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

NGÂN HÀNG NHÀ NƯỚC VIỆT NAM

Ths Lê Hoàng Quân Ths Mai Thị Lan Hương Ths Đỗ Thế Tuấn

HÀ NỘI - 2021

1 Tính cấp thiết của dự án

Hiện tại, Ngân hàng Nhà nước Việt Nam (NHNN) đang trong tiến hình hoàn thiện khuôn khổ điều hành chính sách tiền tệ để hướng tới mô hình NHTW hiện đại như trên, trong đó các mô hình dự báo ngắn, trung, dài hạn đang từng bước được thiết lập, hiệu chỉnh và chuẩn hóa Tuy nhiên, trên thực tế, bộ công

cụ của NHNN hiện tập trung vào dự báo ngắn, trung hạn và dài hạn (forecasting) mà vẫn thiếu một lớp mô hình được gọi là dự báo hiện tại hoặc rất ngắn hạn (Nowcasting) Kỹ thuật mới này đang được Ngân hàng Trung ương (NHTW) các nước nghiên cứu áp dụng ngày càng nhiều trong thời gian gần đây với ưu điểm là sử dụng dữ liệu tần suất cao, dữ liệu lớn ngày càng đa dạng và phong phú

2 Tổng quan nghiên cứu

Về nghiên cứu quốc tế, Giannone và cộng sự (2008) đã khởi xướng một phương pháp chuẩn tắc để đánh giá tác động cận biên (maginal impact) mà các với dữ liệu có thể được sử dụng để dự báo GDP trong kỳ Đây là dạng dữ liệu lớn do cơ quan thống kê và ngân hàng trung ương công bố với tần suất khác nhau (ngày, tuần, tháng) Với kỹ thuật này, mỗi khi dữ liệu được công bố, mô hình sẽ cập nhật để tính toán lại GDP phù hợp nhất với diễn biến mới từ thị trường Điều này giúp NHTW lường đón được GDP thực tế trong tương lai gần

và có biện pháp ứng phó kịp thời.Tiếp đó, Andreou, Ghysels and Kourtellos (2011) đã hoàn thiện hơn nghiên cứu về Nowcasting với kỹ thuật Mixed-Data Sampling (MIDAS) và sử dụng bộ lọc Kalman Nghiên cứu cũng đề xuất sự kết hợp của Nowcasting với các mô hình kinh tế lượng vĩ mô truyền thống để giảm

độ sai sót trong dự báo dài hạn của các mô hình này

Tại Việt Nam, nhóm nghiên cứunhận thấychưa có tài liệu nghiên cứu chính thức nào mang tính hệ thống về cách thức áp dụng Nowcasting trong việc kết hợp các chỉ tiêu với tần suất khác nhau để phân tích và dự báo vĩ mô nói chung

và GDP tại Việt Nam nói riêng Mặt khác, việc tích hợp mô hình Nowcasting

với các mô hình kinh tế lượng truyền thống phục vụ điều hành chính sách tiền tệ cũng chưa thực sự được làm rõ

3 Mục tiêu nghiên cứu của dự án

Dự án nhằm đạt được các mục tiêu sau đây:

- Làm rõ quá trình hình thành, phát triển và cơ sở lý thuyết về xây dựng

mô hình Nowcasting trong dự báo kinh tế vĩ mô

- Tổng hợp kinh nghiệm quốc tế, trong nước về Nowcasting, hệ thống hóa các phương pháp Nowcasting đang được sử dụng đồng thời áp dụng các kinh nghiệm này để xây dựng mô hình Nowcasting dự báo GDP cho NHNN

- Tích hợp mô hình Nowcasting với các mô hình kinh tế lượng truyền thống phục vụ điều hành chính sách tiền tệ quốc gia

4 Đối tượng và phạm vi nghiên cứu của dự án

- Đối tượng nghiên cứu của dự án tập trung vào việc mô hình kết hợp các chỉ tiêu với tuần suất khác nhau (Nowcasting) phục vụ phân tích và dự báo tăng trưởng GDP Việt Nam

- Phạm vi nghiên cứu của dự án tập trung vào việc xây dựng và đề xuất

mô hình Nowcasting trong phân tích và dự báo GDP của Việt Nam, đồng thời kiến nghị về việc sử dụng mô hình này trong khuôn khổ phân tích và dự báo phục vụ điều hành chính sách tiền tệ của NHNN

