Dự báo ngắn hạn sản lượng hàng hóa thông qua các bến cảng thuộc công ty cổ phần cảng hải phòng đến năm 2017

Các nhà quản trị sẽ căn cứ vào các kết quả dự báo này để đề ra các phương hướng trong tương lai cho các hoạt động mà công ty sẽ thực hiện.Dự báo chính là bước đầu tiên trong công tác hoạ

LỜI CAM ĐOAN

Tôi xin cam đoan rằng luận văn thạc sỹ với đề tài: “Dự báo ngắn hạn sản lượng hàng hóa thông qua các bến cảng thuộc Công ty cổ phần Cảng Hải Phòng đến năm 2017” là công trình nghiên cứu của riêng tôi Mọi số liệu và kết quả nghiên cứu trong luận văn đều trung thực

Tôi xin cam đoan rằng mọi thông tin trích dẫn trong luận văn đều ghi rõ nguồn gốc

Hải Phòng, ngày tháng năm 2016

Tác giả

Bùi Hải Đăng

LỜI CẢM ƠN

Trước tiên, tôi xin chân thành cảm ơn PGS.TS Nguyễn Hồng Vân, cô giáo

đã trực tiếp hướng dẫn và tận tình giúp đỡ tôi trong suốt quá trình nghiên cứu và thực hiện luận văn

Tôi xin chân thành cảm ơn các thầy cô giáo của Viện Đào tạo sau đại học, Khoa Kinh tế Trường Đại học Hàng hải Việt Nam cũng như các thầy cô đã giảng dạy và truyền đạt cho tôi những kiến thức và kinh nghiệm quý báu trong suốt khóa học vừa qua

Tôi xin chân thành cảm ơn Công ty cổ phần Cảng Hải Phòng đã cung cấp số liệu và tình hình thực tế cho tôi

Tôi xin đặc biệt cảm ơn những người thân trong gia đình và bạn bè đã động viên, giúp đỡ và là chỗ dựa tinh thần lớn lao để tôi hoàn thiện luận văn này

Hải Phòng, ngày tháng năm 2016

Tác giả

Bùi Hải Đăng

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU vi

DANH MỤC CÁC BẢNG vii

DANH MỤC CÁC HÌNH viii

LỜI MỞ ĐẦU 2

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO VÀ CÁC MÔ HÌNH DỰ BÁO TRONG NGẮN HẠN 6

1.1 Khái niệm về dự báo 6

1.2 Phân loại dự báo 7

1.2.1 Căn cứ vào độ dài thời gian (tầm xa) dự báo 7

1.2.2 Căn cứ vào nội dung (đối tượng dự báo) 8

1.2.3 Căn cứ vào phương pháp dự báo 9

1.2.4 Căn cứ cấp độ của đối tượng dự báo (phạm vi dự báo) 11

1.2.5 Căn cứ vào kết quả dự báo 12

1.3 Vai trò của dự báo ngắn hạn 12

1.4 Nhu cầu của dự báo ngắn hạn 13

1.5 Các mô hình dự báo trong ngắn hạn 14

1.5.1 Dự báo ngắn hạn bằng các mô hình dự báo thô 14

1.5.2 Dự báo ngắn hạn bằng các mô hình dự báo trung bình 16

1.5.3 Dự báo ngắn hạn bằng các mô hình san mũ 17

1.5.4 Dự báo ngắn hạn bằng các mô hình xu thế 20

1.5.5 Dự báo ngắn hạn bằng phương pháp phân tích 23

1.6 Các sai số đo lường mức độ chính xác của mô hình dự báo trong ngắn hạn 26 1.6.1 Sai số trung bình (ME) 26

1.6.2 Sai số phần trăm trung bình (MPE) 27

1.6.3 Sai số tuyệt đối trung bình (MAE) 27

1.6.4 Sai số phần trăm tuyệt đối (MAPE) 27

1.6.5 Sai số bình phương trung bình (MSE) 28

1.6.6 Căn bậc hai của sai số bình phương trung bình (RMSE) 28

1.6.7 Hệ số không ngang bằng Theil‟s U 28

1.7 Các tiêu chí cần thực hiện khi tiến hành dự báo ngắn hạn 30

1.7.1 Xác định mục tiêu 30

1.7.2 Xác định biến số cần dự báo 30

1.7.3 Nhận dạng các khía cạnh thời gian 30

1.7.4 Thu thập và phân tích số liệu 31

1.7.5 Lựa chọn mô hình dự báo 31

1.7.6 Đánh giá mô hình 33

1.7.7 Chuẩn bị dự báo 34

1.7.8 Trình bày kết quả dự báo 34

CHƯƠNG 2: ĐÁNH GIÁ THỰC TRẠNG VỀ SẢN LƯỢNG THÔNG QUA CÁC BẾN CẢNG THUỘC CÔNG TY CỔ PHẦN CẢNG HẢI PHÒNG 35

2.1 Giới thiệu chung về Công ty cổ phần Cảng Hải Phòng 35

2.1.1 Lịch sử hình thành và phát triển 35

2.1.2 Vị trí địa lý của Cảng Hải Phòng 37

2.1.3 Nhiệm vụ sản xuất kinh doanh của công ty cổ phần Cảng Hải Phòng 38

2.1.4 Cơ cấu tổ chức của Công ty cổ phần Cảng Hải Phòng 38

2.1.5 Cơ sở vật chất, kỹ thuật của Công ty cổ phần Cảng Hải Phòng 43

2.1.6 Kết quả hoạt động sản xuất kinh doanh của Công ty cổ phần Cảng Hải Phòng 48

2.2 Đánh giá thực trạng sản lượng hàng hóa thông qua các bến cảng thuộc Công ty cổ phần Cảng Hải Phòng 51

2.3 Định hướng phát triển trong tương lai của hệ thống cảng biển Việt Nam nói chung và Công ty cổ phần Cảng Hải Phòng nói riêng 52

2.3.1 Định hướng phát triển trong tương lai của hệ thống cảng biển Việt Nam nói chung 52

2.3.2 Định hướng phát triển trong tương lai của Công ty cổ phần Cảng Hải Phòng nói riêng 55

CHƯƠNG 3: DỰ BÁO NGẮN HẠN SẢN LƯỢNG HÀNG HÓA THÔNG QUA CÁC BẾN CẢNG THUỘC CÔNG TY CỔ PHẦN CẢNG HẢI PHÒNG ĐẾN NĂM 2017 59

3.1 Xác định mục tiêu 59

3.2 Xác định biến số cần dự báo 59

3.3 Nhận dạng các khía cạnh thời gian 59

3.4.1 Giản đồ tự tương quan 62

3.4.2 Kiểm định Kruskal-Wallis 64

3.5 Lựa chọn mô hình dự báo 67

3.5.1 Dự báo thô điều chỉnh xu thế và mùa vụ 67

3.5.2 Dự báo san mũ Winters 68

3.5.3 Dự báo bằng phương pháp phân tích 70

3.6 Đánh giá mô hình 75

3.7 Chuẩn bị dự báo 75

3.8 Kết quả dự báo 77

KẾT LUẬN VÀ KIẾN NGHỊ 79

TÀI LIỆU THAM KHẢO 81

PHỤ LỤC 82

DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU

DWT Deadweight Tonnage

ME Mean Error

MPE Mean Percentage Error

MAE Mean Absolute Error

MAPE Mean Absolute Percentage Error

MSE Mean Squared Error

RMSE Root Mean Squared Error

DANH MỤC CÁC BẢNG

2.1 Hệ thống trang thiết bị xếp dỡ của toàn cảng tính đến

2.2 Hệ thống kho bãi của toàn cảng tính đến tháng 8 – 2016 45

2.3 Tình hình thực hiện một số chỉ tiêu chủ yếu giai đoạn

2.4 Tổng lượng hàng qua cảng theo các loại hàng chính 53 2.5 Tổng lượng hàng qua cảng theo vùng lãnh thổ 54 3.1

Thống kê sản lượng hàng hóa thông qua các bến cảng theo tháng thuộc Công ty cổ phần Cảng Hải Phòng từ năm

