ThS. Phạm Thành Công, Viện Kinh tế Việt Nam

Email: congth98@yahoo.com

Tóm tắt

Bài viết tập trung phân tích dự báo tăng trưởng kinh tế Việt Nam theo quý trong năm 2024 (Quý II, III và IV), dựa trên 2 mô hình ARIMA và VECM. Kết quả phân tích cho thấy, mô hình ARIMA dự báo xu hướng tăng trưởng ổn định, với mức dao động nhẹ quanh 6%, phản ánh tính ngắn hạn và ít biến động trong dự báo. Ngược lại, mô hình VECM lại dự báo một xu hướng tăng trưởng liên tục, bắt đầu từ gần 5,8% và tăng lên hơn 6,2% vào cuối năm 2024. Điều này phản ánh khả năng của VECM trong việc nắm bắt các mối quan hệ dài hạn giữa các biến số kinh tế, dự báo mức độ biến động cao hơn và xu hướng tăng trưởng bền vững hơn trong dài hạn.

Từ khóa: dự báo, tăng trưởng kinh tế, Việt Nam, ARIMA, VECM

Summary

The article analyzes and forecasts Vietnam’s economic growth quarterly in 2024 (Quarters II, III, and IV), based on ARIMA and VECM models. The results show that the ARIMA model predicts a stable growth trend, with slight fluctuations around 6%, reflecting the short-term nature and little fluctuation in forecasts. In contrast, the VECM model forecasts a continuous growth trend, starting at nearly 5.8% and increasing to more than 6.2% by the end of 2024. This reflects VECM’s ability to capture long-term relationships between economic variables, predicting higher levels of volatility and more sustainable growth trends over the long term.

Keywords: forecast, economic growth, Vietnam, ARIMA, VECM

GIỚI THIỆU

Dự báo các chỉ số kinh tế vĩ mô như tăng trưởng GDP là một nhiệm vụ quan trọng nhưng đầy thách thức đối với Chính phủ của bất kỳ quốc gia nào. Sự phức tạp ngày càng tăng của tình hình kinh tế trong nước và quốc tế, bao gồm những xáo trộn gần đây từ các yếu tố bên ngoài, như: đại dịch Covid-19, căng thẳng địa chính trị và những biến động kinh tế, càng làm tăng thêm khó khăn cho việc dự báo này. Những biến động trên thị trường tài chính toàn cầu và những điều chỉnh nội bộ càng làm phức tạp thêm dự báo tăng trưởng GDP của Việt Nam. Để tạo ra những dự đoán tăng trưởng GDP chính xác, các mô hình dự báo phải giải quyết 2 mối quan tâm chính: lựa chọn các yếu tố phù hợp để đưa vào mô hình và sử dụng hiệu quả dữ liệu từ các chỉ số kinh tế do các cơ quan công bố.

Trong thực tế, dự báo về tăng trưởng kinh tế của Việt Nam có sự khác biệt giữa các tổ chức uy tín, như: Ngân hàng Thế giới (WB), Quỹ Tiền tệ Quốc tế (IMF), Ngân hàng Phát triển Châu Á (ADB). Nguyên nhân do mỗi tổ chức sử dụng một mô hình dự báo khác nhau, mà ở mô hình dự báo lại có thể không tính đến các đặc điểm kinh tế riêng biệt của mỗi quốc gia. Trong khi, các mô hình dự báo tăng trưởng GDP truyền thống thường dựa vào việc phân tích các biến số có tần suất nhất quán trong cùng thời kỳ nghiên cứu. Do vậy, với kỳ vọng lựa chọn ra mô hình có kết quả dự báo chính xác và phù hợp nhất, nghiên cứu tiến hành thực nghiệm dự báo tăng trưởng GDP Việt Nam trên 2 mô hình lý thuyết ARIMA và VECM, từ đó rút ra nhận xét về mô hình dự báo phù hợp với tăng trưởng kinh tế Việt Nam trong từng giai đoạn.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Mô hình ARIMA trong dự báo tăng trưởng kinh tế

ARIMA được công bố bởi George Box và Gwilym Jenkins vào những năm 1970 (Box & Jenkins, 1976), với nền tảng là phân tích chuỗi thời gian. Theo đó, mô hình ARIMA cho phép các nhà kinh tế và nhà hoạch định chính sách đưa ra quyết định sáng suốt về chính sách tài khóa, đầu tư và chiến lược kinh doanh. Một trong những điểm mạnh của mô hình ARIMA nằm ở khả năng thích ứng với các điều kiện kinh tế khác nhau và điều chỉnh dự báo phù hợp. Hạn chế của mô hình này là sự phụ thuộc vào chuỗi dữ liệu phải dừng và giả định về mối quan hệ tuyến tính. Tăng trưởng kinh tế bị ảnh hưởng bởi vô số yếu tố bao gồm: các sự kiện chính trị, tiến bộ công nghệ và động lực thị trường toàn cầu, những yếu tố này có thể không phải lúc nào cũng phù hợp với các giả định của mô hình.