5 Cách tiếp cận, phương pháp nghiên cứu và kỹ thuật sử dụng trong nghiên cứu

Dự án sử dụng phương pháp nghiên cứu kết hợp định lượng và biện chứng 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 NHTW các nước trong khu vực và trên thế giới để phát triển kỹ thuật Nowcasting nhằm đề xuất hoàn thiện hệ thống mô hình, quy trình dự báo tại NHNN là dựa trên thực tiễn và các tài liệu tham khảo để từ đó rút ra những kết quả nghiên cứu, bài học lý luận và thực tiễn nhằm cải thiện, nâng cao chất lượng công tác dự báo cũng như đội ngũ cán bộ làm công tác dự báo

CHƯƠNG I: CƠ SỞ LÝ THUYẾT VỀ PHÂN TÍCH, DỰ BÁO GDP

DỰA TRÊN PHƯƠNG PHÁP NOWCASTING 1.1 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

“forecasting” (dự báo), là phương pháp nhằm dự đoán các chỉ tiêu kinh tế giai đoạn hiện tại hoặc tương lai gần, khi các chỉ tiêu này chưa được công bố do độ trễ của công tác thống kê Phương pháp này được sử dụng để ước lượng các biến số chưa được công bố từ các Cơ quan thống kê, dựa trên những số liệu, thông tin sẵn có của chính biến số chưa được công bố, kết hợp với những số liệu, thông tin sẵn có và cập nhật của những chỉ tiêu kinh tế có liên quan, nhưng

có tần suất công bố số liệu dày hơn

Thuật ngữ “Nowcasting” được lần đầu tiên sử dụng bởi Giannone và các cộng sự vào năm 2008 tại một nghiên cứu đăng trên Tạp chí tiền tệ có tên

“Nowcasting: The Real-Time Informational Content of Macroeconomic Data”- tạm dịch là “Dự báo hiện tại: Nội dung thông tin theo thời gian thực của dữ liệu kinh tế vĩ mô” Thuật ngữ “Nowcasting” từ đó đến nay được sử dụng phổ biến, phương pháp này cũng đang được NHTW các nước áp dụng để giúp tăng tính nhất quán và chính xác cho số liệu đầu vào của các mô hình dự báo được thiết

kế với tầm dự báo dài hơn

Kỹ thuật Nowcasting cũng đã chứng minh được sự hiệu quả trong dự báo GDP hiện tại khi đây là một dữ liệu quan trọng phục vụ điều hành chính sáchvĩ

mô nói chung và chính sách tiền tệ nói riêng nhưng tần suất công bố lại khá chậm (theo quý) và độ trễ cũng khá lớn Bằng giải pháp kinh tế lượng chuyên sâu, kỹ thuật Nowcasting có thể tổng hợp được một lượng lớn các thông tin, dữ liệu đến thời điểm gần nhất với tần suất bất kỳ và từ nhiều hoạt động/khu vực kinh tế khác nhau để ước tính quy mô GDP quốc gia trong kỳ Nhờ sự ưu việt

đó so với phương pháp truyền thống, Nowcasting đang dần được phát triển và tích hợp vào hệ thống phân tích, dự báo của NHTW các nước

Xu hướng sử dụng mô hình Nowcasting dùng để dự báo GDP ở các nước phát triển cũng tương đối phổ biến, có thể tích hợp thông tin, số liệu đa ngành từ các cuộc điều tra, khảo sát thống kê quy mô lớn mà tần suất công bố cao hơn hoặc từ dự báo các yếu tố thành phần Chẳng hạn mô hình GDPNow được áp dụng trong dự báo cho hiện tại đối với GDP Mỹ, được công bố bởi nghiên cứu của Patrick Higgins (2014) trong loạt bài nghiên cứu của Ngân hàng dự trữ bang Atlanta- Mỹ (GDPNow: A Model for GDP “Nowcasting”) Theo một nghiên cứu khác 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- so sánh dự báo thời gian thực hơn 40 năm”, mô hình còn dựa trên 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) Chi tiết các nghiên cứu quốc tế nền tảng sẽ được làm rõ tại phần tiếp theo của dự án.Ngoài Mỹ, NHTW Châu Âu (ECB) và các NHTW các nước thành viên đều sử dụng Nowcasting là một phương pháp dự báo GDP cho quý hiện tại

