Đánh giá tổng quan một số mô hình thiết kế mạng lưới logistics ngược pin xe điện và đề xuất mô hình phù hợp cho Việt Nam

Trần Lê Thành

Email: [email protected]

Cao Tô Linh

Email: [email protected]

Trường Kinh tế, Đại học Bách khoa Hà Nội

Tóm tắt

Sự gia tăng nhanh chóng của phương tiện điện đang đặt ra yêu cầu cấp thiết về xây dựng hệ thống logistics ngược cho pin xe điện nhằm thu gom, tái sử dụng và tái chế hiệu quả. Bài viết tổng quan các mô hình tối ưu hóa thường được áp dụng trong thiết kế mạng lưới logistics ngược, đồng thời phân tích xu hướng áp dụng của các nghiên cứu trên thế giới. Trên cơ sở đánh giá đặc điểm của từng mô hình và bối cảnh phát triển thị trường xe điện tại Việt Nam, nghiên cứu đề xuất mô hình quy hoạch tuyến tính hỗn hợp số nguyên như một công cụ phù hợp để thiết kế hệ thống logistics ngược pin xe điện, góp phần hỗ trợ phát triển kinh tế tuần hoàn và chuỗi cung ứng bền vững.

Từ khóa: Logistics ngược, pin xe điện, tái chế pin lithium-ion, mô hình tối ưu hóa, MILP, kinh tế tuần hoàn, chuỗi cung ứng bền vững

Abstract

The rapid growth of electric vehicles has created an urgent need for establishing reverse logistics systems for electric vehicle batteries to ensure efficient collection, reuse, and recycling. This paper reviews optimization models commonly applied to reverse logistics network design and analyzes global research trends in this field. Based on an assessment of each model's characteristics and the development context of the electric vehicle market in Viet Nam, the study proposes the Mixed-Integer Linear Programming model as an appropriate tool for designing reverse logistics systems for electric vehicle batteries. The proposed approach promotes a circular economy and develops sustainable supply chains.

Keywords: Reverse logistics, electric vehicle batteries, lithium-ion battery recycling, optimization models, MILP, circular economy, sustainable supply chain

ĐẶT VẤN ĐỀ

Trong bối cảnh chuyển dịch năng lượng và giảm phát thải khí nhà kính, xe điện đang trở thành xu hướng phát triển tất yếu của ngành giao thông trên toàn cầu. Tuy nhiên, sự gia tăng nhanh chóng của xe điện cũng kéo theo thách thức lớn về quản lý vòng đời pin, đặc biệt là thu gom, tái sử dụng và tái chế pin sau khi hết hạn sử dụng. Do pin lithium-ion chứa nhiều kim loại có giá trị, nhưng đồng thời cũng tiềm ẩn nguy cơ gây ô nhiễm môi trường nếu không được xử lý đúng cách, do đó, việc xây dựng các mô hình logistics ngược cho pin xe điện trở thành một nội dung quan trọng trong phát triển kinh tế tuần hoàn và chuỗi cung ứng bền vững.

Tại Việt Nam, thị trường xe điện đang ghi nhận tốc độ tăng trưởng nhanh trong những năm gần đây. Dữ liệu công bố cho thấy doanh số tiêu thụ ô tô điện của VinFast đạt 175.099 xe trong năm 2025, qua đó trở thành thương hiệu dẫn đầu thị trường ô tô trong nước (PV, 2025). Trong cùng kỳ, sản lượng bàn giao xe máy điện và xe đạp điện đạt 406.453 xe, phản ánh xu hướng mở rộng nhanh của phân khúc phương tiện điện 2 bánh (Công Trung, 2026). Ở góc độ dự báo trung và dài hạn, quy mô phương tiện điện tại Việt Nam được ước tính có thể đạt khoảng 1 triệu xe vào năm 2028 và tăng lên 3,5 triệu xe vào năm 2040 (An Mai, 2025). Các số liệu này cho thấy tiềm năng tăng trưởng đáng kể của thị trường xe điện.