Trong mô hình ARIMA(p, q, d) được gán lần lượt là: p - bậc tự hồi quy (AR); d - bậc của vi phân đầu tiên (I); q - bậc của phần trượt đầu tiên (MA).

Giả sử chuỗi dữ liệu Y có các đặc điểm của cả quá trình tự hồi quy AR(p) và quá trình trung bình trượt MA(q). Do vậy, Y có đặc điểm ARMA(p,q), tức là:

Yt = θ + φ₁Y_t-1+ φ₂Y_t-2+ ...+ φp Y_t-p+...+ θ₀ u_t+θ₁ u_t-1+ θ₂u_t-2+ ...+ θ_qu_t-q

Trong đó:

Y_t là quan sát dừng hiện tại;

Y_t-p: quan sát dừng;

u_t-q: sai số ngẫu nhiên ở quá khứ, φ₁,φ₂,… θ₁, θ₂..., là các hệ số hồi quy.

Giả thiết: Các sai số ngẫu nhiên là nhiễu trắng (kỳ vọng bằng 0, phương sai không đổi, các sai số ngẫu nhiên độc lập với nhau).

Mô hình VECM trong dự báo tăng trưởng kinh tế

Theo Nguyễn Quang Dong và Nguyễn Thị Minh (2012), hệ phương trình tổng quát của mô hình VECM như sau:

Y_t=A₁Y_t-1+A₂Y_t-2+…+A_pY_t-p+u_t (1)

Ta biến đổi, viết lại mô hình thành:

ΔY_t =Y_t-Y_t-1=πY_t-1+C1ΔY_t-1 +C₂ΔY_t-1 +C₃ΔY_t-2+…+ C_p-1ΔY_t-p +u_t (2)

Trong đó:

π=-(I-A₁-A₂-..-A_p); C_i=-j=i+1pAj,i-1,2,…,p-1

πY_t-1: là phần hiệu chỉnh sau số của mô hình; p là bậc tự tương quan (hoặc số trễ).

Mặt khác, π = α x β'

Trong đó, ma trận α là ma trận tham số điều chỉnh; β là ma trận hệ số dài hạn thể hiện tối đa (n-1) quan hệ đồng liên kết trong một mô hình n biến nội sinh. β' đảm bảo rằng Y_t sẽ hội tụ về cân bằng bền vững trong dài hạn.

Mô hình số (2) được gọi là mô hình hiệu chỉnh sai số Vector (VECM). Theo đó, mô hình được phát triển từ mô hình VAR số (1) nhưng lại có dạng của một mô hình hiệu chỉnh sai số (ECM) bao gồm: (i) Các quan hệ ngắn hạn giữa ΔY_t, và trễ của nó là ΔY_t-j, thể hiện t-j qua các tham số C_i; (ii) Quan hệ dài hạn thể hiện qua thành phần hiệu chỉnh sai số πY_t-1. Tuy nhiên, điều khác biệt giữa VECM và ECM là thành phần hiệu chỉnh sai số của VECM có dạng một Vectơ đồng tích hợp thể hiện mối quan hệ đồng tích hợp giữa các biến.

Theo nghiên cứu nổi tiếng của Granger & Engle (1983), khi xét mô hình có nhiều biến số theo chuỗi thời gian, cũng có nhiều trường hợp, mặc dù các ng biến số là không dừng, nhưng khi thực hiện phép Lập hồi quy hay tổ hợp tuyến tính của các biến này vẫn cho nhiễu trắng (được một chuỗi dừng). Trong trường hợp này, mô hình vẫn có thể ước lượng được mà không bị hiện tượng hồi quy giả mạo và mối quan hệ giữa các biến được Vectơ đồng tích hợp này ràng buộc các hành vi trong dài hạn của biến nội sinh trong khi cho phép sự biến động ở một mức độ nhất định trong ngắn hạn. Nhờ có lý thuyết đồng tích hợp giữa các biến nên VECM có thể ước lượng được với các chuỗi không dừng (1(1)) nhưng có quan hệ đồng tích hợp mà không bị hồi quy giả mạo, đây là điểm khác biệt so với mô hình VAR (mô hình chỉ có thể ước lượng được khi tất cả các biến số là dừng (I(0)). Với cấu trúc như vậy mô hình VECM chứa thông tin về cả điều chỉnh ngắn hạn và dài hạn với những thay đổi trong Y, thông qua dự báo, ước lượng của C, và I tương ứng.

