tiểu luận dự báo kinh tế dự báo lượng gdp ngành công nghiệp và xây dựng đóng góp vào tổng gdp VN năm 2019

1
1.1

Giới thiệu
Tóm tắt
Bài viết này nhằm ứng dụng phương pháp dự báo phân tích, cụ thể là mô hình

nhân tính vào việc dự báo lượng GDP mà ngành Công nghiệp và Xây dựng đóng góp
vào tổng GDP theo quý của Việt Nam . Số liệu về lượng GDP này được nhóm tác giả
thu thập theo quý từ Tổng Cục Thống Kê Việt Nam (GSO) và trang website
trong khoảng thời gian từ quý 1 năm 2005 đến quý 4 năm
2018. Có thể thấy, theo một số nghiên cứu, để dự báo GDP của một ngành hay của một
đất nước, mô hình nhân tính không phải là mô hình nghiên phù hợp nhất nhưng đối với
Việt Nam, trong xu thế của một nước đang trên đà phát triển, việc lựa chọn mô hình
nhân tính để dự báo lượng GDP mà ngành Công nghiệp và Xây dựng đóng góp vào tổng
GDP đã mang lại những kết quả khả quan. Kết quả của mô hình dự báo cho thấy, lượng
GDP này có xu hướng tăng trong giai đoạn 2019 và tăng mạnh trong quý 3 và quý 4,
GDP trung bình năm của năm 2019 là 535830,8 tỷ VNĐ.
Từ khóa: Dự báo,GDP ngành Công nghiệp và Xây dựng, mô hình nhân tính.
1.2

Đặt vấn đề
Dự báo các biến số kinh tế là vấn đề mà các nhà kinh tế và các nhà hoạch định

chính sách đề quan tâm khi lập kế hoạch cho đơn vị của mình. Kết quả dự báo càng
chính xác thì kế hoạch lập ra sẽ càng khả thi. Có không ít mô hình để dự báo về GDP
của một ngành hay của một đất nước. Marcellino, Stock và Watson (2001) sử dụng mô
hình VAR (Vector Autoregressive) cho ba biến GDP, thất nghiệp và lạm phát. Tương tự
như vậy, Robertson & Tallman (1999) hay Andersson (2007) cho rẳng mô hình VAR là
chính xác nhất để dự báo tăng trưởng cho tổng GDP cũng như lượng GDP mà các ngành
khác nhau đóng góp trong cơ cấu kinh tế của một quốc gia. Theo Khashei và Bijairi

(2011) mô hình ARIMA lại rất phù hợp đối với những quan hệ tuyến tính giữa dữ liệu
hiện tại và dữ liệu quá khứ.
Tuy nhiên, mỗi mô hình dự báo đều có ưu và nhược điểm riêng. Sau khi kiểm tra
nhiều mô hình như ARIMA, SARIMA,… với bộ số liệu thu thập được lấy từ Tổng cục
Thống kê (2019) thì việc dự báo lượng GDP mà ngành Công nghiệp và Xây dựng đóng
góp vào tổng GDP của Việt Nam, nhóm tác giả lựa chọn sử dụng phương pháp phân
tích, cụ thể là dùng mô hình nhân tính để có thể nghiên cứu những thay đổi bất thường
cũng như có thể đưa ra được kết quả nghiên cứu tốt nhất cho của lượng GDP này và các
yếu tố khác tác động đến sự thay đổi đầu ra của dự báo.
1


2

Mô tả dữ liệu
Dữ liệu được sử dụng trong nghiên cứu là lượng GDP ngành Công nghiệp và

Xây dựng đóng góp vào tổng GDP của Việt Nam trong thời gian từ quý 1 năm 2005 đến
quý 4 năm 2018. Dữ liệu này được thu thập từ Tổng Cục Thống Kê Việt Nam (GSO) cơ quan trực thuộc Bộ Kế hoạch và Đầu tư thực hiện chức năng tham mưu, giúp Bộ
trưởng Bộ Kế hoạch và Đầu tư quản lý nhà nước về thống kê; tổ chức các hoạt động
thống kê và cung cấp thông tin thống kê kinh tế - xã hội cho các cơ quan, tổ chức, cá
nhân trong nước và quốc tế theo quy định của pháp luật, và trang website
- cổng thông tin trực tuyến đầu ngành về tài chính - chứng
khoán và các kênh đầu tư được cập nhật liên tục 24/7 với độ chính xác và tính chọn lọc
cao.