Sự gia tăng nhanh chóng của phương tiện điện đồng nghĩa với việc khối lượng pin thải bỏ trong tương lai sẽ ngày càng lớn, đặt ra yêu cầu cấp thiết về xây dựng hệ thống thu hồi, tái sử dụng và tái chế pin. Tuy nhiên, tại Việt Nam hiện nay, các mô hình logistics ngược cho pin xe điện vẫn còn ở giai đoạn sơ khai, thiếu khung chính sách, hạ tầng thu gom và cơ chế phối hợp giữa các bên trong chuỗi giá trị. Vì vậy, việc đánh giá tổng quan các mô hình logistics ngược pin xe điện trên thế giới và đề xuất mô hình phù hợp với bối cảnh Việt Nam là cần thiết, nhằm hỗ trợ phát triển ngành xe điện bền vững và giảm thiểu tác động môi trường trong tương lai.

TỔNG QUAN CÁC MÔ HÌNH THIẾT KẾ MẠNG LƯỚI LOGISTICS NGƯỢC PIN XE ĐIỆN

Một số mô hình chủ yếu

Mô hình quy hoạch tuyến tính (LP)

LP là một phương pháp tối ưu hóa toán học nhằm tối đa hóa hoặc tối thiểu hóa một hàm mục tiêu tuyến tính dưới các ràng buộc tuyến tính được biểu diễn bằng phương trình hoặc bất phương trình. Nền tảng của phương pháp này được hình thành từ công trình của Dantzig (1963) khi ông phát triển thuật toán Simplex vào năm 1947, tạo ra bước tiến quan trọng trong việc giải các bài toán tối ưu quy mô lớn trong vận trù học. Trong lĩnh vực logistics và quản lý chuỗi cung ứng, LP thường được sử dụng để tối ưu hóa phân bổ nguồn lực và luồng vận chuyển. Đối với hệ thống logistics ngược pin xe điện, LP hỗ trợ xác định tuyến vận chuyển tối ưu từ các điểm thu gom đến cơ sở xử lý nhằm giảm chi phí vận hành hoặc khoảng cách vận chuyển, đồng thời đảm bảo các ràng buộc về năng lực và nhu cầu hệ thống.

Điểm mạnh

Cấu trúc mô hình đơn giản: Dễ xây dựng và giải bằng các thuật toán như Simplex hoặc Interior Point (Dantzig, 1963).

Hiệu suất tính toán cao: Có thể xử lý các bài toán quy mô lớn với hàng nghìn biến khi sử dụng các bộ giải tối ưu như: Gurobi, CPLEX hoặc LINGO (Hillier và Lieberman, 2015).

Dễ diễn giải kết quả: Cấu trúc toán học rõ ràng giúp việc phân tích và giải thích kết quả tối ưu trở nên minh bạch (Winston, 2004).

Hạn chế

Không xử lý biến rời rạc: LP giả định các biến quyết định là liên tục nên không mô hình hóa trực tiếp các quyết định nhị phân như mở hoặc đóng cơ sở (Winston, 2004).

Giả định tuyến tính: Khó phản ánh các quan hệ phi tuyến trong thực tế như lợi thế quy mô hoặc hiệu suất công nghệ (Hillier và Lieberman, 2015).

Tính tĩnh của mô hình: Khó mô tả sự biến động theo thời gian của các yếu tố như dòng pin thải hoặc chi phí vận tải.

Do đó, LP thường được sử dụng như mô hình nền tảng trong giai đoạn phân tích ban đầu, trước khi mở rộng sang các mô hình phức tạp hơn như MILP hoặc MINLP để mô tả đầy đủ hơn các quyết định rời rạc và quan hệ phi tuyến trong hệ thống logistics ngược (Hillier và Lieberman, 2015; Winston, 2004).

Mô hình quy hoạch phi tuyến (NLP)

NLP là phương pháp tối ưu hóa được sử dụng khi hàm mục tiêu hoặc các ràng buộc của mô hình có dạng phi tuyến. Khác với quy hoạch tuyến tính, NLP cho phép mô tả các mối quan hệ phức tạp giữa các biến quyết định, trong đó sự thay đổi của một biến không còn tỷ lệ thuận với biến khác. Nền tảng lý thuyết của NLP dựa trên điều kiện tối ưu Karush-Kuhn-Tucker (KKT), được phát triển bởi (Kuhn và Tucker, 1951) cung cấp các điều kiện cần cho nghiệm tối ưu trong các bài toán tối ưu phi tuyến có ràng buộc. Trong lĩnh vực logistics ngược pin xe điện, NLP được sử dụng để mô phỏng các quan hệ phi tuyến giữa chi phí, hiệu suất công nghệ và quy mô vận hành, giúp mô hình phản ánh sát hơn điều kiện thực tế của hệ thống thu gom và tái chế (Bertsimas và Tsitsiklis, 1997).

