Báo cáo tổng hợp Ứng dụng mô hình kết hợp các chỉ tiêu với tần suất khác nhau (nowcasting) trong phân tích và dự báo tăng trưởng gdp

Theo đó, hệ thống hóa các dạng mô hình được sử dụng trong công tác phân tích, dự báo GDP tại NHNN để xác định mô hình còn thiếu trong hệ thống này, đồng thời tham khảo kinh nghiệm của NH

CƠ SỞ LÝ THUYẾT VỀ PHÂN TÍCH, DỰ BÁO GDP DỰA TRÊN PHƯƠNG PHÁP NOWCASTING

Lịch sử phát triển và cơ sở lý thuyết Nowcasting

1.1.1 Sơ lược về quá trình hình thành, phát triển của phương pháp Nowcasting

Nowcasting là thuật ngữ kết hợp của hai từ “now” (hiện tại) và

Dự báo (forecasting) là phương pháp dùng để dự đoán các chỉ tiêu kinh tế trong giai đoạn hiện tại hoặc tương lai gần, khi những chỉ tiêu này chưa được công bố do độ trễ trong công tác thống kê Phương pháp này ước lượng các biến số chưa công bố dựa trên thông tin và số liệu sẵn có của chính biến số đó, kết hợp với dữ liệu từ các chỉ tiêu kinh tế liên quan có tần suất công bố cao hơn Ví dụ, GDP của mỗi quốc gia thường được công bố vào quý tiếp theo do quá trình thống kê phức tạp, dẫn đến việc hiện tại không có số liệu GDP cho quý đó Phương pháp Nowcasting ra đời nhằm giải quyết vấn đề chênh lệch kỳ hạn công bố dữ liệu này.

Tại các Ngân hàng Trung ương, Nowcasting ngày càng trở thành phương pháp phổ biến trong việc dự báo GDP cho quý hiện tại và quý tiếp theo Phương pháp này hỗ trợ đưa ra các quyết định chính sách quan trọng, bởi vì GDP là một trong những chỉ số đầu vào thiết yếu cho quá trình phân tích kinh tế.

Tại nhiều quốc gia, dữ liệu GDP quý được công bố vào tháng đầu hoặc tháng thứ hai của quý tiếp theo, trong khi tại Việt Nam, dữ liệu GDP ước tính lần đầu được công bố vào cuối quý hiện tại và dữ liệu điều chỉnh vào cuối quý sau Khung chính sách tiền tệ thường được công bố muộn hơn so với các số liệu vĩ mô khác Dự báo GDP cho quý hiện tại được thực hiện dựa trên thông tin và số liệu GDP quá khứ, kết hợp với các dữ liệu tần suất cao được cập nhật thường xuyên, như chỉ tiêu tổng mức bán lẻ, doanh thu dịch vụ tiêu dùng, và sản xuất công nghiệp Phương pháp Nowcasting cũng được áp dụng để dự báo các biến số kinh tế khác dựa trên việc cập nhật liên tục các số liệu liên quan.

Mặc dù việc sử dụng số liệu từ các chỉ tiêu tần suất cao để cải thiện dự báo cho chỉ tiêu tần suất thấp đã được đề cập trong nhiều nghiên cứu quốc tế từ sớm, như nghiên cứu của Chin và Miller (1996) về dữ liệu tần suất tháng, hay nghiên cứu của Koenig và Dolomas (1997) về dự báo tăng trưởng GDP, thuật ngữ “Nowcasting” chỉ được giới thiệu lần đầu tiên bởi Giannone và các cộng sự vào năm 2008 Nghiên cứu mang tên “Nowcasting: The Real-Time Informational Content of Macroeconomic Data” đã đưa thuật ngữ này vào sử dụng phổ biến Từ đó, “Nowcasting” đã trở thành một phương pháp quan trọng được các ngân hàng trung ương áp dụng để nâng cao tính nhất quán và độ chính xác của số liệu đầu vào cho các mô hình dự báo dài hạn.

Kỹ thuật Nowcasting đã cho thấy hiệu quả cao trong việc dự báo GDP hiện tại, một chỉ số quan trọng cho việc điều hành chính sách vĩ mô và chính sách tiền tệ Mặc dù dữ liệu GDP thường được công bố theo quý với độ trễ lớn, nhưng với các phương pháp kinh tế lượng chuyên sâu, Nowcasting có thể cung cấp thông tin kịp thời và chính xác hơn.

Nowcasting là phương pháp tiên tiến giúp tổng hợp và phân tích một lượng lớn dữ liệu từ nhiều lĩnh vực kinh tế khác nhau để ước tính quy mô GDP quốc gia trong thời gian gần nhất Nhờ vào ưu điểm vượt trội so với các phương pháp truyền thống, Nowcasting đang được các ngân hàng trung ương trên thế giới áp dụng và tích hợp vào hệ thống phân tích, dự báo Kết quả từ mô hình Nowcasting không chỉ cung cấp thông tin quan trọng mà còn giúp giảm sai số cho các mô hình dự báo ngắn hạn và trung hạn như VAR, SVAR, VECM, cũng như các mô hình dự báo trung và dài hạn như mô hình kinh tế lượng vĩ mô và DSGE.

Mô hình Nowcasting đang trở thành xu hướng phổ biến trong việc dự báo GDP tại các quốc gia phát triển, nhờ khả năng tích hợp thông tin và số liệu từ các cuộc khảo sát và điều tra thống kê quy mô lớn với tần suất công bố cao Một ví dụ điển hình là mô hình GDPNow, được áp dụng để dự báo GDP hiện tại của Mỹ, được giới thiệu trong nghiên cứu của Patrick Higgins (2014) thuộc Ngân hàng Dự trữ Liên bang Atlanta.

Mô hình GDPNow là một công cụ hữu ích cho việc "nowcasting" GDP tại Mỹ, cho phép dự báo GDP cho quý hiện tại một cách chính xác Nghiên cứu đã chỉ ra 6 bước cụ thể để áp dụng mô hình này, giúp cung cấp số liệu sớm hơn so với thông tin GDP chính thức được công bố sau đó.

Cơ quan phân tích kinh tế (BEA) sử dụng mô hình nhân tố động (Dynamic Factor Model - DFM) theo phương pháp của Giannone và cộng sự (2008) để dự báo GDP cho quý hiện tại, dựa trên 13 chuỗi số liệu thành phần của GDP được công bố hàng tháng Nghiên cứu của nhóm tác giả từ NHTW Châu Âu ECB (Antonello D’Agostino và Bernd Schnatz, 2012) về "Mô hình Nowcasting dự báo tăng trưởng Mỹ dựa trên số liệu khảo sát" đã chỉ ra rằng mô hình này còn sử dụng Bộ khảo sát từ các chuyên gia dự báo (Survey of Professional Forecasters - SPF) và Bộ chỉ tiêu quản lý sức mua (Purchasing Manager Indices - PMI) Thông tin chi tiết về các nghiên cứu quốc tế nền tảng sẽ được trình bày trong phần tiếp theo của dự án.

Ngoài Mỹ, Ngân hàng Trung ương Châu Âu (ECB) và các ngân hàng trung ương thành viên đã áp dụng phương pháp Nowcasting để dự báo GDP cho quý hiện tại Hàn Quốc và Nhật Bản cũng đã công bố nghiên cứu liên quan đến phương pháp này Xu hướng sử dụng Nowcasting không chỉ phổ biến ở các nước phát triển mà còn lan rộng đến các quốc gia mới nổi và đang phát triển như Indonesia và Philippines, các nước láng giềng với Việt Nam Tại Việt Nam, mô hình Nowcasting đã được áp dụng khi Chính phủ và các cơ quan liên quan mong muốn có số liệu dự báo GDP ngay sau tháng đầu hoặc tháng thứ hai của quý Dữ liệu được thu thập từ các bộ, ngành để hỗ trợ việc dự báo, nhưng phương pháp hiện tại chủ yếu vẫn mang tính thủ công và phụ thuộc vào "chuyên gia", trong khi việc áp dụng các công cụ định lượng chuẩn tắc như Nowcasting vẫn chưa được thực hiện Do đó, tiềm năng nghiên cứu và phát triển Nowcasting cho dự báo GDP của Việt Nam trong ngắn hạn là rất lớn, đây cũng là lý do nhóm nghiên cứu quyết định thực hiện dự án này.

Mục tiêu nghiên cứu của dự án là tổng hợp kinh nghiệm quốc tế về Nowcasting và hệ thống hóa các phương pháp đang được sử dụng, nhằm xây dựng mô hình Nowcasting dự báo GDP cho NHNN Kết quả dự báo GDP từ phương pháp Nowcasting sẽ là đầu vào quan trọng cho các mô hình phân tích chính sách và dự báo xa hơn Ngoài GDP, dự án cũng sẽ mở rộng áp dụng cho các chỉ tiêu vĩ mô quan trọng khác mà NHNN cần theo dõi trong hoạch định và điều hành chính sách tiền tệ Hơn nữa, dự án tập trung vào việc tích hợp phương pháp Nowcasting vào hệ thống mô hình kinh tế lượng hiện tại của NHNN một cách khoa học và nhất quán, phục vụ cho việc hiện đại hóa khung điều hành chính sách tiền tệ tại NHNN Việt Nam.

Nowcasting là một phương pháp dự báo hiện tại (tương lai gần) bằng cách kết hợp lý thuyết định lượng với chuỗi thời gian thực, không được giảng dạy trong các giáo trình định lượng chính thống Phương pháp này giúp làm đầy bộ cơ sở dữ liệu và cung cấp thông tin cho các dự báo dài hạn, đặc biệt đối với các chỉ tiêu có tần suất thấp và chậm công bố Hai kỹ thuật Nowcasting phổ biến được áp dụng rộng rãi gồm Phương pháp mẫu dữ liệu hỗn hợp (MIDAS) và Phương pháp tự hồi quy mẫu hỗn hợp (MF-VAR), đã được công nhận qua nhiều nghiên cứu khoa học quốc tế.

1.1.2.1 Phương pháp mẫu dữ liệu hỗn hợp hợp(MIDAS) Đây là kỹ thuật cho phép xây dựng và ước lượng mô hình với mẫu số liệu bao gồm các biến số có tần suất khác nhau Trong đó, các mô hình hồi quy tiêu chuẩn (mô hình truyền thống) thường yêu cầu các số liệu phải tuân theo một tần suất đồng nhất, kể cả biến phụ thuộc cũng như biến giải thích Yêu cầu nghiêm ngặt này không phải lúc nào cũng được đáp ứng trên thực tế khi các số liệu thống kê được công bố, nhất là các số liệu về kinh tế thường có rất nhiều tần suất (hoặc ngày, hoặc tháng, hoặc quý, hoặc bán niên, hoặc năm…) Để tận dụng nguồn số liệu với nhiều tần suất khác nhau, các nhà kinh tế lượng đã nghĩ đến việc ước lượng, hồi quy những số liệu với tần suất khác nhau Nhìn chung, có 02 cách tiếp cận để ược lượng các bộ số liệu pha trộn về tần suất:

Cách tiếp cận đầu tiên trong phân tích dữ liệu là sử dụng tổng hoặc trung bình của các số liệu có tần suất cao để hồi quy với những số liệu có tần suất thấp hơn Phương pháp này áp dụng các hệ số riêng biệt cho từng biến tần suất cao, với giả định rằng trọng số được áp dụng đồng nhất cho mọi giá trị trong tổng hợp đó.

Một cách tiếp cận khác là đưa từng thành phần của số liệu tần suất cao vào hồi quy, cho phép xác định hệ số riêng cho mỗi thành phần Ví dụ, trong ước lượng hồi quy dựa trên tần suất năm, có thể sử dụng các biến tần suất tháng, với mỗi tháng được coi là một biến giải thích Tuy nhiên, cách tiếp cận này sẽ dẫn đến việc đưa vào hồi quy một số lượng lớn các hệ số, từ đó cần ước lượng nhiều tham số hơn.

Định dạng mô hình Nowcasting

1.2.1 Định dạng tổng quát mô hình MIDAS

- Định dạng cấu trúc mô hình Nowcasting có thể được trình bày như sau:

𝑦 𝑡 là biến phụ thuộc, có mẫu ở tần suất thấp, thời điểm t

𝑋 𝑡 là bộ các biến giải thích có mẫu ở tần suất thấp như 𝑦 𝑡

𝐻} là bộ các biến giải thích có mẫu ở tần suất cao hơn, với S giá trị cho mỗi giá trị tần suất thấp Một điều cần lưu ý là {𝑋𝑡

𝐻} không bị giới hạn bởi các giá trị S tại thời điểm t, vì nó có thể bao gồm cả các giá trị trễ của các giá trị tần suất thấp

𝑓 là hàm số mô tả tác động của dữ liệu tần suất cao trong hồi quy tần suất thấp hơn

𝛽, 𝜃, 𝜆 là các véc tơ tham số được ước lượng

Cách tiếp cận hệ số đơn lẻ trong mô hình hồi quy dữ liệu tần suất thấp bao gồm việc thêm từng thành phần của dữ liệu tần suất cao vào biến giải thích Đặc biệt, khi chỉ sử dụng dữ liệu tần suất cao tại thời điểm hiện tại (t) để phân tích quan sát tần suất thấp, định dạng mô hình Nowcasting sẽ được thể hiện một cách rõ ràng.

Biến ẩn (latent variable) là những biến không thể quan sát trực tiếp, mà cần phải suy luận từ các biến có thể quan sát và đo lường được.

𝐻 là dữ liệu tần suất cao gồm 𝜏 giai đoạn trước thời điểm t

Chúng ta có thể gọi thành phần này là độ trễ thứ 𝜏 của dữ liệu tần suất cao tại thời điểm t Cách tiếp cận này cho phép ước lượng các tham số 𝜃 khác nhau của các biến giải thích có độ trễ S trong dữ liệu tần suất cao.

Cách tiếp cận đơn giản để xử lý dữ liệu tần suất cao là sử dụng tổng hoặc trung bình có trọng số, sau đó đưa vào làm một biến giải thích trong mô hình hồi quy cho dữ liệu tần suất thấp Phương pháp này giúp tối ưu hóa việc phân tích và cải thiện độ chính xác của các dự đoán trong hồi quy.

