Giới thiệu dự án

Ngành công nghiệp thép đóng vai trò là "xương sống" của nền kinh tế công nghiệp nặng, quyết định tốc độ đô thị hóa và phát triển cơ sở hạ tầng. Theo số liệu của Hiệp hội Thép Việt Nam (VSA), năm 2022 Việt Nam đạt sản lượng 20 triệu tấn thép thô (chiếm 1,1% tổng sản lượng toàn cầu, xếp thứ 13 thế giới). Tuy nhiên, giai đoạn 2022–2023 chứng kiến sự suy giảm mạnh mẽ với sản lượng sản xuất giảm 11,9% và tiêu thụ giảm 7,2% do tác động từ sự đóng băng của thị trường bất động sản và các chính sách thắt chặt tiền tệ.

Đặc thù chuỗi giá trị ngành thép Việt Nam tồn tại nhiều điểm nghẽn nghiêm trọng về tài chính:

  • Áp lực trả chậm kéo dài: Thép chủ yếu phục vụ các dự án xây dựng và đầu tư công; dòng tiền bán hàng phụ thuộc vào tiến độ nghiệm thu công trình, dẫn đến các khoản phải thu bị chiếm dụng vốn dài hạn.
  • Biến động giá nguyên vật liệu: Quặng sắt, than cốc và phôi thép biến động liên tục buộc doanh nghiệp phải dự trữ tồn kho lớn, gây áp lực lên chi phí lưu kho và rủi ro trích lập giảm giá hàng tồn kho.
  • Rủi ro mất cân đối thanh khoản: Việc cân đối giữa mục tiêu tối đa hóa khả năng sinh lời (Profitability) và duy trì thanh khoản (Liquidity) trở thành bài toán sinh tồn của các giám đốc tài chính (CFO).

Mục tiêu nghiên cứu

  1. Đo lường định lượng: Xác định mức độ và chiều hướng tác động của các cấu phần quản trị vốn lưu động (AR, INV, AP, CCC) lên tỷ suất sinh lời trên tổng tài sản (ROA) của các doanh nghiệp ngành thép niêm yết.
  2. Kiểm định mô hình kinh tế lượng: Ứng dụng và so sánh hiệu quả ước lượng giữa Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và Feasible Generalized Least Squares (FGLS).
  3. Phát hiện và xử lý khuyết tật thống kê: Kiểm định hiện tượng đa cộng tuyến (VIF), phương sai sai số thay đổi (White/Breusch-Pagan) và tự tương quan chuỗi bậc nhất (Wooldridge test).
  4. Xây dựng khung giải pháp thực thi: Đề xuất bộ chính sách tối ưu hóa vốn lưu động đặc thù cho các doanh nghiệp sản xuất và thương mại thép.

Phương pháp tiếp cận và phạm vi

  • Phương pháp tiếp cận: Phân tích dữ liệu bảng (Panel Data Econometrics) trên chuỗi dữ liệu 10 năm.
  • Phạm vi dữ liệu: 13 doanh nghiệp thép niêm yết liên tục trên HOSE và HNX giai đoạn 2013–2022, thu thập qua hệ thống dữ liệu tài chính FiinPro (129 quan sát hợp lệ).
  • Phạm vi giới hạn: Nghiên cứu tập trung vào dữ liệu thứ cấp đã kiểm toán, chưa lượng hóa trực tiếp các cú sốc kinh tế vĩ mô toàn cầu (như xung đột địa chính trị hoặc chính sách thuế chống bán phá giá).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản trị vốn lưu động (Working Capital Management - WCM) truyền thống tại các doanh nghiệp thép thường sử dụng phương pháp phân tích tỷ số tài chính tĩnh. Cách tiếp cận này bộc lộ nhiều hạn chế khi thị trường biến động nhanh.