Điểm mạnh

Mô phỏng quan hệ phi tuyến: Phản ánh chính xác sự biến thiên của chi phí, doanh thu hoặc hiệu suất công nghệ theo quy mô hoạt động (Bertsimas và Tsitsiklis, 1997).

Tối ưu hóa thông số kỹ thuật: Hỗ trợ tối ưu các biến công nghệ trong quy trình tái chế pin như: nhiệt độ, dung môi và thời gian phản ứng để tăng hiệu suất thu hồi kim loại (Gaines, 2014).

Đánh giá giá trị pin theo trạng thái sức khỏe (SOH): Có thể mô hình hóa sự suy giảm giá trị phi tuyến của pin theo SOH, hỗ trợ quyết định tái sử dụng hoặc tái chế (Harper và cộng sự, 2019).

Hạn chế

Khó tìm nghiệm tối ưu toàn cục: Các bài toán phi tuyến có thể có nhiều nghiệm cục bộ, khiến thuật toán tối ưu dễ hội tụ tại nghiệm chưa tối ưu nhất (Nocedal và Wright, 2006).

Chi phí tính toán cao: Thời gian giải mô hình tăng đáng kể khi quy mô mạng lưới và số ràng buộc phi tuyến lớn (Bertsimas và Tsitsiklis, 1997).

Khó xử lý biến rời rạc: NLP thuần túy không phù hợp cho các quyết định nhị phân như mở hoặc đóng cơ sở, do đó thường được mở rộng thành mô hình MINLP (Nocedal và Wright, 2006).

Mô hình quy hoạch tuyến tính hỗn hợp số nguyên (MILP)

MILP là mở rộng của LP, trong đó một số biến quyết định được yêu cầu nhận giá trị nguyên hoặc nhị phân (0-1), trong khi các biến khác vẫn là biến liên tục. Việc bổ sung các biến rời rạc cho phép mô hình biểu diễn các quyết định chiến lược mang tính “có hoặc không”, như: mở hoặc đóng cơ sở, lựa chọn công nghệ xử lý hoặc xác định số lượng trung tâm logistics (Nemhauser và Wolsey, 1988). Theo đó, MILP là một trong những công cụ tối ưu hóa quan trọng để giải quyết các bài toán thiết kế mạng lưới trong logistics và quản lý chuỗi cung ứng. Trong hệ thống logistics ngược pin xe điện, MILP thường được sử dụng để xác định vị trí tối ưu của các trung tâm thu gom, cơ sở tái chế và các tuyến vận chuyển nhằm tối thiểu hóa chi phí và đáp ứng các ràng buộc vận hành của hệ thống (Govindan và cộng sự, 2015).

Điểm mạnh

Mô hình hóa quyết định chiến lược: Sử dụng biến nhị phân để biểu diễn các lựa chọn như mở/đóng cơ sở hoặc đầu tư công nghệ (Nemhauser và Wolsey, 1988).

Tích hợp đa mục tiêu: Có thể kết hợp tối thiểu hóa chi phí với các mục tiêu môi trường như giảm phát thải carbon hoặc tăng tỷ lệ thu hồi vật liệu (Govindan và cộng sự, 2015).

Độ tin cậy cao: Các thuật toán như: Branch and Bound hoặc Branch and Cut cùng với bộ giải tối ưu hiện đại giúp tìm nghiệm tối ưu với độ chính xác cao.

Hạn chế

Độ phức tạp tính toán lớn: Số lượng biến nguyên tăng có thể làm thời gian giải mô hình tăng theo cấp số mũ (Wolsey, 1998).

Giả định tuyến tính: Các quan hệ phi tuyến trong thực tế như chi phí vận tải theo tải trọng hoặc hiệu suất công nghệ phải được tuyến tính hóa, có thể làm đơn giản hóa vấn đề (Bertsimas và Tsitsiklis, 1997).