Cách tiếp cận này ước lượng một 𝜆 duy nhất cho biến giải thích mới, đưa mọi thành phần trễ của dữ liệu tần suất cao vào mô hình hồi quy tần suất thấp với cùng một hệ số 𝜆 Đối với mô hình hồi quy tần suất quý với dữ liệu tần suất cao hơn là tần suất tháng, cách tiếp cận hệ số đơn lẻ sẽ thêm vào hồi quy ba biến giải thích Cụ thể, biến đầu tiên chứa giá trị của tháng đầu tiên mỗi quý (tháng 1, tháng 4, tháng 7, tháng 10), biến thứ hai chứa giá trị của tháng thứ hai mỗi quý (tháng 2, tháng 5, tháng 8, tháng 11), và biến thứ ba chứa giá trị của tháng thứ ba mỗi quý (tháng 3, tháng 6, tháng 9, tháng 12).

Cách tiếp cận tổng đơn giản là thêm một biến giải thích vào mô hình hồi quy tần suất quý, với biến này đại diện cho tổng hoặc trung bình của các quan sát tháng trong quý Cụ thể, quan sát cho quý 1 sẽ được tính bằng tổng hoặc trung bình của ba tháng trong quý 1 (tháng 1, tháng 2, tháng 3), và tương tự cho quý 4 với tổng hoặc trung bình của ba tháng trong quý 4 (tháng 10, tháng 11, tháng 12).

Ví dụ cụ thể hóa cấu trúc mô hình Nowcastingđơn giản hóa để dự tính GDP theo quý từ số liệu CPI theo tháng được thể hiện như sau:

𝑌 𝑞 là tốc độ tăng trưởng GDP tại quý q m là số giá trị của biến giải thích giữa 2 thời điểm liên tiếp của biến phụ thuộc (trong trường hợp này, m = 3)

𝐿 𝑘 𝐶𝑃𝐼 𝑞 là giá trị trễ thứ k của CPI tại quý q

𝜃 = (𝜃 1 , 𝜃 2 ) gồm 2 tham số 𝜃 1 và 𝜃 2 xác định độ cong của biểu đồ trọng số

Đa thức 𝛾(𝑘; 𝜃) (với i = 1, 2, 3) xác định trọng số cho biến giải thích theo thời gian Nó có thể được biểu diễn dưới dạng hàm trọng số Beta hoặc hàm trọng số lũy thừa Almon.

Sau khi tính toán các hệ số 𝛼, 𝛾(𝑘; 𝜃) và 𝜀, kỹ thuật Nowcasting giúp ước lượng giá trị của biến phụ thuộc ngay khi có dữ liệu của biến giải thích Chẳng hạn, với mô hình này, GDP theo quý có thể được ước tính ngay cả khi số liệu CPI chưa được cập nhật đầy đủ cho toàn bộ quý.

1.2.2 Định dạng tổng quát mô hình MF-VAR

Về cơ bản, mô hình không gian trạng thái áp dụng cho MF-VAR bao gồm

Hai phương trình trong mô hình không gian trạng thái thể hiện mối quan hệ giữa biến ẩn (GDP theo tháng) và biến quan sát (GDP theo quý) Phương trình thứ nhất mô tả mối liên hệ này, trong khi phương trình thứ hai phản ánh động lực của biến ẩn Cả hai phương trình đều có thể bao gồm sai số ngẫu nhiên, phản ánh tính chất ngẫu nhiên của hệ thống.

Để xác định giá trị dự báo của 𝑌 𝑞, sau khi tính toán các hệ số 𝛼, 𝛽, 𝛾, 𝛿 và ma trận hiệp phương sai 𝜀 và 𝜃, chúng ta cần dựa vào giả định về giá trị của biến ẩn trong tháng đầu tiên của quý dự báo Công thức được sử dụng là 𝑋 𝑡 = 𝛾 𝑋 𝑡−1 + 𝛿 𝜃.

Mô hình không gian trạng thái phổ biến thường có dạng tuyến tính với các sai số phân phối chuẩn Để ước lượng mô hình này, phương pháp lọc Kalman được sử dụng, cho phép lọc nhiễu và cập nhật thông tin qua các lần lặp.

Mô hình không gian trạng thái là công cụ hiệu quả để giải quyết các vấn đề suy diễn và dự báo phức tạp trong lĩnh vực tài chính và kinh tế Kỹ thuật MF-VAR, thuộc lớp mô hình này, đã được áp dụng rộng rãi trong phân tích và dự báo tại các ngân hàng trung ương trên toàn cầu.

Ưu điểm và nhược điểm của kỹ thuật Nowcasting

Kỹ thuật Nowcasting cho phép tích hợp và sử dụng các bộ số liệu với tần suất khác nhau, nhằm tối ưu hóa thông tin từ nhiều nguồn để nâng cao độ chính xác của dự báo Hai kỹ thuật chính trong Nowcasting là MIDAS và MF-VAR, đóng vai trò quan trọng trong việc cải thiện kết quả dự báo.

Kỹ thuật ước lượng MIDAS đã kết hợp hai phương pháp truyền thống trong hồi quy với sự pha trộn tần suất, cho phép sử dụng trọng số không đồng nhất và giảm thiểu số lượng hệ số thông qua việc hợp lý hóa các chức năng tham số của dữ liệu tần suất cao Điều này giúp MIDAS cung cấp một phương pháp linh hoạt trong việc ước lượng các tần suất khác nhau, đồng thời tham số hóa một cách gọn gàng phản ứng của biến phụ thuộc tần suất thấp đối với các dữ liệu tần suất cao hơn.

Kỹ thuật MF-VAR áp dụng mô hình không gian trạng thái và sử dụng bộ lọc Kalman để bổ sung dữ liệu cho các biến ẩn, từ đó nâng cao tính đầy đủ của số liệu Phương pháp này giúp tận dụng nhiều bộ dữ liệu có tần suất khác nhau trong quá trình hiệu chỉnh thông tin bằng bộ lọc Kalman.

Kỹ thuật MIDAS nổi bật hơn so với các phương pháp khác như mô hình MF-VAR nhờ tính linh hoạt và khả năng ít nhạy cảm hơn với sai số từ các đa thức trễ phi tuyến tính Tuy nhiên, việc chỉ sử dụng một phương trình trong mô hình MIDAS có thể ảnh hưởng đến độ chính xác của ước lượng và dự báo.

Trong thời đại cách mạng công nghiệp 4.0, sự bùng nổ công nghệ thông tin và khoa học dữ liệu đã dẫn đến sự hình thành các kho dữ liệu lớn, tạo ra xu thế tất yếu trong việc cải thiện chất lượng dự báo Nowcasting là một phương pháp linh hoạt, giúp tận dụng lợi ích từ big data và thông tin khảo sát để nâng cao độ chính xác không chỉ cho GDP mà còn cho các chỉ tiêu kinh tế vĩ mô khác.

Khi mô hình tích hợp quá nhiều thông tin đầu vào với tần suất khác nhau và dữ liệu thiếu ổn định, việc dự báo các chỉ tiêu tần suất cao có thể làm gia tăng sai số dự báo Điều này đặc biệt đúng trong bối cảnh số liệu thống kê tại các nước mới nổi, dẫn đến sai số cho chỉ tiêu chính như tăng trưởng GDP không những không được cải thiện mà còn có thể tăng thêm.

Kỹ thuật Nowcasting có thể không có nhược điểm rõ ràng, nhưng hiệu quả của nó trong dự báo chính xác phụ thuộc vào đặc trưng số liệu của từng quốc gia Khi chuỗi số liệu không đủ dài, việc áp dụng các mô hình Nowcasting đa tần suất có thể dẫn đến ước lượng sai lệch, làm giảm độ tin cậy của kết quả dự báo.

Nowcasting, như tên gọi, chỉ cung cấp dự báo cho thời điểm "hiện tại", do đó, nó chỉ thực sự hiệu quả khi được kết hợp vào một hệ thống mô hình dự báo khác Kết quả từ Nowcasting được sử dụng làm đầu vào cho các dự báo ngắn hạn (NTFs - Near Term Forecasts), và các NTFs này sau đó lại trở thành đầu vào cho các mô hình dự báo dài hạn hơn Do đó, Nowcasting không thể tự mình thực hiện dự báo dài hạn một cách độc lập, điều này phản ánh tính chất kinh tế lượng của mô hình hơn là một nhược điểm.

Kinh nghiệm của các nước trong phát triển Nowcasting phục vụ phân tích và dự báo GDP

1.4.1.1 Cơ sở luận của mô hình

Theo nghiên cứu của Antonello D’Agostino và Bernd Schnatz (2012) về

Mô hình Nowcasting dự báo tăng trưởng kinh tế Mỹ dựa trên số liệu khảo sát trong hơn 40 năm, sử dụng bộ chỉ tiêu khảo sát chuyên gia (SPF) và chỉ số nhà quản trị mua hàng (PMI) Nghiên cứu đã thực hiện dự báo ngoài mẫu thời gian thực cho tăng trưởng GDP và sản xuất công nghiệp từ 1968Q4 đến 2010Q4, tương ứng với 168 quý Kết quả cho thấy, mặc dù SPF cung cấp dự báo tăng trưởng GDP khá chính xác, nhưng lại không hiệu quả trong việc dự báo tăng trưởng sản xuất công nghiệp Tuy nhiên, khi kết hợp thông tin từ cả hai bộ chỉ tiêu khảo sát, dự báo cho cả tăng trưởng GDP và sản xuất công nghiệp được cải thiện rõ rệt.

Dựa trên thực tế rằng số liệu tăng trưởng GDP của Mỹ chỉ được công bố vào cuối tháng đầu tiên của quý tiếp theo, các nhà hoạch định chính sách và tổ chức tài chính cần dự báo GDP sớm hơn Việc tích hợp thông tin từ các khảo sát vào dự báo GDP đã được nghiên cứu và áp dụng rộng rãi Nghiên cứu chỉ ra rằng chỉ số quản lý sức mua (PMI) rất hữu ích trong việc dự báo tăng trưởng GDP hiện tại và đánh giá tình hình kinh tế vĩ mô Harris (1991) khẳng định PMI hiệu quả trong dự báo hoạt động kinh tế Mỹ, trong khi Koenig (2002) nhấn mạnh tính hữu ích của PMI trong việc đánh giá sức khỏe ngành chế biến chế tạo Các tác giả thường so sánh dự báo từ khảo sát với mô hình chuẩn đơn biến Lahiri và Monokrousos (2011) cho thấy PMI cải thiện dự báo GDP Mỹ dựa trên mô hình nhân tố, mặc dù mô hình này không thể so sánh dự báo ngoài mẫu với kết quả thực tế trong thời gian dài Dữ liệu khảo sát chuyên gia (SPF) từ Ngân hàng Dự trữ bang Philadelphia cũng cung cấp bằng chứng cho tính hiệu quả trong dự báo.

Trong giai đoạn 2000-2010, không có thông tin mới nào bổ sung cho mô hình nhân tố (Liebermann, 2011), dẫn đến việc nhóm tác giả nghiên cứu và sử dụng bộ SPF cho mẫu dài hơn 40 năm Họ nhận thấy rằng bộ SPF có một số đặc điểm quan trọng: (i) Về lý thuyết, SPF được dùng để kiểm định tính hợp lý của các chuyên gia dự báo; (ii) Có bằng chứng cho thấy SPF cải thiện dự báo của các mô hình vĩ mô truyền thống (Campbell, 2007; D’Agostino và Whelan, 2007; D’Agostino, Mc Quinn và Whelan, 2011); (iii) D’Agostino và cộng sự (2006) chỉ ra rằng dự báo tốt chủ yếu đạt được trong tầm dự báo ngắn (Nowcasting); (iv) Việc sử dụng trung vị SPF nhất quán với kết quả thực nghiệm cho thấy các phương pháp trung bình dự báo đơn giản thường mang lại kết quả tốt và ổn định (Stock và Watson, 2004).

1.4.1.2 Các mô hình dự báo và đánh giá dự báo

Nhóm tác giả đã sử dụng số liệu lịch sử và số liệu thời gian thực về GDP

Mỹ công bố chỉ số sản xuất công nghiệp IP theo tần suất tháng và quý, sử dụng dữ liệu từ trang điện tử SPF của Ngân hàng Dự trữ Bang Philadelphia Điều này đảm bảo rằng mọi thông tin được xem xét đều có sẵn tại thời điểm dự báo, giúp tăng tính chính xác và độ tin cậy của các dự báo kinh tế.

Nhóm tác giả bắt đầu bằng việc so sánh các bằng chứng khảo sát với mô hình chuẩn (tăng trưởng hằng số) để xác định chỉ số nào là hiệu quả nhất Tiếp theo, họ nghiên cứu sự kết hợp các dự báo nhằm nâng cao kết quả so với mô hình chỉ sử dụng một chỉ tiêu khảo sát Cuối cùng, nhóm thực hiện kiểm định tính vững (robustness) qua giai đoạn “Great Moderation” để xác nhận độ tin cậy của các kết quả dự báo.

Nhóm tác giả đã sử dụng bộ số liệu đa tần suất dựa trên nghiên cứu của Parigi và Schlitzer (1995), Hahn và Skudelny (2008) để phát triển một bản đồ phương trình cầu nối Bản đồ này kết hợp dữ liệu PMI tần suất tháng và tăng trưởng GDP tần suất quý, nhằm cung cấp cái nhìn sâu sắc về mối quan hệ giữa các chỉ số kinh tế Quy trình xử lý dữ liệu được nhóm tác giả trình bày chi tiết trong nghiên cứu.

Khi PMI của tháng đầu tiên trong quý được công bố, các mô hình tự hồi quy đơn với s≤4 dự báo PMI cho hai tháng tiếp theo Sau khi công bố PMI của hai tháng đầu, chỉ tháng thứ ba được dự báo, sử dụng phương pháp tương tự Chi tiết mô hình được trình bày trong phụ lục 1 của dự án.

