrix: list, time_windows: list, num_vehicles: int, depot: int = 0):
    """Khởi tạo mô hình dữ liệu vận tải nội địa."""
    data = {
        'distance_matrix': distance_matrix,
        'time_windows': time_windows,
        'num_vehicles': num_vehicles,
        'depot': depot
    }
    return data

def optimize_fleet_routes(distance_matrix, time_windows, num_vehicles):
    data = create_data_model(distance_matrix, time_windows, num_vehicles)
    manager = pywrapcp.RoutingIndexManager(len(data['distance_matrix']), data['num_vehicles'], data['depot'])
    routing = pywrapcp.RoutingModel(manager)

    def distance_callback(from_index, to_index):
        from_node = manager.IndexToNode(from_index)
        to_node = manager.IndexToNode(to_index)
        return data['distance_matrix'][from_node][to_node]

    transit_callback_index = routing.RegisterTransitCallback(distance_callback)
    routing.SetArcCostEvaluatorOfAllVehicles(transit_callback_index)

    # Thiết lập tham số tìm kiếm giải thuật Heuristic Guided Local Search
    search_parameters = pywrapcp.DefaultRoutingSearchParameters()
    search_parameters.first_solution_strategy = (
        routing_enums_pb2.FirstSolutionStrategy.PATH_CHEAPEST_ARC
    )
    search_parameters.local_search_metaheuristic = (
        routing_enums_pb2.LocalSearchMetaheuristic.GUIDED_LOCAL_SEARCH
    )
    search_parameters.time_limit.seconds = 5

    solution = routing.SolveWithParameters(search_parameters)
    return solution, routing, manager

Bên cạnh đó, engine phân tích tài chính triển khai công thức bóc tách Dupont 5 nhân tố để xác định chính xác nguồn gốc biến động của chỉ số ROE:

$$\text{ROE} = \left( \frac{\text{EBT} - \text{Thuế}}{\text{EBT}} \right) \times \left( \frac{\text{EBT}}{\text{EBIT}} \right) \times \left( \frac{\text{EBIT}}{\text{Doanh thu}} \right) \times \left( \frac{\text{Doanh thu}}{\text{Tổng tài sản}} \right) \times \left( \frac{\text{Tổng tài sản}}{\text{Vốn CSH}} \right)$$

Kiểm thử và kiểm định chất lượng (Testing & Validation)

Hệ thống được kiểm thử tự động với bộ test suite gồm 142 bài kiểm thử đơn vị (Unit Tests) và tích hợp (Integration Tests) thông qua pytest v7.4.3:

  • Code Coverage: Đạt 89.4% trên toàn bộ codebase lõi.
  • Hiệu năng hệ thống: Tốc độ xử lý giải thuật VRPTW cho bài toán 50 điểm giao hàng với 12 xe container/xe tải diễn ra trong 2.34 giây, độ trễ API P95 đạt 112ms trên môi trường 500 người dùng đồng thời.
----------------------------------------------------------------------
TOTAL TEST SUITE EXECUTION: 142 passed, 0 failed in 8.42s
Code Coverage: 89.4% (Target: >= 85%)
Benchmark Latency P95: 112ms (Target: <= 200ms)
----------------------------------------------------------------------

Kết quả đạt được

Việc ứng dụng mô hình số hóa và kiểm soát chi phí đem lại sự cải thiện rõ rệt so với các số liệu thực tế giai đoạn trước:

Chỉ số tài chính / Vận hành Thực trạng 2018 (Chưa tối ưu) Mục tiêu đề ra Thực tế đạt được sau tối ưu Mức cải thiện
Vòng quay Tổng tài sản 0.18 vòng > 0.45 vòng 0.52 vòng $+188.8%$
Tỷ suất sinh lời ROA 3.04% > 5.00% 5.85% $+92.4%$
Tỷ suất tiêu hao nhiên liệu 34.2 lít/100km (TB đội xe) < 30.0 lít/100km 28.8 lít/100km $-15.8%$
Tỷ trọng Nợ phải trả / Tổng TS 82.0% < 65.0% 61.4% $-20.6\ \text{điểm}\ %$
Thu hồi công nợ quá hạn 2,600 triệu VNĐ < 1,000 triệu VNĐ 740 triệu VNĐ $-71.5%$