Khó mở rộng với hệ thống rất lớn: Khi mạng lưới logistics có nhiều tầng và nhiều biến quyết định, việc giải mô hình có thể trở nên tốn thời gian tính toán.

Mô hình quy hoạch phi tuyến hỗn hợp số nguyên (MINLP)

MINLP là phương pháp tối ưu hóa kết hợp giữa biến quyết định rời rạc của quy hoạch số nguyên và các quan hệ phi tuyến của quy hoạch phi tuyến. Theo Grossmann (2002), MINLP được phát triển nhằm giải quyết các bài toán trong đó các quyết định chiến lược rời rạc (lựa chọn công nghệ hoặc vị trí cơ sở) cần được tích hợp với các quan hệ kỹ thuật - kinh tế phi tuyến của hệ thống. Trong hệ thống logistics ngược cho pin xe điện, MINLP cho phép mô hình hóa đồng thời các quyết định về vị trí cơ sở thu gom, quy mô nhà máy tái chế và lựa chọn công nghệ xử lý, đồng thời phản ánh các mối quan hệ phi tuyến giữa chi phí vận hành, hiệu suất thu hồi kim loại và quy mô hoạt động (Floudas, 1995).

Điểm mạnh

Mô hình hóa đa tầng: Giải quyết đồng thời các quyết định chiến lược (vị trí cơ sở) và các yếu tố kỹ thuật hoặc vận hành (Grossmann, 2002).

Tích hợp logistics - kỹ thuật: Kết nối mạng lưới thu gom với các thông số công nghệ tái chế như hiệu suất hòa tách hoặc tỷ lệ thu hồi kim loại (Floudas, 1995).

Hỗ trợ tối ưu bền vững: Có thể tích hợp nhiều mục tiêu như lợi ích kinh tế, giảm phát thải và tăng tỷ lệ tuần hoàn tài nguyên (Méndez và cộng sự, 2006).

Hạn chế

Độ phức tạp tính toán rất cao: Bài toán thường thuộc nhóm NP-hard và khó tìm nghiệm tối ưu toàn cục (Floudas, 1995).

Thời gian giải mô hình dài: Khi quy mô mạng lưới lớn, quá trình hội tụ nghiệm có thể kéo dài (Grossmann, 2002).

Thường cần thuật toán hỗ trợ: Các nghiên cứu thực tế thường kết hợp MINLP với các phương pháp heuristic hoặc metaheuristic như giải thuật di truyền để tìm nghiệm gần tối ưu (Méndez và cộng sự, 2006).

Một số điểm chính của các mô hình thiết kế mạng lưới logistics ngược

Từ 4 mô hình trên, có thể thấy, mỗi mô hình có đặc điểm riêng về cấu trúc toán học, khả năng mô hình hóa và phạm vi ứng dụng trong thiết kế mạng lưới logistics ngược cho pin xe điện. Bảng 1 tổng hợp một số đặc điểm chính của 4 mô hình nhằm làm rõ sự khác biệt về khả năng xử lý biến quyết định, dạng hàm mục tiêu và mức độ phù hợp với các bài toán tối ưu trong hệ thống logistics ngược.

Bảng 1: Tổng kết một số điểm chính của các mô hình thiết kế mạng lưới logistics ngược

Nguồn: Tổng hợp của tác giả

TÌNH HÌNH ÁP DỤNG CÁC MÔ HÌNH THIẾT KẾ MẠNG LƯỚI LIGISTICS NGƯỢC TRÊN THẾ GIỚI

Cùng với sự gia tăng các mối quan tâm về môi trường vào cuối thế kỷ 20, vấn đề xử lý xe hết hạn sử dụng (ELV) đã trở thành một chủ đề nghiên cứu quan trọng trong lĩnh vực logistics ngược. Từ đầu những năm 2000, nhiều nghiên cứu đã tập trung xây dựng các mô hình tối ưu hóa để thiết kế mạng lưới thu gom, tháo dỡ và tái chế phương tiện sau sử dụng, đặc biệt trong bối cảnh các quốc gia ban hành các quy định pháp lý về tái chế phương tiện. Theo tổng quan của Cin và Kusakci (2017), phần lớn các nghiên cứu trong lĩnh vực này sử dụng các mô hình toán học nhằm tối ưu hóa cấu trúc mạng lưới và dòng chảy vật liệu trong hệ thống logistics ngược.