1.4.1.3 Kết quả dự báo Đối với các mô hình dự báo riêng rẽ dựa trên mỗi bộ khảo sát, kết quả dự báo cho thấy sai số dự báo được cải thiện rất nhiều so với sai số dự báo của mô hình chuẩn (benchmark model) Kết quả dự báo tăng trưởng GDP cho thấy với mô hình PMI sẵn có số liệu tháng đầu của quý được công bố, sai số dự báo nhỏ hơn 30% so với mô hình chuẩn, thậm chí là nhỏ hơn 40% khi sử dụng số liệu GDP 2 quý tiếp theo Số tháng PMI được công bố càng nhiều thì độ chính xác của dự báo càng được cải thiện Với mô hình SPF, sai số dự báo không những cải thiện so với mô hình chuẩn mà còn nhỏ hơn cả sai số dự báo dựa trên mô hình PMI Đối với dự báo tăng trưởng IP, mặc dù sai số dự báo là lớn hơn so với các mô hình dự báo tăng trưởng GDP, nhưng các mô hình dựa trên các bộ khảo sát vẫn có sai số dự báo đã được cải thiện hơn rất nhiều so với mô hình chuẩn Bên cạnh đó, kết quả dự báo của các mô hình PMI có độ chính xác cao hơn mô hình SPF

Bảng 1.1 Sai số dự báo MSFEs của các mô hình riêng rẽ

Ghi chú: */**/*** chỉ ý nghĩa thống kê của thống kê Clark-West tương ứng với các mức ý nghĩa 10%/5%/1%

Nghiên cứu của Antonello D’Agostino và Bernd Schnatz (2012) đã thực hiện dự báo kết hợp trong giai đoạn mẫu từ 1968Q4 đến 1972Q4, với 152 kết quả dự báo định kỳ quý được so sánh với mô hình chuẩn Kết quả cho thấy rằng dự báo kết hợp giúp giảm sai số dự báo so với các dự báo riêng lẻ, cả trong dự báo tăng trưởng GDP và các chỉ số khác.

IP Việc cải thiện dự báo là vững khi nhóm tác giả thực hiện kiểm định tính vững (robustness) của các kết quả dự báo

1.4.2 Kinh nghiệm của Châu Âu

1.4.2.1 Cơ sở luận của mô hình

Giannone, Lucrezia Reichlin và David H Small (2006) đã phát triển một phương pháp chuẩn tắc để đánh giá tác động cận biên, sử dụng dữ liệu lớn từ các cơ quan thống kê và ngân hàng trung ương nhằm dự báo tăng trưởng và giảm phát GDP Phương pháp này cho phép mô hình tự động cập nhật mỗi khi dữ liệu mới được công bố, giúp tính toán GDP phù hợp với diễn biến thị trường Nhờ đó, ngân hàng trung ương có thể dự đoán chính xác GDP thực tế trong tương lai và điều chỉnh chính sách kịp thời.

Việc xây dựng lại chuỗi số liệu GDP, lạm phát và các biến số quan trọng khác là nhiệm vụ cần thiết và tốn nhiều thời gian, nguồn lực, do dữ liệu thường được phát hành với độ trễ và phải trải qua quá trình cập nhật, chỉnh sửa Điều này nhằm hoàn thiện bộ cơ sở dữ liệu phục vụ cho công tác dự báo và phân tích.

Nghiên cứu đã phân tích tác động của thông tin và dữ liệu tháng đến ước tính tăng trưởng GDP và giảm phát GDP trước khi công bố Dữ liệu được sắp xếp thành 15 khối từ 200 chuỗi thời gian hàng tháng, cho thấy các cuộc khảo sát có ảnh hưởng lớn hơn đến giảm phát GDP và tăng trưởng thực so với Báo cáo việc làm Các dữ liệu về giá và biến thực ít tác dụng do công bố muộn Kết quả chỉ ra rằng cả biến danh nghĩa và thực tế đều có tác động đáng kể đến giảm phát GDP, trong khi chỉ các biến thực mới quan trọng với GDP thực Ngoài ra, lãi suất ảnh hưởng đến độ chính xác ước tính GDP nhưng không đến lạm phát, trong khi giá tài sản ảnh hưởng đến dự báo lạm phát nhưng không đến GDP.

1.4.2.2 Dữ liệu đầu vào của mô hình Nowcastingdự báo GDP

Dữ liệu trong mô hình được phân chia thành 15 khối, thường được cập nhật hàng tháng hoặc hàng quý, với độ trễ khác nhau trong việc công bố nguồn số liệu Để đơn giản hóa, các biến được đề cập dựa trên dữ liệu cố định hàng tháng Phụ lục 2 cung cấp thông tin chi tiết về sự biến đổi dữ liệu và mối quan hệ giữa số lượng hàng quý và hàng tháng Các phép biến đổi khác nhau sẽ được áp dụng tùy thuộc vào bản chất của từng biến.

Mô hình áp dụng cho Châu Âu dựa trên cách tiếp cận MF-VAR có dạng: yi t |v j = à i + λ i F t + ξi t |v j

Mô hình được viết lại như sau: y t |v j = à + ΛF t + ξ t |v j = à + χ t + ξ t |v j

Với Ft = AF t−1 + Bu t ; u t ∼ WN(0, I q )

Trong mô hình này, ma trận B có kích thước (r × q) và ma trận A có kích thước (r × r), với tất cả nghiệm của det(Ir - Az) nằm ngoài đường tròn đơn vị Cú sốc ut đại diện cho nhân tố chung và quá trình nhiễu trắng Sự việc số nhân tố chung (r) lớn hơn số lượng cú sốc chung (q) cho thấy mối quan hệ dẫn trước và trễ giữa các biến trong chu kỳ kinh doanh Trong các ước lượng thực nghiệm, giá trị của r và q được đặt lần lượt là 10 và 2.

Trong bài viết này, chúng tôi trình bày việc sử dụng bộ lọc Kalman để cập nhật và dự báo tín hiệu dựa trên các bảng không cân bằng Bộ lọc này giúp trích xuất thông tin quan trọng từ dữ liệu, bao gồm nhiều chuỗi dữ liệu riêng lẻ, và phân tách tin tức khỏi nhiễu Tín hiệu cơ bản được tính toán thông qua việc xác định trọng số của từng biến dựa trên tỷ lệ nhiễu của nó.

THỰC TRẠNG MÔ HÌNH PHÂN TÍCH, DỰ BÁO GDP TẠI NGÂN HÀNG NHÀ NƯỚC VIỆT NAM

Diễn biến tổng sản phẩm quốc nội (GDP) Việt Nam giai đoạn 2001-2019

2.1.1 Diễn biến GDP Việt Nam giai đoạn 2001-2007 Đây là giai đoạn kinh tế trong nước có những chuyển biến lớn nhờ công tác chỉ đạo toàn diện của Chính phủ trong việc từng bước mở cửa và hội nhập quốc tế, tháo gỡ các khó khăn, vướng mắc cho các nhà đầu tư, tạo điều kiện thuận lợi cho hoạt động của doanh nghiệp Đặc biệt vào cuối năm 2005, Quốc hội đã thông qua nhiều đạo luật quan trọng nhằm cải thiện hơn nữa môi trường đầu tư, kinh doanh, trong đó có Luật Đầu tư và Luật Doanh nghiệp Triển vọng tương đối lạc quan về sự phát triển kinh tế của Việt Nam cùng với việc thực hiện các cam kết song phương và đa phương trong tiến trình hội nhập kinh tế quốc tế cũng tạo nên sức hút mạnh mẽ cho các nhà đầu tư trong nước và quốc tế Việc chính thức trở thành thành viên của Tổ chức tương mại thế giới (WTO) từ cuối năm 2006 đã thúc đẩy mạnh mẽ sự hội nhập của kinh tế Việt Nam vào kinh tế thế giới

Bảng 2.1 Tăng trưởng và lạm phát giai đoạn 2001 – 2007

Tăng trưởng GDP (%) 6,89 7,08 7,34 7,79 8,43 8,17 8,48 CPI tổng thể bình quân (%) -0,33 -1,62 3,88 3,18 8,27 7,74 8,31 CPI tổng thể (ytd, %) 0,80 -0,60 4,00 3,00 8,40 9,50 12,60

Nguồn: Tổng cục Thống kê

Giai đoạn 2001-2007, Việt Nam ghi nhận mức tăng trưởng GDP cao, với bình quân hàng năm dao động từ gần 7% đến trên 8% Đây là thời kỳ tăng trưởng mạnh mẽ nhất kể từ năm 1997.

2.1.1.1 Theo góc độ GDP ngành kinh tế

Trong giai đoạn 2001-2007, ngành công nghiệp và xây dựng tiếp tục giữ vai trò quan trọng nhất trong tăng trưởng kinh tế, đóng góp 4,2 điểm phần trăm vào tốc độ tăng trưởng GDP bình quân Ngược lại, khu vực nông - lâm - thủy sản gặp nhiều khó khăn do tác động của thời tiết và dịch bệnh, dẫn đến sự giảm dần trong đóng góp vào tăng trưởng chung Đặc biệt, từ năm 2005 đến 2007, khu vực dịch vụ ghi nhận mức tăng trưởng cao nhất kể từ năm 1997, lần đầu tiên vượt qua mức tăng trưởng GDP của toàn bộ nền kinh tế, với đóng góp tăng từ 2,5% năm 2001 lên trên 3% trong giai đoạn này.

Bảng 2.2 Tăng trưởng GDP theo ngành (%)

Nông-lâm-thủy sản 2,98 4,17 3,62 4,36 4,04 3,40 3,41 Công nghiệp-xây dựng 10,39 9,48 10,48 10,22 10,65 10,37 10,60

Nguồn: Tổng cục Thống kê

Trong giai đoạn 2001-2007, cơ cấu kinh tế Việt Nam chủ yếu chuyển dịch giữa hai nhóm ngành nông - lâm - thủy sản và công nghiệp - xây dựng, với tỷ trọng nông - lâm - thủy sản giảm 5,34 điểm phần trăm và công nghiệp - xây dựng tăng 3,47 điểm phần trăm Tuy nhiên, sự chuyển dịch này không mạnh mẽ như giai đoạn 1996-2000, và mục tiêu khu vực dịch vụ chiếm 41-42% GDP vào năm 2005 đã không đạt được, mặc dù đây là lĩnh vực có nhiều cơ hội và tiềm năng phát triển.

Bảng 2.3 Cơ cấu GDP theo ngành kinh tế, 2001-2007 (%)

Nông - lâm – thủy sản 23,24 23,03 22,54 21,81 21,02 20,40 17,9 Công nghiệp – XD 38,13 38,49 39,47 40,21 40,97 41,52 41,6

Nguồn: Tổng cục Thống kê

Theo Kế hoạch phát triển kinh tế - xã hội giai đoạn 2001-2005, cơ cấu kinh tế được xác định với các chỉ tiêu cụ thể: nông - lâm - thủy sản chiếm 20-21%, công nghiệp - xây dựng đạt 38-39% và dịch vụ chiếm 41-42%.

2.1.1.2 Theo góc độ sử dụng GDP

Hình 2.2 Tổng mức bán lẻ hàng hóa và dịch vụ tiêu dùng 2001 - 2007

Nguồn: Tổng cục Thống kê

Về tiêu dùng, tổng mức bán lẻ hàng hóa và dịch vụ tiêu dùng giai đoạn này tăng bình quân trên 10% trong 2 năm đầu (2001 – 2002) và tăng mạnh trong

Từ năm 2003 đến 2007, nền kinh tế ghi nhận tốc độ tăng trưởng khoảng 20%, nhờ vào sự phát triển kinh tế - xã hội mạnh mẽ Sự gia tăng này đã cải thiện đáng kể đời sống và thu nhập của người dân, đặc biệt khi GDP đạt mức tăng trưởng 8% trong các năm.

Từ năm 2004 đến 2007, Việt Nam đã mở cửa kinh tế và hội nhập sâu rộng vào thị trường toàn cầu thông qua việc tham gia và tổ chức các hoạt động của Tổ chức Thương mại Thế giới (WTO) Sự kiện này đã thúc đẩy mạnh mẽ xu hướng tiêu dùng của người dân đối với hàng hóa nhập khẩu.

Hình 2.3 Diễn biến lạm phát giai đoạn 2001 – 2007 (ytd, %)

Nguồn: Tổng cục Thống kê

Tổng mức bán lẻ (tỷ đồng) Tăng trưởng

Nền kinh tế đang có sự tăng trưởng mạnh mẽ trong khi tỷ lệ lạm phát duy trì ở mức thấp, nhưng lại tiềm ẩn nguy cơ thiểu phát trong những năm đầu của giai đoạn này Nguyên nhân chủ yếu đến từ nỗ lực của Chính phủ trong việc kiểm soát lạm phát, giảm từ mức hai con số xuống còn một con số Tuy nhiên, thành công trong việc kiềm chế lạm phát cũng dẫn đến những vấn đề về thiểu phát, ảnh hưởng đến tốc độ tăng trưởng kinh tế.

Trong giai đoạn 2005-2007, lạm phát tại Việt Nam tăng cao, bắt đầu từ 8,4% vào năm 2005, vượt chỉ tiêu 6,5% của Quốc hội Đến năm 2007, lạm phát đạt mức 12,6%, cao nhất kể từ năm 1996 Nguyên nhân chính của tình trạng này là do giá nhập khẩu tăng, bị ảnh hưởng bởi biến động giá thế giới Sự tăng trưởng mạnh mẽ của nền kinh tế toàn cầu, đặc biệt là ở các nước mới nổi châu Á như Trung Quốc, đã dẫn đến nhu cầu năng lượng và nguyên vật liệu như sắt thép, xi măng tăng vọt.

Hình 2.4 Đóng góp của FDI lên tổng vốn đầu tư toàn xã hội và GDP (%)

Nguồn: Bộ KH&ĐT - Tổng cục Thống kê

Đầu tư tại Việt Nam đang gia tăng nhờ vào sự tăng trưởng kinh tế nhanh chóng, tạo niềm tin cho các nhà đầu tư trong nước Đồng thời, dòng vốn ngoại cũng đổ mạnh vào thị trường nhằm tận dụng cơ hội từ việc Việt Nam gia nhập WTO, dẫn đến sự phát triển mạnh mẽ của thị trường.

Vốn FDI đã đóng góp đáng kể vào tổng vốn đầu tư toàn xã hội, chiếm khoảng 24,3% vào năm 2007, tăng từ 17,6% năm 2001 Thị trường chứng khoán ghi nhận sự tăng trưởng mạnh mẽ, đạt đỉnh 1.170,67 điểm vào ngày 12/3/2007 Tổng vốn đầu tư toàn xã hội cũng liên tục gia tăng, trung bình đạt khoảng 40% GDP, nhờ vào sự tham gia tích cực từ khu vực tư nhân và khu vực có vốn nước ngoài FDI thực hiện trong năm 2007 đạt 8,03 tỷ USD, gấp gần 4 lần so với 2,45 tỷ USD của năm 2001.