2003 đến năm 2016

59

3.3 Kiểm định Kruskal-Wallis của mô hình nhân tính 64 3.4 Kiểm định Kruskal-Wallis của mô hình cộng tính 65 3.5 Các thước đo độ chính xác của mô hìnhdự báo thô điều

3.6 Bảng kết quả dự báo bằng san mũ Winters 67 3.7 Các thước đo độ chính xác của mô hìnhdự báo thô điều chỉnh

3.10 Kết quả dự báo theo tháng sản lượng hàng hóa thông qua 75

DANH MỤC CÁC HÌNH

2.2 Sơ đồ bộ máy tổ chức Công ty cổ phần Cảng Hải Phòng 38

2.3 Tình hình biến động chỉ tiêu tổng sản lượng hàng hóa

3.2 Đồ thị sản lượng hàng hóa thông qua các bến cảng sau khi

3.3 Đồ thị sản lượng hàng hóa thông qua các bến cảng sau khi

LỜI MỞ ĐẦU

1 Tính cấp thiết của đề tài

Với lợi thế về địa lý sẵn có, Việt Nam được đánh giá là một trong những quốc gia có rất nhiều tiềm năng trong lĩnh vực hàng hải Điều này được thể hiện ở việc chúng ta sở hữu đường bờ biển dài hơn 3.261 km, có hệ thống các cửa sông và vịnh nối với Thái Bình Dương, đồng thời nằm gần các tuyến hàng hải quốc tế quan trọng Đây là một trong những điều kiện hết sức thuận lợi giúp Việt Nam đạt được mục tiêu xây dựng hệ thống cảng biển và phát triển các dịch vụ về cảng biển hiện đại trong tương lai

Được hình thành từ những năm đầu của thế kỷ trước, Cảng Hải Phòng nằm trong hệ thống vận tải hàng hóa bằng đường biển và là cảng tổng hợp cấp quốc gia Với quá trình hình thành và phát triển trong khoảng thời gian hơn 140 năm, Cảng Hải Phòng đã và đang trở thành niềm tự hào của người dân thành phố.Trong giai đoạn hiện nay, Cảng Hải Phòng vẫn đang trên con đường kế thừa và phát triển các lĩnh vực sản xuất và kinh doanh hiện có, đồng thời vận dụng một cách tối đa những tiềm năng sẵn có, từ đó mở rộng phạm vi hoạt động, đa dạng hóa các hình thức liên doanh hợp tác đểcung cấp các dịch vụ mang tính phát triển ổn định và bền vững

Theo con số thống kê qua các năm, hơn 90% lượng hàng hóa xuất - nhập khẩu khu vực phía Bắc là qua các cảng ở Hải Phòng, trong đó tỷ trọng sản lượng hàng thông qua cảng chính chiếm tới gần 80% Để đáp ứng được lượng hàng hóa lớn và có xu hướng ngày càng tăng như vậy, công tác dự báo được đánh giá là có ý nghĩa rất quan trọng đối với sự thành công của toàn bộ công ty Chỉ khi các dự báo

là chính xác và kịp thời thì mới giúp các nhà quản lý triển khai được các kế hoạch bốc xếp hàng hóa hiệu quả và xa hơn là hoạch định các chiến lược hiện đại hóa hệ thống cảng nhưđẩy nhanh tiến độ xây dựng, cải tạo luồng vào cảng, cải tiến công nghệ xếp dỡ, phát triển cảng mới để giảm chi phí, giảm thời gian làm hàng và giải phóng nhanh tàu ra vào cảng Tuy nhiên, trên thực tế, công tác dự báo của cảng

hiện nay vẫn chưa được quan tâm đúng mức, dẫn tới nhiều trường hợp không mong muốn Trước đây, trong quy hoạch cảng biển Hải Phòng xác định đến năm

2010, sản lượng hàng hóa thông qua Cảng Hải Phòng chỉ đạt từ 8,5 đến 10 triệu tấn Song vào năm 2010, Cảng Hải Phòng đã đón tới 16,4 triệu tấn, vượt xa tới 6,4 triệu tấn với dự báo Sự tính toán sai lệch này đã dẫn đến tình trạng ùn tắc thường xuyên bên trong cảng cũng như trên tuyến QL5

Ngoài ra, công tác dự báo ở cảng hiện naymới chỉchú trọng nhiều vào dự báo trong trung hạn và dự báo trong dài hạn mà không tập trung vào dự báo trong ngắn hạn về sản lượng hàng hóathông qua.Nói cách khác, công ty thường dự báo sản lượng hàng hóa thông qua các bến cảng theo năm mà bỏ qua bước dự báo sản lượng hàng hóa thông qua theo tháng Điều này dẫn đến việc lập và thực thi các kế hoạch tác nghiệp không được sát với thực tế

Với các lý do trên, tôi đã quyết định chọn đề tài: “Dự báo ngắn hạn sản lượng hàng hóa thông qua các bến cảng thuộc Công ty cổ phần Cảng Hải Phòng đến năm 2017”cho bài luận văn tốt nghiệp của mình

2 Mục đích nghiên cứu

Hệ thống hóa lại cơ sở lý luận về dự báo và các mô hình dự báo trong ngắn hạn; Đánh giá chung về tình hình sản xuất kinh doanh của Công ty cổ phần Cảng Hải Phòng và tình hình thực hiện chỉ tiêu tổng sản lượng hàng hóa thông qua các bến cảng trong giai đoạn từ năm 2003 đến nay; Vận dụng các mô hình dự báo ngắn hạn để dự báo sản lượng hàng hóa thông qua các bến cảng thuộc Công ty cổ phần Cảng Hải Phòng đến năm 2017

3 Đối tƣợng và phạm vi nghiên cứu

Đối tượng nghiên cứu: Các mô hình dự báo ngắn hạncho tổng sản lượng hàng hóa thông qua các bến cảng thuộc Công ty cổ phần Cảng Hải Phòng

Phạm vi nghiên cứu: Phân tích chuỗi số liệu về sản lượng hàng hóa thông qua các tháng trong giai đoạn 2003 – T7/2016, từ đó dự báo ngắn hạn cho giai đoạn sắp tới (từ tháng 8 năm 2016 đến tháng 12 năm 2017)

4 Phương pháp nghiên cứu

Bài luận văn ứng dụng các phương pháp cơ bản thường được sử dụng trong nghiên cứu khoa học, ví dụ nhưphương pháp thống kê và thu thập số liệu, phân tích và xử lý số liệu, tổng hợp và đánh giá hiện trạng, Đặc biệt, trong quá trình tiến hành dự báo, luận văn sử dụng nhiều các phương pháp định lượng với sự hỗ trợ của các phần mềm thống kê như Eviews 8 và Microsoft Excel 2016

5 Ý nghĩa khoa học và thực tiễn của luận văn

Ý nghĩa khoa học: Luận văn đã cơ bản hệ thống hóa được cơ sở lý luận về

dự báo và các mô hình dự báo trong ngắn hạn

6 Bố cục của luận văn

Luận văn được trình bày dưới hình thức 3 chương với kết cấu như sau:

Chương 1:Tổng quan về dự báo và các mô hình dự báo trong ngắn hạn

Chương 2:Đánh giá thực trạng về sản lượng hàng hóa thông qua các bến

cảng thuộc Công ty cổ phần Cảng Hải Phòng

Chương 3:Dự báo ngắn hạn sản lượng hàng hóa thông qua các bến cảng thuộc Công ty cổ phần Cảng Hải Phòng đến năm 2017

CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO VÀ CÁC MÔ HÌNH DỰ BÁO

TRONG NGẮN HẠN 1.1 Khái niệm về dự báo

Dự báo đã được hình thành từ khoảng những năm 1960 của thế kỉ XX Khoa học dự báo với tư cách là một môn khoa học độc lập có hệ thống cơ sở lí luận và phương pháp luận riêng nhằm mục đích là nâng cao tính hiệu quả của dự báo Dự báo được đánh giá là một phương pháp tiếp cận hiệu quả và đóng vai trò hết sức quan trọng trong công tác hoạch định Các nhà quản trị sẽ căn cứ vào các kết quả dự báo này để đề ra các phương hướng trong tương lai cho các hoạt động

mà công ty sẽ thực hiện.Dự báo chính là bước đầu tiên trong công tác hoạch định thông qua việc ước lượng các nhu cầu tương lai cho các sản phẩm, dịch vụ và các nguồn lực cần thiết để sản xuất ra sản phẩm hoặc dịch vụ đó

Như vậy, dự báo được hiểu là “việc ước lượng một sự kiện hoặc một điều kiện nào đó trong tương lai vốn nằm ngoài khả năng kiểm soát của tổ chức nhằm cung cấp cơ sở cho việc ra quyết định”[3, tr.18]

Dự báo là “các tiên đoán tổng hợp có căn cứ khoa học, mang tính xác suất

về mức độ, nội dung, các mối quan hệ trạng thái, xu hướng phát triển của đối tượng nghiên cứu hoặc về cách thức và thời hạn đạt được các mục tiêu đã đề ra trong tương lai”[7, tr.15]

Khi tiến hành dự báo, ta cần phải căn cứ vào các số liệu trong quá khứ đã thu thập và xử lý để xác định xu hướng vận động của các hiện tượng trong tương lai nhờ vào một số mô hình toán học Dự báo tốt có thể giúp tổ chức hình dung ra tương lai của mình sẽ như thế nào để định ra hướng đi phù hợp [4]

Các tổ chức đang hoạt động trong một thế giới liên tục thay đổi nhưng các quyết định phải được thực hiện ngay hôm nay và ảnh hưởng sống còn đến tương lai của tổ chức, nên dự báo dĩ nhiên luôn luôn cần thiết nếu thực sự tổ chức muốn tồn tại và phát triển bền vững Ngoài ra, dự báo còn là một nhu cầu không thể thiếu

được của mọi hoạt động kinh tế - xã hội, khoa học – kỹ thuật, được tất cả các ngành khoa học quan tâm nghiên cứu [5]

1.2 Phân loại dự báo

1.2.1 Căn cứ vào độ dài thời gian (tầm xa) dự báo

Căn cứ vào độ dài thời gian, người ta chia dự báo thành dự báo dài hạn, dự báo trung hạn, dự báo ngắn hạn và dự báo tác nghiệp

1.2.1.1 Dự báo dài hạn

Đây là những dự báo có khoảng thời gian dự báo tới 15 năm Dự báodài hạn

“thường đượcsử dụng để dự báo những mục tiêu và chiến lược về kinh tế, chính trị, khoa học kỹ thuật trong thời gian dài ở tầm vĩ mô”[7]

1.2.1.2 Dự báo trung hạn

Đây là những dự báo có thời gian dự báo không quá 5 năm.Dự báotrung hạn“thường được dùng để phục vụ cho việc xây dựng những kế hoạch trung hạn về kinh tế, văn hóa, xã hội… ở tầm vi mô và vĩ mô”[7]

1.2.1.3 Dự báo ngắn hạn

Đây là những dự báo có thời gian dưới 1 năm.Dự báo ngắn hạn“thường được dùng để dự báo hoặc lập các kế hoạch về kinh tế, văn hóa, xã hội chủ yếu ở tầm vi mô và vĩ mô trong khoảng thời gian ngắn nhằm phục vụ cho công tác chỉ đạo kịp thời”[7]

quy định một khoảng cách thời gian sao cho phù hợp với loại hiện tượng đó.Ví dụ trong dự báo thời tiết, khí tượng học chỉ có tầm dự báo là một tuần nhưng trong dự báo kinh tế thì tầm dự báo là trên 5 năm Có thể nói, độ dài thời gian đối với dự báo kinh tế dài hơn nhiều so với độ dài thời gian trongdự báo thời tiết

1.2.2 Căn cứ vào nội dung (đối tượng dự báo)

Phân loại dự báo theo nội dung hay đối tượng dự báo, người ta chia ra thành

dự báo khoa học, dự báo kinh tế, dự báo xã hội và dự báo tự nhiên, thiên văn học

1.2.2.1 Dự báo khoa học

Dự báo khoa học “là việctiên đoán về những sự kiện, hiện tượng hoặc trạng thái nào đó có thể hay nhất định sẽ xảy ra trong thời gian tương lai Theo nghĩa hẹp hơn, đó chính là sự nghiên cứu khoa học về những triển vọng của một hiện tượng nào đó, chủ yếu là những đánh giá số lượng và chỉ ra khoảng thời gian mà trong đó hiện tượng có thể diễn ra những biến đổi”[7]

1.2.2.2 Dự báo kinh tế

Dự báo kinh tế là“môn khoa học dự báo các hiện tượng kinh tế trong tương lai Dự báo kinh tế được coi là giai đoạn trước của công tác xây dựng chiến lược phát triển kinh tế - xã hội và dự án kế hoạch dài hạn; không đặt ra những nhiệm vụ

cụ thể, nhưng chứa đựng những nội dung cần thiết làm căn cứ để xây dựng những nhiệm vụ đó Dự báo kinh tế bao trùm sự phát triển kinh tế và xã hội của đất nước,

có tính đến sự phát triển của tình hình thế giới và các quan hệ quốc tế Các kết quả

dự báo kinh tế cho phép hiểu rõ đặc điểm của các điều kiện kinh tế - xã hội để đặt chiến lược phát triển kinh tế đúng đắn, xây dựng các chương trình, kế hoạch phát triển một cách chủ động, đạt hiệu quả cao và vững chắc”[7]

1.2.2.3 Dự báo xã hội

Dự báo xã hội là “một môn khoa học nghiên cứu những triển vọng cụ thể của một hiện tượng, một sự biến đổi, một quá trình xã hội, để đưa ra dự báo hay dự đoán về tình hình diễn biến, phát triển của một xã hội”[7]

1.2.2.4 Dự báo tự nhiên, thiên văn học

Dự báo tự nhiên và thiên văn học bao gồm dự báo thời tiết, dự báo động đất,

dự báo thủy văn, dự báo địa lý,…

1.2.3 Căn cứ vào phương pháp dự báo

Căn cứ vào các phương pháp dự báo, người ta chia ra thành các phương pháp dự báo không chính thức và các phương pháp dự báo chính thức Chi tiết hơn, trong phương pháp dự báo chính thức, người ta chia ra thành các phương pháp dự báo định tính và các phương pháp dự báo định lượng

1.2.3.1 Các phương pháp không chính thức

Đúng như tên gọi của nó, phương pháp này đa phần “dựa trên trực giác cảm tính, tùy thuộc vào kinh nghiệm và khả năng phán đoán của mỗi cá nhân” [7] Lưu