Ở Việt Nam, tinh thần của mô hình Nowcasting đâu đó cũng được áp dụng khi ngay tại thời điểm kết thúc tháng đầu hoặc tháng thứ 2 trong một quý, Chính phủ và các cơ quan hữu quan đã muốn có số liệu dự báo/tạm tính về GDP cho quý đó Các thông tin, dữ liệu cũng được thu thập từ các bộ, ngành để có cơ sở đưa ra con số dự báo Tuy nhiên, phương pháp dự báo nhiều khi vẫn mang tính thủ công hay phương pháp chuyên gia là chính trong khi việc sử dụng các công

cụ định lượng chuẩn tắc như Nowcasting như đang áp dụng tại các nước nói trên vẫn chưa được thực hiện, do đó dư địa để nghiên cứu và phát triển Nowcasting cho ước tính GDP của Việt Nam trong ngắn hạn (quý hiện tại và quý tới) là khá rộng Đây cũng là một trong các lý do chính mà nhóm nghiên cứu quyết định thực hiện dự án này

1.1.2 Khung lý thuyết Nowcasting

Hai cách tiếp cận phổ biến nhất của kỹ thuật Nowcasting đã được công bố qua các nghiên cứu khoa học quốc tế và được áp dụng phổ biến tại các nước nói chung, tại NHTW các nước nói riêng, gồm MIDAS và MF-VAR

1.1.2.1 MIDAS (Mixed Data Sampling)

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

Nếu các mô hình chuỗi thời gian thông thường chỉ dựa trên những mẫu số liệu đồng nhất về tần suất (hoặc ngày, hoặc tháng, hoặc quý, hoặc bán niên, hoặc năm…) thì MIDAS là sự pha trộn của các mẫu số liệu có tần suất khác nhau nhưng có mối quan hệ nhất định với nhau về ý nghĩa kinh tế Chẳng hạn một mô hình MIDAS dùng để dự báo GDP cho quý hiện tại là mô hình gồm biến số GDP theo quý phụ thuộc vào các biến số CPI, PMI, IIP,… theo tháng và giá cổ phiếu theo ngày

1.1.2.2 MF-VAR (Mix Frequency-Vector Autoregression)

Mô hình MF-VAR là mô hình tự hồi quy vector các chuỗi biến số với các tần suất khác nhau trong hệ không gian trạng thái để tính ra các nhân tố chung (factor), trong đó, các tần suất khác nhau của các biến số sẽ được biến đổi tương ứng với tần suất cao nhất Các biến số với tần số thấp được nội suy dựa trên giá trị và độ biến thiên của chúng Mô hình VAR cho dữ liệu tần suất cao kết hợp với giới hạn tập hợp thời gian (time-aggregation restriction) có thể được thể hiện trong mô hình không gian trạng thái và được ước lượng trên cơ sở ước lượng

hợp lý cực đại (maximum likelihood) Trong mô hình này, việc áp dụng bộ lọc Kalman có thể giải quyết các giá trị còn thiếu ở cuối mẫu sử dụng các biến số với tần suất khác nhau Ví dụ chuỗi GDP theo quý sẽ được coi là một chuỗi tháng trong đó cứ 3 tháng thì có 2 tháng là giá trị còn thiếu Sau khi các nhân tố chung được ước lượng, giá trị của các biến đầu vào dựa vào các nhân tố chung

và trọng số của mỗi nhân tố (Factor) ảnh hưởng đến biến đầu vào sẽ được tính toán

1.2 Định dạng mô hình Nowcasting

1.2.1 Định dạng tổng quát mô hình MIDAS

- Định dạng cấu trúc mô hình Nowcastingtheo phương pháp MIDAS có thể được trình bày như sau:

𝑦𝑡 = 𝑋𝑡′𝛽 + 𝑓 ({𝑋𝑡

𝑆

𝐻} , 𝜃, 𝜆) + 𝜀𝑡

Trong đó:

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

𝑋𝑡là bộ các biến giải thích có mẫu ở tần suất thấp như 𝑦𝑡

{𝑋𝑡

𝑆

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

𝑆

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

𝑓là 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

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

02 phương trình Phương trình thứ nhất thể hiện mối quan hệ giữa biến ẩn (trong phân tích trên là GDP theo tháng) và biến quan sát (GDP theo quý) Phương trình thứ hai là phương trình động của biến ẩn Hai phương trình có thể bao gồm

sai số ngẫu nhiên phản ánh tính chất ngẫu nhiên của hệ thống Một mô hình không gian trạng thái dạng đơn giản được thể hiện như sau:

{ 𝑌𝑞 = 𝛼 𝑋𝑡 + 𝛽 𝜀

𝑋𝑡 = 𝛾 𝑋𝑡−1+ 𝛿 𝜃Sau khi tính toán hệ số 𝛼, 𝛽, 𝛾, 𝛿 (và ma trận hiệp phương sai 𝜀và 𝜃), giá trị

dự báo của 𝑌𝑞 được xác định dựa vào giả định giá trị của biến ẩn tại tháng đầu tiên của quý dự báo

Mô hình không gian trạng thái phổ biến nhất có dạng tuyến tính và các sai

số có phân phối chuẩn Mô hình không gian trạng thái được ước lượng bằng bộ lọc Kalman - thuật toán lọc nhiễu và cập nhật thông tin sau các lần lặp

1.3 Ưu điểm và nhược điểm của kỹ thuật Nowcasting

1.3.1 Ưu điểm

- Kỹ thuật Nowcasting cho phép tích hợp, sử dụng các bộ số liệu với tần suất khác nhau, giúp tận dụng được tối đa thông tin có từ nhiều bộ số liệu để tăng tính chính xác của kết quả dự báo Trong đó, MIDAS và MF-VAR là 02 kỹ thuật Nowcasting chủ yếu được sử dụng

- Kỹ thuật ước lượng MIDAS đã làm đầy khoảng trống giữa 02 cách tiếp cận truyền thống để thực hiện hồi quy có sự pha trộn tần suất (cách tiếp cận hệ

số riêng rẽ hay cách tiếp cận tổng/trung bình đơn giản), cho phép trọng số không như nhau nhưng giảm được số lượng hệ số bằng cách hợp lý hóa các chức năng tham số của số liệu tần suất cao hơn Do đó, MIDAS tạo ra một cách tiếp cận pha trộn ước lượng các tần suất khác nhau một cách linh hoạt, tham số hóa gọn phản ứng của biến phụ thuộc tần suất thấp đối với các số liệu có tần suất cao hơn

- Kỹ thuật MF-VAR là ứng dụng của lớp mô hình không gian trạng thái,

sử dụng bộ lọc Kalman để làm đầy bộ số liệu cho các biến ẩn, làm tăng tính đầy

đủ của số liệu và tận dụng được nhiều bộ dữ liệu có tần suất khác nhau trong quá trình hiệu chỉnh số liệu bằng bộ lọc Kalman

- Ưu thế của kỹ thuật MIDAS so với các phương pháp sử dụng bộ lọc Kalman như mô hình MF-VAR thể hiện qua việc MIDAS tỏ ra linh hoạt hơn và

ít nhạy cảm hơn với các sai số đặc trưng do sử dụng các đa thức trễ phi tuyến tính Tuy nhiên, việc sử dụng một phương trình tại mô hình MIDAS có thể dẫn đến mức độ chính xác không cao của ước lượng và dự báo

- Trong thời đại cách mạng công nghiệp 4.0 với sự bùng nổ của công nghệ thông tin, khoa học dữ liệu, sự hình thành các kho dữ liệu lớn là một xu thế tất yếu Do đó, Nowcasting là một trong những phương pháp linh hoạt để tận dụng được những lợi ích từ các bộ dữ liệu lớn (big data) và các thông tin từ các cuộc khảo sát có liên quan để cải thiện chất lượng dự báo, không chỉ GDP mà còn đối với các chỉ tiêu kinh tế vĩ mô khác

- Bản thân kỹ thuật Nowcasting có thể không bộc lộ nhược điểm, nhưng tùy vào đặc trưng số liệu của mỗi quốc gia mà nó có thể phát huy tác dụng hữu ích trong việc dự báo chính xác hay không Với các chuỗi số liệu không đủ dài, việc chạy các mô hình “Nowcasting” đa tần suất có thể mang đến những ước lượng chệch, do đó kết quả dự báo không đảm bảo được độ tin cậy