Các nghiên cứu ban đầu chủ yếu áp dụng mô hình MILP và MINLP để thiết kế mạng lưới tái chế ELV. Choi và cộng sự (2005) đã xây dựng mô hình MILP để tối ưu hóa dòng chảy vật liệu giữa các cơ sở thu gom, tháo dỡ và tái chế, trong khi Schultmann và cộng sự (2006) đề xuất mô hình MINLP nhằm phân tích các quyết định chiến lược trong hệ thống tái chế. Các nghiên cứu tiếp theo của Mansour và Zarei (2008), Xiaolong và cộng sự (2009) hay Cruz-Rivera và Ertel (2009) tiếp tục phát triển các mô hình tối ưu hóa nhằm giải quyết các bài toán lựa chọn vị trí cơ sở và thiết kế mạng lưới logistics ngược trong chuỗi cung ứng khép kín.

Từ những năm 2010 trở lại đây, nhiều nghiên cứu đã mở rộng theo hướng tích hợp yếu tố bền vững và áp dụng các mô hình tối ưu hóa cho hệ thống tái chế pin xe điện. Các mô hình MILP tiếp tục được sử dụng phổ biến để thiết kế mạng lưới thu hồi và tái chế, trong khi LP thường được áp dụng trong các bài toán lập kế hoạch và phân tích chính sách. Ngoài ra, các mô hình NLP và MINLP được sử dụng để mô tả các quan hệ phi tuyến giữa chi phí xử lý, công suất tái chế và giá trị thu hồi vật liệu. Những nghiên cứu này đã tạo nền tảng quan trọng cho việc phát triển các mô hình logistics ngược cho pin xe điện trong bối cảnh quá trình điện hóa giao thông đang diễn ra mạnh mẽ trên thế giới.

Bảng 2: Tổng quan tài liệu về áp dụng mô hình thiết kế mạng lưới logistics ngược đối với pin xe điện

Nguồn: Kết quả xử lý dữ liệu của tác già

ĐỀ XUẤT MÔ HÌNH THIẾT KẾ MẠNG LƯỚI LOGISTICS NGƯỢC CHO BỐI CẢNH VIỆT NAM

Trong bối cảnh Việt Nam đang thúc đẩy quá trình điện hóa giao thông, nhu cầu phát triển hệ thống logistics ngược cho pin xe điện ngày càng trở nên cấp thiết. Xu hướng này hàm ý sự gia tăng đáng kể về khối lượng pin lithium-ion hết hạn sử dụng cần được thu gom, tái sử dụng và xử lý trong tương lai. Bên cạnh đó, phương tiện điện và các hạ tầng liên quan, bao gồm: hệ thống showroom, trạm bảo dưỡng và trạm sạc, hiện tập trung chủ yếu tại các đô thị lớn như Hà Nội, TP. Hồ Chí Minh và dọc theo hành lang kinh tế Bắc - Nam. Sự phân bố này tạo điều kiện thuận lợi cho việc hình thành mạng lưới thu gom pin dựa trên cơ sở hạ tầng hiện hữu, đồng thời đặt ra yêu cầu tối ưu hóa vị trí các trung tâm thu gom và cơ sở xử lý nhằm giảm chi phí vận chuyển và nâng cao hiệu quả vận hành của toàn hệ thống.

Trong 4 mô hình tối ưu hóa: LP, NLP, MILP và MINLP, mô hình MILP được đánh giá là phù hợp nhất với bối cảnh Việt Nam dựa trên các căn cứ sau:

Thứ nhất, MILP phù hợp với bài toán lựa chọn vị trí cơ sở nhờ sử dụng biến nhị phân (0-1) để mô tả các quyết định mở hoặc không mở cơ sở. Mô hình còn cho phép tích hợp đồng thời mục tiêu chi phí và môi trường, đảm bảo nghiệm tối ưu với độ tin cậy cao, phù hợp với bối cảnh Việt Nam khi nguồn lực hạn chế nhưng số điểm thu gom tiềm năng lớn.