ý, chỉ nên sử dụng các phương pháp này khi không đảm bảo được dữ liệu phân tích

và không đủ thời gian Nói cách khác, nhược điểm của các phương pháp không chính thức này thường là độ tin cậy không cao

1.2.3.2 Các phương pháp chính thức

Các phương pháp này được áp dụng một cách rộng rãi vì chúng có phương pháp luận rõ ràng Các phương pháp chính thức được chia thành phương pháp dự báo định tính và phương phápdự báo định lượng:

a Các phương pháp định tính

Phương pháp định tính“thường dựa trên kinh nghiệm và khả năng phán đoán của từng cá nhân, những người quản lý và những chuyên gia Phương pháp định tính hay được áp sử dụng khi các dữ liệu không sẵn có hoặc có nhưng không được

đầy đủ, hay thiếu tin cậy, hay các đối tượng dự báo bị ảnh hưởng bởi các nhân tố không thể lượng hóa được,chẳng hạn như sự thay đổi tiến bộ kỹ thuật Các phương pháp định tính rất phổ biến vì nó không yêu cầu người dự báo phải có các kiến thức về các mô hình toán, mô hình thống kê hoặc kinh tế lượng Bên cạnh đó, hiện nay các phương pháp định tính ngày càng được áp dụng phổ biến ở nhiều nơi và trong nhiều lĩnh vực Trên thực tế, mặc dù đã có sẵn các kỹ thuật thống kê thì đôi khi phán đoán của cá nhân vẫn là sự lựa chọn ưu tiên của không ít các nhà quản lý cấp cao Do kết quả dự báo định tính phụ thuộc vào ý kiến chủ quan nên có thể bị sai lệch, không chính xác một cách ổn định qua thời gian, cũng như không có phương pháp hệ thống để đánh giá và cải thiện mức độ chính xác Bên cạnh đó, phương pháp này cũng đòi hỏi người tham gia phải mất nhiều thời gian để tích lũy kinh nghiệm trong một lĩnh vực nhất định Nói chung, để có các quyết định sáng suốt, thì người sử dụng kết quả dự báo cần phải biết kết hợp giữa kết quả dự báo định lượng và định tính”[7, tr.22]

Thông thường, các phán đoán cá nhân trong việc thực hiện nhiều dự báo có thể được biện hộ thông qua hai điều sau đây Thứ nhất, so với các mô hình thống

kê, con người có thể có khả năng phát hiện các xu hướng thay đổi trong chuỗi thời gian một cách tốt hơn vì các phán đoán có đặt vấn đề dự báo trên một bình diện rộng hơn Thứ hai, con người có khả năng kết hợp các thông tin bên ngoài ngoài bản thân chuỗi thời gian vào quá trình dự báo.Dự báo định tính có thể được chia làm hai nhóm sau: Các phương pháp thu thập thông tin dự báo từ các cá nhân liên quan đến đối tượng dự báo (bao gồm khảo sát thị trường và tổng hợp lực lượng bán hàng) và các phương pháp dựa vào ý kiến của các nhóm chuyên gia hiểu về lĩnh vực cần dự báo (bao gồm ý kiến ban quản lý, phương pháp Delphi, kỹ thuật nhóm định danh, và các kỹ thuật khác)[7, tr.23]

b Các phương pháp định lượng

Đây là phương pháp dựa trên các mô hình toán và giả định rằng dữ liệu quá khứ cũng như các yếu tố liên quan khác có thể được kết hợp để đưa ra các dự báo

tin cậy cho tương lai Từ đó, có thể dựa vào những dữ liệu quá khứ để tìm ra xu hướng vận động của đối tượng sao cho phù hợp với một mô hình toán học nào đó

và đồng thời sử dụng mô hình này là mô hình ước lượng Tiếp cận định lượng dựa trên giả định rằng giá trị tương lai của biến dự báo sẽ phụ thuộc vào xu thế vận động của đối tượng đó trong quá khứ Phương pháp dự báo định lượng cho “kết quả hoàn toàn khách quan, ít tốn thời gian để tìm ra kết quả dự báo khi mô hình dự báo đã được xây dựng, hơn thế nữa có thể dễ dàng so sánh và lựa chọn mô hình dự báo tốt nhất vì có những phương pháp để đo lường độ chính xác dự báo”[7] Nhưng bên cạnh đó thì các phương pháp định lượng cũng có một số điều hạn chế,

cụ thể là chỉ dự báo tốt nhất trong thời gian ngắn hạn và trung hạn Ngoài ra, không

có phương pháp nào có thể đưa đầy đủ những yếu tố bên ngoài có tác động đến kết quả dự báo của mô hình Các phương pháp định lượng được chia làm hai nhóm sau đây: Các mô hình dự báo chuỗi thời gian (dự báo giá trị tương lai của một biến nào

đó chỉ bằng cách phân tích số liệu quá khứ và hiện tại của chính biến số đó) và các

mô hình dự báo nhân quả (dự báo dựa trên phân tích hồi quy)

1.2.4 Căn cứ cấp độ của đối tượng dự báo (phạm vi dự báo)

Phân loại dự báo theo cấp độ của đối tượng dự báo, người ta chia ra làm hai loại: Dự báo vĩ mô và dự báo vi mô

1.2.5 Căn cứ vào kết quả dự báo

Căn cứ vào kết quả dự báo, người ta chia dự báo ra làm hai loại: dự báo điểm và dự báo khoảng

1.3 Vai trò của dự báo ngắn hạn

Vai trò của dự báo là “để tiên đoán về tương lai của các hiện tượng, từ đó giúp những nhà quản lý công ty có thể chủ động trong việc lập kế hoạch và đưa ra quyết định cần thiết đáp ứng cho quy trình sản xuất kinh doanh, kênh phân phối sản phẩm, quảng bá, quy mô sản xuất, đầu tư, nguồn cung cấp tài chính… và có sự chuẩn bị toàn diện các điều kiện cơ sở vật chất, kỹ thuật cho sự phát triển trong thời gian tới”[3, tr.19] Ví dụ, nếu dự báo được sản lượng được sản xuất ra, các công ty sẽ căn cứ vào đó để lập kế hoạch cung cấp các yếu tố đầu vào như lao động, nguyên nhiên vật liệu, tư liệu lao động… cũng như các yếu tố đầu ra dưới dạng sản phẩm vật chất và dịch vụ

Tại các công ty nếu công việc dự báo được làm một cách cẩn thận và nghiêm túc thì sẽ góp phần không nhỏ nâng cao vị thế và năng lực cạnh tranh của doanh nghiệp trên thị trường Dự báo đúng và chính xác sẽ giúp hạn chế đáng kểnhững thất bại, rủi ro cho công ty nói riêng cũng như cả nền kinh tế nói chung Bên cạnh đó, nếu dự báo đúng và chính xác còn là “cơ sở để các nhà hoạch định, các nhà quản lý đưa ra các chính sách phù hợp với phát triển kinh tế, văn hóa, xã hội đối với toàn bộ nền kinh tế quốc dân”[3, tr.19]

Các kế hoạch, những chính sách kinh tế cùng với các chương trình phát triển kinh tế thông qua dự báo bằng việc xây dựng có cơ sở khoa học đã giúp mang lại hiệu quả kinh tế cao nhất.Các nhà quản lý công ty đã kịp thời đưa ra những biện pháp điều chỉnh các hoạt động kinh tế của công ty mình thông qua dự báo thường xuyên và kịp thời đã đạt được hiệu quả sản xuất kinh doanh cao nhất [6]

1.4 Nhu cầu của dự báo ngắn hạn

Nhu cầu của dự báo ngày càng gia tăng vì gần như mọi doanh nghiệp dù lớn hay nhỏ thì đều áp dụng một phương pháp dự báo nào đó để có được những quyết định đúng đắn nhất trong quá trình kinh doanh