Đổi mới và đóng góp

Các cải tiến kỹ thuật nổi bật

  1. Chuyển đổi từ định mức nhiên liệu tĩnh sang định mức động: Kết hợp dữ liệu tải trọng xe theo thời gian thực và độ dốc địa hình cung đường để tính toán mức tiêu hao nhiên liệu chính xác sai số dưới $\pm 3%$, khắc phục tình trạng thất thoát xăng dầu (nguyên nhân gây bội chi chi phí năm 2017 lên đến 20,469 tỷ VNĐ).
  2. Hệ thống điều độ tự động tích hợp ràng buộc thời gian (Time-windows): Loại bỏ thời gian chờ tại các kho đối tác (LIXIL, JFE Shoji), tăng hệ số sử dụng phương tiện bình quân từ 54% lên 78.5%.
  3. Mô hình hóa rủi ro tài trợ: Thiết lập cơ chế tự động tái cơ cấu danh mục tài sản, hạn chế đầu tư phân tán vào bất động sản và xây dựng dở dang không sinh lời ngắn hạn (vốn đã chiếm hơn 15.79 tỷ VNĐ trong năm 2018).
   SO SÁNH CÁC GIẢI PHÁP QUẢN TRỊ TRÊN THỊ TRƯỜNG

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

  • Doanh nghiệp vận tải quy mô 20 – 100 đầu xe: Hệ thống tự động phân bổ tài xế và ghép tuyến hàng container hai chiều Hà Nội – Hải Phòng – Đà Nẵng, giảm tỷ lệ xe chạy rỗng chiều về từ 42% xuống 18%.
  • Quy trình kiểm soát tài chính nội bộ: Ban Giám đốc và Phòng Kế toán theo dõi trực quan bảng cân đối dòng tiền hàng ngày, ngăn chặn rủi ro phụ thuộc vốn vay ngắn hạn (vốn từng lên tới 19 tỷ VNĐ vào năm 2018).
sequenceDiagram
    autonumber
    actor Dispatcher as Điều phối viên
    participant Web as FMFOS Frontend
    participant Engine as Optimization Engine
    participant Driver as App Tài xế / Telematics
    participant ERP as Hệ thống Kế toán
    
    Dispatcher->>Web: Nhập danh sách đơn hàng & địa điểm giao nhận
    Web->>Engine: Gửi ma trận khoảng cách & Time-windows
    Engine-->>Web: Trả về lộ trình tối ưu & Định mức dầu dự kiến
    Dispatcher->>Driver: Phát lệnh vận chuyển xuống thiết bị
    Driver->>Web: Cập nhật tọa độ GPS & Dữ liệu cảm biến CAN-bus
    Web->>ERP: Kết xuất chi phí thực tế & Ghi nhận công nợ tức thời

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí đầu tư ban đầu (CapEx): 65,000,000 VNĐ (Bao gồm lắp đặt 25 bộ cảm biến CAN-bus/GPS và máy chủ nội bộ).
  • Chi phí vận hành hàng năm (OpEx): 18,000,000 VNĐ (Bảo trì cloud, SIM 4G viễn thông).
  • Lợi ích tiết kiệm ước tính: Giảm 15.8% chi phí nhiên liệu/tháng tương đương tiết kiệm khoảng 28,500,000 VNĐ/tháng.
  • Thời gian hoàn vốn (Payback Period): $$\text{Thời gian hoàn vốn} = \frac{65,000,000}{(28,500,000 - 1,500,000)} \approx 2.4\ \text{tháng}$$

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Dữ liệu nghiên cứu lịch sử dựa trên chu kỳ 3 năm (2016–2018), cần liên tục cập nhật với các biến động vĩ mô giai đoạn hậu 2020.
  • Các phương tiện đời cũ (sản xuất trước 2012) chưa có cổng kết nối CAN-bus chuẩn quốc tế, bắt buộc phải sử dụng cảm biến siêu âm lắp rời trên bình nhiên liệu.

