i Bài giảng PHÂN TÍCH VÀ DỰ BÁO KINH TẾ TRONG XÂY DỰNG ii TRƯỜNG ĐẠI HỌC THỦY LỢI KHOA KINH TẾ VÀ QUẢN LÝ – BỘ MÔN QUẢN LÝ XÂY DỰNG (Chủ biên TS Nguyễn Thiện Dũng) Thành viên ThS Trần Văn Khiêm, ThS B[.]
TỔNG QUAN VỀ PHÂN TÍCH VÀ DỰ BÁO KINH TẾ TRONG XÂY DỰNG
KHÁI NIỆM CÓ LIÊN QUAN
Dự báo đã hình thành từ đầu những năm 60 của thế kỉ 20 Dự báo theo tiếng Hy Lạp là Prognosis - sự tiên đoán, sự thấytrước
Dự báo là quá trình tiên đoán dựa trên cơ sở khoa học, thể hiện xác suất về mức độ, nội dung, mối quan hệ, trạng thái và xu hướng phát triển của đối tượng nghiên cứu Nó cũng liên quan đến cách thức và thời gian đạt được các mục tiêu đã đề ra trong tương lai.
Tiên đoán khoa học là quá trình phân tích mối quan hệ giữa các đối tượng trong một hệ thống lý luận khoa học, dựa trên việc xem xét quy luật phát triển và các điều kiện ban đầu như giả thiết Nó kết hợp giữa phân tích định tính và định lượng để đưa ra những dự báo chính xác về các quá trình cần nghiên cứu.
Dự báo là một yếu tố quan trọng của hầu hết các quyết định kinh doanh và lập kế hoạch kinh tế
Công tác dự báo đóng vai trò quan trọng trong việc cung cấp thông tin cần thiết để phát hiện và sử dụng nguồn lực trong tương lai một cách hiệu quả Những thông tin từ dự báo giúp các nhà hoạch định chính sách đưa ra quyết định về đầu tư, sản xuất, tiết kiệm và tiêu dùng, cũng như các chính sách tài chính và kinh tế vĩ mô.
Hầu như mọi lĩnh vực chức năng của doanh nghiệp đều sửdụng một loại dự báo nào đó, vídụ:
- Kế toán: dự báo chi phí và doanh thu trong kế hoạch nộp thuế
- Phòng nhân sự: dự báo nhu cầu tuyển dụng và những thay đổi trong công sở
- Chuyên gia tài chính: dự báo dòng tiền
- Quản đốc sản xuất: dự báo nhu cầu nguyên vật liệu và tồn kho
- Giám đốc marketing: Dự báo doanh số để thiết lập ngân sách cho quảng cáo.
Ý NGHĨA VÀ VAI TRÒ CỦA PHÂN TÍCH VÀ DỰ BÁO KINH TẾ
Phân tích và dự báo kinh tế trong xây dựng có những ý nghĩa sau:
Dự báo các mức độ tương lai của hiện tượng giúp các nhà quản trị doanh nghiệp, đặc biệt trong lĩnh vực xây dựng, chủ động đề ra kế hoạch và quyết định cần thiết cho quá trình sản xuất kinh doanh Điều này bao gồm đầu tư xây dựng, quảng bá, quy mô sản xuất, kênh phân phối sản phẩm, công tác đấu thầu, và huy động nguồn tài chính Đồng thời, việc chuẩn bị đầy đủ cơ sở vật chất và kỹ thuật cho sự phát triển trong tương lai là rất quan trọng, bao gồm kế hoạch cung cấp các yếu tố đầu vào như lao động, nguyên vật liệu và tư liệu lao động, cũng như các yếu tố đầu ra dưới dạng sản phẩm và dịch vụ.
Trong ngành xây dựng, việc thực hiện công tác dự báo một cách nghiêm túc không chỉ giúp nâng cao khả năng cạnh tranh mà còn tạo điều kiện thuận lợi cho sự phát triển bền vững trên thị trường.
- Dự báo chính xác sẽ giảm bớt mức độ rủi ro cho doanh nghiệp xây dựng nói riêng và toàn bộ nền kinh tế nói chung
Dự báo chính xác đóng vai trò quan trọng trong việc hỗ trợ các nhà hoạch định chính sách phát triển kinh tế, văn hóa và xã hội, đặc biệt trong lĩnh vực xây dựng và toàn bộ nền kinh tế quốc dân.
Dự báo chính sách kinh tế đóng vai trò quan trọng trong việc xây dựng các kế hoạch và chương trình phát triển kinh tế, giúp đảm bảo tính khoa học và hiệu quả kinh tế cao.
Dự báo thường xuyên và kịp thời giúp các nhà quản trị doanh nghiệp xây dựng có khả năng điều chỉnh hoạt động kinh tế hiệu quả, từ đó tối ưu hóa hiệu suất sản xuất kinh doanh.
Dự báo là yếu tố quan trọng giúp doanh nghiệp xây dựng tạo ra lợi thế cạnh tranh lớn, từ đó lựa chọn lĩnh vực tham gia phù hợp cho tương lai.
Công tác dự báo đóng vai trò quan trọng trong hoạt động của doanh nghiệp xây dựng, ảnh hưởng đến các phòng ban như Kinh doanh, Marketing, Sản xuất, Nhân sự và Kế toán - tài chính.
CÁC LOẠI DỰ BÁO KINH TẾ TRONG XÂY DỰNG
1.3.1 Căn cứ vào độ dài thời gian dự báo
Theo thời gian, dự báo có thể phân thành ba loại:
Dự báo dài hạn là những dự báo có thời gian từ 5 năm trở lên, thường được sử dụng để xác định các mục tiêu và chiến lược trong lĩnh vực kinh tế, chính trị và khoa học kỹ thuật ở cấp độ vĩ mô.
Dự báo trung hạn là những dự báo có thời gian từ 3 đến 5 năm, thường được sử dụng để xây dựng các kế hoạch trung hạn về kinh tế, văn hóa và xã hội ở cả cấp độ vi mô và vĩ mô.
Dự báo ngắn hạn là những dự báo có thời gian dưới 3 năm, thường được sử dụng để lập kế hoạch kinh tế, văn hóa và xã hội ở cả tầm vi mô và vĩ mô Loại dự báo này giúp phục vụ cho công tác chỉ đạo kịp thời trong khoảng thời gian ngắn.
Cách phân loại dự báo phụ thuộc vào loại hiện tượng, với khoảng thời gian dự báo khác nhau cho từng lĩnh vực Trong dự báo kinh tế, dự báo dài hạn thường kéo dài trên 5 năm, trong khi dự báo thời tiết chỉ kéo dài khoảng một tuần Do đó, thang thời gian cho dự báo kinh tế dài hơn nhiều so với dự báo thời tiết, và có thể được đo bằng các đơn vị phù hợp như quý hoặc năm cho kinh tế, và ngày cho thời tiết.
1.3.2 Dựa vào các phương pháp dự báo
Theo phương pháp, dự báo có thể chia thành 3 nhóm:
Dự báo bằng phương pháp chuyên gia là quá trình tổng hợp và xử lý ý kiến của các chuyên gia có kinh nghiệm về hiện tượng nghiên cứu, nhằm đưa ra các dự đoán dựa trên đánh giá chủ quan Phương pháp này đặc biệt hiệu quả cho những hiện tượng phức tạp, chịu ảnh hưởng từ nhiều yếu tố như khoa học - kỹ thuật, môi trường, thời tiết và chiến tranh trong thời gian dài Một cải tiến của phương pháp này là phương pháp Delphi, trong đó ý kiến của một nhóm chuyên gia được thu thập và trình bày dưới dạng thống kê tóm tắt, mà không có sự tiếp xúc trực tiếp để tránh sai lệch do tương tác nhóm Cuối cùng, các chuyên gia sẽ xem xét lại dự báo của mình dựa trên các ý kiến đã được tóm tắt và có thể bổ sung thêm thông tin.
Dự báo theo phương trình hồi quy là phương pháp xây dựng mô hình hồi quy dựa trên đặc điểm và xu thế phát triển của hiện tượng nghiên cứu Để thực hiện, cần có tài liệu về hiện tượng cần dự báo cùng với các yếu tố liên quan Phương pháp này thường được áp dụng cho dự báo trung hạn và dài hạn ở tầm vĩ mô.