Trong kinh doanh, công việc dự báo“có một ý nghĩa đặc biệt quan trọng trong mọi hoạt động của doanh nghiệp vì năng lực cạnh tranh của các doanh nghiệp không chỉ dựa vào nỗ lực đáp ứng tốt nhất các nhu cầu của khách hàng mà còn thông qua nỗ lực để cắt giảm các chi phí không cần thiết trong hoạt động kinh doanh Nói cách khác, mỗi một quyết sách hay bước đi của doanh nghiệp đều được đắn đo kĩ lưỡng dựa trên một dự báo nào đó”[3] Cụ thể:

Phòng kế toán cần phảidự báo doanh thu hay chi phí để lên kế hoạch báo cáo thuế

Phòng nhân sự thì cần dự báo thị trường lao động để có kế hoạch tuyển dụng nhân sự mới cũng như có những điều chỉnh kịp thời trong lực lượng lao động của doanh nghiệp

Phòng tài chính phải dự báo ngân lưu và chi phí sử dụng vốn để lập kế hoạch ngân sách vốn đầu tư, cơ cấu vốn tối ưu, tỷ lệ chia cổ tức,quản lý rủi ro và xác định giá trị doanh nghiệp

Bộ phận sản xuất cần dự báo để xác định nhu cầu nguyên vật liệu và hàng tồn kho

Phòng tiếp thị cần dự báo doanh thu để xây dựng ngân sách cho các chiến lược quảng cáo, tiếp thị

Phòng nghiên cứu thị trường cần dự báo hệ số co giãn để đưa ra quyết định

về giá và quy mô sản lượng, hoặc dự báo nhân tố ảnh hưởng sự thỏa mãn nhu cầu khách hàng

Các phòng nghiên cứu và phân tích đầu tư của các công ty quỹ, công ty chứng khoán, và ngân hàng có thể dự báo chứng khoán, tỷ suất sinh lợi kỳ vọng, rủi ro thị trường, tốc độ tăng trưởng và triển vọng thị trường nhằm thực hiện các quyết định đầu tư và tư vấn khách hàng,…để lập các báo cáo thị trường, báo cáo ngành hoặc hỗ trợ cho các quyết định đầu tư khác

Phòng kinh doanh đặc biệt là các công ty phụ thuộc nhiều vào tình hình thị trường thế giới như nhiên liệu, hóa chất, vật liệu xây dựng,… cần thực hiện nhiều

dự báo về xu hướng biến động của các chỉ số giá thế giới

1.5 Các mô hình dự báo trong ngắn hạn

1.5.1 Dự báo ngắn hạn bằng các mô hình dự báo thô

1.5.1.1 Mô hình dự báo thô giản đơn

Mô hình dự báo thô giả định rằng các giai đoạn gần nhất là các ước lượng tốt nhất cho tương lai Mô hình dự báo thô giản đơn có thể được biểu diễn:

1.5.1.2 Mô hình dự báo thô điều chỉnh

a Mô hình dự báo thô điều chỉnh yếu tố xu thế

Mô hình dự báo thô điều chỉnh yếu tố xu thế có thể được biểu diễn:

Y

Y Y

b Mô hình dự báo thô điều chỉnh yếu tố mùa vụ

Đối với dữ liệu theo quý, thì mô hình dự báo thô có thể được điều chỉnh như sau:

c Mô hình dự báo thô điều chỉnh yếu tố xu thế kết hợp mùa vụ

Đối với dữ liệu vừa có yếu tố xu thế, vừa có yếu tố quý, mô hình điều chỉnh như sau:

(1.5) Đối với dữ liệu vừa có yếu tố xu thế, vừa có yếu tố tháng, mô hình điều chỉnh như sau:

(1.6) Nhìn chung, mô hình dự báo thô thường được áp dụng khi có quá ít dữ liệu trong quá khứ

Y Y Y

Y

12

) ( 1211

Y Y Y

Y

1.5.2 Dự báo ngắn hạn bằng các mô hình dự báo trung bình

1.5.2.1 Mô hình dự báo trung bình giản đơn

Mô hình dự báo trung bình giản đơn sử dụng giá trị trung bình của toàn bộ

dữ liệu quá khứ làm giá trị dự báo và có thể được biểu diễn qua công thức giản đơn sau:

(1.7) Trong đó: t có thể là quan sát cuối cùng trong mẫu hoặc toàn bộ mẫu dữ liệu quá khứ sẵn có[3]

Phương pháp dự báo trung bình giản đơn chỉ phù hợp với chuỗi dữ liệu không có biến động lớn, và chuỗi thời gian gọi là có tính dừng

1.5.2.2 Mô hình dự báo trung bình di động

Mô hình dự báo trung bình di động sử dụng một số quan sát gần nhất làm giá trị dự báo Với hệ số trượt k, trung bình di động bậc k, ký hiệu là MA(k) được thể hiện theo công thức sau:

(1.8) Như vậy trung bình di động cho giai đoạn t là giá trị trung bình số học của k quan sát gần nhất Trong một giá trị trung bình di động, thì trọng số của mỗi quan sát đều bằng nhau và bằng 1/k[3]

Mô hình dự báo trung bình di dộng cũng thích hợp với các chuỗi có tính dừng

1.5.2.3 Mô hình dự báo trung bình di động kép

Phương pháp trung bình di động kép thực hiện qua các bước sau:

- Bước 1: Tính chuỗi trung bình di động bậc 1, MA(k)

t

Y

1 1 1

k

Y Y

- Bước 2: Tính chuỗi trung bình di động bậc 2, MA(k)‟

- Bước 3: Tính chênh lệch giữa MA(k) và MA(k) để xác định vị trí trung bình của chuỗi dữ liệu khi có yếu tố xu thế:



= a t + b t P

Trong đó: P là số giai đoạn dự báo

Phương pháp bình quân di động kép nhằm dử dụng dự báo dữ liệu chuỗi thời gian có yếu tố xu thế[3]

1.5.3 Dự báo ngắn hạn bằng các mô hình san mũ

1.5.3.1 Mô hình dự báo bằng san mũ giản đơn

Phương pháp san mũ vẫn dựa trên cơ sở lấy trung bình tất cả các giá trị quá khứ của chuỗi dữ liệu dưới dạng trọng số giảm dần theo hàm mũ Cách thể hiện

đơn giản nhất của phương pháp này được biểu hiện theo công thức sau đây:

Y



: giá trị dự báo (cũ) ở giai đoạn t

Như vậy ý tưởng của phương pháp san mũ giản đơn cho rằng giá trị dự báo mới là một giá trị trung bình có trọng số giữa giá trị thực tế và giá trị dự báo ở giai đoạn t Giá trị hệ số san mũ quyết định mức độ ảnh hưởng của quan sát hiện tại lên giá trị dự báo của quan sát tiếp theo Khi α gần bằng 1 thì giá trị dự báo hầu như gần bằng giá trị của quan sát hiện tại Ngược lại nếu α gần bằng 0 thì giá trị dự báo mới sẽ giống giá trị dự báo cũ và quan sát hiện tại sẽ có ảnh hưởng rất ít đến giá trị dự báo mới

Mô hình san mũ giản đơn phù hợp với loại dữ liệu không thể dự đoán được

xu hướng tăng hay giảm

1.5.3.2 San mũ Holt

Mô hình san mũ Holt được thể hiện qua 3 phương trình sau:

a.Ước lượng giá trị trung bình hiện tại:



Trong đó:

Lt: giá trị san mũ mới (hoặc giá trị ước lượng trung bình hiện tại)