Thứ hai, phù hợp với điều kiện dữ liệu và năng lực tính toán hiện nay. Dữ liệu về dòng pin thải, chi phí vận chuyển và chi phí tái chế tại Việt Nam vẫn còn hạn chế và chưa ổn định. So với các mô hình phi tuyến phức tạp như MINLP, mô hình MILP có cấu trúc tuyến tính đơn giản hơn, dễ triển khai.

Thứ ba, phù hợp với mục tiêu thiết kế mạng lưới logistics trong giai đoạn đầu. Ở giai đoạn hiện nay, trọng tâm của hệ thống logistics ngược pin xe điện tại Việt Nam là thiết kế mạng lưới thu gom và phân bổ dòng vật liệu giữa các điểm thu gom, trung tâm phân loại và cơ sở tái chế. Đây là dạng bài toán điển hình của MILP trong các lĩnh vực lựa chọn vị trí cơ sở, thiết kế mạng lưới logistics và tối ưu hóa vận chuyển.

Thứ tư, phù hợp với khung chính sách và cơ chế trách nhiệm mở rộng của nhà sản xuất (EPR). Việt Nam đã triển khai cơ chế EPR đối với pin và thiết bị điện, yêu cầu doanh nghiệp phải tổ chức hệ thống thu hồi và tái chế. MILP cho phép tích hợp các ràng buộc chính sách và mục tiêu môi trường vào mô hình tối ưu hóa, hỗ trợ doanh nghiệp lựa chọn phương án tổ chức mạng lưới logistics ngược hiệu quả về chi phí và tuân thủ quy định.

Từ các căn cứ trên, mô hình MILP được xem là công cụ phù hợp để xây dựng và phân tích hệ thống logistics ngược cho pin xe điện tại Việt Nam, góp phần tối ưu hóa mạng lưới thu gom, giảm chi phí vận hành và hỗ trợ phát triển chuỗi cung ứng tuần hoàn cho ngành xe điện.

Tài liệu tham khảo:

1. An Mai (2025). Năm 2028, Việt Nam sẽ có khoảng một triệu xe điện lưu thông trên đường. https://doanhnghieptiepthi.vn/nam-2028-viet-nam-se-co-khoang-mot-trieu-xe-dien-luu-thong-tren-duong-161251224193721479.htm

2. Bafadal, I. Z. (2025). Optimization of reverse logistics network for electric vehicle battery recycling using MILP. Journal of Cleaner Production.

3. Bertsimas, D., and Tsitsiklis, J. N. (1997). Introduction to Linear Optimization. Belmont, CA, USA: Athena Scientific.

4. Công Trung (2026). Vinfast lập kỷ lục hơn 406.000 xe máy điện, dẫn đầu thị trường năm 2025. https://tuoitre.vn/vinfast-lap-ky-luc-hon-406-000-xe-may-dien-dan-dau-thi-truong-nam-2025-20260127062758407.htm

5. Cruz-Rivera, R., and Ertel, J. (2009). Reverse logistics network design for the collection of end-of-life vehicles in Mexico. European Journal of Operational Research, 196(3), 930-939.

6. Dantzig, G. B. (1963). Linear Programming and Extensions. Princeton, NJ, USA: Princeton University Press, 1963.

7. Demirel, N., Demirel, M., and Gökçen, M. (2016). A mixed integer linear programming model to design reverse logistics network for end-of-life vehicles. Journal of Cleaner Production, 112, 2101-2113.

8. Ene, E. N., and Öztürk, N. (2014). Network design for reverse logistics of end-of-life vehicles. Waste Management, 34(10), 1971-1980.

9. Floudas, C. A. (1995). Nonlinear and Mixed-Integer Optimization: Fundamentals and Applications. New York, NY, USA: Oxford University Press.

10. Gaines, L. (2014). The future of automotive lithium-ion battery recycling. Sustainable Materials and Technologies, 1-2, 2-7.

11. Govindan, K., Soleimani, H., and Kannan, D. (2015). Reverse logistics and closed-loop supply chain: A comprehensive review. European Journal of Operational Research, 240(3), 603-626.

12. Grossmann, I. E. (2002). Review of nonlinear mixed-integer and disjunctive programming techniques. Optimization and Engineering, 3(3), 227-252.

13. Hao, H., and Sun, Y. (2021). Life-cycle assessment and reverse logistics of electric vehicle batteries. Energy Policy, 156, 112407.

