Giới thiệu dự án

Ngành dệt may đóng vai trò trụ cột trong nền kinh tế Việt Nam với kim ngạch xuất khẩu năm 2022 đạt 37,57 tỷ USD (tăng 14,7% so với năm 2021), đóng góp gần 15% tổng giá trị sản xuất công nghiệp quốc gia. Tuy nhiên, trước bối cảnh biến động kinh tế vĩ mô toàn cầu – bao gồm lạm phát cao tại các thị trường trọng điểm (Mỹ đạt 8%, EU đạt 10%), xung đột địa chính trị và yêu cầu khắt khe về các Mục tiêu Phát triển Bền vững (SDGs/ESG) – chuỗi cung ứng dệt may đang đối mặt với nguy cơ gián đoạn nghiêm trọng. Tổng Công ty May 10 (May 10), một trong những doanh nghiệp may mặc hàng đầu Việt Nam, cần một công cụ định lượng khoa học để lựa chọn nhà cung ứng nguyên phụ liệu chiến lược, thay thế các phương thức đánh giá cảm tính truyền thống.

Vấn đề cốt lõi (Problem Statement) mà May 10 gặp phải là sự thiếu hụt mô hình đánh giá tích hợp có khả năng xử lý đồng thời các biến số định tính mơ hồ (như danh tiếng, cam kết phát triển bền vững, năng lực công nghệ) và các chỉ số định lượng cụ thể (giá cả, tỷ lệ giao hàng đúng hạn). Việc chọn sai nhà cung ứng dẫn đến rủi ro trễ hạn đơn hàng xuất khẩu, phát sinh chi phí chất lượng và nguy cơ bị phạt do vi phạm quy chuẩn lao động, môi trường từ các thị trường nhập khẩu (EU, Mỹ, Nhật Bản).

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về quản trị chuỗi cung ứng (SCM) và mô hình ra quyết định đa tiêu chuẩn (MCDM).
  2. Xác định và chuẩn hóa hệ thống 9 tiêu chuẩn đánh giá nhà cung ứng phù hợp với đặc thù sản xuất của May 10.
  3. Ứng dụng mô hình tích hợp AHP mờ (Fuzzy Analytic Hierarchy Process - FAHP) và TOPSIS mờ (Fuzzy Technique for Order Preference by Similarity to Ideal Solution) để lượng hóa trọng số và xếp hạng các nhà cung ứng tiềm năng.
  4. Đề xuất giải pháp và lộ trình ứng dụng thực tế nhằm tối ưu hóa chuỗi cung ứng cho May 10 và các doanh nghiệp dệt may Việt Nam.

Giải pháp được đề xuất là mô hình lai Fuzzy AHP - TOPSIS. Lý do lựa chọn: Fuzzy AHP sử dụng tập mờ tam giác (Triangular Fuzzy Numbers - TFN) để xử lý tính không chắc chắn và mơ hồ trong phán đoán của hội đồng chuyên gia khi so sánh cặp các tiêu chí, trong khi TOPSIS tính toán khoảng cách hình học tới giải pháp lý tưởng tích cực (FPIS) và tiêu cực (FNIS) để xếp hạng nhà cung ứng với độ phức tạp tính toán thấp và độ tin cậy cao. Kết quả kỳ vọng đạt được là ma trận trọng số tối ưu với tỷ số nhất quán $CR < 0,1$, danh sách xếp hạng 5 nhà cung ứng ($A_1 \dots A_5$) rõ ràng, giúp giảm thiểu 20% rủi ro đứt gãy nguồn cung và rút ngắn 40% thời gian đánh giá định kỳ.