Phương pháp nghiên cứu

Nghiên cứu phân tích định lượng được thực hiện trên bộ dữ liệu gồm các chỉ số kinh tế vĩ mô, được thu thập với các tần suất khác nhau (theo quý) từ trang web của Tổng cục Thống kê, IMF, ADB, Bloomberg, cơ sở dữ liệu CEIC… trong giai đoạn quý I/2010 đến quý I/2024 (Bảng 1). Các tính toán được lần lượt đưa vào phân tích ở 2 mô hình ARIMA và VECM, từ đó so sánh và đánh giá kết quả 2 mô hình này, nhằm đưa ra kết luận mô hình nào phù hợp hơn thông qua việc sử dụng phần mềm Eview 11 (Bài viết sử dụng cách viết số thập phân theo chuẩn quốc tế).

Bảng 1: Thống kê biến số kinh tế sử dụng trong nghiên cứu

Nguồn: Tác giả tổng hợp

KẾT QUẢ PHÂN TÍCH VÀ THẢO LUẬN NGHIÊN CỨU

Kết quả dự báo tăng trưởng kinh tế Việt Nam từ mô hình VECM

Bảng 2: Kết quả ước lượng mô hình VECM

Nguồn: Ước lượng từ Eview 11

Hệ số xác định R² của mô hình là 61.82% và hệ số R² hiệu chỉnh là 56.95%. Điều này nghĩa là mô hình đã giải thích được 56.95% sự thay đổi của tốc độ tăng trưởng kinh tế bởi các biến kinh tế vĩ mô đã chọn. Từ kết quả cho thấy, các hệ số của mô hình này đều giống với kỳ vọng về dấu của các biến kinh tế vĩ mô khi tác động lên tốc độ tăng trưởng kinh tế.

Kết quả ước lượng tăng trưởng theo mô hình VECM (Bảng 3) dự báo tăng trưởng kinh tế của Việt Nam có xu hướng tăng dần trong giai đoạn dự báo. Bắt đầu từ mức 5.82% vào quý II/2024, mức tăng trưởng dự báo tăng dần vào quý III và quý IV/2024 (lần lượt 6.03% và 6.21%). Như vậy, mô hình VECM dự báo một mức tăng trưởng kinh tế mạnh mẽ và liên tục, phản ánh sự ổn định và mối quan hệ dài hạn giữa các biến số kinh tế trong mô hình.

Bảng 3: Kết quả dự báo tăng trưởng kinh tế theo mô hình VECM

Nguồn: Ước lượng từ Eview 11

Kết quả dự báo tăng trưởng kinh tế Việt Nam từ mô hình ARIMA

Bảng 4: Kết quả kiểm định tự tương quan của GDP

Nguồn: Ước lượng từ Eview 11

Kết quả kiểm định tính tự tương quan của GDP (Bảng 4) cho thấy, chuỗi GDP dừng tại sai phân bậc 1 do đó mô hình ARIMA có dạng là ARIMA với d = 1. Để xác định giá trị q và p cho mô hình sử dụng lược đồ tương quan (ACF) và tự tương quan riêng (PACF).

Tại bậc 1 và 4,5 giá trị ACF nằm ngoài khoảng tin cậy do đó giá trị p = 1 hoặc p = 4; p = 5.

Tại bậc 1 và bậc 4 giá trị PACF nằm ngoài khoảng tin cậy do đó giá trị q = 1 hoặc q = 4.

Do đó, có các mô hình ARIMA lần lượt là: ARIMA(1;1;1); ARIMA(1;1;4); ARIMA (4;1;1); ARIMA (4;1;4); ARIMA (5;1;1); ARIMA(5;1;4).

Kết quả Bảng 5 cho thấy, mô hình 2 là mô hình ước lượng tốt nhất tương ứng với ARIMA(1,1,4).

Bảng 5: Kết quả hồi quy ARIMA

Chú thích: ** Mức ý nghĩa 5%; *** Mức ý nghĩa 10%

Nguồn: Ước lượng từ Eview 11

Kết quả ước lượng tăng trưởng theo mô hình ARIMA (Bảng 6) dự báo tăng trưởng kinh tế của Việt Nam trong các quý dự báo dao động từ 6.076% đến 6.235%. Điều này cho thấy, mô hình ARIMA dự báo một mức tăng trưởng ổn định với sự dao động nhẹ, phản ánh tính chu kỳ và các yếu tố ngắn hạn ảnh hưởng đến tăng trưởng kinh tế của Việt Nam.