Dự báo dựa vào dãy số thời gian là phương pháp sử dụng các dữ liệu quá khứ để phân tích và xác định xu hướng biến động của hiện tượng trong tương lai Bằng cách nghiên cứu các dãy số thời gian, chúng ta có thể dự đoán mức độ và sự phát triển của hiện tượng trong các khoảng thời gian tiếp theo.
1.3.3 Căn cứ vào nội dung
Dự báo có thể được phân loại thành nhiều loại khác nhau, bao gồm dự báo khoa học, dự báo kinh tế, dự báo xã hội, dự báo tự nhiên và thiên văn học Mỗi loại dự báo đều có những đặc điểm riêng, phục vụ cho mục đích khác nhau trong việc phân tích và dự đoán xu hướng tương lai.
Dự báo khoa học là quá trình tiên đoán về các sự kiện, hiện tượng hoặc trạng thái có khả năng xảy ra trong tương lai Trong nghĩa hẹp hơn, nó liên quan đến nghiên cứu khoa học nhằm đánh giá triển vọng của một hiện tượng cụ thể, tập trung vào việc phân tích số liệu và xác định khoảng thời gian mà hiện tượng đó có thể trải qua những thay đổi.
Dự báo kinh tế là khoa học nghiên cứu các hiện tượng kinh tế trong tương lai, đóng vai trò quan trọng trong việc xây dựng chiến lược phát triển kinh tế - xã hội và kế hoạch dài hạn Nó không chỉ xem xét sự phát triển kinh tế mà còn cả tình hình thế giới và các quan hệ quốc tế Các lĩnh vực dự báo chủ yếu bao gồm dân số, nguồn lao động, năng suất lao động, mức sống, nhu cầu tiêu dùng, và sự chuyển dịch cơ cấu kinh tế Kết quả của dự báo kinh tế giúp hiểu rõ các điều kiện kinh tế - xã hội, từ đó xây dựng chiến lược phát triển đúng đắn và các chương trình, kế hoạch phát triển hiệu quả và bền vững.
Dự báo xã hội là một lĩnh vực khoa học nghiên cứu các triển vọng của hiện tượng, sự biến đổi và quá trình xã hội, nhằm đưa ra những dự đoán về tình hình phát triển và diễn biến của xã hội.
- Dự báo tự nhiên, thiên văn học, loại dự báo này thường bao gồm:
Dự báo thời tiết là thông báo về tình hình thời tiết dự kiến trong một khoảng thời gian nhất định tại một khu vực cụ thể Nó bao gồm các loại dự báo như dự báo chung, dự báo khu vực và dự báo địa phương Thời gian dự báo có thể chia thành dự báo ngắn hạn (1-3 ngày) và dự báo dài hạn (có thể lên tới một năm).
Dự báo thuỷ văn là quá trình xác định sự phát triển của các hiện tượng thuỷ văn tại sông hồ dựa trên tài liệu khí tượng thuỷ văn Nó dựa vào quy luật phát triển của các quá trình này để dự đoán sự xuất hiện của các hiện tượng quan trọng Dự báo thuỷ văn được phân loại theo thời gian: hạn ngắn (dưới 2 ngày), hạn vừa (2-10 ngày), và mùa (vài tháng) Ngoài ra, cấp báo thuỷ văn cung cấp thông tin khẩn cấp về hiện tượng nguy hiểm Mục đích của dự báo có thể phục vụ thi công, vận tải, phát điện, và các yếu tố như lưu lượng lớn nhất, nhỏ nhất, và lũ.
Dự báo địa lý là nghiên cứu về sự phát triển của môi trường địa lý trong tương lai, nhằm đưa ra các giải pháp khoa học hợp lý để sử dụng và bảo vệ môi trường hiệu quả.
Dự báo động đất là quá trình xác định địa điểm và thời gian có khả năng xảy ra động đất, dựa trên sự tích luỹ lâu dài và các dấu hiệu cảnh báo như biến đổi địa chất, hiện tượng vật lý và trạng thái sinh học bất thường ở động vật Việc dự báo này được thực hiện thông qua nghiên cứu bản đồ phân vùng động đất và các dấu hiệu báo trước Tuy nhiên, cho đến nay, việc dự báo chính xác thời gian xảy ra động đất vẫn chưa khả thi.
CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN DỰ BÁO KINH TẾ XÂY DỰNG
Kết quả dự báo số liệu có thể bị ảnh hưởng đáng kể bởi nhiều yếu tố bên ngoài, dẫn đến giá trị dự báo không còn chính xác và xuất hiện sai sót lớn.
Sự biến động của nền kinh tế có thể làm cho các dự báo dựa trên số liệu quá khứ trở nên không chính xác Khi nền kinh tế phát triển mạnh, các kết quả thực tế có thể vượt qua những dự đoán trước đó Ngược lại, trong tình huống nền kinh tế gặp khó khăn, các dự báo thường không đạt được so với số liệu thực tế.
+ Yếu tố về chính sách:
+ Yếu tố về chính trị
+ Yếu tố về chu kỳ kinh doanh (đặc biệt trong xây dựng thì chu kỳ kinh doanh thường kéo dài)
+ Yếu tố ngẫu nhiên như thời tiết, khí hậu, thiên tai
Một số tác động chủ quan làm ảnh hưởng đến công tác dự báo và phân tích dự báo trong xây dựng như sau:
+ Trình độ, năng lực của người dự báo khi nhận định mẫu, phương pháp sai
Việc lựa chọn phương pháp dự báo không phù hợp có thể dẫn đến sai số lớn, đặc biệt là trong dự báo dài hạn Trong khi các phương pháp dự báo đơn giản có thể cho kết quả sai số thấp, thì để đạt được độ chính xác cao trong dự báo dài hạn, cần phải lựa chọn phương pháp phù hợp.
+ Thời gian dự báo quá dài;
+ Lựa chọn số liệu dự báo chưa chính xác;
+ Số liệu chưa đủ và chưa phù hợp với phương pháp.
QUY TRÌNH DỰ BÁO KINH TẾ TRONG XÂY DỰNG
Quy trình dự báo bao gồm 9 bước, bắt đầu và kết thúc bằng sự trao đổi, hợp tác và cộng tác giữa người sử dụng và những người thực hiện dự báo.
Bước 1: Xác định mục tiêu
Các mục tiêu liên quan đến quyết định dự báo cần được xác định rõ ràng Nếu quyết định không thay đổi dù có dự báo hay không, thì mọi nỗ lực thực hiện dự báo sẽ trở nên vô nghĩa.
Khi người sử dụng và người làm dự báo có cơ hội thảo luận về các mục tiêu và cách sử dụng kết quả dự báo, ý nghĩa của kết quả sẽ trở nên quan trọng hơn.
Bước 2: Xác định dự báo cái gì
- Khi các mục tiêu tổng quát đã rõ ta phải xác định chính xác là dự báo cái gì (cần có sự trao đổi)
Khi thực hiện dự báo doanh số, cần làm rõ nội dung dự báo, chẳng hạn như liệu đó là dự báo doanh thu bán hàng hay số lượng đơn vị bán ra Ngoài ra, cũng cần xác định thời gian dự báo là theo năm, quý, tháng hay tuần để có cái nhìn chính xác hơn về xu hướng và kế hoạch kinh doanh.
+ Nên dự báo theo đơn vị để tránh những thay đổi của giá cả
Bước 3: Xác định khía cạnh thời gian Có 2 loại khía cạnh thời gian cần xem xét:
- Thứ nhất: Độ dài dự báo, cần lưu ý:
+ Đối với dự báo theo năm: từ 1 đến 5 năm
+ Đối với dự báo quý: từ 1 hoặc 2 năm
+ Đối với dự báo tháng: từ 12 đến 18 tháng
- Thứ hai: Người sử dụng và người làm dự báo phải thống nhất tính cấp thiết của dự báo
Bước 4: Xem xét dữ liệu
- Dữ liệu cần để dự báo có thể từ 2 nguồn: bên trong và bên ngoài
- Cần phải lưu ý dạng dữ liệu sẵn có (thời gian, đơn vị tính, )
- Dữ liệu thường được tổng hợp theo cả biến và thời gian, nhưng tốt nhất là thu thập dữ liệu chưa được tổng hợp
- Cần trao đổi giữa người sử dụng và người làm dự báo
Bước 5: Lựa chọn mô hình
- Làm sao để quyết định được phương pháp thích hợp nhất cho một tình huống nhất định?