Tiêu chí Quản trị truyền thống (Tĩnh) Mô hình định lượng Kinh tế lượng (Động)
Công cụ phân tích Báo cáo tài chính đơn kỳ, Excel Phân tích hồi quy Panel Data, Stata, Python
Độ trễ thông tin Định kỳ theo quý/năm (Chậm) Theo dõi liên tục theo chu kỳ quay vòng vốn
Khả năng kiểm soát biến Đơn biến, dễ gây sai lệch do quy mô Kiểm soát đồng thời: Quy mô (SIZE), Đòn bẩy (LEV), Thanh toán (CR)
Xử lý sai số Bỏ qua hiện tượng tự tương quan Xử lý triệt để phương sai thay đổi và tự tương quan bằng FGLS
Độ chính xác dự báo Định tính, phụ thuộc cảm tính Định lượng với mức ý nghĩa thống kê $p < 0.01$

Phân loại yêu cầu phân tích theo ma trận MoSCoW

  • Must have (Bắt buộc): Đo lường hệ số tương quan giữa AR, INV, AP, CCC và ROA; kiểm định đa cộng tuyến qua Variance Inflation Factor (VIF < 10); xử lý tự tương quan chuỗi bằng mô hình FGLS.
  • Should have (Nên có): Kiểm soát tác động của đòn bẩy tài chính (LEV), tỷ số thanh toán hiện hành (CR), quy mô tài sản (SIZE), tỷ lệ tài sản cố định (FATA).
  • Could have (Có thể mở rộng): Phân tầng doanh nghiệp theo nhóm sản xuất (lò cao BOF/EAF) và nhóm thương mại thuần túy.
  • Won't have (Chưa thực hiện kỳ này): Dự báo biến động giá nguyên liệu thời gian thực bằng Machine Learning/Deep Learning.

Thiết kế hệ thống phân tích dữ liệu

Kiến trúc luồng xử lý dữ liệu kinh tế lượng được thiết kế theo cấu trúc chuẩn:

[FiinPro Financial Datafeed v2.1] 
[ETL & Data Cleaning Pipeline] 
[Econometric Processing Engine - Stata 17.0 Core]
[Output Reporting & Strategic WCM Dashboard]

Đặc tả biến số và mô hình nghiên cứu

Mô hình hồi quy được thiết lập thành 2 hàm chính nhằm tránh hiện tượng cộng tuyến hoàn hảo giữa CCC và các biến thành phần (AR, INV, AP):

$$\text{Mô hình 1: } \text{ROA}{it} = \beta_0 + \beta_1 \text{AR}{it} + \beta_2 \text{INV}{it} + \beta_3 \text{AP}{it} + \beta_4 \text{SIZE}{it} + \beta_5 \text{LEV}{it} + \beta_6 \text{CR}{it} + \beta_7 \text{FATA}{it} + \varepsilon_{it}$$

$$\text{Mô hình 2: } \text{ROA}{it} = \alpha_0 + \alpha_1 \text{CCC}{it} + \alpha_2 \text{SIZE}{it} + \alpha_3 \text{LEV}{it} + \alpha_4 \text{CR}{it} + \alpha_5 \text{FATA}{it} + u_{it}$$

Tên biến Ký hiệu Công thức tính toán Kỳ vọng dấu
Tỷ suất sinh lời trên tổng tài sản ROA $\text{Lợi nhuận sau thuế} / \text{Tổng tài sản}$ (Biến phụ thuộc)
Kỳ thu tiền bình quân AR $(\text{Phải thu khách hàng} / \text{Doanh thu thuần}) \times 365$ $(-)$
Kỳ luân chuyển hàng tồn kho INV $(\text{Hàng tồn kho} / \text{Giá vốn hàng bán}) \times 365$ $(-)$
Kỳ trả tiền bình quân AP $(\text{Phải trả người bán} / \text{Giá vốn hàng bán}) \times 365$ $(+)$
Chu kỳ luân chuyển tiền mặt CCC $\text{AR} + \text{INV} - \text{AP}$ $(-)$
Quy mô doanh nghiệp SIZE $\log_{10}(\text{Tổng tài sản})$ hoặc $\ln(\text{Tổng tài sản})$ $(+)$
Đòn bẩy tài chính LEV $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$ $(-)$
Tỷ số thanh toán hiện hành CR $\text{Tài sản ngắn hạn} / \text{Nợ ngắn hạn}$ $(+)$
Tỷ lệ tài sản cố định FATA $\text{Tài sản cố định thuần} / \text{Tổng tài sản}$ $(-)$

Methodology & Đánh giá rủi ro

Quy trình nghiên cứu áp dụng khung chuẩn 5 giai đoạn:

  • Rủi ro dữ liệu lệch: Doanh nghiệp ngành thép có độ chênh lệch quy mô lớn (Hòa Phát có $\text{SIZE} = 14.25$ trong khi Thành Thái có $\text{SIZE} = 10.84$). Giải pháp: Chuẩn hóa logarit cho quy mô tài sản.
  • Rủi ro khuyết tật chuỗi thời gian: Dữ liệu bảng 10 năm thường xuyên xảy ra tự tương quan giữa các năm. Giải pháp: Sử dụng kiểm định Wooldridge và khắc phục triệt để bằng ước lượng FGLS với cấu trúc tự hồi quy AR(1).

Implementation và kết quả

Quá trình xử lý và mã nguồn thực thi

Toàn bộ quy trình xử lý dữ liệu và ước lượng mô hình được tự động hóa trên phần mềm Stata 17.0 với script phân tích chuyên sâu:

* Thiết lập cấu trúc dữ liệu bảng
clear all
import delimited "steel_wcm_data_2013_2022.csv", clear
xtset company_id year, yearly

* 1. Thống kê mô tả và ma trận hệ số tương quan
summarize ROA AR INV AP CCC SIZE LEV CR FATA
pwcorr ROA AR INV AP CCC SIZE LEV CR FATA, sig star(0.05)

* 2. Kiểm định đa cộng tuyến (VIF)
regress ROA AR INV AP SIZE LEV CR FATA
estat vif

regress ROA CCC SIZE LEV CR FATA
estat vif

* 3. Hồi quy mô hình cơ sở
* Mô hình 1: Pooled OLS, FEM, REM
regress ROA AR INV AP SIZE LEV CR FATA
estimates store pooled_m1

xtreg ROA AR INV AP SIZE LEV CR FATA, fe
estimates store fem_m1

xtreg ROA AR INV AP SIZE LEV CR FATA, re
estimates store rem_m1

* Kiểm định lựa chọn mô hình cho Mô hình 1
hausman fem_m1 rem_m1

* 4. Kiểm định chẩn đoán khuyết tật
* Kiểm định phương sai thay đổi (White Test)
regress ROA AR INV AP SIZE LEV CR FATA
estat imtest, white

* Kiểm định tự tương quan (Wooldridge Test)
xtserial ROA AR INV AP SIZE LEV CR FATA

* 5. Ước lượng FGLS hiệu chỉnh toàn diện sai số
xtgls ROA AR INV AP SIZE LEV CR FATA, panels(heteroskedastic) corr(ar1)
estimates store fgls_m1

xtgls ROA CCC SIZE LEV CR FATA, panels(heteroskedastic) corr(ar1)
estimates store fgls_m2

Kết quả kiểm định thống kê và chẩn đoán mô hình

Dữ liệu mô tả từ 129 quan sát cho thấy:

  • ROA trung bình: $3.51%$ (Độ lệch chuẩn: $7.10%$, dao động từ $-18.83%$ đến $+25.45%$).
  • AR trung bình: $44.56$ ngày (Thấp nhất: $11.43$ ngày tại VICASA; Cao nhất: $118.14$ ngày tại VNECO.SSM).
  • INV trung bình: $83.62$ ngày (Thấp nhất: $5.83$ ngày tại Kim khí Miền Trung; Cao nhất: $374.14$ ngày tại Đại Thiên Lộc).
  • AP trung bình: $27.89$ ngày (Thấp nhất: $3.11$ ngày; Cao nhất: $100.86$ ngày).
  • CCC trung bình: $100.29$ ngày (Biến thiên từ $21.56$ ngày tại Nam Kim đến $349.70$ ngày tại Đại Thiên Lộc).
Ma trận kiểm định chẩn đoán kinh tế lượng:

Kết quả hồi quy tổng hợp (FGLS)

Bảng kết quả ước lượng cuối cùng thông qua mô hình FGLS (loại bỏ hoàn toàn tác động của tự tương quan chuỗi):