Lượng GDP ngành Công nghiệp và
Xây dựng đóng góp vào tổng GDP
của Việt Nam (Đơn vị: Tỷ VNĐ)
1800000

1600000
1400000
1200000
1000000
800000
600000
400000
200000
0

Hình 1. Lượng GDP ngành Công nghiệp và Xây dựng đóng góp vào tổng GDP của
Việt Nam (Đơn vị: Tỷ VNĐ)

2


Trên cửa sổ Series: GDP vào View/ Descriptive Statistics & Tests/ Stats Table, ta
có một số mô tả thống kê quan trọng như sau:
 Số quan sát (Observations): 56
 Giá trị trung bình (Mean): 281639,3
 Giá trị lớn nhất (Maximum): 1669568,0
 Giá trị nhỏ nhất (Minimum): 70679,0
 Độ lệch chuẩn (Std. Dev): 231331,3
Tất cả 56 quan sát của bộ dữ liệu này được nhóm tác giả sử dụng vào việc thiết lập mô
hình của nghiên cứu.
3

Phƣơng pháp nghiên cứu
Phương pháp dự báo phân tích áp dụng đối với hiện trượng nghiên cứu chịu tác

động của nhiều nhân tố biến động như biến động thời vụ, biến động xu hướng và biến
động bất thường.
Với một chuỗi số liệu theo thời gian thông thường, các thành phần có thể có mặt
bao gồm:
 Thành phần xu thế (Trend):
 Thành phần chu kỳ dài hạn (Cyclical):
 Thành phần mùa vụ (Seasonal):
 Thành phần ngẫu nhiên (Erratic):
Cụ thể hơn, mô hình cộng tính và nhân tính để dự báo cho biến Y t lần lượt được
viết dưới dạng:
•
•
Nhìn chung, hàm xu thế, chỉ số thời vụ được xác định từng mô hình còn những
nhân tố biến động bất thường thường không thể dự báo được, do vậy, mô hình chỉ còn
lại hai nhân tố là biến động xu hướng và biến động thời vụ.
Bƣớc 1: Nhận dạng dữ liệu

3


Xác định chuỗi thuộc mô hình nhân tính hay mô hình cộng tính thông qua biên
độ biến động của chuỗi số liệu.
Nếu chuỗi có biên độ không đổi theo thời gian sẽ thuộc mô hình cộng tính còn
mô hình nhân tính thì biên độ biến động của chuỗi sẽ thay đổi theo thời gian.
Với dữ liệu liên tục theo quý, chọn số điểm lấy trung bình trượt là m = 4 rồi
trung tâm hóa (với t ≥ 3)
•

=

•

=

•
Với dữ liệu liên tục theo tháng, chọn số điểm lấy trung bình trượt m = 12 rồi
trung tâm hóa (với t ≥ 7)

•

=

•

=

•
Bƣớc 2: Tách yếu tố mùa vụ và yếu tố bất thường ra khỏi chuỗi dữ liệu và thu được
chuỗi mới
 Đối với mô hình nhân tính: tính các tỉ số
 Đối với mô hình cộng tính: tính các hiệu
Bƣớc 3: Ước lượng chuỗi

bằng hàm xu thế và dự báo chuỗi hiệu chỉnh thu được

chuỗi.
Tính giá trị trung bình chênh lệch
•

Đối với mô hình nhân tính:=

()

x∑

()

•

Đối với mô hình cộng tính:

x ∑(

)

Tính chỉ số mùa vụ

4


=(

•

Đối với mô hình nhân tính:

•

Đối với mô hình cộng tính:

)

Bƣớc 4: Dự báo chuỗi gốc bằng cách nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa
vụ để thu được chuỗi
•