Hình 2.5 Cán cân thương mại Việt Nam giai đoạn 2001 – 2007 (triệu USD)

Nguồn: Tổng Cục hải quan

Giữa giai đoạn 2001-2007, xuất khẩu của Việt Nam ghi nhận mức tăng trưởng ấn tượng với tốc độ bình quân hàng năm đạt 19,3%, chỉ đứng sau Trung Quốc trong khu vực Châu Á Thái Bình Dương Tỷ trọng xuất khẩu trong GDP đã tăng từ 24% năm 1991 lên 67,9% vào năm 2007, xếp thứ 5 trong khu vực Đông Nam Á, thứ 6 ở châu Á và thứ 8 trên toàn cầu Tổng kim ngạch xuất khẩu đã tăng từ 31,1 tỷ USD năm 2001 lên 111,2 tỷ USD năm 2007, tương đương mức tăng gấp 3,7 lần, và Việt Nam đứng thứ 6 trong 11 nước Đông Nam Á và thứ 39 trong 165 nước và vùng lãnh thổ trên thế giới Hệ số giữa tốc độ tăng kim ngạch xuất khẩu và tốc độ tăng GDP đạt hơn 2,7 lần.

Mặc dù xuất khẩu của Việt Nam tăng cao, nhưng nền kinh tế vẫn đối mặt với tình trạng nhập siêu lớn, với mức nhập siêu năm 2007 đạt kỷ lục 14,12 tỷ USD, gấp 12,4 lần so với năm 2001 Nguyên nhân chính là do tính cạnh tranh quốc tế của doanh nghiệp trong nước còn yếu, cùng với việc kim ngạch xuất khẩu dầu thô chủ yếu thuộc về khu vực có vốn đầu tư nước ngoài Mối quan hệ chặt chẽ giữa xuất khẩu và nhập khẩu được thể hiện qua tỷ lệ hàng hóa nhập khẩu phục vụ xuất khẩu cao Giai đoạn 2006 – 2007, nhập siêu gia tăng do quá trình hội nhập kinh tế khi Việt Nam gia nhập WTO, với 93,8% hàng hóa nhập khẩu là tư liệu sản xuất Việc hạn chế nhập siêu trở nên khó khăn, vì giảm nhập khẩu sẽ ảnh hưởng nghiêm trọng đến sản xuất và xuất khẩu trong nước Cấu trúc công nghiệp Việt Nam hiện còn mất cân đối và thiếu bền vững, đặc biệt là sự yếu kém của các ngành công nghiệp phụ trợ.

2.1.2 Diễn biến GDP Việt Nam giai đoạn 2008-2012

Từ năm 2004 đến 2007, nền kinh tế Việt Nam ghi nhận mức tăng trưởng nhanh chóng với tỷ lệ bình quân đạt 8,4%, nhưng đi kèm là lạm phát cao với mức bình quân 10,2% Giai đoạn này cho thấy sự đánh đổi giữa tăng trưởng và lạm phát Trong giai đoạn tiếp theo từ 2008 đến 2012, lạm phát cao đã dẫn đến những mất cân đối vĩ mô nghiêm trọng trong nền kinh tế.

Tăng trưởng kinh tế hiện tại đang diễn ra nóng, vượt xa mức tiềm năng, chủ yếu nhờ vào hoạt động đầu tư, đặc biệt là sự gia tăng mạnh mẽ của đầu tư tư nhân và đầu tư nước ngoài Tuy nhiên, dòng vốn đầu tư nước ngoài đã bất ngờ đảo chiều do khủng hoảng tài chính và suy thoái kinh tế toàn cầu Chính sách tiền tệ và tài khóa đang được nới lỏng, với mức cung ứng tiền và tín dụng tăng cao kỷ lục, trong khi đầu tư công cũng trở nên dễ dàng hơn Bên cạnh đó, công tác phối hợp trong quản lý giá còn nhiều bất cập, đặc biệt trong bối cảnh giá cả hàng hóa thế giới như xăng dầu, nguyên liệu đầu vào và vàng tăng mạnh.

Bảng 2.4 Tăng trưởng và lạm phát giai đoạn 2008 – 2012

Tăng trưởng GDP (%) theo gốc 1999 5,66 5,40 6,42 6,24 5,25

CPI tổng thể bình quân (%) 23,06 6,99 9,19 18,64 9,23

Nguồn: Tổng cục Thống kê

Các mô hình dự báo GDPhiện đang áp dụng tại NHNN Việt Nam

Mục tiêu điều hành của NHNN trong những năm qua là ổn định kinh tế vĩ mô, kiềm chế lạm phát, và duy trì sự ổn định của tỷ giá cũng như thị trường ngoại hối Việc phân tích và dự báo ngày càng trở nên quan trọng, cung cấp thông tin và dữ liệu phân tích để hỗ trợ các nhà hoạch định chính sách có cái nhìn đa chiều, giúp kịp thời ứng phó với những biến động bất thường trong nước và quốc tế.

Trong quá trình hiện đại hóa khuôn khổ điều hành chính sách tiền tệ, Ngân hàng Nhà nước (NHNN) đã phát triển nhiều công cụ dự báo đa dạng như mô hình đơn biến, mô hình véc tơ, mô hình kinh tế lượng vĩ mô và mô hình DSGE Những công cụ này nhằm mục đích dự báo các chỉ tiêu kinh tế vĩ mô cũng như lĩnh vực tiền tệ - ngân hàng, hướng tới việc xây dựng một mô hình Ngân hàng Trung ương hiện đại như các nước trên thế giới.

Mô hình đơn biến (univariate model) được chia thành ba loại chính: (1) Mô hình tự hồi quy (AR - Autoregressive Model), tập trung vào mối quan hệ giữa biến hiện tại và giá trị quá khứ của chính nó; (2) Mô hình trung bình trượt (MA - Moving Average Model), phân tích các sai số trong dự đoán; và (3) Mô hình tự hồi quy trung bình trượt đồng liên kết (ARIMA - Autoregressive Integrated Moving Average Model), kết hợp cả hai phương pháp trên để dự đoán biến động trong dữ liệu theo thời gian.

Mô hình đa biến bao gồm ba loại chính: (1) Mô hình tự hồi quy véc tơ (VAR) và các biến thể của nó, (2) Mô hình kinh tế lượng vĩ mô, và (3) Mô hình cân bằng động ngẫu nhiên tổng quát (DSGE) Các mô hình này đóng vai trò quan trọng trong việc phân tích và dự đoán các biến động kinh tế.

Bộ công cụ của NHNN chủ yếu tập trung vào dự báo ngắn hạn, trung hạn và dài hạn, nhưng chưa áp dụng mô hình dự báo hiện tại (Nowcasting) như nhiều ngân hàng trung ương khác Đối với dự báo GDP, NHNN sử dụng mô hình đa biến do sự liên hệ chặt chẽ giữa các biến số trong nền kinh tế Mặc dù mô hình cấu trúc có lợi thế trong dự báo trung và dài hạn, nhưng lại không theo kịp diễn biến thời gian thực với dữ liệu tần suất cao, đặc biệt trong bối cảnh dữ liệu lớn ngày càng đa dạng.

2.2.1 Mô hình tự hồi quy Vector (VAR) đang áp dụng

- Tổng quan mô hình tự hồi quy Vector (VAR)

Mô hình VAR được nghiên cứu sử dụng và công bố lần đầu bởi Sims

Kể từ năm 1980, mô hình VAR đã trở thành công cụ phổ biến tại các ngân hàng trung ương trên toàn cầu để dự báo Trong mô hình này, mỗi biến số nội sinh được giải thích thông qua một phương trình bao gồm các giá trị trễ của chính nó và các biến số khác Khi có sự tham gia của các biến ngoại sinh, chúng sẽ xuất hiện trong các phương trình để giải thích sự biến động của các biến nội sinh.

Mô hình VAR với độ trễ p được viết dưới dạng tổng quát như sau:

- 𝐴 𝑖 là ma trận vuông cấp m x m, i = 1, 𝑝̅̅̅̅̅ ;

- Y bao gồm m biến nội sinh (đảm bảo là biến ngẫu nhiên dừng);

- 𝑢 𝑡 là véc tơ nhiễu trắng;

- 𝐵 𝑗 là véc tơ hệ số ứng với biến ngoại sinh;

- 𝑋 𝑡 là véc tơ các biến ngoại sinh

- 𝐵 𝑗 𝑋 𝑡 không bắt buộc phải có mặt trong một mô hình VAR (tùy vào mục đích nghiên cứu)

Mô hình VAR, với ưu điểm ngắn gọn và dễ vận hành, thường được lựa chọn để dự báo các biến nội sinh mà không yêu cầu quy mô dữ liệu lớn Thực tiễn tại NHNN cho thấy mô hình VAR tỏ ra ưu việt trong việc dự báo GDP, cung cấp thông tin quan trọng cho công tác lập kế hoạch tài chính và có khả năng đưa ra các kết quả dự báo độc lập, hữu ích cho báo cáo kinh tế vĩ mô.

- Cấu trúc mô hình VAR sử dụng để dự báo tăng trưởng của Việt Nam

Bảng 2.10 Cấu trúc mô hình VAR

Ký hiệu biến Dạng biến Thời gian Biến nội sinh

1 GDP thực DLOG(RGDP) dlog QI/2000-QIII/2020

2 Chỉ số giá tiêu dùng CPI dlog QI/2000-QIII/2020

3 Tín dụng cho nền kinh tế CRED dlog QI/2000-QIII/2020

4 Lãi suất cho vay VND ILENDVND %/năm QI/2000-QIII/2020

5 Tỷ giá BQLNH do NHNN công bố (tỷ giá trung tâm) XRA dlog QI/2000-QIII/2020

6 Lãi suất thực hiệu dụng của Fed IFED %/năm QI/2000-QIII/2020

7 Giá dầu thô thế giới POILWTIA dlog QI/2000-QIII/2020

Nguồn: Nhóm nghiên cứu tổng hợp

Mô hình VAR dự báo tăng trưởng GDP cho Việt Nam được thực hiện định kỳ 6 tháng một lần từ năm 2016, phục vụ cho Báo cáo kinh tế vĩ mô của Vụ DBTK (NHNN) hoặc theo yêu cầu của Ban Lãnh đạo NHNN, với dự báo kéo dài 4-6 quý Mô hình này sử dụng dữ liệu tần suất quý từ năm 2000Q1 và được cập nhật liên tục Các biến nội sinh trong mô hình VAR được đưa vào dưới dạng dlog, ngoại trừ lãi suất (ILENDVND) được sử dụng ở dạng sai phân để đảm bảo tính dừng của chuỗi Ngoài ra, mô hình còn bao gồm biến ngoại sinh như lãi suất thực hiệu dụng của Fed (IFED) ở dạng mức và giá dầu thô WTI trung bình trên thị trường quốc tế (POILWTIA) ở dạng dlog.

Sau khi hoàn thiện cấu trúc mô hình, Vụ DBTK thực hiện các kiểm định cần thiết: (i) Kiểm định tính dừng của dữ liệu cho thấy biến lãi suất thực hiệu dụng Mỹ IFED dừng ở dạng mức thông thường, trong khi các biến khác dừng ở dạng sai phân bậc 1 I(1); (ii) Kết quả kiểm định độ trễ tối ưu bằng phần mềm Eviews cho thấy các thống kê (LR, FPE, AIC, HQ) đều gợi ý sử dụng 4 trễ; (iii) Kiểm định tính ổn định của mô hình cho thấy mô hình đảm bảo tính ổn định, với tất cả giá trị nằm trong đường tròn đơn vị.

- Kết quả dự báo tăng trưởng Việt Nam bằng mô hình VAR

Mô hình VAR cho thấy khả năng dự báo với sai số thấp và thường đưa ra kết quả sát với dữ liệu thực tế Quá trình vận hành tại NHNN cho thấy mô hình này có nhiều ưu điểm như cấu trúc nhỏ gọn và dễ cập nhật, cho phép dự báo hiệu quả trong ngắn hạn và trung hạn từ 4-6 quý Tuy nhiên, dự báo dài hạn từ 2-5 năm còn hạn chế và cần mô hình phức tạp hơn như DSGE Đặc biệt, mô hình này không thể dự đoán chính xác trong trường hợp có cú sốc lớn như khủng hoảng kinh tế hay Covid-19.

Bảng 2.11 Các phép đo sai số dự báo của mô hình VAR

Nguồn: Nhóm nghiên cứu tổng hợp

Mô hình VAR được Vụ DBTK vận hành định kỳ 6 tháng hoặc khi cần thiết Cấu trúc của mô hình không có nhiều thay đổi, nhưng các biến số, đặc biệt là những thông tin và nhận định về diễn biến của các biến ngoại sinh trong tương lai, thường xuyên được đánh giá lại để phù hợp với tình hình thực tế.

2.2.2 Mô hình hiệu chỉnh sai số Vector (VECM)

- Tổng quan mô hình hiệu chỉnh sai số (VECM)

Theo GS.TS Nguyễn Quang Dong và TS Nguyễn Thị Minh (2012), xuất phát từ mô hình VAR rút gọn:

Mô hình biến đổi và viết lại thành:

∆𝑌 𝑡 = 𝑌 𝑡 − 𝑌 𝑡−1 = Π𝑌 𝑡−1 + 𝐶 1 Δ𝑌 𝑡−1 + 𝐶 2 Δ𝑌 𝑡−2 + ⋯ + 𝐶 𝑝 Δ𝑌 𝑡−𝑝 + 𝑢 𝑡 (2) Trong đó: Π = −(I − 𝐴 1 − 𝐴 2 − ⋯ − 𝐴 𝑝 ); 𝐶 𝑖 = − ∑ 𝑝 𝑗=𝑖+1 𝐴 𝑗 , với 𝑖 = 1, 𝑝 − 1̅̅̅̅̅̅̅̅̅̅; Π𝑌 𝑡−1 là phần hiệu chỉnh sai số của mô hình; p là bậc tự tương quan

Mặt khác, lại có: Π ≡ 𝛼 × 𝛽 ′ , trong đó: 𝛼 là ma trận tham số điều chỉnh;

Ma trận hệ số dài hạn 𝛽 thể hiện tối đa (n-1) quan hệ đồng liên kết trong mô hình n biến nội sinh Để đảm bảo rằng 𝑌 𝑡 hội tụ về cân bằng bền vững trong dài hạn, 𝛽 ′ là yếu tố quan trọng cần xem xét.