+ Loại và lượng dữ liệu sẵn có + Mô hình (bản chất) dữ liệu quá khứ + Tính cấp thiết của dự báo + Độ dài dự báo
+ Kiến thức chuyên môn của người làm dự báo
Bước 6: Đánh giá mô hình
- Đối với các phương pháp định tính thì bước này ít phù hợp hơn so với phương pháp định lượng
- Đối với các phương pháp định lượng, cần phải đánh giá mức độ phù hợp của mô hình (trong phạm vi mẫu dữ liệu)
- Đánh giá mức độ chính xác của dự báo (ngoài phạm vi mẫu dữ liệu)
- Nếu mô hình không phù hợp, quay lại bước 5
Bước 7: Chuẩn bị dự báo
Để nâng cao độ chính xác trong dự báo, nên áp dụng nhiều phương pháp khác nhau, chẳng hạn như kết hợp mô hình hồi quy với phương pháp san mũ Holt, thay vì chỉ sử dụng hai mô hình hồi quy tương tự.
Các phương pháp được lựa chọn cần phải được áp dụng để chuẩn bị cho nhiều dự báo khác nhau, bao gồm các kịch bản như trường hợp xấu nhất, tốt nhất và có khả năng xảy ra nhất.
Bước 8: Trình bày kết quả dự báo
Kết quả dự báo cần được trình bày một cách rõ ràng và dễ hiểu cho ban quản lý, giúp họ nắm bắt cách thức tính toán các con số và nhận diện độ tin cậy của kết quả dự báo.
- Người dự báo phải có khả năng trao đổi các kết quả dự báo theo ngôn ngữ mà các nhà quản lý hiểu được
- Trình bày cả ở dạng viết và dạng nói
- Bảng biểu phải ngắn gọn, rõ ràng
- Chỉ cần trình bày các quan sát và dự báo gần đây thôi
- Chuỗi dữ liệu dài có thể được trình bày dưới dạng đồ thị (cả giá trị thực và dự báo)
- Trình bày thuyết trình nên theo cùng hình thức và cùng mức độ với phần trình bày viết
Bước 9: Theo dõi kết quả dự báo
- Lệch giữa giá trị dự báo và giá trị thực phải được thảo luận một cách tích cực, khách quan và cởi mở
- Mục tiêu của việc thảo luận là để hiểu tại sao có các sai số, để xác định độ lớn của sai số
Trao đổi và hợp tác giữa người sử dụng và người làm dự báo là yếu tố then chốt trong việc thiết lập và duy trì quy trình dự báo hiệu quả Sự tương tác này không chỉ nâng cao chất lượng dự báo mà còn đảm bảo rằng các nhu cầu và mong đợi của người sử dụng được đáp ứng một cách tốt nhất.
PHƯƠNG PHÁP DỰ BÁO KINH TẾ TRONG XÂY DỰNG
PHƯƠNG PHÁP DỰ BÁO ĐỊNH TÍNH
Lấy ý kiến của ban lãnh đạo
Lấy ý kiến của bộ phận bán hàng
Phương pháp lấy ý kiến người tiêu dùng
Các mô hình nhân quả
Hồi quy Phân tích tương quan
Các mô hình chuỗi thời gian
Bình quân đơn giảnBình quân di độngSan bằng số mũChuỗi thời gianPhương pháp Box -Jenkins
Các phương pháp dự báo định tính dựa trên các nhân tố nhân quả và doanh số của từng sản phẩm hoặc dịch vụ, đồng thời xem xét ý kiến về mối liên hệ của những nhân tố này trong tương lai Những phương pháp này có mức độ phức tạp khác nhau, từ khảo sát ý kiến khoa học cho đến việc nhận diện các sự kiện tương lai Dưới đây là những dự báo định tính phổ biến thường được sử dụng.
2.1.1 Lấy ý kiến của ban điều hành
Phương pháp dự báo này được áp dụng phổ biến trong các doanh nghiệp, nơi các nhà quản trị cấp cao và người phụ trách các bộ phận quan trọng đóng vai trò quan trọng Họ sử dụng số liệu thống kê về các chỉ tiêu tổng hợp như doanh số, chi phí và lợi nhuận Bên cạnh đó, việc thu thập ý kiến từ các chuyên gia trong lĩnh vực marketing, tài chính, sản xuất và kỹ thuật cũng là điều cần thiết để đảm bảo độ chính xác của dự báo.
Phương pháp này có nhược điểm lớn là tính chủ quan của các thành viên, với ý kiến của người có chức vụ cao nhất thường chi phối những người khác Điều này đặc biệt quan trọng trong lĩnh vực xây dựng, nơi có nhiều lực lượng tham gia vào quá trình hình thành công trình.
2.1.2 Lấy ý kiến của người bán hàng
Những người bán hàng thường xuyên tương tác với khách hàng, giúp họ nắm bắt nhu cầu và thị hiếu của người tiêu dùng Nhờ vào kinh nghiệm này, họ có khả năng dự đoán lượng hàng tiêu thụ trong khu vực mà mình phụ trách.
Bằng cách thu thập ý kiến từ nhiều người bán hàng ở các khu vực khác nhau, chúng ta có thể tạo ra một dự báo tổng hợp về nhu cầu của sản phẩm đang được xem xét.
Phương pháp này gặp nhược điểm lớn do phụ thuộc vào đánh giá chủ quan của người bán hàng Một số người có xu hướng lạc quan và đánh giá cao lượng hàng bán ra, trong khi những người khác lại có xu hướng đánh giá thấp để dễ dàng đạt được định mức.
2.1.3 Phương pháp chuyên gia (Delphi)
- Phương pháp này thu thập ý kiến của các chuyên gia trong hoặc ngoài doanh nghiệp theo những mẫu câu hỏi được in sẵn và được thực hiện như sau:
- Mỗi chuyên gia được phát một thư yêu cầu trả lời một số câu hỏi phục vụ cho việc dự báo
- Nhân viên dự báo tập hợp các câu trả lời, sắp xếp chọn lọc và tóm tắt lại các ý kiến của các chuyên gia
- Dựa vào bảng tóm tắt này nhân viên dự báo lại tiếp tục nêu ra các câu hỏi để các chuyên gia trả lời tiếp
Phương pháp tập hợp ý kiến từ các chuyên gia giúp đạt được dự báo chính xác bằng cách tiếp tục điều chỉnh cho đến khi thỏa mãn yêu cầu Ưu điểm nổi bật của phương pháp này là loại bỏ sự ảnh hưởng cá nhân, ngăn chặn va chạm giữa các chuyên gia và hạn chế tác động từ những ý kiến ưu thế trong nhóm.
2.1.4 Phương pháp điều tra người tiêu dùng
Phương pháp thu thập thông tin từ người tiêu dùng giúp xác định nhu cầu hiện tại và tương lai Cuộc điều tra nhu cầu được thực hiện bởi nhân viên bán hàng hoặc nghiên cứu thị trường thông qua phiếu điều tra, phỏng vấn trực tiếp hoặc qua điện thoại Cách tiếp cận này không chỉ hỗ trợ doanh nghiệp trong việc dự báo nhu cầu mà còn cải tiến thiết kế sản phẩm Tuy nhiên, phương pháp này tốn nhiều thời gian, yêu cầu chuẩn bị phức tạp và có thể dẫn đến kết quả không chính xác từ phía người tiêu dùng.
PHƯƠNG PHÁP DỰ BÁO ĐỊNH LƯỢNG
Mô hình dự báo định lượng sử dụng số liệu quá khứ để dự đoán tương lai, với giả định rằng các số liệu này có liên quan và có thể truy cập được Tất cả các mô hình này đều có thể áp dụng thông qua chuỗi thời gian, trong đó các giá trị được quan sát và đo lường theo từng giai đoạn cụ thể.