- Theo tên gọi của nó, Nowcasting chỉ bao phủ được miền dự báo cho “hiện tại” nên nó chỉ hữu ích khi được tích hợp vào một hệ thống các mô hình dự báo, ở

đó, kết quả dự báo bằng Nowcasting được sử dụng như đầu vào của các dự báo tầm ngắn (NTFs- Near Term Forecasts), rồi từ đó, các NTFs lại được sử dụng là đầu vào cho các mô hình dự báo tầm xa hơn Còn bản thân Nowcasting sẽ không thể được dùng để dự báo tầm xa một cách độc lập Điều này mang tính đặc trưng kinh tế lượng hơn là nhược điểm của lớp mô hình này

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

1.4.1 Kinh nghiệm của Mỹ

1.4.1.1 Cơ sở luận của mô hình

Theo Antonello D’Agostino và Bernd Schnatz (2012) trong nghiên cứu đã được công bố tại NHTW Châu Âu ECB “Survey-based Nowcasting of US Growth- A Real-time Forecast Comparison over more than 40 years” (Tạm dịch

là “Mô hình Nowcasting dự báo tăng trưởng Mỹ dựa trên số liệu khảo sát- so sánh dự báo thời gian thực trong hơn 40 năm”, nhóm tác giả đã dựa trên bộ chỉ tiêu 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) để dự báo các hoạt động kinh tế thực của Mỹ

Để đưa ra những kết luận, các tác giả đã so sánh kết quả dự báo của việc dùng thông tin, số liệu từ những bộ khảo sát với kết quả dự báo của mô hình chuẩn đơn biến đơn giản (simple univariate benchmark models) Lahiri và Monokrousos (2011) so sánh mô hình dựa trên PMI với kết quả dự báo của mô hình nhân tố động của Giannone và cộng sự (2008, 2010) Họ đã đi đến kết luận

là PMI giúp cải thiện kết quả dự báo GDP Mỹ dựa trên mô hình Nowcasting

1.4.1.2 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) 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

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 khởi xướng một phương pháp chuẩn tắc để đánh giá tác động cận biên với dữ liệu có thể được sử dụng để dự báo tăng trưởng GDP và giảm phát GDP trong kỳ Đây là dạng dữ liệu lớn do cơ quan thống kê và ngân hàng trung ương công bố với tần suất khác nhau (ngày, tuần, tháng) Với kỹ thuật này, mỗi khi dữ liệu được công bố, mô hình sẽ cập nhật để tính toán lại GDP phù hợp nhất với diễn biến mới từ thị trường Điều này giúp NHTW lường đoán được GDP thực tế trong tương lai và

có biện pháp điều chỉnh chính sách kịp thời

Nghiên cứu đã phân tích tác động của luồng thông tin, dữ liệu trong tháng đến ước tính tăng trưởng GDP quý hiện tại và giảm phát GDP trước khi các biến này được công bố Dữ liệu với độ dài khoảng 200 chuỗi thời gian hàng tháng, được sắp xếp thành 15 khối được nhóm theo các biến đồng nhất Theo đó, các cuộc khảo sát có tác động lớn đến cả giảm phát GDP và tăng trưởng thực và ảnh hưởng của chúng lớn hơn so với báo cáo việc làm được công bố định kỳ Các dữ liệu về giá và các biến thực gần như không có tác dụng trong mô hình vì chúng được công bố tương đối muộn

1.4.2.2 Dữ liệu đầu vào của mô hình Nowcastingdự báo GDP

Dữ liệu sử dụng trong mô hình được chia thành 15 khối với tần suất thường

là tháng, quý với độ trễ về việc công bố nguồn số liệu khác nhau Để đơn giản, các biến đề cập đến theo dữ liệu cố định hàng tháng Các phép biến đổi khác nhau sẽ được yêu cầu tùy thuộc vào bản chất của biến được đề cập

1.4.2.3 Mô hình dự báo

Mô hình áp dụng cho Châu Âu dựa trên cách tiếp cận MF-VAR như đã trình bày ở trên, có dạng:

yi t |v j = µ i + λ i F t + ξi t |v j

Mô hình được viết lại như sau:

y t |v j = µ + ΛF t + ξ t |v j = µ + χ t + ξ t |v j Với Ft = AF t−1 + Bu t ; u t∼ WN(0, I q )