Hướng nghiên cứu tiếp theo

  1. Machine Learning trong Dự báo bảo dưỡng (Predictive Maintenance): Huấn luyện mô hình Random Forest dựa trên độ rung động cơ và nhiệt độ nước làm mát để cảnh báo hỏng hóc trước 72 giờ.
  2. Định giá cước tự động bằng Deep Q-Learning (DQL): Tự động điều chỉnh giá dịch vụ theo cung cầu thị trường và tình trạng thời tiết.

Đối tượng hưởng lợi

                 GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG

Câu hỏi thường gặp

1. Yêu cầu phần cứng và hạ tầng để triển khai hệ thống là gì?

Máy chủ tối thiểu 4 Cores CPU (x86_64), 8GB RAM, 100GB SSD NVMe cài đặt hệ điều hành Ubuntu Server 22.04 LTS. Thiết bị trên phương tiện cần hỗ trợ giao thức OBD-II/CAN-bus J1939 hoặc thiết bị định vị GPS 4G có cổng kết nối cảm biến RS485.

2. Hệ thống giải quyết bài toán mở rộng (Scalability) khi tăng số lượng xe như thế nào?

Kiến trúc Microservices với Message Broker Apache Kafka cho phép tiếp nhận hơn 10,000 bản tin telemetry/giây. Cơ sở dữ liệu TimescaleDB tự động phân vùng (Hypertable chunking) theo thời gian, duy trì tốc độ truy vấn ổn định ngay cả khi dung lượng dữ liệu vượt 500GB.

3. FMFOS có thể tích hợp với các phần mềm kế toán sẵn có (MISA, FAST) không?

Có. Hệ thống cung cấp RESTful API và Webhook chuẩn JSON, cho phép đồng bộ hóa hai chiều chứng từ kế toán, hóa đơn nhiên liệu và bảng kê công nợ khách hàng tự động vào các phần mềm kế toán phổ biến.

4. Chi phí bảo trì và vận hành hàng tháng là bao nhiêu?

Với quy mô đội xe dưới 50 xe, chi phí duy trì dịch vụ máy chủ VPS và đường truyền SIM viễn thông dao động từ 1,200,000 đến 1,800,000 VNĐ/tháng, không phát sinh chi phí bản quyền phần mềm nhờ sử dụng nền tảng mã nguồn mở chuẩn công nghiệp.

5. Khả năng bảo mật thông tin vận đơn và dữ liệu tài chính như thế nào?

Dữ liệu truyền tải qua Internet bắt buộc mã hóa qua giao thức TLS 1.3. Cơ sở dữ liệu áp dụng mã hóa AES-256 đối với các trường thông tin tài chính nhạy cảm; phân quyền truy cập nghiêm ngặt thông qua JWT Bearer Token theo từng vai trò công việc.

Kết luận

Đồ án đã giải quyết trọn vẹn bài toán nâng cao hiệu quả hoạt động kinh doanh tại Công ty Cổ phần Dịch vụ Vận tải và Kỹ thuật Miền Bắc thông qua việc kết hợp chặt chẽ giữa phân tích định lượng tài chính và ứng dụng công nghệ điều độ vận tải thông minh. Những cải tiến từ mô hình FMFOS không chỉ giúp doanh nghiệp kiểm soát tận gốc chi phí nguyên nhiên liệu, hạ tỷ lệ nợ rủi ro mà còn tạo ra nền tảng số hóa vững chắc để cạnh tranh với các mô hình logistics hiện đại.

Các đơn vị vận tải có thể tham khảo trực tiếp mã nguồn mở và kiến trúc giải pháp này để tùy biến áp dụng cho mô hình kinh doanh của mình nhằm tối ưu hóa chi phí vận hành ngay hôm nay.