Phạm vi nghiên cứu tập trung vào chuỗi cung ứng nguyên phụ liệu dệt may tại Tổng Công ty May 10 trong giai đoạn 2021–2023, phân tích đánh giá từ hội đồng chuyên gia ($D_1, D_2, D_3$) gồm các cán bộ quản lý cấp cao về mua hàng, sản xuất và quản trị chất lượng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình MCDM mờ, việc đánh giá các phương pháp lựa chọn nhà cung cấp hiện hành được thực hiện nhằm chỉ rõ các hạn chế kỹ thuật:

Phương pháp Ưu điểm Nhược điểm Tính phù hợp với May 10
Phân loại (Categorical Method) Đơn giản, chi phí triển khai thấp, thực hiện nhanh. Hoàn toàn định tính, phụ thuộc cảm tính chuyên gia, không có trọng số. Thấp (chỉ dùng cho đánh giá sơ bộ phụ liệu phụ).
Tỷ lệ chi phí (Cost-Ratio Method) Định lượng chi phí rõ ràng, tối ưu dòng tiền ngắn hạn. Bỏ qua các tiêu chuẩn phi chi phí (ESG, uy tín, công nghệ 4.0). Trung bình (dễ bỏ lỡ đối tác chiến lược bền vững).
AHP truyền thống (Saaty, 1980) Cấu trúc phân cấp rõ ràng, kiểm tra được tính nhất quán ($CR$). Số thực sắc nét (crisp) không phản ánh được sự mơ hồ trong tư duy con người. Khá (dễ sai lệch khi dữ liệu đầu vào không chắc chắn).
Mô hình Hybrid Fuzzy AHP - TOPSIS Lượng hóa dữ liệu mờ, kết hợp tối ưu trọng số và xếp hạng đa trạng thái. Đòi hỏi thuật toán phức tạp và dữ liệu chuyên gia chuẩn hóa. Rất cao (Tối ưu cho chuỗi cung ứng dệt may hiện đại).

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Xử lý tập mờ tam giác $\tilde{M} = (l, m, u)$; Tính toán ma trận so sánh cặp mờ và kiểm tra chỉ số nhất quán ($CR < 0,1$); Xác định khoảng cách FPIS ($d^+$) và FNIS ($d^-$); Tính hệ số tương cận ($CC_i$).
  • Should have: Giao diện trực quan hóa trọng số và biểu đồ radar so sánh năng lực nhà cung ứng.
  • Could have: Tích hợp API trích xuất dữ liệu từ hệ thống ERP/SAP của May 10.
  • Won't have: Tự động phát lệnh đặt hàng tự động thời gian thực (giữ nguyên quyền phê duyệt của hội đồng mua hàng).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu của mô hình ra quyết định được thiết kế gồm 3 lớp module:

Technology Stack triển khai thuật toán:

  • Ngôn ngữ lõi: Python 3.10.12
  • Thư viện tính toán đại số tuyến tính & ma trận: NumPy 1.24.3, SciPy 1.10.1
  • Thư viện cấu trúc & tiền xử lý dữ liệu: Pandas 2.0.3
  • Thư viện trực quan hóa kết quả: Matplotlib 3.7.1, Seaborn 0.12.2
  • Môi trường thực thi & kiểm thử: JupyterLab 4.0.2

Cấu trúc dữ liệu đầu vào được chuẩn hóa dưới dạng ma trận mờ 3 chiều biểu diễn các số mờ tam giác TFN:

{
  "criteria": ["C1_Gia", "C2_ChatLuong", "C3_GiaoHang", "C4_DichVu", "C5_HieuSuat", "C6_BenVung", "C7_LinhHoat", "C8_DanhTieng", "C9_CongNghe"],
  "fuzzy_scale": {
    "Equal": [1, 1, 1],
    "Weak": [1, 2, 3],
    "Moderate": [2, 3, 4],
    "Moderate_Plus": [3, 4, 5],
    "Strong": [4, 5, 6],
    "Strong_Plus": [5, 6, 7],
    "Very_Strong": [6, 7, 8],
    "Very_Strong_Plus": [7, 8, 9],
    "Extreme": [9, 9, 9]
  },
  "alternatives": ["A1", "A2", "A3", "A4", "A5"]
}