Đối với mô hình nhân tính:

•

Đối với mô hình cộng tính:

=

4 Kết quả nghiên cứu
Bƣớc 1: Nhận dạng dữ liệu
Trên cửa sổ Series:GDP, vào View/ Graph, hoặc dựa vào biểu đồ mô tả số liệu ở
hình 1, nhóm tác giả xác định được chuỗi số liệu thuộc dạng mô hình nhân tính bởi biên
độ giao động của chuỗi thay đổi theo thời gian.
GDP
2,000,000

1,600,000

1,200,000

800,000

400,000

0
05

06

07

08

09

10

11

12

13

14

15

16

17

18

5

Bƣớc 2: Tách yếu tố mùa vụ và yếu tố bất thường ra khỏi chuỗi dữ liệu và thu được
chuỗi mới
Trên cửa sổ Series:GDP, vào Proc/ Seasonal Adjustment/ Moving Average
Methods.Trên cửa sổ Seasonal Adjustment trong phần Adjustment methods chọn Ratio
to moving average-Multiplicative.
Chuỗi đã tách yếu tố mùa vụ là gdpsa, chỉ số mùa vụ là s.
Ta có kết quả chỉ số mùa vụ như sau:
Date: 03/20/19 Time: 09:11
Sample: 2005Q1 2018Q4
Included observations: 56
Ratio to Moving Average
Original Series: GDP
Adjusted Series: GDPSA
Scaling Factors:
1

0.824802

2

0.917255

3

0.983491

4

1.343970

Bƣớc 3: Ước lượng chuỗi

chuỗi

bằng hàm xu thế và dự báo chuỗi hiệu chỉnh thu được

.

Ước lượng gdpsa theo biến T
Trên cửa sổ Command , gõ lệnh genr t=@trend(2005Q1) để tạo biến xu thế t. Sau đó,
tiếp tục gõ lệnh LS gdpsa c t để ước lượng gdpsa theo biến t.

6


Dependent Variable: GDPSA
Method: Least Squares
Date: 03/20/19 Time: 09:13
Sample: 2005Q1 2018Q4
Included observations: 56
Variable

CoefficientStd. Error t-Statistic

Prob.

C

39761.75 30239.88 1.314878

0.1941

T

8438.819 948.0097 8.901616

0.0000

R-squared

0.594713

Mean dependent var

271829.3

Adjusted R-squared

0.587207

S.D. dependent var

178471.5

S.E. of regression

114666.1

Akaike info criterion

26.17250

Sum squared resid

7.10E+11

Schwarz criterion

26.24483

Log likelihood

-730.8299

Hannan-Quinn criter.

26.20054

F-statistic

79.23877

Durbin-Watson stat

2.051296

Prob(F-statistic)
0.000000

Ta có mô hình hồi quy: ̂ = 39761,75

+ 8438.819.t

Kiểm định giả thuyết thống kê về hệ số hồi quy
H:
Cặp giả thuyết:{ 0
j=

0

H:
1

j

0
Theo kết quả ước lượng, có thể thấy: Hệ số chặn của biến t có P-value (Prob.) = 0,0000 < = 0,05.
Từ đó, nhóm tac giả có cơ sở để bác bỏ H0, chấp nhận H1. Hệ số hồi quy của biến t có ý nghĩa thống kê.

Mô hình có ý nghĩa thống kê tại mức ý nghĩa = 0,05
Kiểm định bỏ sót biến
H : Mô hình không bỏ sót biến
Cặp giả thuyết: { 0

H1: Mô hình thiếu biến
Trên cửa sổ ước lượng vào Stability Diagnostics/ Ramsey RESET test

7

Ramsey RESET Test
Equation: UNTITLED
Specification: GDPSA C T
Omitted Variables: Squares of fitted values
Value

df

Probability

t-statistic

1.078084 53

0.2859

F-statistic

1.162266 (1, 53) 0.2859

Likelihood ratio

1.214783 1

0.2704

Sum of Sq.df

Mean Squares

Test SSR

1.52E+10 1

1.52E+10

Restricted SSR

7.10E+11 54

1.31E+10

Unrestricted SSR 6.95E+11 53

1.31E+10

Unrestricted SSR 6.95E+11 53

1.31E+10

F-test summary:

LR test summary:
Value

df

Restricted LogL -730.8299 54
Unrestricted LogL-730.2225 53

Theo kết quả kiểm định ta thấy p-value > = 0,05 . Nhóm tác giả có thể kết luận
mô hình không bỏ sót biến quan trọng.
Kiểm định tự tương quan
H0: Mô hình không có tự tương quan
Cặp giả thuyết: {

H1: Mô hình có tự tương quan

Breusch-Godfrey Serial Correlation LM Test:
F-statistic

0.069261

Prob. F(2,52)

0.9332

Obs*R-squared

0.148781

Prob. Chi-Square(2) 0.9283

Theo kết quả kiểm định ta thấy p-value > = 0,05. Nhóm tác giả có thể kết luận
mô hình không có tự tương quan.
8


Kiểm định phương sai sai số thay đổi

H : Mô hình không có phương sai sai số thay đổi
Cặp giả thuyết: { 0

H1: Mô hình có phương sai sai số thay đổi
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic

2.667873

Prob. F(1,54)

0.1082

Obs*R-squared

2.636430

Prob. Chi-Square(1) 0.1044

Scaled explained SS 47.49237

Prob. Chi-Square(1) 0.0000

Theo kết quả kiểm định ta thấy p-value > = 0,05. Nhóm tác giả có thể kết luận
phương sai sai số thay đổi.
Kiểm định phân phối chuẩn:
H : Nhiễu phân phối chuẩn
Cặp giả thuyết: { 0

H1: Nhiễu không phân phối chuẩn

Trên cửa sổ ước lượng vào View/Residual Diagnostics/Histogram Normality
Test
28

Series: Residuals Sample
2005Q1 2018Q4
Observations 56

24
20
16
12

Mean

-5.02e-11

Median
Maximum
Minimum

-6276.104
772124.4
-185046.4
113618.9
5.586055
39.74592

Std. Dev.
Skewness

Kurtosis

8
4
0
-200000

1

200001

400001

600001

Jarque-Bera

3441.851

Probability

0.000000

800001

Theo kết quả kiểm định ta thấy p-value = 0.0000 < = 0.05. Nhóm tác giả có cơ
sở bác bỏ H0: Nhiễu phân phối không chuẩn.
Bƣớc 4: Dự báo chuỗi gốc bằng cách nhân hoặc cộng chuỗi hiệu chỉnh với chỉ số mùa
vụ để thu được chuỗi gdpf
Dự báo cho chuỗi gốc: 2012Q1-2012Q4

9


600,000

Forecast: GDPSAF
Actual: GDPSA
Forecast sample: 2012Q1 2012Q4
Included observations: 4
Root Mean Squared Error 11565.48
Mean Absolute Error
11168.27
Mean Abs. Percent Error 3.765353
Theil Inequality Coefficient 0.019816
Bias Proportion
0.264199
Variance Proportion
0.001687
Covariance Proportion 0.734113
Theil U2 Coefficient
0.849346

500,000

400,000

300,000

200,000

100,000

0
2012q1

2012q2

2012q3

GDPSAF

Symmetric MAPE

2012q4

3.809528

± 2 S.E.

Nhìn vào kết quả dự báo trong mẫu ta thấy: Mean Abs. Percent Error = 3.765353<5 có
nghĩa rằng sai số dự báo < 5%. Nhóm tác giả tiếp tục sử dụng mô hình này để dự báo
ngoài mẫu.
Trong phần Forecast sample chọn mẫu 2019Q1-2019Q4. Ta thu được chuỗi dự
báo gdpsaf
Ta lấy chuỗi gdpsaf nhân với chỉ số mùa vụ sr sẽ được chuỗi dự báo gdpf.
Trên cửa sổ Command gõ lệnh genr gdpf=gdpsaf*s
Trên cửa sổ Command gõ lệnh line gdpf gdp thu được kết quả:
2,000,000