Mô hình hiệu chỉnh sai số véc tơ (VECM) là một biến thể của mô hình VAR, với các phương trình thành phần dựa trên nguyên lý của mô hình hiệu chỉnh sai số (ECM) Điểm khác biệt chính là các biến nội sinh trong VECM không yêu cầu phải ở dạng biến dừng như trong mô hình VAR, nhờ vào nguyên lý "đồng liên kết" hay "đồng tích hợp" Điều này có nghĩa là tổ hợp của các biến không dừng, được thể hiện qua phần dư của mô hình, lại tạo thành biến dừng, với phần dư được coi là nhiễu trắng.

Mô hình VECM có khả năng tích hợp thông tin dài hạn vào việc điều chỉnh các mối quan hệ ngắn hạn và được Vụ DBTK vận hành định kỳ mỗi 6 tháng hoặc theo yêu cầu Giống như mô hình VAR, VECM cũng có thể dự báo GDP của Việt Nam, trong đó GDP là một trong những biến nội sinh quan trọng của mô hình.

- Cấu trúc mô hình VECM sử dụng để dự báo tăng trưởng của Việt Nam

Mô hình VECM được ưa chuộng trong dự báo các biến nội sinh nhờ vào tính gọn nhẹ và dễ vận hành, không yêu cầu quy mô dữ liệu lớn Đối với dự báo tăng trưởng của Việt Nam, mô hình VECM được cấu trúc như trình bày trong Bảng 2.12 Các biến đưa vào mô hình không cần phải đảm bảo tính dừng, mà chỉ cần thỏa mãn điều kiện đồng liên kết, trừ biến lãi suất (ILENDVND) được đưa vào ở dạng mức Ngoài các biến nội sinh, mô hình còn bao gồm các biến ngoại sinh như lãi suất thực hiệu dụng của Fed (IFED) ở dạng mức và giá dầu thô WTI trung bình trên thị trường quốc tế (POILWTIA) ở dạng log.

Bảng 2.12 Cấu trúc mô hình VECM

Ký hiệu biến Dạng biến Thời gian Biến nội sinh

1 GDP thực RGDP log QI/2000-QIII/2020

2 Chỉ số giá tiêu dùng CPI log QI/2000-QIII/2020

3 Tín dụng cho nền kinh tế CRED log QI/2000-QIII/2020

4 Lãi suất cho vay VND ILENDVND %/năm QI/2000-QIII/2020

5 Tỷ giá BQLNH do NHNN công bố (tỷ giá trung tâm) XRA log QI/2000-QIII/2020

6 Lãi suất thực hiệu dụng của Fed IFED %/năm QI/2000-QIII/2020

7 Giá dầu thô thế giới POILWTIA log QI/2000-QIII/2020

Nguồn: Nhóm nghiên cứu tổng hợp

ỨNG DỤNG MÔ HÌNH NOWCASTING TRONG PHÂN TÍCH VÀ DỰ BÁO GDP TẠI NHNN

Cấu trúc mô hình Nowcasting cho phân tích, dự báo GDP Việt Nam

3.2.1 Cấu trúc mô hình theo phương pháp MIDAS

Nhắc lại cấu trúc tổng quát của mô hình MIDAS là:

Mô hình hồi quy được biểu diễn bằng công thức 𝑦 𝑡 = 𝛽𝑋 𝑡 ′ + 𝑓({𝑋 𝑡/𝑆 𝐻 }, 𝜃, 𝜆) + 𝜖 𝑡, trong đó 𝑦 𝑡 là biến phụ thuộc có tần suất thấp, và 𝑋 𝑡 ′ là tập hợp các ước lượng hồi quy độc lập với tần suất mẫu tương tự Tập hợp {𝑋 𝑡/𝑆 𝐻 } chứa các ước lượng hồi quy độc lập với tần suất mẫu cao hơn biến phụ thuộc Các tham số 𝛽, 𝜃, 𝜆 cần được ước lượng, trong khi hàm f (.) phản ánh ảnh hưởng của dữ liệu tần suất cao đến dữ liệu tần suất thấp.

Việc xác định hàm f(.) là rất quan trọng để kết nối các biến số tần suất cao (biến độc lập) với biến số tần suất thấp (biến phụ thuộc) cần dự báo Các dạng hàm khác nhau sẽ ảnh hưởng đến bộ trọng số trong mô hình và kết quả đầu ra của mô hình Nowcasting Nghiên cứu tại Việt Nam sẽ áp dụng ba phương pháp xác định hàm f(.) cho mô hình MIDAS, bao gồm: (i) hàm f(.) dạng bước cho quan hệ giữa biến phụ thuộc và biến tần suất cao; (ii) hàm f(.) dạng lũy thừa có trễ phân phối đa thức Almon cho mối quan hệ giữa biến tần suất thấp và tần suất cao; (iii) hàm f(.) dạng tự do, không ràng buộc với trọng số ước lượng dựa trên dữ liệu mô hình Việc ước lượng các mô hình với các dạng hàm khác nhau nhằm tìm ra phương pháp tối ưu nhất để dự đoán tăng trưởng GDP theo quý, phù hợp với bộ dữ liệu kinh tế tần suất cao của Việt Nam.

Mô hình VNMDS_01 áp dụng quy tắc hàm bước (step function) để xác định trọng số trong f(.) của mô hình MIDAS Cụ thể là từ mô hình tổng quát

(nêu trên), ta thiết lập dạng hàm f(.) như sau:

Trong bài viết này, 𝜅 đại diện cho số lượng các kỳ dữ liệu tần suất cao được chọn, có thể lớn hơn hoặc nhỏ hơn S Dữ liệu tần suất cao (X) tại thời điểm được biểu thị bằng 𝑋(𝑡−𝜏)/𝑆𝐻′.

𝑡 − 𝜏 với 𝜏 là trễ trong một thành phần hồi quy S; 𝜑 𝑡−𝜏 là hệ số hồi quy tại kỳ

𝜂 với η là số bước (steps); 𝜖 𝑡 là sai số tại thời điểm t

Theo Forsberg và Ghysels (2007), chiến lược này giúp giảm số lượng hệ số cần ước lượng bằng cách ràng buộc các trễ liên tiếp có cùng một hệ số Trong nghiên cứu áp dụng tại Việt Nam, nhóm xác định 𝜅 và η = 3, với giả định rằng mỗi 3 kỳ dữ liệu tần suất cao sẽ có chung một hệ số Cụ thể, dữ liệu tháng 12 năm trước và tháng 1, tháng 2 cùng năm sẽ có chung hệ số 𝜑 1, và tiếp tục như vậy cho các kỳ tiếp theo Giả định này được đưa ra do GDP là dữ liệu quý, ước tính từ dữ liệu tháng, và được công bố vào tháng cuối quý, khiến các dữ liệu tháng chỉ có sẵn đến tháng trước đó Do đó, việc nhóm dữ liệu theo kỳ 3 tháng liên tiếp trước tháng cuối quý công bố GDP với cùng một hệ số là hợp lý Tuy nhiên, đối với các nước công bố dữ liệu GDP muộn hơn, việc nhóm dữ liệu có chung trọng số có thể khác so với trường hợp của Việt Nam.

Mô hình VNMDS_02 áp dụng trễ phân phối đa thức (PDL) để xác định trọng số trong hàm f(.) của mô hình MIDAS Theo nghiên cứu của Almon

Phương pháp trễ phân phối đa thức, được giới thiệu vào năm 1965, đã trở thành một công cụ phổ biến trong mô hình trễ phân phối cổ điển Chiến lược xác định trọng số trong mô hình này được thực hiện một cách cụ thể để tối ưu hóa kết quả phân tích.

Trong nghiên cứu về mô hình đa thức Almon, bậc của đa thức (p) quyết định số lượng hệ số được ước lượng, không phụ thuộc vào số lượng kỳ dữ liệu tần suất cao được chọn (theo Ghysels et al., 2004; Ghysel, Sinko và Valkanov, 2007) Đối với mô hình áp dụng tại Việt Nam, nhóm nghiên cứu đã thống nhất sử dụng bậc của đa thức Almon (p) là 2 và độ trễ của mô hình là 6, như đã nêu trong Phụ lục 5 của dự án.

Mô hình VNMDS_03 áp dụng nghiên cứu của Foroni, Marcellino và

Phương pháp U-MIDAS, được Schumacher (2012) giới thiệu, là một kỹ thuật không ràng buộc thường được áp dụng trong nghiên cứu kinh tế vĩ mô Trong lĩnh vực này, sự khác biệt về tần suất mẫu thường chỉ là tháng – quý hoặc quý – năm Dạng tổng quát của U-MIDAS cho phép phân tích dữ liệu với các tần suất khác nhau một cách hiệu quả.

Khác với hai phương pháp trước, phương pháp này không đặt ra bất kỳ ràng buộc nào cho các hệ số, do đó giá trị cần ước lượng là hệ số góc khác nhau tại từng quan sát trong mẫu dữ liệu tần suất cao Nhóm nghiên cứu đã áp dụng phương pháp này cho dữ liệu Việt Nam, nhờ vào sự khác biệt nhỏ trong tần suất mẫu (tháng-quý) Kết quả từ mô hình này có thể được sử dụng làm mô hình tham chiếu để so sánh với kết quả từ các mô hình có hệ số ràng buộc được xác định từ hai phương pháp trước đó.

3.2.2 Cấu trúc mô hình theo phương pháp MF-VAR

Ngoài phương pháp MIDAS thông dụng, nhóm nghiên cứu còn áp dụng phương pháp MF-VAR để phát triển mô hình VNMFVAR, nhằm dự báo tần suất cao cho Việt Nam, với cấu trúc không gian trạng thái đặc trưng.

Trong mô hình dự báo, biến ẩn tần suất thấp 𝑌 𝑞 được xác định thông qua công thức 𝑋 𝑡 = 𝛾 𝑋 𝑡−1 + 𝛿 𝜃, trong đó 𝑋 𝑡 đại diện cho các biến số tần suất cao có thể quan sát được Chi tiết về các biến số này sẽ được trình bày trong phần 3.2 của bài viết.

Bộ lọc Kalman, do Rudolf E Kálmán phát triển vào năm 1960, là một thuật toán mạnh mẽ dùng để tính toán các biến số không quan sát được bằng cách sử dụng chuỗi giá trị đo lường bị nhiễu Thuật toán này giúp ước lượng giá trị trạng thái tối ưu 𝑥 𝑘 tại thời điểm 𝑘, từ đó nâng cao độ chính xác so với việc chỉ dựa vào một giá trị đo lường duy nhất Quá trình của Bộ lọc Kalman bao gồm các bước truy hồi để xử lý chuỗi giá trị đầu vào, nhằm xây dựng hàm ước lượng hợp lý và cải thiện khả năng dự đoán.

Khởi tạo giá trị trạng thái ước lượng ban đầu và dự đoán giá trị trạng thái 𝑥 𝑘 tại thời điểm 𝑘 dựa trên thông tin có sẵn từ thời điểm 𝑘 − 1 Tiếp theo, tính độ tin cậy hay độ bất định của dự đoán này Sau đó, đo đạc giá trị thực tế, mặc dù có sai số do nhiễu Tiến hành lấy trung bình trọng số giữa giá trị dự đoán và giá trị thực tế để xác định giá trị ước lượng Cuối cùng, xây dựng hàm ước lượng hợp lý cực đại để tối ưu hóa kết quả.

Bộ lọc Kalman là một mô hình toán học bao gồm các phương trình tuyến tính, cho phép ước lượng trạng thái của một quá trình với sai số trung bình phương giữa giá trị thực và giá trị ước đoán là nhỏ nhất Mô hình này hoạt động dựa trên không gian trạng thái, sử dụng hai phương trình chính: phương trình trạng thái và phương trình đo lường.

(measurement equation) Trong đó, giá trị trạng thái được biểu diễn dưới dạng vector và các biến đổi được biểu diễn dưới dạng ma trận

Phương trình trạng thái là phương trình sai phân tuyến tính ngẫu nhiên của vector trạng thái 𝑥 𝑘 tại thời điểm 𝑘: 𝑥 𝑘 = 𝐹 𝑘 𝑥 𝑘−1 + 𝐵 𝑘 𝑢 𝑘 + 𝑤 𝑘

Trong hệ thống điều khiển, ma trận thay đổi trạng thái được ký hiệu là 𝐹 𝑘, trong khi vector điều khiển là 𝑢 𝑘 và ma trận điều khiển là 𝐵 𝑘 Nhiễu trạng thái được ký hiệu là 𝑤 𝑘, với giả định rằng 𝑤 𝑘 tuân theo phân bố Gaussian chuẩn 𝑁(0, 𝑄 𝑘), trong đó 𝑄 𝑘 là ma trận hiệp phương sai tương ứng.

Phương trình đo lường là phương trình thể hiện mối liên hệ giữa giá trị quan sát 𝑧 𝑘 và giá trị trạng thái 𝑥 𝑘 tại thời điểm 𝑘: 𝑧 𝑘 = 𝐻 𝑘 𝑥 𝑘 + 𝑣 𝑘

Trong mô hình quan sát, ma trận 𝐻 𝑘 đại diện cho cấu trúc quan sát, trong khi 𝑣 𝑘 là nhiễu đo lường Nhiễu đo lường được giả định tuân theo phân bố Gaussian 𝑁(0, 𝑄 𝑘 ) và không có tương quan với 𝑤 𝑘.

Các ma trận 𝐹 𝑘 , 𝐵 𝑘 , 𝐻 𝑘 được coi là đã biết Giả định rằng các nhiễu {𝑣 1 , … , 𝑣 𝑘 , 𝑤 1 , … , 𝑤 𝑘 } là bộ biến ngẫu nhiên độc lập và độc lập với trạng thái ban đầu 𝑥 0

Dữ liệu mô hình

3.2.1 Xác định biến số mô hình

Sau khi xác định cấu trúc và phương pháp ước lượng, việc lựa chọn các biến số phù hợp cho mô hình là rất quan trọng để dự báo biến mục tiêu, cụ thể là ước tính tăng trưởng GDP của Việt Nam trong hiện tại và tương lai gần Dựa trên khảo sát kinh nghiệm quốc tế trong Chương 1, phân tích diễn biến tăng trưởng GDP tại Việt Nam trong Chương 2, cùng với việc khảo cứu mức độ sẵn có của cơ sở dữ liệu, nhóm nghiên cứu đã đề xuất các biến số cho mô hình.