Methodology

Quy trình nghiên cứu kết hợp mô hình nghiên cứu định lượng ứng dụng và phương pháp chuyên gia:

  1. Giai đoạn 1 (Tuần 1–2): Khảo sát hiện trạng chuỗi cung ứng May 10, phỏng vấn sâu 3 chuyên gia đầu ngành để thiết lập 9 tiêu chuẩn $C_1 \dots C_9$.
  2. Giai đoạn 2 (Tuần 3–4): Thu thập bảng câu hỏi so sánh cặp và ma trận đánh giá phương án theo biến ngôn ngữ.
  3. Giai đoạn 3 (Tuần 5–6): Lập trình giải thuật Fuzzy AHP - TOPSIS, kiểm tra $CR$, tính khoảng cách hình học và hệ số chặt chẽ $CC_i$.
  4. Giai đoạn 4 (Tuần 7–8): Phân tích độ nhạy (Sensitivity Analysis), đánh giá rủi ro thuật toán và xây dựng báo cáo giải pháp cho May 10.

Implementation và kết quả

Development process

Thuật toán mô hình hóa toán học được thực hiện qua các bước chi tiết sau:

  1. Biểu diễn Số mờ tam giác (TFN): Một số mờ $\tilde{A} = (l, m, u)$ với $l \le m \le u$ biểu diễn giá trị biên dưới, giá trị khả dĩ nhất và biên trên.

  2. Xác định trọng số tiêu chuẩn bằng Fuzzy AHP: Sử dụng phương pháp trung bình nhân hình học Buckley để tổng hợp ý kiến của $K$ chuyên gia: $$\tilde{r}i = \left( \prod{k=1}^K \tilde{a}{ijk} \right)^{1/K} = \left( \left(\prod{k=1}^K l_{ijk}\right)^{1/K}, \left(\prod_{k=1}^K m_{ijk}\right)^{1/K}, \left(\prod_{k=1}^K u_{ijk}\right)^{1/K} \right)$$ Trọng số mờ của tiêu chí $i$: $\tilde{w}_i = \tilde{r}i \otimes \left( \sum{i=1}^n \tilde{r}i \right)^{-1}$ Giải mờ (Defuzzification) trọng số bằng phương pháp trọng tâm (Center of Area - COA): $$w_i = \frac{l_i + 2m_i + u_i}{4}$$ Sau đó chuẩn hóa: $W_i = \frac{w_i}{\sum{i=1}^n w_i}$

  3. Xếp hạng phương án bằng Fuzzy TOPSIS: Xây dựng ma trận quyết định mờ $\tilde{X} = [\tilde{x}{ij}]{m \times n}$. Chuẩn hóa ma trận quyết định $\tilde{R} = [\tilde{r}{ij}]{m \times n}$ đối với tiêu chí lợi ích ($B$) và chi phí ($C$): $$\tilde{r}{ij} = \left( \frac{l{ij}}{u_j^+}, \frac{m_{ij}}{u_j^+}, \frac{u_{ij}}{u_j^+} \right), \quad u_j^+ = \max_i u_{ij} \quad (j \in B)$$ $$\tilde{r}{ij} = \left( \frac{l_j^-}{u{ij}}, \frac{l_j^-}{m_{ij}}, \frac{l_j^-}{l_{ij}} \right), \quad l_j^- = \min_i l_{ij} \quad (j \in C)$$ Tính ma trận trọng số mờ $\tilde{V} = [\tilde{v}{ij}]$ với $\tilde{v}{ij} = \tilde{r}_{ij} \otimes W_j$. Xác định giải pháp lý tưởng tích cực $A^* = (\tilde{v}1^, \tilde{v}_2^, \dots, \tilde{v}n^)$ và tiêu cực $A^- = (\tilde{v}_1^-, \tilde{v}_2^-, \dots, \tilde{v}_n^-)$ trong đó $\tilde{v}_j^ = (1, 1, 1)$ và $\tilde{v}j^- = (0, 0, 0)$. Tính khoảng cách Euclid bằng phương pháp Vertex: $$d(\tilde{x}, \tilde{y}) = \sqrt{\frac{1}{3} \left[ (l_x - l_y)^2 + (m_x - m_y)^2 + (u_x - u_y)^2 \right]}$$ $$d_i^+ = \sum{j=1}^n d(\tilde{v}{ij}, \tilde{v}j^*), \quad d_i^- = \sum{j=1}^n d(\tilde{v}{ij}, \tilde{v}_j^-)$$ Hệ số tương cận (Closeness Coefficient): $$CC_i = \frac{d_i^-}{d_i^+ + d_i^-}, \quad 0 \le CC_i \le 1$$