Biến số Mô hình 1 (Hệ số $\beta$) Mô hình 2 (Hệ số $\alpha$) Mức ý nghĩa ($p$-value) Kết luận giả thuyết
AR $-0.000596$ — $p < 0.01$ (***) Chấp nhận H1 (Ngược chiều)
INV $-0.000321$ — $p < 0.01$ (***) Chấp nhận H2 (Ngược chiều)
AP $+0.000299$ — $p > 0.10$ Không có ý nghĩa thống kê
CCC — $-0.000374$ $p < 0.01$ (***) Chấp nhận H4 (Ngược chiều)
SIZE $+0.053700$ $+0.056300$ $p < 0.01$ (***) Tác động cùng chiều mạnh
LEV $-0.121000$ $-0.135000$ $p < 0.10$ (*) Tác động ngược chiều
CR $+0.055600$ $+0.057600$ $p < 0.05$ (**) Tác động cùng chiều
FATA $-0.022700$ $-0.018500$ $p > 0.10$ Không có ý nghĩa thống kê
Hằng số $-0.571000$ $-0.605000$ $p < 0.01$ (***) —
Prob > $\chi^2$ $0.0000$ $0.0000$ Tin cậy $99%$ Mô hình phù hợp cao

Ghi chú: (*), (**), (***) biểu thị mức ý nghĩa tương ứng $10%$, $5%$, $1%$.

Đổi mới và đóng góp

Điểm mới trong phương pháp luận

  1. Khắc phục triệt để hiện tượng tự tương quan (Autocorrelation): Trong khi nhiều nghiên cứu trong nước (như Dương Thị Hồng Vân & Trần Phương Nga, 2018; Trần Tú Uyên, 2018) chỉ dừng lại ở Pooled OLS hoặc FEM/REM thông thường, nghiên cứu này thực hiện kiểm định Wooldridge phát hiện khuyết tật chuỗi ($p = 0.0256$) và ứng dụng FGLS (Feasible Generalized Least Squares) để đảm bảo tính không chệch và hiệu quả của hệ số ước lượng.
  2. Phân tích tách biệt cấu phần WCM và chu kỳ tổng hợp CCC: Tránh hiện tượng đa cộng tuyến hoàn hảo bằng cách thiết lập 2 phương trình độc lập, giúp cô lập tác động biên của từng ngày lưu kho và từng ngày thu nợ.
So sánh tác động biên của việc tối ưu hóa 10 ngày luân chuyển:

So sánh với các nghiên cứu tiền nhiệm

Tác giả & Năm Đối tượng nghiên cứu Phương pháp Tác động của AR Tác động của INV Tác động của CCC
Sharma & Kumar (2011) 263 DN Ấn Độ OLS Cùng chiều (+) Không ý nghĩa Không ý nghĩa
Mansoori & Muhammad (2012) 92 DN Singapore Pooled OLS/FEM Ngược chiều (-) Ngược chiều (-) Ngược chiều (-)
Kien Xuan Pham et al. (2020) 26 DN Thép VN (2010-2019) FEM Không xét Không xét Không ý nghĩa
Khóa luận này (2023) 13 DN Thép niêm yết (2013-2022) FGLS Robust Ngược chiều (-) Ngược chiều (-) Ngược chiều (-)

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế cho doanh nghiệp thép

Nghiên cứu chỉ ra các giải pháp thực thi trực tiếp trên hệ thống hoạch định tài nguyên doanh nghiệp (ERP - SAP S/4HANA hoặc Oracle NetSuite):

                       QUY TRÌNH TỐI ƯU HÓA DÒNG TIỀN VÀ WCM
[Quản trị Phải thu - AR]       [Quản trị Tồn kho - INV]            [Quản trị Đòn bẩy - LEV]
- Thiết lập hạn mức tín dụng   - Áp dụng mô hình JIT cho           - Giới hạn hệ số LEV < 0.60
  theo thuật toán Credit Score   phôi thép & nguyên liệu             (Hiện tại trung bình 0.61)
- Chiết khấu thanh toán sớm    - Tối ưu hóa chu kỳ sản xuất        - Chuyển nợ vay ngắn hạn
  (2/10 Net 30)                  với lượng đệm an toàn cố định       thành trái phiếu chuyển đổi
- Giảm AR từ 44.56 -> 30 ngày  - Giảm INV từ 83.62 -> 60 ngày      - Tăng tỷ số thanh toán CR > 1.3