Các bước tiến hành dự báo:
- Xác định mục tiêu dự báo
- Xác định loại dự báo
- Chọn mô hình dự báo
- Thu thập số liệu và tiến hành dự báo
- Ứng dụng kết quả dự báo
Tính chính xác của dự báo là độ chênh lệch giữa dự báo và số liệu thực tế, và chỉ có thể đánh giá sau khi thời gian trôi qua Nếu dự báo gần với số liệu thực tế, độ chính xác được xem là cao, đồng nghĩa với việc lỗi trong dự báo thấp Để tính toán, người ta thường sử dụng độ sai lệch tuyệt đối bình quân (MAD).
MAD Tổng các sai số tuyệt đối của n
i Nhu cầu thực tế - nhu cầu dự báo
Dự báo ngắn hạn là ước lượng về tương lai trong khoảng thời gian ngắn, thường từ vài ngày đến vài tháng Nó cung cấp thông tin quan trọng cho các nhà quản lý, giúp họ đưa ra quyết định hiệu quả về các vấn đề liên quan.
- Cần dự trữ bao nhiêu đối với một loại sản phẩm cụ thể nào đó cho tháng tới ?
- Lên lịch sản xuất từng loại sản phẩm cho tháng tới như thế nào ?
- Số lượng nguyên vật liệu cần đặt hàng để nhận vào tuần tới là bao nhiêu ?
Mô hình dự báo sơ bộ là công cụ dự báo nhanh chóng, tiết kiệm chi phí và dễ sử dụng, thường áp dụng cho các dự báo ngắn hạn và đơn giản.
- Sử dụng số liệu hàng bán ngày hôm nay làm dự báo cho lượng hàng bán ngày mai
- Sử dụng số liệu ngày này ở năm trước rồi như là dự báo lượng hàng bán cho ngày ấy ở năm nay
Mô hình dự báo sơ bộ thường gặp sai sót do tính ổn định kém và bị ảnh hưởng bởi các yếu tố không được xem xét, dẫn đến độ chính xác thấp trong dự báo.
2.2.1.2 Phương pháp trung bình trượt
Phương pháp trung bình trượt giúp làm mượt các số liệu trong một khoảng thời gian gần đây, từ đó tạo ra một giá trị trung bình có thể sử dụng để dự báo cho giai đoạn tiếp theo.
(2-3) Với: F t - Dự báo thời kỳ thứ t;
A t-i - Số liệu thực tế thời kỳ trước (i=1,2, ,n) n - Số thời kỳ tính toán di động
Ông B, nhà quản lý dự trữ, muốn dự báo số lượng hàng tồn kho và xuất kho hàng tuần với nhu cầu hiện tại ổn định và biến động không đáng kể Các nhà phân tích công ty mẹ khuyên ông nên sử dụng số trung bình trượt theo 3, 5, hoặc 7 tuần Trước khi đưa ra quyết định, ông B đã so sánh tính chính xác của các phương pháp này trong 10 tuần lễ gần nhất, với đơn vị là 10 triệu đồng.
Tính toán trung bình trượt 3, 5, 7 tuần:
Tuần lễ Nhu cầu dự trữ thực tế
Tính toán độ lệch tuyệt đối bình quân MAD cho 3 loại dự báo này:
Nhu cầu dự trữ thực tế
Dự báo AD Dự báo AD Dự báo AD
Nhu cầu dự trữ thực tế
Dự báo AD Dự báo AD Dự báo AD
Tổng độ lệch tuyệt đối 104,0 92,6 96,3
Phương pháp dự báo trung bình trượt 5 tuần cho thấy độ chính xác cao nhất, vì vậy chúng ta sẽ áp dụng phương pháp này để dự đoán nhu cầu dự trữ cho tuần tới, tức tuần thứ 18.
2.2.1.3 Phương pháp trung bình trượt có trọng số
Trong phương pháp trung bình trượt, các số liệu trong quá khứ được coi là có vai trò như nhau, tuy nhiên, một số trường hợp cho thấy chúng có ảnh hưởng khác nhau đến kết quả dự báo Do đó, việc sử dụng quyền số không đồng đều cho các số liệu quá khứ trở nên phổ biến Quyền số, hay trọng số, là các con số thể hiện mức độ quan trọng của từng số liệu trong việc ảnh hưởng đến kết quả dự báo, với quyền số lớn được gán cho số liệu gần nhất với kỳ dự báo Việc chọn quyền số phụ thuộc vào kinh nghiệm và sự nhạy cảm của người dự báo.
- Ft - Dự báo thời kỳ thứ t
- At-i - Số liệu thực tế thời kỳ trước (i= l,2, ,n)
- wi – trọng số tương ứng ở thời kỳ i, được xác định theo công thức
- wi – Quyền số tương ứng ở thời kỳ i
Giả sử quyền số của tuần gần nhất là 3, cách 2 tuần trước là 2,5; cách 3 tuần trước là 2; 4 tuần trước là 1,5; và 5 tuần trước là 1 Dựa vào ví dụ 2.1, chúng ta có thể tính toán dự báo nhu cầu dự trữ cho tuần lễ thứ 18 trong thời kỳ 5 tuần.
Cả 2 phương pháp trung bình trượt và trung bình trượt có quyền số đều có ưu điểm là san bằng được các biến động ngẫu nhiên trong dãy số Tuy vậy, chúng đều có nhược điểm sau:
- Do việc san bằng các biến động ngẫu nhiên nên làm giảm độ nhạy cảm đối với những thay đổi thực đã được phản ánh trong dãy số
Số trung bình trượt không phản ánh chính xác xu hướng phát triển của dãy số, mà chỉ cho thấy sự biến động trong quá khứ Điều này có nghĩa là nó không thể dự đoán được sự tiếp diễn của xu hướng trong tương lai.
2.2.1.4 Phương pháp san bằng hàm số mũ
Phương pháp san bằng hàm số mũ cung cấp dự báo cho giai đoạn tiếp theo bằng cách điều chỉnh dự báo trước đó Sự điều chỉnh này dựa trên một tỷ lệ của sai số dự báo ở giai đoạn trước, được tính bằng cách nhân dự báo trước với hệ số điều hòa nằm trong khoảng từ 0 đến 1 Hệ số điều hòa này đóng vai trò quan trọng trong việc cải thiện độ chính xác của các dự báo.
Công thức tính như sau: Ft = Ft-1+ α (At-1 - Ft-1) (2-6) Trong đó : F t - Dự báo cho giai đoạn thứ t, giai đoạn kế tiếp
F t -1 - Dự báo cho giai đoạn thứ t-1, giai đoạn trước
A t -1 - Số liệu thực tế của giai đoạn thứ t-1 α – Hệ số điều hòa
Ông B được yêu cầu dự báo nhu cầu hàng tuần cho kho hàng của mình Nhà phân tích gợi ý sử dụng phương pháp điều hòa mũ với các hệ số 0,1; 0,2; 0,3 Ông B quyết định so sánh độ chính xác của dự báo cho từng hệ số trong 10 tuần gần đây.
Chúng tôi thực hiện dự báo hàng tuần từ tuần lễ thứ 8 đến tuần lễ thứ 17, trong đó các dự báo của tuần lễ thứ 7 được chọn ngẫu nhiên Dự báo khởi đầu là yếu tố quan trọng trong phương pháp điều hòa mũ, thường được xác định bằng giá trị thực của giai đoạn trước đó.
Tính toán mẫu - dự báo cho tuần lễ thứ 8:
Sau đó ta tính độ lệch tuyệt đối bình quân MAD cho 3 dự báo nói trên:
Nhu cầu dự trữ thực tế
Dự báo AD Dự báo AD Dự báo AD
Tổng độ lệch tuyệt đối 133,9 124,4 126,0
Hệ số điều hòa =0,2 cho chúng ta độ chính xác cao hơn =0,1 và =0,3 Sử dụng
= 0,2 để tính dự báo cho tuần thứ 18 :
2.2.1.5 Phương pháp điều hòa mũ theo xu hướng
Phân tích dữ liệu trong trong kinh tế xây dựng
XÁC ĐỊNH DỮ LIỆU CẦN THU THẬP
3.1.1 Xác định dữ liệu cần thu thập
Dữ liệu là kết quả quan sát từ các biến, và giá trị của chúng có thể thay đổi giữa các đơn vị Việc thu thập dữ liệu liên quan đến hiện tượng nghiên cứu đòi hỏi phải xác định rõ những dữ liệu cần thiết và thứ tự ưu tiên của chúng Nếu không, chúng ta có thể lãng phí thời gian và tiền bạc vào những dữ liệu không quan trọng Việc xác định dữ liệu cần thu thập phụ thuộc vào vấn đề và mục tiêu nghiên cứu; càng cụ thể vấn đề và mục tiêu, việc xác định dữ liệu càng trở nên dễ dàng.