3.2.1.1 Dữ liệu với mô hình MIDAS Đối với biến phụ thuộc tần suất thấp: Nhóm nghiên cứu sử dụng trực tiếp biến tăng trưởng GDP theo năm mà không điều chỉnh mùa vụ vì mục đích của nghiên cứu là ước tính một cách chính xác nhất tăng trưởng kinh tế thực cho kỳ hiện tại và kỳ tiếp theo Việc sử dụng dữ liệu giá trị GDP thực (hoặc GDP thực được điều chỉnh) có thể làm gia tăng mức độ sai lệch trong quá trình dự báo khi tính toán lại theo tốc độ tăng trưởng theo quý (qoq hoặc yoy) Mặt khác, do đặc thù ảnh hưởng của mùa vụ lên GDP Việt Nam là rất lớn nên việc sử dụng dữ liệu hiệu chỉnh mùa vụ có thể làm mất các thông tin quan trọng trong quá trình ước lượng từ đó ảnh hưởng đến chất lượng dự báo tăng trưởng GDP thực của mô hình

Khảo cứu các quốc gia trong Chương 1 cho thấy hầu hết đều dự báo trực tiếp tốc độ tăng trưởng GDP theo năm (yoy) Phương pháp Nowcasting nổi bật với khả năng dự báo dữ liệu thô mà không cần kỹ thuật điều chỉnh hay làm trơn, khác với các phương pháp truyền thống.

Bảng 3.1 Dữ liệu và biến số mô hình MIDAS

Ký hiệu biến Dạng biến Thời gian Biến phụ thuộc tần suất thấp (Theo quý)

Tăng trưởng GDP thực GROWTH % (yoy) Q2/2011-Q3/2020

Biến độc lập tần suất cao (Theo tháng)

1 Lạm phát tổng thể INF % (yoy) T4/2011-T11/2020

2 Chỉ số sản xuất công nghiệp toàn ngành IIP % (yoy) T4/2011-T11/2020

3 Chỉ số nhà quản trị mua hàng PMI Điểm T4/2011-T11/2020

4 Tăng trưởng doanh số bản lẻ hàng hóa và dịch vụ tiêu dùng thực (loại trừ yếu tố giá) GRSALE % (yoy) T4/2011-T11/2020

5 Tăng trưởng tín dụng toàn nền kinh tế GCRED % (yoy) T4/2011-T11/2020

6 Tăng trưởng nhập khẩu hàng hóa, dịch vụ GIM % (yoy) T4/2011-T11/2020

7 Biến động tỷ giá thực hiệu dụng GREER % (yoy) T4/2008-T11/2020

8 Biến động lãi suất cho vay thị trường 1 DILEND % T4/2008-T11/2020

9 Biến động chỉ số giá cổ phiếu sàn HSX GVNI % (yoy) T4/2008-T09/2020

Nhóm nghiên cứu quyết định sử dụng 9 biến số cho mô hình Nowcasting GDP tại Việt Nam nhằm làm rõ mức độ ảnh hưởng đến tăng trưởng GDP, tránh lãng phí quan sát và rủi ro từ hiện tượng đa công tuyến Kinh nghiệm từ Indonesia cho thấy việc đưa quá nhiều biến vào mô hình với mẫu dữ liệu nhỏ sẽ làm tăng sai số và giảm chất lượng dự báo Mặc dù việc thêm biến số có thể cải thiện khả năng dự báo, cơ sở dữ liệu điều tra vi mô của Việt Nam còn hạn chế về độ dài mẫu và độ bao phủ, do đó chưa thể tính đến các biến như niềm tin người tiêu dùng hay tình hình việc làm Một số dữ liệu tần suất cao quan trọng ở Indonesia cũng chưa được thu thập tại Việt Nam, nhưng đây có thể là hướng phát triển cho mô hình trong tương lai khi nguồn dữ liệu phong phú hơn.

Lạm phát tổng thể (INF) là biến đại diện cho giá cả trong nghiên cứu GDP của Việt Nam, khác với Indonesia Việt Nam không áp dụng khung lạm phát mục tiêu một cách chuẩn mực, mà chỉ đặt mục tiêu ổn định mức giá tiêu dùng hàng năm theo chỉ tiêu của Quốc hội và Chính phủ Ngân hàng Nhà nước (NHNN) dựa vào mục tiêu này để xác định các công cụ điều hành phù hợp theo từng giai đoạn Thực tế cho thấy có mối quan hệ chặt chẽ giữa lạm phát và tăng trưởng GDP tại Việt Nam, với các giai đoạn tăng trưởng cao thường đi kèm với mức giá cao hơn, như đã phân tích trong Chương 2 của dự án.

Chỉ số sản xuất công nghiệp (IIP) là biến đại diện cho bên cung trong nghiên cứu, vì nó đóng vai trò quan trọng trong việc thúc đẩy tăng trưởng GDP của Việt Nam Trong 20 năm qua, kinh tế Việt Nam đã chuyển dịch từ nông, lâm nghiệp, thủy sản sang công nghiệp, xây dựng và dịch vụ, với sản xuất công nghiệp là trọng tâm Mặc dù khu vực dịch vụ có đóng góp lớn vào tăng trưởng, nhiều ngành dịch vụ như bán buôn, bán lẻ, vận tải, ngân hàng và bảo hiểm lại phụ thuộc vào sự phát triển của ngành công nghiệp Do đó, IIP thể hiện rõ hoạt động kinh tế bên cung và là yếu tố quan trọng trong mô hình dự báo GDP theo phương pháp Nowcasting, như đã được chứng minh qua kinh nghiệm của Mỹ và Châu Âu Mặc dù ở Indonesia, mối quan hệ giữa GDP và IIP không cao, IIP vẫn được sử dụng làm biến đầu vào để dự báo GDP.

Biến đại diện cho phía cầu bao gồm tăng trưởng doanh số bán lẻ hàng hóa và dịch vụ tiêu dùng thực (GRSALE) và tăng trưởng nhập khẩu (GIM), phản ánh nhu cầu của nền kinh tế đối với hàng hóa và dịch vụ trong nước cũng như hàng hóa nhập khẩu Hai biến số này có ảnh hưởng lớn đến GDP không chỉ của Việt Nam mà còn của nhiều quốc gia khác Nghiên cứu lựa chọn biến nhập khẩu thay vì xuất khẩu để tránh hiện tượng đa cộng tuyến, do có mối tương quan chặt chẽ giữa hai biến này Tăng trưởng nhập khẩu cho thấy nhu cầu tiêu dùng hoặc đầu tư gia tăng, từ đó thúc đẩy tăng trưởng kinh tế trong tương lai, khi Việt Nam vẫn phụ thuộc vào hàng hóa nhập khẩu cho sản xuất và xuất khẩu Hiện tại, nghiên cứu chưa đưa vào biến số đại diện cho đầu tư FDI do thiếu dữ liệu tần suất cao, nhưng đây có thể là hướng phát triển mô hình trong tương lai khi có cơ sở dữ liệu đầy đủ hơn.

Các biến đại diện cho khu vực tiền tệ, ngân hàng và thị trường chứng khoán như tăng trưởng tín dụng (GCRED), biến động tỷ giá (GREER), và biến động lãi suất cho vay thị trường 1 (DILEND) có ảnh hưởng đáng kể đến hoạt động sản xuất và giá cả trong nền kinh tế Việt Nam Nghiên cứu kinh nghiệm từ Châu Âu cho thấy lãi suất có tác động lớn đến quy mô dự báo và tính không chắc chắn, trong khi tiền tệ và tín dụng lại ít ảnh hưởng đến dự báo GDP thực Tuy nhiên, phân tích diễn biến tăng trưởng của Việt Nam chỉ ra rằng các biến số tiền tệ có ý nghĩa giải thích quan trọng do nền kinh tế phụ thuộc nhiều vào nguồn vốn ngân hàng với tỷ lệ tín dụng/GDP cao Mặc dù thị trường vốn chủ yếu phát triển trong lĩnh vực trái phiếu chính phủ và chứng khoán, thị trường trái phiếu doanh nghiệp vẫn đang trong quá trình hoàn thiện Đặc biệt, thị trường chứng khoán ngày càng trở thành kênh dẫn vốn quan trọng và có tính dẫn hướng cao đối với hoạt động kinh tế thực tại Việt Nam.

Mô hình nghiên cứu bao gồm biến điều về nhà quản trị mua hàng (PMI), một chỉ số tổng hợp quan trọng phản ánh kế hoạch sản xuất của các nhà công nghiệp, nhu cầu hàng hóa trong nước và quốc tế, cũng như nhu cầu lao động cho khu vực chế biến chế tạo Nghiên cứu của Lahiri và Monokrousos đã chỉ ra tầm quan trọng của PMI trong việc đánh giá tình hình kinh tế.

Nghiên cứu năm 2011 đã so sánh mô hình dựa trên Chỉ số Nhà quản trị mua hàng (PMI) với kết quả dự báo từ mô hình nhân tố động của Giannone và cộng sự (2008, 2010), cho thấy PMI có khả năng cải thiện dự báo GDP của Mỹ Do đó, nhóm nghiên cứu đã chọn PMI làm biến giải thích quan trọng trong mô hình cho Việt Nam Hơn nữa, do dữ liệu điều tra còn hạn chế, chỉ số PMI cũng phần nào đại diện cho nhóm các biến số điều tra về xu hướng kinh doanh trong lĩnh vực công nghiệp.

3.2.1.1 Dữ liệu với mô hình MIDAS

Phương pháp VF-VAR là một phương pháp ước lượng mô hình tần suất cao, dựa trên mô hình tự hồi quy vector (VAR) truyền thống Một trong những thách thức của mô hình VAR là số lượng tham số cần ước lượng lớn, đặc biệt khi số lượng biến số nhiều nhưng số lượng quan sát lại hạn chế, dẫn đến hiện tượng không ước lượng được (over-estimation) Kinh nghiệm trong việc xây dựng mô hình này là rất quan trọng để đạt được kết quả chính xác.

Mô hình VAR tại NHNN cho thấy rằng với chuỗi dữ liệu hạn chế của Việt Nam, việc xây dựng mô hình VAR với tối đa 5 biến nội sinh là phù hợp Nhóm nghiên cứu đã quyết định phát triển mô hình MF-VAR để dự báo GDP Việt Nam, sử dụng các biến số quan trọng như: (1) Tăng trưởng GDP cần dự tính; (2) Biến INF đại diện cho tốc độ tăng giá trong nền kinh tế; (3) Biến IIP đại diện cho tăng trưởng bên cung của nền kinh tế.

Biến GRSALE thể hiện sự tăng trưởng của cầu trong nền kinh tế, trong khi biến GRCED phản ánh vai trò quan trọng của tiền tệ, đặc biệt là tín dụng, đối với sự phát triển của GDP.

Bảng 3.2 Dữ liệu và biến số mô hình MF-VAR

Ký hiệu biến Dạng biến Thời gian Biến tần suất thấp (Theo quý)

1 Tăng trưởng GDP thực GROWTH % (yoy) Q2/2011-Q3/2020

Biến tần suất cao (Theo tháng)

2 Lạm phát tổng thể INF % (yoy) T4/2011-T09/2020

3 Chỉ số sản xuất công nghiệp toàn ngành IIP % (yoy) T4/2011-T09/2020

4 Tăng trưởng doanh số bản lẻ hàng hóa và dịch vụ tiêu dùng thực (loại trừ yếu tố giá) GRSALE % (yoy) T4/2011-T09/2020

5 Tăng trưởng tín dụng toàn nền kinh tế GCRED % (yoy) T4/2011-T09/2020

Nguồn: Nhóm nghiên cứu tổng hợp

3.3.2 Nguồn và tần suất dữ liệu

Dữ liệu về GDP, lạm phát, chỉ số sản xuất công nghiệp, và doanh số bán lẻ được thu thập từ Tổng cục Thống kê (GSO), trong khi thông tin về khu vực tiền tệ, ngân hàng và thị trường chứng khoán đến từ Ngân hàng Nhà nước và Ủy ban Chứng khoán Nhà nước Tỷ giá hối đoái thực (REER) được nhóm nghiên cứu tính toán dựa trên rổ tiền tệ và trọng số thương mại với 10 quốc gia có quan hệ xuất-nhập khẩu lớn nhất với Việt Nam Dữ liệu PMI được thu thập từ Markit, cơ quan chính thức thực hiện khảo sát chỉ số này tại Việt Nam.

Dữ liệu được thu thập và ước lượng một cách thống nhất từ tháng 04/2011 đến tháng 11/2020 cho biến số tần suất tháng và từ quý 2/2011 đến quý 3/2020 cho biến số tần suất quý nhằm đảm bảo tính nhất quán Nguyên nhân bao gồm: (i) Dữ liệu PMI của Việt Nam bắt đầu được Markit (HSBC) thu thập và công bố từ tháng 4/2011; (ii) GSO chuyển sang công bố chỉ số sản xuất công nghiệp từ tháng 01/2011, thay vì dữ liệu giá trị sản xuất trước đó, gây ra sự gián đoạn; (iii) Dữ liệu GDP theo quý được chuyển đổi từ gốc 2005 sang gốc 2010, giúp đảm bảo tính nhất quán cho giai đoạn 2010-2020.

3.2.3 Thống kê mô tả và khảo sát dữ liệu mô hình

Kết quả mô hình Nowcasting cho GDP của Việt Nam

3.3.1 Kết quả phân tích, dự báo GDP trong mẫu

Bảng 3.6 Kết quả sai số các mô hình Nowcasting

Mô hình RMSE MAE MAPE Theil

Mô hình thuộc lớp tự hồi quy vector đang áp dụng tại NHNN

Mô hình Nowcasting do nhóm nghiên cứu xây dựng

Nguồn: Tính toán của nhóm nghiên cứu

Kết quả ước lượng chi tiết của các mô hình VNMDS_01, VNMDS_02, VNMDS_03 và VNMFVAR được trình bày trong phụ lục 5, 6, 7, 8 của dự án Nhóm nghiên cứu đã so sánh khả năng dự báo tốc độ tăng trưởng GDP của các mô hình thông qua các tiêu chuẩn thống kê như RMSE, MAE, MAPE và hệ số bất cân bằng Theil, được tóm tắt trong Bảng 3.6 Các kết luận chính về khả năng dự báo của các mô hình Nowcasting cho ước tính tăng trưởng GDP của Việt Nam đã được đưa ra.