1,600,000

1,200,000

800,000

400,000

0
05

06

07

08

09

10

11

12
GDPF

13

14

15

16

17

18

19 20

GDP

Nhận xét về mô hình:
Mô hình còn nhiều hạn chế:
 Số lượng quan sát chưa lớn (mới chỉ có 56 quan sát)
10


 Phân phối của nhiễu không phải là phân phối chuẩn (positively skewed)
 Mô hình chỉ dự báo tốt cho mẫu trong khoảng 2012Q1-2012Q4 (ngoài ra, đối
với các khoảng khác ngoài mẫu, mô hình có Mean Abs. Percent Error>5%)
Mặt khác, mô hình là mô hình có ý nghĩa và đã vượt qua các kiểm định:
 Không bỏ sót biến
 Phương sai sai số không đổi
 Không có tự tương quan
5
5.1

Kết luận
Kết luận chung
Nhiều yếu tố, đặc biệt là yếu tố liên quan đến kinh tế tác động đáng kể đến việc

dự báo lượng GDP ngành công nghiệp và xây dựng đóng góp vào Tổng GDP Việt Nam
từ nay đến cuối 2019. Bài viết đã nghiên cứu khả năng ứng dụng của phương pháp này
vào việc dự báo lượng GDP ngành công nghiệp và xây dựng đóng góp vào Tổng GDP
Việt Nam từ nay đến cuối 2019.
5.2

Hạn chế của nghiên cứu
Bên cạnh những đóng góp, nghiên cứu cũng có không ít hạn chế. Hạn chế lớn

nhất của nghiên cứu là chưa thể kiểm soát được tất cả các yếu tố tác động đến lượng
GDP ngành công nghiệp và xây dựng đóng góp vào Tổng GDP Việt Nam. Do đặc điểm
của việc thu thập số liệu còn khó khăn cũng là một hạn chế không nhỏ.
Bên cạnh đó, bất lợi của việc sử dụng dữ liệu thứ cấp là chỉ nhìn vào các con số
trung bình, nghiên cứu không trực tiếp đi điều tra nên không có cơ hội mô tả và tìm hiểu
những câu chuyện cụ thể ẩn giấu đằng sau những con số này.
Mặc dù có không ít hạn chế song nghiên cứu cũng đã có những đóng góp nhất định
trong việc dự báo lượng GDP ngành công nghiệp và xây dựng đóng góp vào Tổng GDP
Việt Nam từ nay đến cuối 2019. Đồng thời mở ra những cơ hội mới cho những hướng
nghiên cứu tiếp theo. Từ đó, có những kiến nghị, những giải pháp khác nhau cho Việt
Nam trong giai đoạn hiện nay.

11


6

Đề xuất giải pháp để tăng trƣởng GDP ngành công nghiệp và xây dựng
Trong điều kiện tự do hóa thương mại và Cách mạng công nghiệp 4.0 vừa tạo