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

Xét một doanh nghiệp thép quy mô trung bình trong tập mẫu với tổng tài sản $10.000$ tỷ VNĐ:

  • Tình trạng ban đầu: $\text{AR} = 45$ ngày, $\text{INV} = 84$ ngày, $\text{ROA} = 3.5%$ (Lợi nhuận ròng: 350 tỷ VNĐ).
  • Áp dụng chiến lược WCM cải tiến:
    • Rút ngắn AR bớt $15$ ngày $\rightarrow$ Tăng ROA thêm: $15 \times 0.000596 = +0.894%$.
    • Rút ngắn INV bớt $20$ ngày $\rightarrow$ Tăng ROA thêm: $20 \times 0.000321 = +0.642%$.
  • Tổng mức cải thiện ROA dự kiến: $+1.536%$ điểm phần trăm.
  • Lợi nhuận ròng sau tối ưu: $350\text{ tỷ} + (10.000\text{ tỷ} \times 1.536%) = 503.6\text{ tỷ VNĐ}$ (Tăng trưởng $43.88%$ lợi nhuận thuần).
  • Chi phí triển khai giải pháp (Hệ thống ERP + Chiết khấu thương mại): Ước tính khoảng $15 - 25$ tỷ VNĐ.
  • Tỷ suất sinh lời trên vốn đầu tư (ROI): $> 600%$ ngay trong niên độ tài chính đầu tiên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu dữ liệu: Giới hạn ở 13 doanh nghiệp niêm yết đủ điều kiện báo cáo liên tục 10 năm ($N = 129$), chưa bao gồm các doanh nghiệp sản xuất thép FDI lớn chưa niêm yết (như Formosa Hà Tĩnh, Pomina 2).
  2. Yếu tố vĩ mô: Mô hình chưa tích hợp biến kiểm soát nội sinh về biến động lãi suất điều hành của Ngân hàng Nhà nước và giá quặng sắt thế giới (S&P GSCI Iron Ore Index).

Hướng nghiên cứu mở rộng

  • Ứng dụng phương pháp GMM sai phân (Difference GMM) hoặc GMM hệ thống (System GMM) theo chuẩn Arellano-Bond để kiểm soát hiện tượng nội sinh tiềm ẩn giữa biến ROA quá khứ ($\text{ROA}_{t-1}$) và vốn lưu động hiện tại.
  • Xây dựng mô hình Machine Learning phi tuyến tính (Random Forest Regressor, XGBoost) để phát hiện ngưỡng tối ưu (Threshold Model) của chu kỳ CCC cho từng nhóm quy mô doanh nghiệp.

Đối tượng hưởng lợi

                              BẢN ĐỒ LỢI ÍCH DỰ ÁN
[Sinh viên/NCS]   [Lập trình viên / Quant]        [Doanh nghiệp Thép]    [Nhà nghiên cứu]
- Bộ dữ liệu mẫu   - Script Stata/R chuẩn hóa      - Khung tối ưu WCM     - Bằng chứng thực nghiệm
  bảng 10 năm      - Pipeline phát hiện khuyết tật - Tiết kiệm chi phí    - Nền tảng mở rộng
  chính xác          chuỗi thời gian tự động         vốn vay hàng chục tỷ   System GMM
  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu dữ liệu bảng và quy trình thực hiện kiểm định kinh tế lượng từ cơ bản đến nâng cao.
  • Chuyên viên phân tích định lượng (Quant) & Lập trình viên FinTech: Tận dụng thuật toán kiểm định khuyết tật mô hình để tích hợp vào các phân hệ phân tích tài chính tự động.
  • Doanh nghiệp & Giám đốc tài chính (CFO): Có căn cứ khoa học chính xác để tái cấu trúc chính sách tín dụng thương mại và quản lý kho vận nhằm gia tăng ROA.
  • Nhà đầu tư chứng khoán: Thêm công cụ đánh giá sức khỏe tài chính và chất lượng quản trị dòng tiền của các cổ phiếu nhóm thép (HPG, NKG, HSG, TLH,...).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần mềm để tái lập kết quả nghiên cứu là gì?