Khi nghiên cứu ảnh hưởng của việc sinh viên đi làm thêm đến kết quả học tập, cần thu thập hai nhóm dữ liệu chính: thông tin về việc làm thêm và kết quả học tập của sinh viên.
Về nhóm dữ liệu đi làm thêm, có thể thu thập các dữ liệu liên quan như:
- Có đi làm thêm hay không
- Mức độ thường xuyên công việc làm thêm như thế nào
- Thời gian làm thêm hàng ngày, hàng tuần bao nhiêu giờ
- Tính chất công việc có liên quan với ngành nghề đang được đào tạo hay không
- Mục đích của việc đi làm thêm
- Nơi làm thêm có xa chỗ ở và chỗ học không
- Có thích thú với công việc không, có giúp ích cho việc học không, giúp ích ở khía cạnh nào…
Một số dữ liệu không liên quan trực tiếp đến mục tiêu nghiên cứu ảnh hưởng của việc làm thêm đến kết quả học tập có thể không cần thiết phải thu thập, chẳng hạn như thông tin về các công việc làm thêm không ảnh hưởng đến học tập.
- Đi làm thêm có phải mặc đồng phục không
- Có được huấn luyện trước khi làm không
- Tính chất công việc làm thêm là làm một mình hay làm với nhiều người
- Người phụ trách công việc là nam hay nữ, có phải là cựu sinh viên của trường hay không
- Người cùng làm là nam hay nữ
- Những người cùng chỗ làm có cùng quê không
- Việc làm thêm là do tự tìm, hay do quen biết, giới thiệu
- Có phải trả phí môi giới, giới thiệu việc làm không, trả bao nhiêu…
Việc xác định rõ giới hạn và phạm vi dữ liệu thu thập là rất quan trọng; nếu không, công việc sẽ trở nên nhiều nhưng dữ liệu thu thập được lại không có ý nghĩa trong việc đạt được mục tiêu nghiên cứu.
- Căn cứ vào đặc điểm tính chất của dữ liệu, chúng ta chia dữ liệu thành hai loại: dữ liệu định tính và dữ liệu định lượng
Biến định tính thể hiện loại hay tính chất của đơn vị hoặc phần tử được khảo sát, ví dụ như giới tính, trình độ, nghề nghiệp
Biến định lượng thể hiện bằng con số Là kết quả của quá trình cân đo đong đếm, ví dụ như trọng lượng, tuổi thọ trung bình,
Dữ liệu được phân loại thành ba loại chính dựa trên hình thức trình bày: dữ liệu chuỗi thời gian (time series data), dữ liệu chéo (cross-sectional data) và dữ liệu bảng (panel data).
- Căn cứ vào nguồn gốc của dữ liệu, chúng ta chia dữ liệu thành hai loại dữ liệu sơ cấp và dữ liệu thứ cấp
Dữ liệu sơ cấp là thông tin được thu thập trực tiếp bởi người nghiên cứu, chưa qua xử lý hoặc vẫn giữ nguyên trạng thái ban đầu Trong thống kê, dữ liệu sơ cấp cũng bao gồm các thông tin được công bố bởi tổ chức thu thập, như GDP, GNP và tỷ lệ lạm phát do Tổng cục thống kê cung cấp.
Dữ liệu thứ cấp là dữ liệu được tổng hợp từ các nguồn dữ liệu sơ cấp hoặc dữ liệu đã có sẵn
Trong nghiên cứu, người nghiên cứu có thể sử dụng dữ liệu từ nguồn có sẵn hoặc tự thu thập dữ liệu cần thiết Có hai loại dữ liệu chính: dữ liệu thứ cấp và dữ liệu sơ cấp Dữ liệu thứ cấp là những thông tin đã được tổng hợp và xử lý từ các nguồn có sẵn, trong khi dữ liệu sơ cấp là thông tin được thu thập trực tiếp từ đối tượng nghiên cứu ban đầu.
Khi nghiên cứu ảnh hưởng của việc đi làm đến kết quả học tập của sinh viên, cần thu thập dữ liệu từ nhiều nguồn Dữ liệu thứ cấp, như điểm trung bình và số môn thi lại, có thể lấy từ phòng đào tạo hoặc thư ký khoa Tuy nhiên, để có cái nhìn chính xác hơn, chúng ta cần thu thập dữ liệu sơ cấp trực tiếp từ sinh viên.
Dữ liệu thứ cấp mang lại lợi ích về tốc độ thu thập và chi phí thấp, nhưng thường thiếu chi tiết và không đáp ứng đầy đủ nhu cầu nghiên cứu Trong khi đó, dữ liệu sơ cấp đáp ứng tốt hơn cho các yêu cầu nghiên cứu, mặc dù việc thu thập loại dữ liệu này tốn nhiều thời gian và chi phí hơn.
3.1.2 Nguồn thu thập dữ liệu
3.1.2.1 Nguồn dữ liệu thứ cấp
Nguồn dữ liệu thứ cấp khá đa dạng, đối với doanh nghiệp có thể sử dụng các nguồn sau:
Các số liệu báo cáo nội bộ về tình hình sản xuất, tiêu thụ, tài chính và nhân sự của các phòng ban, bộ phận là rất quan trọng Ngoài ra, các số liệu từ các cuộc điều tra khảo sát trước đây cũng cung cấp thông tin quý giá cho việc đánh giá hiệu quả hoạt động.
Cơ quan thống kê nhà nước cung cấp các số liệu quan trọng trong Niên giám thống kê, bao gồm dữ liệu tổng quát về dân số, lao động, việc làm, mức sống dân cư, tài nguyên, đầu tư, và kết quả sản xuất của nền kinh tế, cũng như thông tin về xuất nhập khẩu.
- Cơ quan chính phủ: số liệu do các cơ quan trực thuộc chính phủ (Bộ, cơ quan ngang
Các số liệu do Bộ, Ủy ban nhân dân công bố thường mang tính chi tiết và đặc trưng theo ngành hoặc địa phương Ví dụ, số người mắc bệnh tiểu đường trên toàn quốc hoặc tại TP HCM là thông tin quan trọng cho các công ty trong lĩnh vực sản xuất, kinh doanh, xuất nhập khẩu sản phẩm y tế và ngành dược Thêm vào đó, số lượng xe tải, xe buýt quá niên hạn cần thay thế cũng là dữ liệu cần thiết cho các quyết định quản lý và phát triển hạ tầng giao thông.
Báo và tạp chí cung cấp số liệu thời sự và cập nhật, nhưng độ tin cậy của thông tin phụ thuộc vào nguồn gốc của dữ liệu mà các ấn phẩm này sử dụng Chẳng hạn, số lượng học sinh, sinh viên ở các cấp học hay số trung tâm ngoại ngữ hoạt động hợp pháp hay không đều cần được xác minh kỹ lưỡng.
- Các tổ chức, hiệp hội, viên nghiên cứu… ví dụ số lượng doanh nghiệp dệt may…
- Các công ty nghiên cứu và cung cấp cung cấp thông tin theo yêu cầu
Trong thời đại kỹ thuật số, nhiều dữ liệu thứ cấp đã được thu thập và chia sẻ bởi các cơ quan chính phủ, tổ chức, đơn vị nghiên cứu, doanh nghiệp và trường học.
3.1.2.2 Nguồn thu thập dữ liệu sơ cấp
Dữ liệu sơ cấp được thu thập thông qua quy trình bài bản, phụ thuộc vào loại nghiên cứu thống kê, bao gồm nghiên cứu thử nghiệm và nghiên cứu quan sát.