Bảng 6: Kết quả dự báo tăng trưởng kinh tế theo mô hình ARIMA

Nguồn: Ước lượng từ Eview 11

So sánh kết quả dự báo tăng trưởng của 2 mô hình VECM và ARIMA

Khi so sánh kết quả dự báo giữa 2 mô hình (Bảng 7) cho thấy, có sự khác biệt về xu hướng và độ biến động. Mô hình ARIMA chỉ ra một xu hướng tăng trưởng ổn định và ít biến động hơn với mức tăng trưởng dao động nhẹ quanh 6%. Điều này có thể lý giải bởi ARIMA thường dựa trên các mẫu số liệu thời gian ngắn hạn và phản ánh các yếu tố ngắn hạn ảnh hưởng đến tăng trưởng kinh tế. Trong khi đó, mô hình VECM lại cho thấy, xu hướng tăng trưởng mạnh mẽ và biến động lớn hơn với mức tăng trưởng bắt đầu từ 5.66% và tăng lên đến 6.21% vào cuối năm 2024. Điều này có thể lý giải bởi VECM thường được sử dụng khi có mối quan hệ dài hạn giữa các biến số kinh tế, giúp mô hình phản ánh sự ổn định trong các mối quan hệ này và dự báo mức độ biến động lớn hơn trong tương lai.

Bảng 7: So sánh kết quả dự báo giữa 2 mô hình VECM và ARIMA

Nguồn: Tổng hợp của tác giả

Như vậy, khả năng dự báo của mỗi mô hình phụ thuộc vào mục tiêu và bối cảnh phân tích. Nếu mục tiêu là dự báo sự ổn định và ngắn hạn của tăng trưởng kinh tế, mô hình ARIMA sẽ là sự lựa chọn phù hợp hơn nhờ khả năng phản ánh các yếu tố ngắn hạn với ít biến động. Ngược lại, nếu mục tiêu là bắt kịp các xu hướng dài hạn và dự báo các biến động lớn trong tương lai, mô hình VECM sẽ là lựa chọn thích hợp nhờ khả năng phản ánh mối quan hệ dài hạn giữa các biến số kinh tế. Theo đó, mô hình ARIMA và VECM đều có những ưu điểm và nhược điểm riêng trong việc dự báo tăng trưởng kinh tế.

KẾT LUẬN VÀ KHUYẾN NGHỊ

Nghiên cứu cho thấy, lựa chọn mô hình dự báo ARIMA hay VECM cần phải xem xét yếu tố mục tiêu và bối cảnh. Nếu mục tiêu là dự báo tăng trưởng ngắn hạn với độ biến động thấp, mô hình ARIMA sẽ là sự lựa chọn hợp lý. Trong khi đó, nếu mục tiêu là nắm bắt xu hướng dài hạn và dự báo các biến động lớn trong tương lai, thì mô hình VECM sẽ là lựa chọn tốt hơn. Cả hai mô hình đều mang lại những giá trị hữu ích cho các nhà hoạch định chính sách và các nhà nghiên cứu kinh tế. Việc kết hợp sử dụng cả 2 mô hình có thể cung cấp một bức tranh toàn diện hơn về xu hướng tăng trưởng kinh tế của Việt Nam, giúp đưa ra các quyết định chính sách kinh tế chính xác và hiệu quả hơn trong tương lai./.

TÀI LIỆU THAM KHẢO

1. Box, G. E. P and Jenkins, G.M. (1976), Time series analysis: Forecasting and control, Holden-Day, San Francisco.

2. Granger and Engle (1983), Co-Integration and Error Correction: Representation, Estimation, and Testing, The Econometric Society,

3. Lê Mai Trang, Hoàng Anh Tuấn, Đinh Thị Hà, Nguyễn Thị Hiên, Trần Kim Anh (2022), Ứng dụng mô hình dự báo dữ liệu tần suất hỗn hợp dự báo tăng trưởng kinh tế Việt Nam, Tạp chí Kinh tế và Phát triển, 302, 2-12.

4. Nguyễn Kim Anh (2015), Dự báo tăng trưởng và lạm phát của Việt Nam năm 2015, Tạp chí Kinh tế và Phát triển, 213 (3), 34-41.

5. Nguyễn Đức Trung, Lê Hoàng Anh và Đinh Thị Phương Anh (2021). Dự báo tăng trưởng kinh tế và lạm phát Việt Nam: một so sánh giữa mô hình VAR, LASSO VÀ MLP, Tạp chí Khoa học Thương mại, 154, 3-13.

6. Nguyễn Quang Dong và Nguyễn Thị Minh (2012), Giáo trình Kinh tế lượng, Nxb Đại học Kinh tế Quốc dân.

7. Tổng cục Thống kê (2010-2024), Báo cáo kinh tế - xã hội Quý I các năm từ năm 2010 đến năm 2024.