Trong đó B là ma trận (r × q), A là ma trận (r × r) và tất cả các nghiệm của det (𝐼𝑟-Az) đều nằm ngoài đường tròn đơn vị và ut là cú sốc đối với nhân tố chung và là quá trình nhiễu trắng Trong một mô hình như vậy, số nhân tố chung (r) lớn hơn số lượng cú sốc chung (q) hàm ý biểu thị mối quan hệ dẫn trước (lead) và trễ (lag) giữa các biến trong chu kỳ kinh doanh Trong các ước lượng

thực nghiệm, r và q sẽ được đặt tương ứng bằng 10 và 2

1.4.2.4 Kết quả dự báo

Kết quả dự báo GDP cho thấy tác động biên của một biến nhất định có ảnh hưởng khác nhau trong tháng đầu tiên so với những tháng sau đó hay không, qua đó cho thấy tầm quan trọng của tính kịp thời trong việc giải thích tác động của biến cụ thể

(i) Tính quan trọng của các thông tin trong tháng: Dữ liệu phát hành trong suốt quý truyền tải tin tức có thể thấy bằng thực tế là các ước tính thường được cập nhật khi các bản phát hành mới được xuất bản, tính không chắc chắn giảm đồng đều qua các tháng

(ii) Hai khối đầu tiên là Tổng hợp 1 (Tín dụng tiêu dùng; Doanh số bán lẻ

và dịch vụ ăn uống; Các khoản thu-chi hàng tháng của Chính phủ Mỹ; Giao dịch quốc tế trong hàng hóa và dịch vụ của Mỹ) và Sản xuất công nghiệp chỉ truyền tải thông tin lịch sử của tháng trước đó và hầu như không có tác động nhiều đến

dự báo GDP vì chúng được công bố tương đối muộn Trong khi đó, khối “Tổng hợp 2” bao gồm 02 biến số từ Số nhà khởi công xây dựng và 09 biến số Khảo sát Triển vọng Kinh doanh mang tính kịp thời nhất và có tác động lớn đến việc

dự báo tăng trưởng do chúng là những khối đầu tiên chứa dữ liệu hoặc dự báo

về quý hiện tại

(iii) Các tin tức quan trọng khác về dự báo tăng trưởng GDP thực tế là khối Lao động-Tiền lương và Lãi suất Trong đó, khối Lãi suất có tác động tương đối

lớn đến quy mô dự báo cũng như tính không chắc chắn qua các kỳ dự báo Các khối Dịch vụ nhà ở, Tổng hợp 3 (Thương phiếu; Xây dựng tại chỗ; Báo cáo sơ

bộ về hàng hóa lâu bền, hàng tồn kho và các đơn đặt hàng) và Tiền tệ và tín dụng có tác động không đáng kể đến việc dự báo GDP thực

1.4.3 Kinh nghiệm của Indonesia

1.4.3.1 Cơ sở xây dựng mô hình

Để đánh giá tình trạng hiện tại của nền kinh tế Indonesia theo thời gian thực, các chuyên gia từ Fed đã hỗ trợ NHTW Indonesia đã xây dựng mô hình dự báo tăng trưởng GDP trước khi dữ liệu chính thức được công bố Mô hình này không chỉ dự báo về tăng trưởng GDP quý hiện tại và quý tiếp theo mà còn dự báo tại bất kỳ thời điểm nào chưa được công bố dữ liệu chính thức Khó khăn trong việc xây dựng mô hình này là, tương tự ở Việt Nam, những người làm công tác dự báo GDP tại NHTW không thể tiếp cận hàng ngày các nguồn dữ liệu thực và phương pháp tổng hợp do văn phòng thống kê Indonesia (ở Việt Nam là Tổng Cục thống kê) thực hiện hàng quý để có thể thiết kế ngược quy trình, nhưng với tần suất cao hơn

1.4.3.2 Mô hình Nowcasting áp dụng cho dự báo GDP của Indonesia

Các mô hình nhân tố dựa trên ý tưởng rằng những biến động kinh tế vĩ

mô là kết quả của một số cú sốc kinh tế vĩ mô ảnh hưởng đến toàn bộ nền kinh

tế và một số cú sốc theo ngành/khu vực ảnh hưởng đến một phần nền kinh tế

Do đó, mỗi biến trong tập dữ liệu có thể được phân tách thành một phần chung

và một phần riêng, trong đó phần chung được giả định là được đặc trưng bởi một số lượng nhỏ các nhân tố chung (𝑓𝑡) là các chuỗi thời gian dùng để nắm bắt các yếu tố cơ bản trong dữ liệu, ví dụ như chu kỳ kinh doanh