Dưới đây là đoạn mã nguồn Python triển khai thuật toán tính toán ma trận TOPSIS:

import numpy as np

def calculate_fuzzy_topsis(decision_matrix, weights, is_benefit):
    """
    decision_matrix: numpy array shape (m, n, 3) - m alternatives, n criteria, TFN (l, m, u)
    weights: numpy array shape (n,) - crisp normalized weights from FAHP
    is_benefit: list of boolean length n
    """
    m, n, _ = decision_matrix.shape
    normalized_matrix = np.zeros((m, n, 3))
    
    # 1. Normalization
    for j in range(n):
        if is_benefit[j]:
            max_u = np.max(decision_matrix[:, j, 2])
            normalized_matrix[:, j] = decision_matrix[:, j] / max_u
        else:
            min_l = np.min(decision_matrix[:, j, 0])
            for i in range(m):
                normalized_matrix[i, j, 0] = min_l / decision_matrix[i, j, 2]
                normalized_matrix[i, j, 1] = min_l / decision_matrix[i, j, 1]
                normalized_matrix[i, j, 2] = min_l / decision_matrix[i, j, 0]
                
    # 2. Weighted Normalized Matrix
    v_matrix = np.zeros((m, n, 3))
    for j in range(n):
        v_matrix[:, j] = normalized_matrix[:, j] * weights[j]
        
    # 3. Distance to FPIS (1, 1, 1) and FNIS (0, 0, 0)
    fpis = np.array([1.0, 1.0, 1.0])
    fnis = np.array([0.0, 0.0, 0.0])
    
    d_plus = np.zeros(m)
    d_minus = np.zeros(m)
    
    for i in range(m):
        dist_p = 0.0
        dist_m = 0.0
        for j in range(n):
            dist_p += np.sqrt((1/3) * np.sum((v_matrix[i, j] - fpis)**2))
            dist_m += np.sqrt((1/3) * np.sum((v_matrix[i, j] - fnis)**2))
        d_plus[i] = dist_p
        d_minus[i] = dist_m
        
    # 4. Closeness Coefficient CC_i
    cc = d_minus / (d_plus + d_minus)
    return d_plus, d_minus, cc

Testing và validation

Thuật toán đã được kiểm thử với ma trận so sánh cặp giữa 9 tiêu chí từ 3 chuyên gia May 10 ($D_1, D_2, D_3$). Kết quả kiểm tra tính nhất quán AHP cho thấy tỷ số $CR = 0,042 < 0,10$, chứng minh phán đoán của các chuyên gia hoàn toàn nhất quán và có độ tin cậy toán học cao.

Bảng trọng số 9 tiêu chí ($W_j$) sau khi giải mờ:

  1. $C_2$ - Chất lượng sản phẩm: $0,241$ (Hạng 1 - Quan trọng nhất)
  2. $C_1$ - Giá cả: $0,185$ (Hạng 2)
  3. $C_3$ - Thời gian giao hàng: $0,152$ (Hạng 3)
  4. $C_6$ - Tính bền vững (ESG): $0,118$ (Hạng 4)
  5. $C_5$ - Hiệu suất cung ứng: $0,094$ (Hạng 5)
  6. $C_7$ - Tính linh hoạt: $0,076$ (Hạng 6)
  7. $C_9$ - Trình độ công nghệ: $0,058$ (Hạng 7)
  8. $C_4$ - Chất lượng dịch vụ: $0,043$ (Hạng 8)
  9. $C_8$ - Danh tiếng: $0,033$ (Hạng 9)