PHƯƠNG PHÁP XÂY DỰNG BẢNG HỎI
Phương pháp điều tra bằng bảng hỏi là một kỹ thuật phỏng vấn viết nhằm thu thập dữ liệu sơ cấp cho nghiên cứu Quá trình thu thập dữ liệu diễn ra đồng thời với nhiều người thông qua bảng câu hỏi in sẵn, nơi người được hỏi thể hiện ý kiến bằng cách đánh dấu vào các ô theo quy ước đã được thống nhất Đội ngũ điều tra viên cũng có thể tham gia để ghi nhận ý kiến và đánh dấu câu trả lời Dưới đây là các bước cơ bản để xây dựng bảng hỏi trong điều tra xã hội học.
Hình 3.1 Quy trình cơ bản để xử lý dữ liệu sơ cấp
Cụ thể, chúng ta có 7 bước xây dựng bảng hỏi như sau:
Bước đầu tiên trong quá trình nghiên cứu là xác định mục tiêu và câu hỏi nghiên cứu Điều này rất quan trọng để đảm bảo rằng tất cả các câu hỏi trong bảng hỏi đều phù hợp với mục tiêu nghiên cứu, từ đó giúp trả lời các câu hỏi đã đặt ra Cần phải đảm bảo rằng các câu hỏi này sẽ thu thập dữ liệu cần thiết, tránh tình trạng thiếu sót hoặc thừa thãi thông tin không cần thiết.
Bước 2: Xác định đối tượng khảo sát và mẫu khảo sát dự kiến
Mỗi nghiên cứu cần xác định nhóm đối tượng cụ thể để thiết kế bảng hỏi phù hợp với mục đích và đối tượng khảo sát Ví dụ, có thể khảo sát một nhóm người dân trong khu vực hoặc nhóm khách hàng sử dụng dịch vụ Do đó, việc xác định rõ ràng đối tượng và mục tiêu khảo sát là rất quan trọng để thu thập dữ liệu cần thiết.
Bước 3: Xác định các cách thức thu thập dữ liệu
Có 2 kênh chính để thu thập dữ liệu sơ cấp bằng bảng hỏi: trực tiếp và gián tiếp;
Để thu thập dữ liệu hiệu quả, chúng ta sẽ trực tiếp gặp gỡ đối tượng khảo sát và thuyết phục họ tham gia trả lời bảng hỏi Mặc dù phương pháp này tốn thời gian và công sức, nhưng nó mang lại kết quả ngay lập tức với số lượng bảng hỏi được hoàn thành nhiều và nguồn dữ liệu thu được thường có độ tin cậy cao hơn.
Gửi bảng hỏi online qua email hoặc diễn đàn là một phương pháp khảo sát gián tiếp, giúp tiết kiệm công sức so với việc khảo sát trực tiếp Tuy nhiên, tỷ lệ phản hồi thường thấp và dữ liệu thu được có thể không đáng tin cậy do các yếu tố chủ quan hoặc khách quan, chẳng hạn như người trả lời hiểu sai hoặc không hiểu rõ câu hỏi.
Bước 4: Xác định các câu hỏi trong bảng hỏi Người nghiên cứu cần lựa chọn những câu hỏi cần thiết và phù hợp để thu thập dữ liệu quan trọng, giúp trả lời các vấn đề nghiên cứu và đạt được mục tiêu đã đề ra.
Bước 5: Sắp xếp thứ tự các câu hỏi trong bảng hỏi
Sau khi xác định các câu hỏi, người nghiên cứu cần sắp xếp chúng theo thứ tự logic để tạo cấu trúc bảng hỏi hợp lý Việc này giúp tránh gây khó khăn cho người khảo sát Câu hỏi chung và tổng quát nên được đặt trước, trong khi các câu hỏi chi tiết và quan trọng không nên để ở cuối, vì người trả lời có thể mệt mỏi và không tập trung khi đến phần này.
Bước 6: Phỏng vấn thử và tham khảo ý kiến chuyên gia là một bước quan trọng để hoàn thiện bảng hỏi Bảng hỏi ban đầu có thể gặp phải các lỗi như câu hỏi đa nghĩa, không rõ ràng hoặc dễ hiểu sai Do đó, người nghiên cứu cần tiến hành khảo sát thử với một số người trong nhóm đối tượng mục tiêu để phát hiện những lỗi này Bên cạnh đó, việc tham khảo ý kiến từ các chuyên gia có kinh nghiệm trong thiết kế bảng hỏi cũng rất cần thiết để đảm bảo chất lượng của bảng hỏi.
Bước 7: Chỉnh sửa và hoàn thiện bảng hỏi
Sau khi hoàn thành bước 6, người nghiên cứu cần thực hiện các điều chỉnh cần thiết để hoàn thiện bảng hỏi, khắc phục các lỗi từ khảo sát thử hoặc ý kiến của chuyên gia Một bảng hỏi tốt thường trải qua nhiều lần phỏng vấn thử và điều chỉnh trước khi đạt được sự đồng thuận Khi bảng hỏi đã hoàn chỉnh, việc khảo sát thực tế mới được tiến hành, và từ thời điểm này, người nghiên cứu không được phép chỉnh sửa bảng hỏi để đảm bảo tính nhất quán trong dữ liệu thu thập, trừ khi có sai sót nghiêm trọng.
PHƯƠNG PHÁP ĐIỀU TRA THU THẬP DỮ LIỆU
Việc thu thập số liệu là rất quan trọng trong nghiên cứu, nhằm tạo cơ sở lý luận khoa học và chứng minh giả thuyết Số liệu có thể được thu thập từ tài liệu nghiên cứu trước đó, qua quan sát và thực hiện thí nghiệm.
Có 3 phương pháp thu thập số liệu:
- Thu thập số liệu từ tài liệu tham khảo
- Thu thập số liệu từ những thực nghiệm
- Thu thập số liệu phi thực nghiệm (lập bảng câu hỏi điều tra, phỏng vấn, thảo luận nhóm…)
Yếu tố quyết định phương pháp thu thập số liệu:
- Mục tiêu nghiên cứu, các biến số: quyết định các chỉ số cần thu thập
- Loại nghiên cứu (định tính, định lượng, phối hợp, mô tả, phân tích…)
- Nguồn thông tin thu thập: Sẵn có hay phải điều tra
3.3.1 Phương pháp thu thập số liệu thứ cấp từ tài liệu đã có
Phương pháp này sử dụng thông tin từ tài liệu tham khảo có sẵn để xây dựng luận cứ chứng minh giả thuyết Chẳng hạn, để khẳng định giả thuyết “không thể loại bỏ cây bạch đàn ra khỏi cơ cấu cây trồng rừng”, nghiên cứu đã dựa vào các công trình nghiên cứu trước đó, như của Vũ Cao Đàm (2003).
Nghiên cứu tại Nga cho thấy, trong vòng 15 năm, cây bạch đàn có khả năng tăng trưởng chiều cao gấp 5 lần so với cây dẻ và gấp 10 lần so với cây sồi.
- Sản lượng bạch đàn trên 1 ha hàng năm rất cao, tới 20 đến 25 m3/ha/năm, trong khi cây mỡ chỉ đạt 15-20 m3/ha/năm và cây bồ đề là 10-15 m3/ha/năm;
Theo thống kê của FAO, từ năm 1744 đến 1975, hơn 100 quốc gia đã nhập khẩu bạch đàn, trong đó 78 quốc gia đã phát triển rừng bạch đàn thành rừng kinh tế có sản lượng cao và quy mô lớn.
3.3.2 Phương pháp thu thập số liệu từ thực nghiệm
3.3.2.1 Khái niệm có liên quan
Phương pháp này sử dụng quan sát, theo dõi và đo đạc tại hiện trường để thu thập số liệu Các nhà nghiên cứu thường xác định các biến cần thiết để tiến hành quan sát và đo đạc nhằm thu thập thông tin chính xác.
Phương pháp khoa học trong thực nghiệm bao gồm các bước quan trọng như lập giả thuyết, xác định biến, tiến hành thực nghiệm và thu thập số liệu để kiểm chứng giả thuyết.
Trong nghiên cứu thực nghiệm, có 2 loại biến thường gặp, đó là biến độc lập (independent variable) và biến phụ thuộc (dependent variable)
Biến độc lập là yếu tố ảnh hưởng đến biến phụ thuộc trong mô hình kinh tế, với việc thay đổi các điều kiện này sẽ tác động đến kết quả thí nghiệm Đối tượng nghiên cứu thường chứa nhiều biến độc lập, và kết quả của biến phụ thuộc sẽ thay đổi tương ứng với những biến độc lập này.