Các mô hình Nowcasting dự đoán GDP của Việt Nam cho thấy sai số dự báo thấp, chứng tỏ sự phát triển mô hình này là đúng hướng với thông tin đầu vào phù hợp Chúng có khả năng dự đoán chính xác các giai đoạn biến động lớn trong tăng trưởng GDP, như giai đoạn chuyển mình từ tích lũy sang tăng trưởng cao hơn trong 2016-2017 và sự sụt giảm đột ngột trong quý II/2020 do đại dịch Covid-19 Trong khi các mô hình kinh tế lượng truyền thống thường không thể đo lường chính xác mức độ ảnh hưởng của cú sốc lớn do thiếu thông tin và hạn chế kỹ thuật, phương pháp Nowcasting lại tỏ ra ưu việt hơn với khả năng nắm bắt nhanh chóng các biến động nhờ vào dữ liệu tần suất cao và kỹ thuật ước lượng linh hoạt Các mô hình truyền thống bị giới hạn bởi dữ liệu cân bằng và trọng số cố định, trong khi Nowcasting có thể áp dụng nhiều phương pháp khác nhau để xác định trọng số phù hợp nhất với điều kiện dữ liệu hiện có.

Hình 3.1 Kết quả dự báo trong mẫu từ mô hình MIDAS

GROW TH VNMDS_01 VNMDS_02 VNMDS_03

Kết quả từ nghiên cứu cho thấy các mô hình Nowcasting có khả năng dự báo ngắn hạn vượt trội so với mô hình VAR và VECM đang được áp dụng tại NHNN, với sai số dự báo giảm tới 95-97% theo tiêu chuẩn MAPE Mô hình Nowcasting có ưu thế trong việc nắm bắt cú sốc lớn từ tăng trưởng GDP, trong khi mô hình VAR, mặc dù đã được cải tiến, vẫn hạn chế trong dự báo ngắn hạn Điều này lý giải vì sao Nowcasting ngày càng được ưa chuộng để đưa ra các kết luận nhanh chóng về xu thế biến động kinh tế, trong khi các mô hình truyền thống thường phải chờ đợi dữ liệu đầy đủ mới có thể cung cấp thông tin đáng tin cậy Nói chung, mô hình Nowcasting mang tính "thị trường" hơn so với các mô hình kinh tế lượng truyền thống.

Trong nhóm các mô hình Nowcasting, mô hình VNMDS_02 cho thấy khả năng dự đoán tốc độ tăng trưởng GDP tốt nhất, nhờ vào phương pháp xác định trọng số MIDAS với trễ phân phối đa thức Almon Xếp sau là mô hình VNMDS_01, dựa trên cách tiếp cận hàm bước, trong khi VNMDS_03 có sai số lớn nhất, điều này cho thấy sự cần thiết phải phát triển thêm VNMDS_01 và VNMDS_02 Mặc dù mô hình VNMFVAR kém hơn VNMDS_01 và VNMDS_02, nhưng vẫn tốt hơn VNMDS_03, với sai số giữa các mô hình không quá lớn Sự khác biệt này có thể được giải thích bởi số lượng biến tần suất cao trong mô hình MIDAS lên tới 9 biến, trong khi MF-VAR chỉ có 4 biến Tuy nhiên, MF-VAR vẫn có khả năng đưa ra dự báo chính xác với số lượng biến hạn chế Trong tương lai, khi dữ liệu phong phú hơn, mô hình MF-VAR sẽ phát huy tối đa ưu thế của mình, như đã được chứng minh qua kinh nghiệm tại Châu Âu với dữ liệu trên 40 năm.

Hình 3.2 Kết quả dự báo trong mẫu từ mô hình MF-VAR

Nguồn: Nhóm nghiên cứu tổng hợp

Mô hình MF-VAR cho dữ liệu tần suất cao vượt trội hơn mô hình VAR truyền thống trong việc dự báo tăng trưởng GDP.

Mô hình MF-VAR có ưu điểm trong dự báo ngắn hạn, trong khi mô hình VAR lại vượt trội trong dự báo trung hạn Đối với những quốc gia như Việt Nam với điều kiện dữ liệu hạn chế, việc duy trì song song cả hai mô hình MIDAS và MF-VAR, bên cạnh mô hình VAR truyền thống, là rất cần thiết Điều này không chỉ giúp cải thiện độ chính xác trong dự báo mà còn bổ sung những hạn chế của các mô hình kinh tế lượng truyền thống.

3.3.2 Kết quả phân tích, dự báo ngoài mẫu

Nhóm nghiên cứu đã áp dụng các mô hình Nowcasting để dự báo tăng trưởng GDP của Việt Nam trong quý IV/2020 và quý I/2021, sử dụng dữ liệu tháng tính đến hết tháng 11/2020 Mô hình Nowcasting cho phép dự báo nhanh chóng tốc độ tăng trưởng kinh tế dựa trên thông tin mới nhất trước khi dữ liệu chính thức được công bố Kết quả dự báo GDP cho hai quý này đã được thực hiện dựa trên phương pháp phân tích hiện có.

Bảng 3.7 Kết quả dự báo tăng trưởng GDP ngoài mẫu

Mô hình Tăng trưởng quý IV/2020

Nguồn: Tính toán của nhóm nghiên cứu

Kết quả ước tính cho thấy mô hình VNMDS_02 có độ chính xác cao nhất trong dự báo tăng trưởng GDP thực của Việt Nam trong quý IV/2020, với độ lệch chỉ khoảng 0,4% so với kết quả thực tế 4,48% yoy do GSO công bố Trong khi đó, mô hình VNMDS_01 dự báo thấp hơn và VNMDS_03 cùng VNMFVAR có xu hướng dự báo cao hơn Mặc dù các mô hình khác có độ chính xác không bằng VNMDS_02, nhưng độ lệch giữa chúng và kết quả thực tế vẫn ở mức chấp nhận được (6%) Điều này cho thấy VNMDS_02 không chỉ có năng lực dự báo tốt mà còn vững chắc khi ước tính tăng trưởng GDP cả trong và ngoài mẫu, trong khi các mô hình còn lại cần được sử dụng đồng thời để tính toán khoảng dự báo trung bình cho tăng trưởng GDP của Việt Nam.

Kết quả phân tích mô hình cho thấy GDP của Việt Nam tiếp tục phục hồi trong giai đoạn quý IV/2020 đến quý I/2021 so với quý I/2020 đến quý III/2020 Tuy nhiên, vẫn có một số điểm đáng chú ý cần xem xét.

Dự báo tăng trưởng GDP của Việt Nam trong quý IV/2020 dao động từ 3,23% đến 5,98%, và trong quý I/2021 từ 4,57% đến 6,22% Mô hình VNMDS_02 được xác định là có năng lực dự báo tốt nhất, với kết quả dự kiến tăng trưởng GDP đạt 4,50% trong quý IV/2020 và 5,63% trong quý I/2021, do đó đáng tin cậy hơn các mô hình khác Nếu tính trung bình từ tất cả các mô hình, GDP của Việt Nam ước đạt 4,75% trong quý IV/2020 và 5,37% trong quý I/2021.

Kết quả dự báo quý I/2021 có thể ít đáng tin cậy hơn so với quý IV/2020 do dữ liệu chỉ tính đến hết tháng 11/2020 Tuy nhiên, xu hướng tăng trưởng GDP trong quý I/2021 vẫn được khẳng định qua tất cả các mô hình dự báo Điều này phù hợp với diễn biến kinh tế nửa cuối năm 2020, khi ngành công nghiệp chế biến, chế tạo phục hồi và hoạt động xuất, nhập khẩu cũng đang tăng trưởng tích cực Sự thành công trong kiểm soát dịch bệnh sớm và hiệu quả là động lực quan trọng thúc đẩy tăng trưởng kinh tế trong thời gian tới.

Hình 3.3 Chênh lệch sản lượng (output gap) của Việt Nam

Nguồn: Tính toán của nhóm nghiên cứu

Cập nhật kết quả dự báo tăng trưởng GDP ngoài mẫu đến hết quý I/2021 cho thấy mặc dù GDP có dấu hiệu hồi phục, nhưng độ lệch sản lượng âm chứng tỏ mức tăng trưởng vẫn thấp hơn tiềm năng Sau giai đoạn giảm mạnh từ quý I/2020 đến quý III/2020, nền kinh tế chỉ dương nhẹ trở lại vào quý IV/2020, nhưng lại rơi xuống miền âm trong quý I/2021 Độ lệch sản lượng dương trong quý IV/2020 chỉ là tín hiệu hồi phục kỹ thuật sau cú sốc lớn trước đó, và xu hướng chung vẫn nằm dưới tiềm năng Tín hiệu đảo chiều trong quý I/2021 cho thấy đà hồi phục chưa mạnh, với khả năng độ lệch sản lượng tiếp tục âm trong năm 2021 nếu không có giải pháp phù hợp Do đó, cần thiết phải tính đến các biện pháp để đảm bảo tăng trưởng GDP trở lại vùng tiềm năng một cách bền vững trong trung hạn, nhất là trong bối cảnh ảnh hưởng phức tạp và bất định của đại dịch Covid-19.

Nghiên cứu của IMF (2018) chỉ ra rằng tăng trưởng GDP tiềm năng của Việt Nam khoảng 6,5%-6,7%, nhưng ngành vận tải, kho bãi, logistic, du lịch và ăn uống lưu trú đang gặp nhiều khó khăn Khu vực tiền tệ cũng chịu ảnh hưởng đáng kể từ sự chững lại của hoạt động sản xuất kinh doanh, với tốc độ tăng trưởng tín dụng ngân hàng hồi phục chậm Mặc dù thị trường chứng khoán hồi phục mạnh mẽ, nhưng chỉ đóng vai trò dẫn hướng và chưa đóng góp đáng kể cho tăng trưởng GDP Chính sách hỗ trợ từ Chính phủ và NHNN đã giúp kinh tế tạm thời hồi phục trong ngắn hạn, nhưng việc điều chỉnh chính sách trong tương lai cần được xem xét kỹ lưỡng để đảm bảo tăng trưởng kinh tế bền vững, đặc biệt cho khu vực sản xuất trong nước, nơi có nhiều lao động bị ảnh hưởng bởi đại dịch Covid-19.

Hình 3.4 Kết quả dự báo ngoài mẫu từ các mô hình Nowcasting

I II III IV I II III IV I

Nguồn: Nhóm nghiên cứu tính toán

Chính sách tiền tệ cần phối hợp các công cụ hiệu quả để định hướng nguồn vốn ngân hàng vào hoạt động kinh tế thực, tạo giá trị gia tăng bền vững trong bối cảnh hồi phục kinh tế còn mong manh Cần kiểm soát dòng vốn tín dụng để tránh rủi ro tập trung vào hoạt động phi sản xuất và nguy cơ tạo bong bóng tài sản, ảnh hưởng đến tăng trưởng trung và dài hạn Việc cơ cấu thời hạn trả nợ, miễn giảm lãi vay cho khách hàng chịu ảnh hưởng bởi đại dịch Covid-19 cần được thực hiện cẩn trọng để bảo vệ chất lượng tài sản và hạn chế nợ xấu Ổn định hệ thống ngân hàng Việt Nam sẽ góp phần quan trọng vào ổn định kinh tế vĩ mô và phục hồi nền kinh tế trong thời gian tới.

Mặc dù đối mặt với nhiều thách thức, tăng trưởng GDP của Việt Nam vẫn cao hơn hầu hết các quốc gia trong khu vực và toàn cầu Lạm phát được kiểm soát ở mức hợp lý, hệ thống tài chính-ngân hàng ổn định, và các ngành công nghiệp chủ đạo đang phục hồi mạnh mẽ Điều này thể hiện nỗ lực và quyết tâm cao của Chính phủ, Ngân hàng Nhà nước, các bộ, ngành, cũng như sự phản ứng nhanh chóng của doanh nghiệp và người dân trong việc vượt qua khó khăn, nhằm hạn chế tác động của đại dịch Covid-19 đến sản xuất kinh doanh và đời sống của người dân.

KIẾN NGHỊ VÀ ĐỀ XUẤT ÁP DỤNG NOWCASTING TRONG PHÂN TÍCH VÀ DỰ BÁO TẠI NGÂN HÀNG NHÀ NƯỚC

Đề xuất hướng nghiên cứu hoàn thiện Nowcasting trong thời gian tới

4.1.1 Xây dựng chỉ số tổng hợp cho Nowcasting

Phương pháp dự báo bằng MIDAS và MF-VAR cho phép ước lượng giá trị biến phụ thuộc ngay khi có giá trị biến giải thích, với ưu điểm của MIDAS là linh hoạt và ít nhạy cảm với sai số Tuy nhiên, mô hình MIDAS có thể chưa đủ để giải quyết các vấn đề phức tạp trong dự báo Mô hình không gian trạng thái, đặc biệt là MF-VAR, là công cụ mạnh mẽ cho phân tích và dự báo trong lĩnh vực tài chính và kinh tế Để nâng cao chất lượng dự báo Nowcasting, cần nghiên cứu xây dựng chỉ số tổng hợp đại diện cho dữ liệu kinh tế, giúp cải thiện khả năng dự báo và xác định khu vực quan trọng cho tăng trưởng GDP Kinh nghiệm từ Châu Âu cho thấy mô hình Nowcasting có giá trị lớn khi áp dụng cho dữ liệu lớn với tần suất khác nhau Do đó, cần nghiên cứu mở rộng mô hình Nowcasting dự báo GDP của Việt Nam theo hướng tích hợp các chỉ số tổng hợp, học hỏi từ kinh nghiệm quốc tế.

Ngoài ra, như khảo cứu kinh nghiệm của Indonesia cho thấy một chiến lược xác định biến số đầu vào cũng khá hữu ích được khởi xướng bởi Banbura

(2013) và tiếp theo là Luciani và Ricci (2014), Giannone (2014), và Bragoli

Năm 2014, nghiên cứu đã khai thác “sở thích được tiết lộ” của các nhà dự báo chuyên nghiệp theo dõi nền kinh tế Indonesia trên nền tảng Bloomberg Các nhà phân tích này sử dụng cảnh báo từ Bloomberg để theo dõi các công bố dữ liệu quan trọng, từ đó hình thành kỳ vọng về các nguyên tắc cơ bản của Indonesia Phương pháp này có thể áp dụng cho Việt Nam, đặc biệt nếu dữ liệu từ các cuộc khảo sát về xu hướng kinh doanh và kỳ vọng lạm phát của các TCTD và chuyên gia kinh tế do NHNN thực hiện đủ khả năng cho việc ước lượng mô hình Việc nghiên cứu mở rộng phạm vi Nowcasting cho các dữ liệu điều tra là khả thi và cần thiết phát triển.