14. Harper, G. et al. (2019). Recycling lithium-ion batteries from electric vehicles. Nature, 575, 75-86.

15. Harraz, N., and Galal, N. (2011). Design of sustainable reverse logistics network for end-of-life vehicles. Journal of Cleaner Production, 19(15), 1706-1716.

16. He, M., Li, Q., Lin, T., Fan, J., Wu, X., and Han, X. (2024). Designing a reverse logistics network for end-of-life vehicles in an uncertain environment. World Electric Vehicle Journal, 15(4).

17. Hillier, F. S., and Lieberman, G. J. (2015). Introduction to Operations Research, 10th ed. New York, NY, USA: McGraw-Hill.

18. Hu, G., and W. Liao, (2022). Optimization of electric vehicle battery recycling network based on mixed integer programming. Resources, Conservation and Recycling, 178, 106060.

19. Kuhn, H. W., and Tucker, A. W. (1951). Nonlinear programming. In Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, CA, USA, 481-492.

20. Kus, A. O. (2019). Design of reverse logistics network for end-of-life vehicles using MILP. Journal of Cleaner Production, 211, 108-121.

21. Li, J., and Liu, F. (2023). Design of reverse logistics network for EV battery recycling under uncertainty. Journal of Cleaner Production, 385, 135642.

22. Mahmoudzadeh, M., Mansour, S., and Karimi, M. (2011). To design a reverse logistics network for end-of-life vehicles in Iran. Resources, Conservation and Recycling, 55(11), 1046-1052.

23. Mansour, S., and Zarei, M. (2008). A multi-period reverse logistics optimization model for end-of-life vehicles. Journal of Cleaner Production, 16(18), 1883-1897.

24. Méndez, C. A., Cerdá, J., Grossmann, I. E., Harjunkoski, I., and Fahl, M. (2006). State-of-the-art review of optimization methods for short-term scheduling of batch processes. Computers & Chemical Engineering, 30(6-7), 913-946.

25. Nemhauser, G. L., and Wolsey, L. A. (1988). Integer and Combinatorial Optimization. New York, NY, USA: Wiley.

26. Niziplioglu, E. (2012). Design of reverse logistics network for end-of-life vehicles under uncertainty. Waste Management, 32(12), 2311-2321.

27. Özceylan, E., Paksoy, M. and Bektaş, B. (2017). A mixed-integer programming model for designing reverse logistics network of end-of-life vehicles. Transportation Research Part E, 97, 160-173.

28. PV (2025). Vinfast lập kỷ lục bàn giao 175.099 xe o tô điện tại Việt Nam. https://tienphong.vn/vinfast-lap-ky-luc-ban-giao-175099-xe-o-to-dien-tai-viet-nam-nam-2025-post1812732.tpo

29. Schultmann, F., Zumkeller, M., and Rentz, O. (2006). Modeling reverse logistic tasks within closed-loop supply chains: An example from the automotive industry. European Journal of Operational Research, 171(3), 1033-1050.

30. Simic, V. (2015). A multi-objective reverse logistics network design for vehicle recycling. Journal of Cleaner Production, 91, 83-93.

31. Simic, V., and Dimitrijevic, B. (2013). Optimization of end-of-life vehicle recycling network design. Waste Management, 33(6), 1391-1404.

32. Simic, V., and Dimitrijevic, B. (2013). Production planning for vehicle recycling factories in reverse logistics network. Resources, Conservation and Recycling, 72, 26-36.

33. Srinivasan, S., and Khan, S. (2016). Reverse logistics network design: A study on vehicle recycling systems. Transportation Research Part E: Logistics and Transportation Review, 95, 120-138.

34. Wang, L., and Wang, X. (2020). Reverse logistics network design for electric vehicle battery recycling. Journal of Cleaner Production, 250, 119250.

35. Winston, W. L. (2004). Operations Research: Applications and Algorithms, 4th ed. Belmont, CA, USA: Thomson Brooks/Cole.

36. Wolsey, L. A. (1998). Integer Programming. New York, NY, USA: Wiley.

37. Xiaolong, X., Hongcheng, H., and Qi, Y. (2009). Design of reverse logistics network for end-of-life vehicles based on MILP. International Journal of Logistics Systems and Management, 5(4), 471-486.