Về mặt công thức, coi 𝑥𝑖𝑡 là biến dừng thứ i được quan sát tại tháng t, khi đó:

trong khi mỗi cấu phần đặc trưng tuân theo một mô hình AR(1) độc lập chịu tác động bởi các cú sốc riêng biệt như sau:

f t = ∑𝑝𝑠=1𝐴𝑠𝑓𝑡−𝑠 + 𝑢𝑡 (2)

1.4.3.4 Kết quả dự báo từ mô hình

So sánh mô hình Nowcasting dựa trên phương pháp tiếp cận hệ số động

để dự báo tăng trưởng GDP của Indonesia với một số phương pháp dự báo khác cho thấy rằng việc dựa vào “sở thích được bộc lộ” của thị trường đối với một số chỉ báo nhất định của nền kinh tế Indonesia là phương pháp hiệu quả để lựa chọn biến số để đưa vào mô hình Hơn nữa, mô hình này còn có thể được sử dụng để dự báo xa hơn, ví dụ tính toán tốc tăng trưởng hàng năm theo năm Trong trường hợp này, mô hình Nowcasting của NHTW Indonesia đã cho ra kết quả tương đối tốt so với các dự báo được đưa bởi IMF trong báo cáo định kỳ về Triển vọng kinh tế thế giới (WEO)

CHƯƠNG 2: THỰC TRẠNG MÔ HÌNH PHÂN TÍCH, DỰ BÁO GDP

TẠI NGÂN HÀNG NHÀ NƯỚC VIỆT NAM 2.1 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

Giai đoạn 2001-2007, tăng trưởng GDP thực nhìn chung ở mức cao và trong xu hướng tăng, bình quân năm duy trì ở mức từ 7% đến 8% Đây là thời

kỳ tăng trưởng cao nhất của nước ta kể từ năm 1997

Nền kinh tế tăng trưởng tốt nhưng tỷ lệ lạm phát lại ở mức rất thấp và nguy cơ thiểu phát trong các năm đầu giai đoạn Nguyên nhân của hiện tượng này là do trong giai đoạn trước đó, Chính phủ đã rất nỗ lực trong việc kiềm chế

lạm phát nhằm bảo đảm lạm phát từ mức 2 con số xuống còn 1 con số Công tác kiềm chế lạm phát mặc dù thành công nhưng lại phát sinh vấn đề thiểu phát và tốc độ tăng trưởng kinh tế cũng bị hạn chế Tuy nhiên, trong các năm tiếp theo, khi kinh tế tăng trưởng mạnh thì áp lực lạm phát cũng trở nên hiện hữu Lạm phát bắt đầu tăng cao từ năm 2005 (8,4%), vượt chỉ tiêu Quốc hội đề ra là 6,5% Các năm 2006 và 2007, lạm phát tiếp tục tăng mạnh, mức lạm phát 12,6% của năm 2007cũng là mức lạm phát cao nhất kể từ năm 1996

Về đầu tư, kinh tế tăng trưởng nhanh gia tăng niềm tin của giới đầu tư trong nước cùng với dòng vốn ngoại chảy mạnh vào thị trường nhằm đón đầu sự kiện Việt Nam gia nhập tổ chức thương mại thế giới (WTO), kéo theo sự tăng trưởng mạnh của thị trường chứng khoán và thị trường bất động sản Thị trường chứng khoán tăng điểm mạnh, đạt đỉnh 1.170,67 điểm vào ngày 12/3/2007 Nguồn vốn đầu tư toàn xã hội liên tục tăng nhanh, bình quân đạt xấp xỉ 40% GDP, chủ yếu nhờ nguồn vốn đầu tư nhà nước và vốn của khu vực có vốn nước ngoài