4.1.2 Phát triển Nowcasting cho phân tích, dự báo các chỉ tiêu vĩ mô quan trọng

Mô hình dự báo Nowcasting là một công cụ mới đang được nghiên cứu và ứng dụng tại Việt Nam và trên thế giới, cần được hoàn thiện để nâng cao khả năng phân tích và dự báo ngắn hạn, đặc biệt là các cú sốc kinh tế Để xây dựng mô hình Nowcasting cho NHNN, cần thu thập và xử lý các chuỗi số liệu đa dạng, bao phủ nhiều lĩnh vực kinh tế, nhằm phát hiện mối quan hệ nhân quả và tương quan giữa các biến số, không chỉ giới hạn ở một số chỉ số như trong các mô hình kinh tế lượng truyền thống Việc xử lý dữ liệu để giảm thiểu sai lệch dự báo cũng rất quan trọng Sau khi có cơ sở dữ liệu hoàn chỉnh, có thể dự báo các chỉ tiêu vĩ mô quan trọng khác bên cạnh GDP Kỹ thuật nghiên cứu có thể mở rộng để dự báo toàn bộ các chỉ số vĩ mô cần thiết tại NHNN, với ưu điểm dự báo nhanh và chính xác, giúp đưa ra giải pháp ứng phó kịp thời khi nền kinh tế gặp cú sốc từ bên trong và bên ngoài, tạo lợi thế cho Nowcasting so với các mô hình kinh tế lượng truyền thống.

Việc duy trì song song mô hình MIDAS và MF-VAR trong phân tích và dự báo các chỉ tiêu vĩ mô là cần thiết, vì sai lệch kết quả giữa hai mô hình này không lớn và phù hợp với điều kiện dự liệu còn hạn chế tại Việt Nam.

Việc vận hành đồng thời cả hai lớp mô hình không chỉ giúp bổ sung thông tin mà còn tăng cường độ tin cậy của các kết luận cuối cùng.

4.2 Đề xuất hướng tích hợp Nowcasting vào hệ thống mô hình phân tích, dự báo tại NHNN

4.2.1 Tích hợp vào khung phân tích, dự báo

Hình 4.1 Khuôn khổ phân tích, dự báo phục vụ điều hành CSTT

Nguồn: Nhóm nghiên cứu tổng hợp

Trong bối cảnh cách mạng công nghệ 4.0, NHNN đang hướng tới mô hình ngân hàng trung ương hiện đại với khung chính sách tiền tệ tiên tiến, tuân thủ chuẩn mực quốc tế Công nghệ đóng vai trò quan trọng trong việc cải thiện hoạt động điều hành của NHNN, yêu cầu hoàn thiện các công cụ phân tích và dự báo Việc ứng dụng big data trong ngân hàng sẽ nâng cao khả năng phân tích và quản trị dữ liệu, tạo ra tri thức mới giúp đưa ra quyết định nhanh chóng và chính xác hơn Điều này không chỉ giảm chi phí mà còn hỗ trợ hiệu quả cho công tác dự báo và thống kê trong lĩnh vực tiền tệ - ngân hàng.

Hoạt động phân tích và dự báo cần hiện đại hóa liên tục, phát triển các mô hình dự báo định lượng dựa trên thông lệ quốc tế, đồng thời tính đến đặc điểm cấu trúc của Việt Nam Nâng cao năng lực phân tích dự báo và hoàn thiện khuôn khổ dự báo là điều kiện quan trọng để hiện đại hóa khung điều hành CSTT của NHNN, hướng tới sự phát triển độc lập Việc hoàn thiện mô hình Nowcasting và tích hợp vào khung phân tích sẽ cung cấp thông tin đầu vào cho các mô hình vệ tinh như VAR, VECM và mô hình trung tâm như DSGE, hệ thống FPAS, phục vụ phân tích và dự báo chuyên sâu cùng các kịch bản chính sách Đây là phương thức vận hành phổ quát của hệ thống phân tích, dự báo tại nhiều NHTW trên thế giới.

4.2.2 Tích hợp và khung điều hành chính sách tiền tệ

Hệ thống phân tích và dự báo chính sách (FPAS), được Quỹ tiền tệ quốc tế (IMF) thiết kế, đang được áp dụng rộng rãi để hỗ trợ thực thi chính sách, đặc biệt trong khuôn khổ lạm phát mục tiêu Trong FPAS, kết quả định lượng từ mô hình đóng vai trò trung tâm, là cơ sở quan trọng cho Ban điều hành CSTT trong việc thảo luận và đề ra giải pháp chính sách Khuôn khổ dự báo cần đảm bảo tính liên kết từ việc cập nhật thông tin kinh tế vĩ mô hiện tại và đưa ra nhận định dựa trên mô hình Nowcasting Kết quả từ Nowcasting sẽ được sử dụng trong mô hình ngắn hạn để dự báo cho 2-4 quý tới, dựa trên dữ liệu quá khứ mà chưa có thay đổi về chính sách Quá trình này có thể lặp lại liên tục để đưa ra các giải pháp chính sách phù hợp nhất trong từng thời kỳ.

Một số đề xuất khác

4.3.1 Đề xuất về cơ sở dữ liệu

Việt Nam, một quốc gia đang phát triển với nền kinh tế mở, đang trải qua sự chuyển dịch cơ cấu kinh tế Tuy nhiên, việc thay đổi phương pháp thống kê và năm gốc thường xuyên đã khiến cho các mô hình phân tích cần được điều chỉnh liên tục Các hệ số ước lượng có thể mất đi ý nghĩa kinh tế và thống kê do sự thay đổi trong bộ số liệu Hơn nữa, việc thu thập dữ liệu từ nhiều nguồn khác nhau có thể dẫn đến sự không đồng bộ, yêu cầu người phân tích phải có kỹ năng phát hiện và hiệu chỉnh Việc số liệu không được công bố cập nhật sau khi thay đổi năm gốc cũng tạo ra rào cản cho công tác phân tích và dự báo Chẳng hạn, nghiên cứu trong Chương 3 của dự án chỉ có thể ước lượng GDP cho giai đoạn 2011-2020 do những hạn chế về dữ liệu IIP, PMI và vấn đề đổi gốc.

Dự án nhận thấy rằng cơ quan thống kê cần giải quyết các vấn đề quan trọng để cải thiện công tác phân tích, dự báo và điều hành chính sách Giải pháp bao gồm tăng cường ứng dụng công nghệ thông tin, chuẩn hóa cơ sở dữ liệu theo tiêu chuẩn quốc tế, và hiện đại hóa hệ thống cơ sở dữ liệu nhằm nâng cao chất lượng thu thập và báo cáo thống kê Cần chuẩn hóa các chỉ tiêu thống kê, khôi phục dữ liệu quá khứ, và xây dựng hệ thống cơ sở dữ liệu toàn diện về nền kinh tế để hỗ trợ vận hành các mô hình Đối với bộ số liệu vĩ mô, các bộ, ngành cần áp dụng phương pháp thống kê chuẩn theo tiêu chuẩn quốc tế, cập nhật và công bố số liệu định kỳ trên website, đồng thời cung cấp số liệu dưới dạng file Excel để phục vụ nghiên cứu hiệu quả.

Việc mở rộng cơ sở dữ liệu vi mô là cần thiết bên cạnh các dữ liệu vĩ mô, bao gồm các thông tin như niềm tin người tiêu dùng, số nhà khởi công xây dựng, mức độ bồi thường bảo hiểm thất nghiệp và tình hình việc làm, như đã được nghiên cứu bởi Domenico Giannone và các cộng sự trong khu vực Châu Âu.

2006), hay một số dữ liệu tần xuất cao có ý nghĩa trong trường hợp của

Doanh số bán ô tô, mô tô và sản lượng tiêu thụ xi măng tại Indonesia (Matteo Luciani và cộng sự, 2015) sẽ góp phần cải thiện chất lượng dự báo từ mô hình Để nâng cao độ chính xác của dữ liệu vi mô, cần thu thập thông tin và số liệu đầy đủ về các doanh nghiệp, qua đó phản ánh rõ hơn tác động của chính sách vĩ mô đến hoạt động sản xuất và kinh doanh trong nước Hiện tại, số liệu PMI của Việt Nam chỉ bao gồm khoảng 400 nhà sản xuất, một con số còn khiêm tốn so với tổng số doanh nghiệp trong cả nước, vì vậy cần mở rộng quy mô khảo sát trong thời gian tới.

4.3.2 Đề xuất về nguồn lực

Các mô hình kinh tế lượng cần được nghiên cứu và điều chỉnh thường xuyên để đáp ứng yêu cầu hội nhập và tiệm cận với trình độ các nước tiên tiến Điều này đòi hỏi đội ngũ cán bộ có kinh nghiệm và kiến thức kỹ thuật, cùng với sự hỗ trợ từ các phần mềm tiên tiến Các mô hình cao cấp càng phức tạp thì càng cần cán bộ trau dồi kỹ năng sử dụng phần mềm và xây dựng báo cáo Tuy nhiên, việc vận hành các mô hình định lượng tại NHNN gặp nhiều khó khăn do số lượng chuyên gia còn hạn chế và năng lực chưa đáp ứng yêu cầu Nhiều mô hình phức tạp phụ thuộc vào sự hỗ trợ của các chuyên gia quốc tế Do đó, NHNN cần đầu tư phát triển nguồn nhân lực và xây dựng đội ngũ chuyên gia có chất lượng cao trong phân tích và dự báo, đặc biệt là trong việc sử dụng mô hình định lượng và Nowcasting.

4.3.3 Đề xuất về phối hợp công tác

Để nâng cao chất lượng dự báo và hỗ trợ công tác điều hành chính sách vĩ mô, cần xây dựng cơ chế phối hợp giữa các Vụ, Cục của NHNN và các bộ, ngành liên quan nhằm trao đổi kiến thức, chia sẻ thông tin và huy động trí tuệ chuyên gia Việc này đặc biệt quan trọng khi các mô hình và kỹ thuật ngày càng phức tạp, đòi hỏi cán bộ phải nâng cao kỹ năng sử dụng phần mềm và hiểu rõ hành vi các tác nhân trong nền kinh tế Hệ thống cơ sở dữ liệu đầy đủ từ các Bộ, ngành cũng góp phần quan trọng trong cải tiến chất lượng dự báo Mặc dù Quy chế 9078/BKHĐT-NHNN-BTC-BCT đã được ban hành từ năm 2014, nhưng hoạt động phối hợp giữa các bộ, ngành vẫn chưa thường xuyên Do đó, cần sớm đưa ra quy chế chia sẻ thông tin và số liệu để tăng cường sự phối hợp, hỗ trợ công tác kiểm soát lạm phát và thúc đẩy tăng trưởng kinh tế Việc thường xuyên trao đổi kết quả dự báo giữa các Bộ, ngành, như dự báo GDP bằng mô hình Nowcasting, sẽ nâng cao chất lượng thống kê và dự báo.

4.3.4 Đề xuất về chiến lược phát triển dài hạn Để vận hành được một mô hình tốt cần đòi hỏi nền tảng kiến thức chuyên sâu của các cán bộ làm mảng phân tích và dự báo, song song với đó là sự hỗ trợ đắc lực của các công cụ, phần mềm máy tính chuyên biệt về định lượng hiện đại trên thế giới Do đó, xét về dài hạn, NHNN cũng cần xây dựng đội ngũ chuyên gia làm công tác phân tích và dự báo sử dụng mô hình định lượng linh hoạt, theo đó từng cán bộ sẽ đảm nhận chuyên sâu một lớp mô hình riêng biệt từ mô hình đơn giản đơn biến đến mô hình phức tạp có lồng ghép các yếu tố hành vi kinh tế cũng như yếu tố kỳ vọng như trong mô hình DSGE hoặc từ lớp mô hình dự báo ngắn hạn (ARIMA, Nowcasting) đến mô hình dự báo trung hạn (VAR, VECM) hay tiến tới mô hình dự báo dài hạn DSGE Bên cạnh đó, NHNN cần trang cấp thêm đầy đủ công cụ phần mềm thống kê – kinh tế lượng tiên tiến như Eviews, SPSS, Matlab để công tác dự báo được tiếp nối và phát triển một cách liên tục, mở rộng cả về chiều rộng và chiều sâu

NHNN cần nâng cao công tác truyền thông về chính sách tiền tệ, đồng thời công bố các nghiên cứu định lượng về kinh tế vĩ mô Việt Nam để cung cấp thông tin cần thiết và định hướng cho chính sách trong tương lai Nhiều ngân hàng trung ương hiện nay đã thực hiện việc công bố định kỳ về triển vọng kinh tế và định hướng chính sách một cách chính thức, kèm theo quy trình thực hiện và giới thiệu các công cụ phân tích hiện đại cùng phương pháp kinh tế lượng tiên tiến trong dự báo và mô phỏng chính sách.

Để nâng cao hiệu quả ứng dụng mô hình Nowcasting trong công tác tham mưu điều hành CSTT của Ban Lãnh đạo NHNN, nhóm nghiên cứu đề xuất một số giải pháp quan trọng Thứ nhất, cần xây dựng chỉ số tổng hợp đại diện cho các khối dữ liệu kinh tế, giúp cải thiện khả năng dự báo và xác định khu vực quan trọng cho tăng trưởng GDP Thứ hai, mô hình Nowcasting có thể được mở rộng để dự báo các chỉ số vĩ mô khác như lạm phát và tăng trưởng tín dụng Thứ ba, nếu được hoàn thiện và tích hợp vào khung phân tích chung, mô hình này sẽ cung cấp thông tin đầu vào quý giá cho các mô hình vệ tinh và trung tâm, phục vụ cho phân tích và dự báo chính sách Thứ tư, việc tăng cường trao đổi thông tin và kết quả dự báo GDP giữa các Bộ, ngành sẽ nâng cao chất lượng dự báo Cuối cùng, chuẩn hóa các chỉ tiêu thống kê và xây dựng hệ thống cơ sở dữ liệu đầy đủ sẽ hỗ trợ vận hành nhiều mô hình hơn, từ đó nâng cao độ chính xác của kết quả dự báo.