α: Hệ số san mũ của giá trị trung bình (0<α<1)

Yt: Giá trị quan sát hoặc giá trị thực tế vào thời điểm t

β: Hệ số san mũ của giá trị xu thế (0< β<1)

Tt: Giá trị ước lượng của xu thế

p: Thời đoạn dự báo trong tương lai

P

t



: Giá trị dự báo cho p giai đoạn trong tương lai

Tóm lại, giá trị san mũ dự báo tại thời điểm được tính bằng bình quân gia quyền giữa hai giá trị ước lượng của trung bình: một ước lượng chính là giá trị quan sát Yt và một ước lượng khác được tính bằng cách cộng thêm yếu tố xu thế

Tt-1 vào giá trị san mũ trước đó (Lt-1), nghĩa là dự báo cho giá trị ước lượng của trung bình tại thời điểm t Mô hình san mũ Holt phù hợp với loại dữ liệu có yếu tố

xu thế[3]

1.5.3.3 San mũ Winter

Mô hình san mũ Winter được thể hiện qua 4 phương trình sau:

a.Ước lượng giá trị trung bình hiện tại:

L t = α

s t

t S

Y

d.Dự báo ρ giai đoạn trong tương lai:

P t



Trong đó:

Lt: giá trị san mũ mới (hoặc giá trị ước lượng trung bình hiện tại)

α: Hệ số san mũ của giá trị trung bình (0<α<1)

Yt: Giá trị quan sát hoặc giá trị thực tế vào thời điểm t

β: Hệ số san mũ của giá trị xu thế (0< β<1)

Tt: Giá trị ước lượng của xu thế

γ: Hệ số san mũ của chỉ số mùa

St: Giá trị ước lượng của chỉ số mùa

p: Thời đoạn dự báo trong tương lai

s: Độ dài của yếu tố mùa

P

t



: Giá trị dự báo cho p giai đoạn trong tương lai

Mô hình san mũ Winter phù hợp với loại dữ liệu có yếu tố xu thế và có thêm yếu tố mùa[3]

1.5.4 Dự báo ngắn hạn bằng các mô hình xu thế

1.5.4.1 Tổng quan về hàm xu thế

Xu thế là sự vận động tăng hay giảm của dữ liệu trong một thời gian dài Sự vận động này có thể được mô tả bằng một đường thẳng (xu thế tuyến tính) hoặc bởi một vài dạng đường cong toán học (xu thế phi tuyến) Có thể mô hình hóa xu thế bằng cách thực hiện một hàm hồi quy thích hợp giữa biến cần dự báo (biến Y)

và thời gian (biến t) Sau đó, hàm hồi quy này được sử dụng để tạo các giá trị dự báo trong tương lai

Giả sử ta có sẵn dữ liệu của biến Yt theo thời gian, để biết xu thế của dữ liệu

sẽ tuân theo dạng hàm nào, người làm dự báo thường vẽ đồ thị của biến phụ thuộc

Yt theo thời gian t, sau đó nhận dạng đồ thị của hàm số tương ứng với dạng hàm toán học nào Sau đây, là một số dạng hàm xu thế được sử dụng phổ biến:

Bảng 1.1: Một số dạng hàm xu thế điển hình Dạng hàm xu thế Phương trình hồi quy tổng thể

G Log – tuyến tính Ln(Yt) = β1 + β2.t + Ut

Nguồn: Dự báo và phân tích dữ liệu trong kinh tế và tài chính[3, tr.245]

Trong các mô hình trên, chỉ có mô hình F là mô hình hồi quy phi tuyến đối với tham số nên trong tính toán người ta ước lượng mô hình F gián tiếp mô hình G.Trong đó Ut sai số của mô hình

1.5.4.2 Thực hiện dự báo

a Dự báo điểm

Bảng 1.2 dưới đây trình bày các công thức xác định dự báo điểm đối với từng dạng mô hình xu thế:

Bảng 1.2: Dự báo điểm với hàm xu thế

2 2 1

) (

2 )

(

k n t t k n

) ( , 2

) (

2 )

2 ( 2

2 )

2 ( 2

St: sai số chuẩn của hàm dự báo cho các giá trị cá biệt khi dự báo Ln(Yt)

1.5.5 Dự báo ngắn hạn bằng phương pháp phân tích

Một chuỗi thời gian thường bao gồm 4 thành phần khác biệt về bản chất Đó

là thành phần xu thế (Trend component), thành phần chu kỳ (Cyclical component), thành phần mùa (Seasonal component) và thành phần bất thường/ngẫu nhiên (Irregular/Random component)[3, tr.286]

1.5.5.1 Xu thế (Trend)

Xu thế là “thành phần thể hiện sự tăng (hoặc) giảm ẩn bên trong của một chuỗi thời gian Xu thế có thể được tạo ra do sự thay đổi dân số liên tục, lạm phát, thay đổi công nghệ, tăng năng suất”[3] Thành phần xu thế thường được ký hiệu là

T hay Tr

1.5.5.2 Chu kỳ (Cyclical)

Thành phần chu kỳ là “một chuỗi những sự dao động giống như hình song

và sự dao động này sẽ lặp đi lặp lại sau một thời kỳ thường dài hơn một năm”[3] Nói chung, chu kỳ được tạo ra do dự thay đổi các điều kiện kinh tế.Trong thực tế chu kỳ thường khó xác định và thường được xem như một phần của yếu tố xu thế Trong trường hợp này, thành phần thể hiện sự tăng, giảm ẩn bên trong của một chuỗi dữ liệu được gọi là thành phần Xu thế - Chu kỳ (trend – cycle)

1.5.5.3 Mùa (Seasonal)

Những dao động mùa vụ rất thường được tìm thấy với dữ liệu theo quý, theo tháng hoặc thậm chí theo tuần Nếu chỉ có dữ liệu theo năm thì không có biến động mùa Sự dao động mùa vụ liên quan đến kiểu thay đổi khá ổn định xuất hiện hàng

năm và kiểu thay đổi đó được lặp đi lặp lại ở năm sau, và các năm sau nữa Yếu tố mùa xảy ra do ảnh hưởng thời tiết, các sự kiện trong năm liên quan đến lịch như nghỉ hè, ngày lễ Thành phần này thường ký hiệu là Sn, hay S[3]

1.5.5.4 Ngẫu nhiên/bất thường (Irregular)

Thành phần ngẫu nhiên bao gồm những thay đổi ngẫu nhiên, hay không dự đoán được Những thay đổi bất thường là “kết quả của vô số những sự kiện mà nếu xét riêng lẻ thì không quan trọng gì, còn nếu kết hợp các sự kiện riêng lẻ đó lại thì

có thể tạo ra một ảnh hưởng lớn”[3] Thành phần bất thường này xuất hiện có thể

do ảnh hưởng của tin đồn, thiên tai, động đất, nội chiến, khủng bố… Người ta thường ký hiệu thành phần ngẫu nhiên là Ir, hay I

Trong bốn thành phần của chuỗi thời gian nói trên thì các mô hình dự báo chỉ có thể tập trung tìm ra các thành phần xu thế, mùa vụ Thành phần chu kỳ cần

có một chuỗi dữ liệu lưu trữ ít nhất là trên 30 năm, còn các dao động khác thường thì không thể nào dự báo được Do vậy phương pháp dự báo phân tích chủ yếu đề cập hai thành phần là xu thế và mùa vụ và cố gắng tìm ra những cách thức kết hợp của hai thành phần này nhằm phục vụ cho nhu cầu dự báo chuỗi thời gian.Khi nghiên cứu các thành phần của chuỗi thời gian, nhà phân tích phải xem xét các thành phần này liên quan như thế nào với chuỗi dữ liệu gốc (biến Y) Có hai mô hình thể hiện mối quan hệ này:

Mô hình nhân tính

Mô hình nhân tính xem các giá trị của chuỗi thời gian Yt được tạo thành bởi tích số của từng thành phần Tr, Cl, Sn, Ir Mô hình nhân tính phù hợp khi sự biến thiên của chuỗi thời gian tăng dần theo thứ tự thời gian

Mô hình cộng tính

Mô hình cộng tính xem các giá trị của chuỗi thời gian Yt được tạo thành bởi tổng của các thành phần Tr, Cl, Sn, Ir Mô hình cộng tính có hiệu quả khi chuỗi dữ

liệu đang được phân tích có sự biến thiên xấp xỉ đều nhau suốt độ dài của chuỗi thời gian

Dưới đây là bảng tóm tắt các điều kiện áp dụng trong việc chọn lựa mô hình

dự báo cho từng trường hợp nhất định:

Bảng 1.3: Lựa chọn mô hình dự báo

1 Dự báo thô

1.2 Dự báo thô điều chỉnh

1.2.3 Điều chỉnh xu thế và mùa vụ Dữ liệu xu thế + mùa vụ

2 Dự báo trung bình

2.1 Dự báo trung bình giản đơn Dữ liệu dừng

2.2 Dự báo trung bình di động Dữ liệu dừng

3 Dự báo san mũ

3.1 Dự báo san mũ giản đơn Dữ liệu dừng

3.3 Dự báo san mũ Winter Dữ liệu xu thế + mùa vụ

4 Dự báo bằng mô hình xu thế Dữ liệu xu thế

5 Dự báo bằng phương pháp phân tích Dữ liệu xu thế, mùa vụ, và chu kỳ

Nguồn:Dự báo và phân tích dữ liệu trong kinh tế và tài chính [3, tr.162]

1.6 Các sai số đo lường mức độ chính xác của mô hình dự báo trong ngắn hạn

1.6.1 Sai số trung bình (ME)

Sai số trung bình (ME) được xác định theo công thức sau đây:

(1.19) Trong đó: n là số quan sát của biến dự báo đã được ước lượng

n

e ME

n

t t





 1

1.6.2 Sai số phần trăm trung bình (MPE)

Sai số phần trăm trung bình (MPE) được xác định theo công thức sau đây:

(1.20)

ME và MPE ít được sử dụng để đo lường độ chính xác của dự báo vì các sai

số lớn có giá trị dương có thể triệt tiêu bởi các sai số lớn có giá trị âm Thực vậy,

„một mô hình xấu có thể có ME và MPE bằng không Tuy nhiên, ME và MPE lại rất hữu ích trong việc đo lường sự sai lệch của dự báo Một dự báo không sai lệch,

ME và MPE có giá trị gần bằng 0 Một dự báo có ME và MPE âm có thế cho biết

mô hình dự báo đang dự báo quá cao, ngược lại ME hay MPE dương có thể cho biết mô hình dự báo đang dự báo quá thấp” [3]

1.6.3 Sai số tuyệt đối trung bình (MAE)

Sai số tuyệt đối trung bình (MAE) được xác định theo công thức sau đây:

(1.21) MAE là một thước đo rất hữu ích khi người phân tích muốn đo lường sai số

dự báo có cùng đơn vị tính với dữ liệu gốc

1.6.4 Sai số phần trăm tuyệt đối (MAPE)

Sai số phần trăm tuyệt đối (MAPE) được xác định theo công thức sau đây:

n

Y e MPE

t n

t

t/ 1

n

t t





 1

(1.22) MAPE là thước đo hữu ích khi độ lớn của dự báo có ý nghĩa quan trọng trong việc đánh giá mức độ chính xác của dự báo “MAPE cho một chỉ số về độ lớn của sai số dự báo so với giá trị thực của biến số Phương pháp này đặc biệt hữu ích khi Yt có giá trị lớn Ngoài ra MAPE cũng có thể được dùng để so sánh các phương pháp giống hoặc khác nhau cho hai chuỗi dữ liệu hoàn toàn khác nhau” [3]

1.6.5 Sai số bình phương trung bình (MSE)

Sai số bình phương trung bình (MSE) được xác định theo công thức sau đây:

(1.23)

Do các giá trị sai số được bình phương nên thước đo MSE có vẻ như khuếch trương độ sai lệch

1.6.6 Căn bậc hai của sai số bình phương trung bình (RMSE)

Căn bậc hai của sai số bình phương trung bình (RMSE) được xác định theo

công thức sau đây:

(1.24)

1.6.7 Hệ số không ngang bằng Theil’s U

Hệ số không ngang bằng Theil‟s U là một thước đo khác về độ chính xác dự báo Hệ số này chính là tỷ số giữa RSME của mô hình dự báo và RSME của mô

n

Y e MAPE

t n

t

t / 1

n

t t

n

t t





2

hình dự báo thô giản đơn.Mô hình dự báo thô sử dụng giá trị thực tế Yt là giá trị dự báo cho giai đoạn kế tiếp (  1

Nếu U <1 thì mô hình dự báo tốt hơn mô hình dự báo thô

Nếu U = 1 thì mô hình dự báo cũng như mô hình dự báo thô

Nếu U > 1 mô hình dự báo còn xấu hơn mô hình dự báo thô

Tóm lại, bảy thước đo dự báo nêu ở trên dùng để so sánh độ chính xác của hai hay nhiều phương pháp khác nhau và đo lường sự hữu ích hay độ tin cậy của một phương pháp cụ thể, từ đó giúp tìm một phương án tối ưu Cụ thể:

- MAE, MAPE, MSE, RMSE, và Theil‟s U có thể sử dụng để so sánh các

mô hình dự báo khác nhau chỉ cùng một chuỗi dữ liệu

- Nếu các chuỗi khác nhau về đơn vị đo lường (triệu, %), đơn vị thời gian, dạng dữ liệu (dữ liệu gốc và dữ liệu chuyển hóa logarit) thì chỉ có MAPE và Theil‟s U có thể sử dụng được

- Các phần mềm dự báo ứng dụng thường đưa sẵn các giá trị thước đo này Ngoài ra có thể đánh giá độ chính xác của mô hình dự báo bằng đồ thị (vẽ sai số dự báo theo thời gian, hoặc vẽ giá trị thực tế và giá trị dự báo lên cùng một

hệ trục, nếu hai giá trị này trên đồ thị càng gần nhau thì mô hình dự báo càng chính xác)

2

) (

) (

t t

t t

Y Y

Y Y U

1.7 Các tiêu chí cần thực hiện khi tiến hành dự báo ngắn hạn

1.7.1 Xác định mục tiêu

Trước khi tiến hành dự báo, công việc đầu tiên mà người làm dự báo cần lưu

ý là phải xác định được mục tiêu rõ ràng Trong quá trình ra quyết định của mình, các nhà quản lý và hoạch định chính sách cần phải nhận thức rõ được tầm quan trọng của dự báo Nếu các quyết định của cấp trên không bị ảnh hưởng dù cho kết quả dự báo có như thế nào thì việc dự báo sẽ trở thành vô nghĩa và gây ra lãng phí Chình vì lý do đó, mà có thể khẳng định được rằng, điều quan trọng nhất trong quy trình dự báo đó là sự hiểu biết và tin tưởng Để đạt được điều này, trước khi tiến hành dự báo, nhà quản trị và người thực hiện công tác dự báo cần ngồi lại với nhau