dựng cơ hội phát triển cho kinh tế Việt Nam, đồng thời nâng cao năng lực cạnh tranh
của nền kinh tế, năm 2019 cần tập trung vào một số giải pháp sau:
Chính phủ và các địa phương trong cả nước cần tập trung rà soát, bổ sung và
hoàn thiện thể chế, cắt giảm thực chất điều kiện kinh doanh đang là rào cản đối với
hoạt động của doanh nghiệp và cơ sở kinh doanh cá thể, đẩy mạnh cải cách hành chính,
thực thi hiệu quả thủ tục một cửa tạo môi trường kinh doanh thuận lợi cho doanh
nghiệp thành lập và phát triển.
Tiến hành xây dựng, sửa đổi, bổ sung hệ thống pháp luật để thực hiện có hiệu
quả Hiệp định Đối tác Toàn diện và Tiến bộ xuyên Thái Bình Dương, đồng thời tích cực
vận động sớm phê chuẩn Hiệp định thương mại tự do Việt Nam - EU. Nâng cao kết quả
hoạt động mở rộng thương mại quốc tế, đẩy mạnh xúc tiến thương mại, tìm kiếm và mở
rộng thị trường xuất khẩu.
Chủ động, linh hoạt trong điều hành chính sách tiền tệ, lãi suất, tỷ giá phù hợp
với diễn biến thị trường trong nước và quốc tế để hỗ trợ cho sản xuất kinh doanh và
tăng trưởng kinh tế. Nâng cao chất lượng tín dụng, hỗ trợ khởi nghiệp; kiểm soát tín
dụng ở một số ngành, lĩnh vực tiềm ẩn rủi ro.
Triển khai thực hiện có kết quả các nhiệm vụ trọng tâm tái cơ cấu kinh tế. Thực
hiện đồng bộ các giải pháp huy động nguồn lực đầu tư xây dựng hệ thống kết cấu hạ
tầng theo tinh thần Nghị quyết Trung ương 4 (khóa XI).
Phát triển đồng bộ hệ thống kết cấu hạ tầng, đặc biệt là hạ tầng giao thông và
công nghệ thông tin. Đẩy nhanh tiến độ hoàn thành các công trình, dự án trọng điểm,
có sức lan tỏa cao, có ý nghĩa nâng cao năng lực sản xuất cho nền kinh tế.
Ban hành và thực thi các giải pháp mang tính đột phá, tạo áp lực để các tổ chức
kinh tế tiếp cận, ứng dụng công nghệ, sáng tạo trong hoạt động sản xuất kinh doanh.
Tập trung nâng cao năng suất lao động, năng lực cạnh tranh của nền kinh tế. Chú trọng
phát triển thị trường trong nước, chủ động kết nối, phát triển các kênh phân phối sản
phẩm hàng hóa của Việt Nam.
Chính phủ đổi mới phương thức thu hút đầu tư nước ngoài, tập trung thu hút các
nhà đầu tư hàng đầu thế giới, đang nắm giữ công nghệ nguồn có năng lực quản trị hiện
đại, năng lực cạnh tranh cao đầu tư vào Việt Nam, tăng cường liên kết giữa doanh

12


nghiệp FDI và doanh nghiệp nội địa, ngăn ngừa việc chuyển dịch các dòng vốn gây ô
nhiễm môi trường, công nghệ lạc hậu vào Việt Nam.
Thực tế, bối cảnh công nghiệp hóa đang có những thay đổi mạnh mẽ. Tiến bộ
khoa học, công nghệ, đổi mới sáng tạo và nhất là cuộc cách mạng công nghiệp lần thứ
4, đang mở ra nhiều cơ hội cũng như thách thức cho các nước đang tiến hành công
nghiệp hóa. Cùng với đó, sự chuyển dịch công nghiệp về cả vốn và công nghệ sẽ diễn
ra ngày càng mạnh mẽ hơn trong phạm vi khu vực và toàn cầu. Do vậy việc triển khai
có hiệu quả những định hướng chính sách đột phá được nêu trong Nghị quyết 23 chắc
chắn sẽ giúp Việt Nam tận dụng tốt hơn các cơ hội, vượt qua được thách thức, tạo tiền
đề sớm hoàn thành mục tiêu công nghiệp hóa, hiện đại hóa đất nước.
7

Tài liệu tham khảo
 TỔNG CỤC THỐNG KÊ, 28/12/2018
/> GS.TS. Nguyễn Quang Dong, TS. Nguyễn Thị Minh, Giáo trình kinh tế lượng,
2012.
 DIỄN ĐÀN DOANH NGHIỆP, 23/05/2018, /> Cổng thông tin trực tuyến đầu ngành về tài chính và chứng khoán,
/> Kho dữ liệu mở của Ngân hàng Thế giới hỗ trợ sự phát triển của Việt Nam,
/> Box & Jenkins, 1970. Time series analysis: Forecasting and control, San
Francisco: HoldenDay Gujarati, 2004. Basic Econometrics. McGraw−Hill.
 Khashei & Bijari, 2011. A novel hybridization of artificial neural networks and
ARIMA
 Stock & Watson, 2007. Why Has U.S. Inflation Become Harder to Forecast?
Journal of Money, Credit and Banking, Vol 39, pp.3-33

13