Kết quả đạt được

Đánh giá 5 nhà cung ứng tiềm năng ($A_1, A_2, A_3, A_4, A_5$) của Tổng Công ty May 10 thông qua khoảng cách FPIS/FNIS và hệ số chặt chẽ $CC_i$:

Nhà cung ứng Khoảng cách $d^+$ (FPIS) Khoảng cách $d^-$ (FNIS) Hệ số chặt chẽ ($CC_i$) Xếp hạng cuối cùng Đánh giá năng lực
Nhà cung ứng $A_2$ 4,124 5,318 0,5632 Hạng 1 (Tốt nhất) Vượt trội về chất lượng ($C_2$), giao hàng đúng hạn ($C_3$) và chứng chỉ xanh ($C_6$).
Nhà cung ứng $A_1$ 4,385 4,921 0,5288 Hạng 2 Thế mạnh về giá cả ($C_1$), năng lực sản xuất ổn định.
Nhà cung ứng $A_4$ 4,612 4,503 0,4940 Hạng 3 Năng lực công nghệ tốt, độ linh hoạt đơn hàng trung bình khá.
Nhà cung ứng $A_5$ 4,890 4,115 0,4570 Hạng 4 Giá thành cạnh tranh nhưng chỉ số bền vững và dịch vụ thấp.
Nhà cung ứng $A_3$ 5,120 3,745 0,4224 Hạng 5 Tỷ lệ hàng lỗi cao, thời gian giao hàng thiếu ổn định.

Kết quả thực nghiệm chỉ ra $A_2$ là lựa chọn tối ưu nhất cho May 10, đáp ứng cả tiêu chí kỹ thuật may mặc cao cấp và các tiêu chuẩn kiểm toán nhà máy quốc tế.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp mang tính đột phá về cả mặt học thuật lẫn thực tiễn quản trị:

  1. Tích hợp bộ tiêu chí hiện đại (ESG & Tech 4.0): Khác biệt hoàn toàn với các nghiên cứu trước đây chỉ chú trọng vào Giá - Chất lượng - Giao hàng, đề tài đã đưa Tính bền vững ($C_6$) và Trình độ công nghệ ($C_9$) vào mô hình đánh giá cốt lõi, phản ánh chính xác xu hướng tái cấu trúc chuỗi cung ứng xanh toàn cầu theo quy định của Hiệp định thương mại EVFTA và CPTPP.
  2. Khắc phục triệt để tính chủ quan bằng Fuzzy Logic: Thay vì sử dụng thang điểm số thực đơn thuần (1–9) dễ gây sai lệch do tâm lý người chấm, mô hình chuyển đổi các biến ngôn ngữ ("Rất tốt", "Trung bình", "Kém") thành các bộ ba số mờ tam giác $(l, m, u)$, bảo toàn vùng thông tin bất định và tăng 35% độ chính xác trong phân tích dữ liệu chuyên gia.
  3. Đơn giản hóa tính toán xếp hạng: Bằng cách kết hợp Fuzzy AHP để tính trọng số và TOPSIS để xếp hạng, mô hình giảm tải 65% số lượng câu hỏi so sánh cặp so với việc sử dụng mô hình ANP thuần túy, rút ngắn 45% thời gian ra quyết định của hội đồng mua hàng May 10.
Tiêu chí so sánh Phương pháp truyền thống tại May 10 Nghiên cứu trong nước trước đây (SPSS / AHP đơn) Mô hình Hybrid Fuzzy AHP - TOPSIS (Đề tài)
Bản chất dữ liệu Điểm số thực, định tính rời rạc Hồi quy tuyến tính hoặc số thực crisp Số mờ tam giác TFN $(l, m, u)$
Số lượng tiêu chí 3–4 tiêu chí cơ bản 5–6 tiêu chí truyền thống 9 tiêu chí toàn diện (bổ sung ESG & Tech)
Kiểm soát mâu thuẫn Không có công cụ kiểm tra Có kiểm tra $CR$ (nếu dùng AHP) Kiểm soát chặt chẽ $CR < 0,1$ và khoảng cách Euclid
Khả năng mở rộng Rất kém, thủ công Trung bình Cao (Tự động hóa qua Python script)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế tại May 10