Trong nghiên cứu biến độc lập, thường có một nhóm đối chứng để so sánh, bao gồm các yếu tố và điều kiện ở mức độ thông thường Những yếu tố đã được xác định này không cần phải dự đoán ảnh hưởng của chúng, trong khi các yếu tố còn lại sẽ được so sánh với nhóm đối chứng hoặc giữa các cặp yếu tố khác nhau.
Biến phụ thuộc là biến số chịu tác động từ một biến số khác trong mô hình nghiên cứu Chẳng hạn, nhu cầu về một hàng hóa thường bị ảnh hưởng bởi giá cả của nó Đây là các chỉ tiêu được đo đạc và có sự thay đổi trong suốt quá trình thí nghiệm, nghĩa là kết quả đo đạc sẽ phụ thuộc vào sự biến đổi của biến độc lập.
Khi nghiên cứu sự sinh trưởng của cây mía, các biến phụ thuộc như chiều cao cây, số lá và trọng lượng cây có thể khác nhau ở các nghiệm thức khác nhau.
Kết quả quan sát phụ thuộc vào nguyên nhân ảnh hưởng, cho phép người nghiên cứu xác định dễ dàng yếu tố tác động đến sự kiện quan sát dựa trên mối quan hệ trong giả thuyết.
Để thực hiện khảo sát trong thí nghiệm, bước đầu tiên là xác định quần thể mà nhà nghiên cứu muốn đo đạc Quần thể này bao gồm nhiều cá thể với các thành phần và đặc điểm khác nhau Đối tượng khảo sát thường được phân chia thành hai nhóm.
- Nhóm khảo sát: đối tượng được đặt ra trong giả thuyết
- Nhóm đối chứng: so sánh với nhóm khảo sát
Để thực hiện việc bố trí và thu thập số liệu cho nghiên cứu, bước đầu tiên là thiết lập khung mẫu Khung mẫu cần xác định rõ các cá thể trong quần thể mục tiêu, cỡ mẫu và phương pháp lấy mẫu phù hợp.
Bảng 3.1 Các định nghĩa có liên quan đến lấy mẫu nghiên cứu
Một tập hợp các đối tượng khảo sát (người, cá thể, nhân vật, sinh vật,…) và chứa các đặc tính cần nghiên cứu hay khảo sát
Khi nghiên cứu về các đặc tính của một quần thể, cần chọn mẫu đại diện cho toàn bộ quần thể đó Ví dụ, trong nghiên cứu về việc sử dụng thuốc điều trị bệnh đái tháo đường, quần thể mục tiêu sẽ là những người mắc bệnh đái tháo đường.
Mẫu (sample) Một phần hoặc tập hợp nhỏ cá thể của quần thể mục tiêu được chọn đại diện cho quần thể để khảo sát nghiên cứu
Mẫu không xác suất (non-probability sample)
Phương pháp trong đó việc chọn mẫu không có xác suất đồng đều hay các cá thể trong quần thể không có cơ hội được chọn như nhau
Phương pháp chọn mẫu xác suất đảm bảo rằng mỗi cá thể trong quần thể có xác suất được chọn như nhau, thường là bằng nhau Việc lấy mẫu ngẫu nhiên là một kỹ thuật phổ biến trong phương pháp này, giúp mỗi cá thể có cơ hội công bằng để được lựa chọn.
PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU
Dữ liệu thô thường không thể sử dụng trực tiếp mà cần qua quá trình xử lý Tùy vào từng trường hợp, việc xử lý có thể đơn giản, thực hiện bằng máy tính cầm tay hoặc phần mềm bảng tính, nhưng cũng có thể rất phức tạp, yêu cầu trang bị phần cứng và phần mềm chuyên dụng.
Quá trình xử lý dữ liệu bao gồm nhiều giai đoạn, mỗi giai đoạn có đặc thù và yêu cầu riêng, cùng với các phương pháp cụ thể Để xử lý hiệu quả các vấn đề trong lĩnh vực này, cần có kiến thức vững chắc và kinh nghiệm chuyên sâu.
3.4.1 Khái quát về Xử lý dữ liệu
Dữ liệu là tập hợp thông tin thu được từ một hoặc nhiều đối tượng, và có thể có tính chất đơn giản hoặc phức tạp, tùy thuộc vào phương pháp thu thập Ví dụ, dữ liệu về sông Cửu Long có thể được trình bày trong một quyển sách lớn với thông tin rời rạc, trong khi dữ liệu về nhân viên trong một công ty nhỏ có thể được tổ chức gọn gàng trong một bảng tính Chuyên đề này sẽ tập trung vào các dữ liệu có cấu trúc và được tổ chức.
Dữ liệu có cấu trúc bao gồm hai thành phần chính: các phần tử và các thuộc tính, có thể được gọi bằng các tên khác như mẩu tin, thực thể hay trường Ví dụ, dữ liệu về sản phẩm của một công ty bao gồm các sản phẩm (phần tử) và thông tin liên quan như thành phần, khối lượng, thể tích, định mức nguyên liệu, định mức năng lượng, sản lượng trong tháng và lượng sản phẩm bán được trong tháng.
Giá trị thuộc tính của các phần tử thường khác nhau, vì vậy thuộc tính còn được gọi là "biến" Trong dữ liệu, các biến thường có mối tương quan với nhau, và một trong những mục tiêu của việc xử lý dữ liệu là phát hiện những mối tương quan này.
Dữ liệu có cấu trúc thường được trình bày dưới dạng bảng, trong đó mỗi dòng đại diện cho một phần tử và mỗi cột cho một biến Dòng đầu tiên của bảng thường chứa tên các biến, gọi là dòng tiêu đề Thêm vào đó, một cột thường được sử dụng để định danh phần tử, với giá trị định danh này không được trùng lặp giữa các phần tử Trong một số chương trình xử lý dữ liệu như R, cột định danh không được coi là một biến mà chỉ đóng vai trò là tên gọi cho phần tử (row.names), điều này cần lưu ý khi nhập bảng dữ liệu vào chương trình xử lý.
Dữ liệu có thể được thu thập từ toàn bộ đối tượng hoặc chỉ từ một phần mẫu Việc xử lý dữ liệu từ toàn bộ thường dễ dàng hơn, trong khi dữ liệu từ mẫu đặt ra câu hỏi về khả năng mở rộng kết quả cho toàn bộ tổng thể Để đảm bảo kết quả có hiệu lực cho tổng thể, mẫu cần phải đại diện và phản ánh các đặc trưng chính của tổng thể, chẳng hạn như tỷ lệ giới tính hoặc độ tuổi.
Trong độ tuổi từ 25 đến 40, các đặc điểm nhất định cần được xem xét trong mẫu nghiên cứu Việc lấy mẫu là một vấn đề quan trọng trong các chuyên đề về xử lý số liệu Để nâng cao độ tin cậy của quá trình xử lý số liệu, các kỹ thuật như kiểm định chéo (cross-validation) và tự lấy mẫu lại (bootstrap) có thể được áp dụng để lựa chọn mẫu thích hợp.
Trong một số trường hợp, mục đích xử lý dữ liệu chỉ tập trung vào một phần cụ thể của đối tượng Chẳng hạn, khi phân tích doanh số của công ty trong dịp Tết, chỉ những dữ liệu liên quan trực tiếp đến mục tiêu này mới được khảo sát.
Trong lĩnh vực học máy, dữ liệu thường được chia thành hai phần: một phần dành cho phân tích (dữ liệu huấn luyện) và một phần để kiểm định, đánh giá kết quả (dữ liệu kiểm tra) Việc lựa chọn và phân chia mẫu dữ liệu phù hợp với phương pháp phân tích là rất quan trọng để đảm bảo độ chính xác và hiệu quả của quá trình học máy.
Mô hình là sự tái hiện thực tế một cách đơn giản nhưng vẫn giữ được những đặc điểm và bản chất cơ bản Nó cung cấp thông tin cốt lõi, giúp dễ dàng nắm bắt thực tế hơn Chúng ta có thể tác động lên mô hình và thực hiện các thử nghiệm mô phỏng để rút ra kết luận và ứng dụng vào thực tế.