Xuất khẩu đạt mức cao tăng trưởng cao trong suốt giai đoạn 2007.Việt Nam đạt tốc độ tăng trưởng kim ngạch xuất khẩu bình quân hàng năm cao kỷ lục (19,3%), mức cao nhất khu vực Châu Á Thái Bình Dương, chỉ đứng sau Trung Quốc Từ chỗ chỉ chiếm tỷ trọng nhỏ so với tổng thu nhập quốc dân (24% GDP năm 1991), đến năm 2007, xuất khẩu đã tương đương 67,9% GDP, đạt tỷ lệ xuất khẩu trên GDP cao thứ 5 so với các nước trong khu vực Đông Nam Á, thứ 6 ở châu Á và thứ 8 trên thế giới Mặc dù xuất khẩu tăng cao nhưng giai đoạn này nền kinh tế Việt Nam nhập siêu khá lớn Khoảng cách rất lớn về tốc

2001-độ tăng của nhập khẩu so với xuất khẩu đã đẩy nhập siêu năm 2007 lên mức kỷ lục (14,12 tỷ USD), gấp 12,4 lần của nhập siêu năm 2001 (1,12 tỷ USD)

2.1.2 Diễn biến GDP Việt Nam giai đoạn 2008-2012

Đến giai đoạn kế tiếp (2008-2012), mức lạm phát cao trong bối cảnh kinh

tế đang xuất hiện các mất cân đối vĩ mô trở nên nghiêm trọng như:(i) tăng trưởng kinh tế nóng (vượt khá xa mức tiềm năng); (ii) tăng trưởng chủ yếu nhờ

vào vốn, với sự tăng mạnh của đầu tư tư nhân và đầu tư nước ngoài; (iii) dòng vốn đầu tư nước ngoài tăng mạnh bù đắp cho thâm hụt thương mại ở mức cao khiến dự trữ ngoại hối tăng cao; (iv) Chính sách tiền tệ và chính sách tài khóa nới lỏng để tăng cung ứng tiền, tín dụng và hạn chế tác động tiêu cực của khủng hoảng tài chính, suy thoái kinh tế toàn cầu 2008-2009

2.1.2.1 Theo góc độ GDP ngành kinh tế

Về đóng góp của các nhóm ngành vào tăng trưởng, do tốc độ tăng trưởng chung giảm từ mức 6,23% năm 2008 xuống còn 5,25% năm 2012, mức đóng góp vào tăng trưởng của tất cả các ngành đều có xu hướng giảm Cụ thể, nhóm công nghiệp – xây dựnggiảm mạnh nhất (từ3,01 đpt xuống 1,97 đpt) do tốc độ tăng trưởng sụt giảm mạnh (từ 6,33% xuống còn 5,75%), tiếp đến là nhóm nông-lâm-thủy sản (từ 0,50 đpt xuống 0,43 đpt), nhóm dịch vụ giảm ít nhất (từ 3,00 đpt xuống 2,80 đpt)

2.1.2.2 Theo góc độ sử dụng GDP

Về tiêu dùng, tổng mức bán lẻ hàng hóa và dịch vụ cuối cùng có tốc độ tăng kỷ lục, đặc biệt là giai đoạn 2008 - 2009 với mức tăng lần lượt là 35% và 40% Nguyên nhân của mức tăng trưởng này đến từ việc Việt Nam gia nhập WTO cùng với đó là nguồn vốn FDI vào tăng mạnh khiến nhu cầu chi tiêu tiêu dùng tăng cao Trong các năm sau đó, tốc độ tăng của tổng mức bán lẻ có thấp hơn nhưng vẫn ở mức tương đối cao

Tỷ lệ lạm phát tăng nhanh và đạt đỉnh 28,3% vào tháng 8/2008 Tốc độ tăng chỉ số tiêu dùng (tốc độ lạm phát) giai đoạn 2008-2012 cao nhất trong số các nước trong khu vực (trừ hai nước Campuchia, Myanmar có những biến động bất thường) mặc dù cơ cấu kinh tế khá tương đồng Điều này chứng tỏ ngoài những nhân tố tác động từ tình hình chung của nền kinh tế thế giới còn có những mất cân đối nội tại của nền kinh tế Việt Nam đã dẫn đến lạm phát cao, biến động lớn và kéo dài

Về đầu tư, luồng vốn vào Việt Nam góp phần gia tăng mức độ tăng trưởng nóng, tạo nên các bong bóng tài sàn và ảnh hưởng đến an toàn thanh