Hệ thống yêu cầu cài đặt phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17.0 MP) hoặc môi trường Python 3.10+ với các thư viện: pandas>=2.0.0, statsmodels>=0.14.0, linearmodels>=5.1. Dữ liệu đầu vào cần cấu trúc theo định dạng Panel Data (long format) với 2 định danh: id (mã công ty) và year (năm tài chính).

2. Tại sao biến Kỳ trả tiền bình quân (AP) không có ý nghĩa thống kê trong mô hình FGLS?

Trong ngành thép Việt Nam, quyền thương lượng thuộc về các nhà cung cấp quặng/than quốc tế hoặc các tổng công ty luyện kim lớn. Doanh nghiệp thép trong nước hầu như không thể đơn phương kéo dài thời gian trả nợ (AP) mà không chịu phạt lãi suất chậm trả hoặc bị cắt nguồn cung. Do đó, biến thiên của AP không tạo ra tác động biên đáng kể lên ROA ($p > 0.10$).

3. Làm thế nào để doanh nghiệp thép giảm kỳ thu tiền (AR) mà không làm sụt giảm doanh thu?

Doanh nghiệp cần áp dụng chính sách Chiết khấu thanh toán linh hoạt (Dynamic Discounting) kết hợp với nghiệp vụ Bao thanh toán (Factoring) và bảo lãnh thanh toán ngân hàng. Việc phân hạng khách hàng dựa trên lịch sử tín dụng giúp thiết lập hạn mức nợ gối đầu chính xác, vừa giữ chân khách hàng lớn vừa đảm bảo thu hồi công nợ trong vòng 30–45 ngày.

4. Chi phí bản quyền dữ liệu và chi phí bảo trì mô hình được tính toán ra sao?

Dữ liệu BCTC chuẩn hóa được cung cấp qua gói FiinPro Corporate Datafeed với chi phí định kỳ hàng năm. Mô hình kinh tế lượng FGLS không đòi hỏi hạ tầng máy chủ phức tạp; chi phí duy trì chủ yếu là nhân sự chuyên viên tài chính cập nhật số liệu BCTC đã kiểm toán sau mỗi kỳ công bố báo cáo tài chính năm.

5. Tại sao mô hình FGLS lại vượt trội hơn mô hình FEM và REM trong nghiên cứu này?

Kiểm định Wooldridge cho kết quả $p = 0.0256 < 0.05$, chỉ ra dữ liệu tồn tại hiện tượng tự tương quan bậc nhất. Nếu tiếp tục sử dụng FEM hoặc REM, ma trận hiệp phương sai của sai số sẽ bị chệch, dẫn đến việc ước lượng sai độ lệch chuẩn và sai lệch kiểm định $t$. Phương pháp FGLS hiệu chỉnh trực tiếp ma trận hiệp phương sai cấu trúc $\Omega$, đảm bảo các ước lượng hệ số hồi quy là BLUE (Best Linear Unbiased Estimator).

Kết luận

Nghiên cứu đã chứng minh một cách chặt chẽ tác động của quản trị vốn lưu động đến khả năng sinh lời của 13 doanh nghiệp ngành thép niêm yết tại Việt Nam giai đoạn 2013–2022. Bằng việc áp dụng phương pháp hồi quy dữ liệu bảng chuyên sâu và khắc phục các khuyết tật tự tương quan qua mô hình FGLS, nghiên cứu khẳng định:

  • Rút ngắn kỳ thu tiền bình quân (AR), kỳ luân chuyển hàng tồn kho (INV) và chu kỳ chuyển đổi tiền mặt (CCC) là chìa khóa then chốt để nâng cao tỷ suất sinh lời trên tổng tài sản (ROA).
  • Quy mô doanh nghiệp (SIZE) và tỷ lệ thanh toán hiện hành (CR) hỗ trợ tích cực cho hiệu quả hoạt động, trong khi đòn bẩy tài chính quá mức (LEV) làm xói mòn lợi nhuận doanh nghiệp.

Kết quả này cung cấp cơ sở định lượng vững chắc giúp các nhà quản trị doanh nghiệp thép tối ưu hóa chu chuyển dòng vốn, kiểm soát rủi ro thanh khoản và duy trì lợi thế cạnh tranh bền vững trên thị trường chứng khoán Việt Nam.