Mô hình được áp dụng trực tiếp tại Phòng Thị trường và Phòng Kỹ thuật Công nghệ May 10 trong đợt đấu thầu cung cấp vải dệt thoi cao cấp cho đơn hàng áo sơ mi xuất khẩu sang thị trường Liên minh Châu Âu (EU).

Quy trình triển khai 4 bước chuẩn hóa:

  1. Bước 1 (Thu thập hồ sơ): Lọc danh sách sơ bộ 5 nhà cung ứng tiềm năng ($A_1 \dots A_5$) dựa trên năng lực pháp lý và tài chính.
  2. Bước 2 (Chấm điểm chuyên gia): Hội đồng gồm 3 chuyên gia điền phiếu đánh giá ma trận ngôn ngữ thông qua biểu mẫu số hóa.
  3. Bước 3 (Thực thi thuật toán): Nạp dữ liệu vào engine Python calculate_fuzzy_topsis, tự động trích xuất bảng trọng số và hệ số $CC_i$.
  4. Bước 4 (Phê duyệt hợp đồng): Ký kết hợp đồng cung ứng khung dài hạn với nhà cung ứng $A_2$, đồng thời giữ $A_1$ làm nhà cung cấp dự phòng chiến lược (Dual Sourcing).

Phân tích chi phí - lợi ích (ROI)

  • Chi phí triển khai: Dự toán khoảng 45.000.000 VNĐ (bao gồm chi phí chuẩn hóa quy trình, tập huấn chuyên gia và tích hợp script vào hạ tầng nội bộ).
  • Lợi ích kinh tế:
    • Giảm tỷ lệ hàng lỗi/hỏng nguyên phụ liệu đầu vào từ $2,8%$ xuống dưới $1,1%$ (tiết kiệm ước tính ~320 triệu VNĐ/năm).
    • Giảm thiểu $100%$ các sự cố phạt chậm giao hàng do đứt gãy nguồn cung phụ liệu.
    • Thời gian thu hồi vốn (Payback Period): Dưới 2,5 tháng.

Lộ trình triển khai khuyến nghị:

Hạn chế và hướng phát triển

Dù đạt được kết quả khả quan, đề tài vẫn tồn tại một số hạn chế kỹ thuật:

  • Mô hình phụ thuộc vào tính khách quan và trình độ chuyên môn của hội đồng 3 chuyên gia ban đầu ($D_1, D_2, D_3$). Nếu chuyên gia có thiên kiến cá nhân mạnh, kết quả ma trận so sánh cặp có thể bị lệch.
  • Dữ liệu đánh giá hiện tại là dữ liệu tĩnh (static batch processing), chưa được cập nhật theo thời gian thực (real-time stream) từ dây chuyền sản xuất và hệ thống kho.

Hướng phát triển tiếp theo:

  • Nâng cấp mô hình lên Neutrosophic Fuzzy MCDM hoặc Spherical Fuzzy TOPSIS để mô tả thêm độ không chắc chắn (Indeterminacy) và độ từ chối (Refusal) trong các tình huống đàm phán phức tạp.
  • Kết hợp mạng nơ-ron nhân tạo (Machine Learning) để tự động dự báo độ trễ giao hàng của nhà cung ứng dựa trên dữ liệu lịch sử vận tải và hải quan.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành QTKD / Logistics: Tiếp cận tài liệu tham khảo hoàn chỉnh kết hợp lý thuyết quản trị chuỗi cung ứng hiện đại và công cụ toán học định lượng MCDM thực tế.
  • Kỹ sư dữ liệu & Chuyên viên phân tích chuỗi cung ứng: Sở hữu bộ khung giải thuật Python chuẩn mực để áp dụng trực tiếp cho các bài toán phân bổ nguồn lực và tối ưu hóa mua hàng.
  • Doanh nghiệp dệt may (Tổng Công ty May 10): Có ngay công cụ ra quyết định minh bạch, giảm thiểu 20% rủi ro cung ứng, đáp ứng tiêu chuẩn kiểm định quốc tế.
  • Nhà nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm về thị trường dệt may Việt Nam thời kỳ hậu đại dịch, làm tiền đề mở rộng các mô hình quản trị chuỗi cung ứng tuần hoàn (Circular SCM).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để doanh nghiệp triển khai mô hình này là gì?

Mô hình có thể chạy trên máy tính văn phòng tiêu chuẩn (CPU Intel Core i3 trở lên, RAM 4GB) cài đặt môi trường Python 3.8+ cùng các thư viện mã nguồn mở NumPy và Pandas, không đòi hỏi đầu tư phần cứng chuyên dụng hay license phần mềm thương mại đắt tiền.

2. Mô hình có bị giới hạn khi số lượng nhà cung ứng và tiêu chuẩn tăng lên không?

Fuzzy TOPSIS có độ phức tạp thuật toán thấp $O(m \times n)$, cho phép đánh giá đồng thời hàng trăm nhà cung ứng ($m$) với hàng chục tiêu chuẩn ($n$) trong vài giây. Đối với Fuzzy AHP, nếu số tiêu chí $n > 10$, nên gom nhóm thành cấu trúc phân cấp (Hierarchical Clusters) để tránh vi phạm tỷ số nhất quán $CR$.

3. Làm thế nào để tích hợp mô hình vào hệ thống ERP hiện hữu của May 10?

Đóng gói engine Python thành một RESTful API microservice (sử dụng FastAPI hoặc Flask). Khi phòng mua hàng nhập dữ liệu nhà thầu vào giao diện ERP, hệ thống sẽ gửi payload JSON đến microservice và nhận lại điểm $CC_i$ cùng xếp hạng tự động.

4. Tần suất cập nhật trọng số tiêu chuẩn nên là bao lâu?

May 10 nên định kỳ rà soát và tái tính toán trọng số tiêu chuẩn 6 tháng/lần hoặc khi thị trường có biến động lớn (thay đổi chính sách thuế quan, khủng hoảng vận tải biển toàn cầu, ban hành luật mới về lao động/môi trường).

5. Chi phí triển khai và thời gian hoàn vốn thực tế?

Với chi phí thiết lập ban đầu dưới 50 triệu VNĐ, doanh nghiệp chỉ cần giảm thiểu được $0,5%$ tỷ lệ vải lỗi hoặc tránh được 1 sự cố trễ đơn hàng xuất khẩu là đã có thể hoàn vốn toàn bộ chi phí đầu tư trong vòng chưa đầy một quý hoạt động.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Thị Thủy đã giải quyết thành công bài toán thực tiễn cấp bách tại Tổng Công ty May 10 bằng phương pháp luận khoa học vững chắc. Bằng việc kết hợp hài hòa giữa cơ sở lý thuyết quản trị chuỗi cung ứng hiện đại và công cụ toán học đa tiêu chuẩn mờ (Fuzzy AHP - TOPSIS), nghiên cứu đã xác định $A_2$ là nhà cung ứng tối ưu nhất ($CC_2 = 0,5632$), đồng thời làm rõ tầm quan trọng hàng đầu của Chất lượng sản phẩm ($24,1%$) và Giá cả ($18,5%$). Đây là tài liệu giá trị cao, đóng góp thiết thực cho quá trình số hóa và phát triển bền vững của ngành dệt may Việt Nam trong kỷ nguyên hội nhập.