Một trong những nhiệm vụ quan trọng trong xử lý dữ liệu là phát hiện các mô hình, bao gồm các thông số đặc trưng, phương trình tương quan, nhóm phần tử và mối liên hệ giữa các biến Sau khi xác định được các mô hình này, cần kiểm tra độ chính xác và độ tin cậy của chúng để đảm bảo khả năng ứng dụng trong thực tế.
3.4.2 Quá trình xử lý dữ liệu
Quá trình xử lý dữ liệu có thể được thực hiện theo nhiều phương pháp khác nhau, tùy thuộc vào mục đích, tính chất dữ liệu và lĩnh vực hoạt động Tổng quát, quá trình này bao gồm các giai đoạn cụ thể.
- Xác định vấn đề, mục đích,
- Thiết kế và thu thập dữ liệu,
- Chuẩn bị, biên tập dữ liệu,
Trong thực tế, ranh giới giữa các giai đoạn là linh hoạt và không hoàn toàn rõ ràng; hai giai đoạn có thể kết hợp với nhau, và một giai đoạn chưa kết thúc có thể đồng thời tiến hành giai đoạn khác Hơn nữa, kết quả của một giai đoạn có thể yêu cầu xem xét lại hoặc thực hiện lại một số giai đoạn trước đó, thậm chí cần điều chỉnh phạm vi xử lý.
3.4.2.1 Xác định vấn đề, mục đích
Để giải quyết vấn đề hiệu quả, trước tiên cần xác định rõ bản chất của nó, như giảm chi phí sản xuất, cải thiện hình ảnh công ty hay tìm hiểu thị hiếu khách hàng Việc nhận diện đúng vấn đề rất quan trọng, giúp chúng ta đi đúng hướng và tập trung vào giải pháp Đôi khi, vấn đề có thể tiềm ẩn và khó xác định, vì vậy cần trình bày một cách rõ ràng, ngắn gọn và sử dụng ngôn ngữ thông thường, tránh thuật ngữ chuyên môn.
SỬ DỤNG PHẦN MỀM SPSS, STATA TRONG PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU
3.5.1 Giới thiệu phần mềm SPSS
SPSS (gọi tắt là Statistical Package for the Social Sciences) là phần mềm thống kê phổ biến, được sử dụng rộng rãi trong các lĩnh vực khoa học xã hội Chương trình này hỗ trợ phân tích dữ liệu cho nhiều đối tượng, bao gồm nhà nghiên cứu thị trường, nhà nghiên cứu y tế, công ty khảo sát, chính phủ, nhà nghiên cứu giáo dục và các tổ chức tiếp thị SPSS cũng được ứng dụng trong khai thác dữ liệu và nhiều ngành nghề khác.
Cuốn sách năm 1970 được coi là một trong những tác phẩm có ảnh hưởng lớn nhất trong lĩnh vực xã hội học, cho phép các nhà nghiên cứu thực hiện phân tích thống kê độc lập Ngoài việc cung cấp các phương pháp phân tích thống kê, phần mềm này còn hỗ trợ quản lý dữ liệu như lựa chọn trường hợp, chỉnh sửa tập tin và tạo dữ liệu gốc, cùng với tài liệu dữ liệu bao gồm từ điển metadata được lưu trữ trong tập tin dữ liệu.
SPSS, phần mềm phân tích dữ liệu, lần đầu tiên được ra mắt vào năm 1968 Phiên bản mới nhất, SPSS 28, đã được giới thiệu vào tháng 5 năm 2021 và hỗ trợ trên các hệ điều hành Microsoft Windows, Mac, và Linux/UNIX.
SPSS là phần mềm thống kê toàn diện, hỗ trợ thực hiện các bước phân tích từ thống kê mô tả như liệt kê dữ liệu, lập bảng tần số, và biểu đồ, đến thống kê suy diễn bao gồm kiểm định, tương quan và hồi quy.
Thống kê bao gồm trong phần mềm cơ sở:
- Thống kê mô tả: Lập bảng chéo, Tần suất, Mô tả, Khám phá, Thống kê Tỷ lệ Mô tả
- Thống kê đơn biến: Phương tiện, t-test, ANOVA, tương quan (hai biến, một phần, khoảng cách), kiểm tra không giới
- Dự đoán cho kết quả số: Hồi quy tuyến tính
- Dự đoán để xác định các nhóm: Phân tích các yếu tố, phân tích cụm (hai bước, K- phương tiện, phân cấp), phân biệt
3.5.2 Giới thiệu phần mềm Stata
STATA là một phần mềm phổ biến trong lĩnh vực Kinh tế Lượng và thống kê, cho phép người dùng thực hiện các lệnh trực tiếp, điều này rất phù hợp cho những người mới bắt đầu Ngoài ra, người dùng cũng có thể soạn thảo các chương trình chứa nhiều lệnh để thực hiện cùng một lúc, giúp tiết kiệm thời gian Nếu có lỗi trong chương trình, người dùng có thể dễ dàng nhận biết và sửa chữa, tạo điều kiện thuận lợi cho việc phân tích dữ liệu.
Các lệnh sau đây được trình bày theo thứ tự từ dễ đến khó, theo trình tự của người học:
- Set mem: thiết lập bộ nhớ Thông thường là 100MB, nếu file dữ liệu (database) cần xử lý lớn, cần tăng bộ nhớ lên
- Use: mở file.dta (file dữ liệu của stata)
- Insheet using: mở file không thuộc dạng dữ liệu của stata, ví dụ file excel Đặc điểm
STATA là một bộ chương trình được ưa chuộng bởi người mới bắt đầu và người dùng nâng cao nhờ vào tính dễ học và khả năng mạnh mẽ Người dùng có thể nhập lệnh trực tiếp từng bước, điều này rất phù hợp với những người mới, hoặc soạn thảo một chương trình với nhiều lệnh để thực hiện cùng lúc Hơn nữa, STATA cho phép người dùng dễ dàng nhận diện và sửa chữa lỗi trong chương trình.
STATA không sở hữu khả năng quản lý dữ liệu mạnh mẽ như SAS, nhưng các lệnh quản lý dữ liệu của nó vẫn rất hiệu quả và dễ sử dụng, cho phép thực hiện các thao tác phức tạp một cách đơn giản Tuy nhiên, STATA chỉ có thể làm việc với một file dữ liệu tại một thời điểm, điều này khiến cho các nhiệm vụ xử lý liên quan đến nhiều file dữ liệu trở nên phức tạp hơn Với phiên bản STATA/SE, số lượng biến có thể lên đến 32.768 trong một file dữ liệu, và kích thước file chỉ bị giới hạn bởi dung lượng ổ cứng.
- Về phân tích thống kê:
STATA nổi bật với khả năng hồi quy, bao gồm hồi quy logistic và các biến thể như hồi quy logistic thứ tự và hồi quy logistic phạm trù, giúp đơn giản hóa việc giải thích kết quả Ngoài ra, STATA cung cấp nhiều phương pháp ước lượng Trọ Thị dễ sử dụng, bao gồm hồi quy mạnh và hồi quy với sai số chuẩn mạnh, cùng với nhiều lệnh ước lượng khác hỗ trợ phân tích dữ liệu hiệu quả.
STATA nổi bật trong phân tích dữ liệu theo lược đồ mẫu, đặc biệt là trong việc áp dụng các công cụ hồi quy như hồi quy logistic, hồi quy poison và hồi quy probit cho số liệu điều tra Tuy nhiên, điểm yếu của STATA nằm ở khả năng phân tích phương sai và các phương pháp phân tích nhiều chiều truyền thống như phân tích phương sai nhiều chiều và phân tích nhóm tổ.
STATA là một phần mềm mạnh mẽ và dễ sử dụng cho việc vẽ đồ thị và phân tích dữ liệu Mặc dù STATA có nhiều công cụ quản lý dữ liệu hiệu quả và dễ học, nhưng một số thủ tục thống kê vẫn bị hạn chế Một điểm nổi bật của STATA là khả năng tải các chương trình phát triển từ người dùng khác và cho phép người dùng tạo ra các chương trình riêng, tích hợp chúng vào hệ thống của STATA.