để trao đổi về các mục tiêu sẽ sử dụng kết quả dự báo Và trên hết là nhà quản trị cần phải có sự hiểu biết nhất định cũng như sự tin tưởng với các kết quả dự báo [8, tr.42]

1.7.2 Xác định biến số cần dự báo

Sau khi xác định được các mục tiêu tổng quát, người làm công tác dự báo tiếp đến cần xác định rõ ràng sẽ phải dự báo cái gì? Với cùng một chỉ tiêu thì chúng ta có thể dùng một hoặc nhiều biến số khác nhau để đo lường Chính vì vậy,

để đạt kết quả tốt nhất thì giữa người làm công tác dự báo và người sử dụng các kết quả dự báo nên bàn bạc thật cụ thể để từ đó đưa ra quyết định xem nên lựa chọn biến số nào cần dự báo Ví dụ, nếu ta chúngtta muốn dự báo doanh thu hay sảntlượng tiêu thụ, hoặc dự báo theotnăm, quý hay tháng Thôngtthường ta nên dự báo doanhtsố theo sản lượng tiêu thụthơn là đơn vị tiềnttệ vì như thế sẽ tránh được nhữngtbiến động do sự thay đổi về giátcả [8, tr.42]

1.7.3 Nhận dạng các khía cạnh thời gian

Trong bước nhận dạng các khía cạnh về thời gian, người làm công tác dự báo cần xem xét hai vấn đề quan trọng sau đây

Thứ nhất, người làm công tác dự báo cần phải xác định thời gian dự báo hay

độ dài của dự báo “Đối với các dự báo theo năm, thì độ dài thời gian có thể từ 1 đến 5 năm hoặc hơn, các dự báo theo quý có thể dự báo khoảng 1 đến 2 năm (4 đến 8 quý) và dự báo theo tháng có thể từ 12 đến 18 tháng” [3]

Thứ hai, giữa người làm công tác dự báo và người sử dụng các kết quả dự báo cần phải có sự thống nhất với nhau về tính cấp thiết của việc dự báo vì điều này ảnh hưởng rất lớn đến việc lựa chọn mô hình dự báo nào và kế hoạch tiến hành

dự báo ra sao [8, tr.43]

1.7.4 Thu thập và phân tích số liệu

Nguồn cung cấp số liệu cho dự báo có thể được thu thập từ bên trong hoặc từ bên ngoài doanh nghiệp

Các dữ liệu trong doanh nghiệp được đánh giá là sẵn có và dễ dàng thu thập

để tiến hành dự báo Tuy nhiên, trên thực tế thì giữa các số liệu sẵn có và các số liệu cần để dự báo có thể khác nhau về nhiều phương diện: đơn vị tính, thời gian

và cách thức tổng hợp, Thông thường, các dữ liệu được lưu trữ dưới dạng chưa tổng hợp có giá trị hơn Ví dụ: số liệu theo năm sẽ không tốt bằng số liệu theo tháng hay theo quý

Các dữ liệu bên ngoài doanh nghiệp có thể được thu thập thông qua nhiều nguồn khác nhau Tuy nhiên, giữa người thực hiện công tác dự báo và người sử dụng các kết quả dự báo cần có sự bàn bạc thống nhất nên lựa chọn nguồn cung cấp số liệu nào [8, p 43]

1.7.5 Lựa chọn mô hình dự báo

Đối với phương pháp định lượng thì việc lựa chọn mô hình thích hợp tùy thuộc vào các khía cạnh sau đây:

1.7.5.1 Loại và số lượng dữ liệu sẵn có

Để chọn được mô hình dự báo phù hợp, trước tiên người làm công tác dự báo cần xác định xem các số liệu thu thập được thuộc loại số liệu gì (dữ liệu dừng,

dữ liệu xu thế, dữ liệu mùa, dữ liệu chu kỳ, ) Bởi vì ứng với mỗi loại số liệu khác nhau thì sẽ có những mô hình dự báo với mức độ phù hợp khác nhau Tiếp theo, người làm công tác dự báo cần xem xét xem số lượng dữ liệu sẵn có có đáp ứng đủ cho công tác dự báo hay không Ví dụ, đối với những số liệu mang tính chất mùa

vụ thì các số liệu phải được trình bày theo tuần, tháng hay quý và số quan sát thường phải lớn

1.7.5.2 Dạng dữ liệu được thể hiện trong quá khứ

Để xác định được dạng dữ liệu được thể hiện trong quá khứ, thông thường người làm công tác dự báo sẽ vẽ đồ thị của chuỗi dữ liệu đã thu thập để xem xu hướng biến đổi của chuỗi dữ liệu theo thời gian Ngoài ra, chúng ta cũng có thể phân tích chuỗi dữ liệu thông qua giản đồ tự tương quan để đưa ra kết luận xem đây là chuỗi dừng hay không dừng, có yếu tố mùa vụ hay không

1.7.5.3 Tính cấp bách của dự báo

Đây cũng là một khía cạnh quan trọng trong việc quyết định xem nên lựa chọn mô hình dự báo nào Nếu yêu cầu của việc dự báo là cấp bách thì việc lựa chọn sẽ nghiêng về những mô hình đơn giản, không quá phức tạp và cho kết quả ngay Ngược lại, nếu không quá cấp bách, người làm công tác dự báo có thể sử dụng nhiều mô hình khác nhau, từ đơn giản đến phức tạp, để từ đó lựa chọn ra mô hình phù hợp nhất

1.7.5.4 Độ dài thời gian dự báo

Các mô hình dự báo thông dụng phù hợp với từng thời đoạn dự báo khác nhau: dự báo dài hạn, dự báo trung hạn, dự báo ngắn hạn và dự báo tác nghiệp

1.7.5.5 Năng lực và kiến thức dự báo của cả người làm và người sử dụng dự báo

Mặc dù có rất nhiều các mô hình dự báo khác nhau, tuy nhiên, việc lựa chọn mô hình nào phụ thuộc rất nhiều vào năng lực và kiến thức của người làm dự báo Nếu kiến thức về dự báo còn hạn chế thì đương nhiên sẽ không thể sử dụng được các mô hình dự báo phức tạp như ARIMA hay ARMA trong phân tích chuỗi thời gian Bên cạnh đó, người sử dụng kế quả dự báo cũng ảnh hưởng đáng kể trong bước lựa chọn mô hình Nếu những người sử dụng (thường là những nhà quản lý cấp cao của một tổ chức) có kiến thức về dự báo và tin cậy các kết quả dự báo sẽ có ý nghĩa rất lớn trong quá trình ra quyết định

Đối với phương pháp dự báo định tính thì việc lựa chọn mô hình tùy thuộc vào biến số sẽ dự báo là gì và năng lực của các chuyên gia ở từng lĩnh vực chuyên môn

1.7.6 Đánh giá mô hình

Một khi đã xác định các phương pháp thích hợp cho việc dự báo biến mục tiêu, người làm công tác dự báo cần tiến hành một số đánh giá ban đầu để xem mức độ phù hợp của các mô hình đó như thế nào Đối với các phương pháp chuỗi thời gian và phương pháp nhân quả với dữ liệu chuỗi thời gian, chúng ta nên thực hiện dự báo hậu nghiệm trước để đánh giá mức độ phù hợp của từng mô hình trong các giai đoạn trong quá khứ Nếu mô hình nào không phù hợp với các số liệu thực trong quá khứ thì rất ít khả năng phù hợp cho tương lai Đối với phương pháp nhân quả với dữ liệu chéo thì việc lựa chọn mô hình phù hợp cần phải nghiên cứu cơ sở

lý thuyết kết hợp và thực hiện nhiều kiểm định thống kê để đảm bảo đó là mô hình hồi quy tốt nhất [8, tr.44]