Doanh thu bán hàng và cung cấp dịch vụ của công ty cổ phần sữa việt nam vinamilk từ quý i năm 2019 đến quý IV năm 2020 dưới tác động của chỉ số giá tiêu dùng CPI bằng mô hình VAR

Do đó, nhóm nghiên cứu sẽ thực hiện dự báo “Doanh thu bán hàng và cung cấp dịch vụ của Công ty cổ phần Sữa Việt Nam Vinamilk từ quý I năm 2019 đến quý IV năm 2020 dưới tác động của Chỉ s

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH

TIỂU LUẬN MÔN

MỤC LỤC

GIỚI THIỆU 1

DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2

1 Dữ liệu 2

2 Phương pháp nghiên cứu 2

3 Các bước thực hiện 2

3.1 Kiểm định tính dừng 2

3.2 Tìm độ trễ và ước lượng mô hình 3

3.3 Kiểm tra mô hình 3

3.4 Hàm phản ứng 4

3.5 Dự báo cho mô hình 4

KẾT QUẢ DỰ BÁO VÀ PHÂN TÍCH 5

1 Kiểm tra tính dừng 5

2 Tìm p và ước lượng mô hình 6

3 Kiểm định mô hình 10

3.1 Var có ổn định hay không? 10

3.2 Kiểm định nhiễu trắng 10

3.3 Kiểm định mối quan hệ nhân quả 11

4 Hàm phản ứng 12

5 Dự báo 12

5.1 Dự báo ngoài mẫu 12

5.2 Dự báo chuỗi gốc 13

KẾT LUẬN 16

TÀI LIỆU THAM KHẢO 17

DANH MỤC BẢNG

Bảng 1 Kiểm định tính dừng của chuỗi LNREVENUE 5

Bảng 2 Kiểm định tính dừng của chuỗi LNCPI 6

Bảng 3 Tìm độ trễ phù hợp cho mô hình 6

Bảng 4 Ước lượng mô hình VAR 7

Bảng 5 Kiểm định nhiễu trắng của mô hình 10

Bảng 6 Kiểm định mối quan hệ nhân quả Granger 11

Bảng 7 Kết quả dự báo ngoài mẫu 13

Bảng 8 Chuỗi mới sau khi dự báo 13

DANH MỤC HÌNH Hình 1 Kiểm định tính ổn định và khả nghịch của mô hình 10

Hình 2 Hàm phản ứng của mô hình 12

GIỚI THIỆU

Dự báo kinh tế ngày càng đóng vai trò quan trọng không chỉ đối với các nhà hoạchđịnh chính sách của các quốc gia mà còn đối với mỗi doanh nghiệp kinh doanh trong mọilĩnh vực Đây là cách tiên đoán tổng hợp có căn cứ khoa học về nội dung, những xuhướng chính của sự phát triển tự nhiên, kinh tế, xã hội, tư duy của con người trong tươnglai và mang tính xác suất song đáng tin cậy Ngày nay, dự báo đã được sử dụng rất rộngrãi trong mọi lĩnh vực đời sống xã hội với nhiều loại và phương pháp dự báo khác nhaunhư lấy ý kiến ban điều hành, phương pháp điều tra người tiêu dùng, phương phápDelphi,… Trong thống kê, người ta thường sử dụng các phương pháp như phương phápphân tích chuỗi thời gian, phương pháp san mũ, VAR, ARIMA,…

Vinamilk là doanh nghiệp lớn nhất ngành sữa, liên tục đứng top đầu trong các công

ty có mức tăng trưởng mạnh mẽ trong nhiều năm liền Với nhiều chỉ số thể hiện kết quảkinh doanh đạt kỉ lục qua các năm, Vinamilk đang chứng tỏ triển vọng phát triển củamình không chỉ trong khu vực mà còn trên phạm vi toàn cầu Trong đó, doanh thu bánhàng và cung cấp dịch vụ là một trong những chỉ số quan trọng hàng đầu nhằm đánh giáhiệu quả kinh doanh và mức độ tăng trưởng của Vinamilk Từ đó, đề ra những chiếnlược, kế hoạch dài hạn giúp nâng tầm thương hiệu trên trường quốc tế

Mặt khác, các chỉ số kinh tế vĩ mô – tiêu biểu là Chỉ số giá tiêu dùng CPI - lại cónhững ảnh hưởng nhất định tới doanh thu của các doanh nghiệp bởi nó phản ánh mọi biếnđộng trên thị trường CPI là chỉ số tính theo phần trăm để phản ánh mức thay đổi tươngđối của giá hàng tiêu dùng theo thời gian, dựa vào một giỏ hàng hóa dại diện cho toàn bộhàng tiêu dùng Đây là chỉ tiêu được sử dụng phổ biến nhất để đo lường mức giá và sựthay đổi của mức giá (hay lạm phát)

Do đó, nhóm nghiên cứu sẽ thực hiện dự báo “Doanh thu bán hàng và cung cấp

dịch vụ của Công ty cổ phần Sữa Việt Nam Vinamilk từ quý I năm 2019 đến quý IV năm 2020 dưới tác động của Chỉ số giá tiêu dùng CPI bằng mô hình VAR” dựa trên dữ

liệu thu thập được từ quý IV năm 2005 đến quý IV năm 2018.

1

DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

1 Dữ liệu

Số liệu phục vụ cho đề tài được tổng hợp từ các Báo cáo Tài chính tại website của

công ty cổ phần sữa Vinamilk www.vinamilk.com.vn và tại website của Tổng cục thống

kê www.gso.gvo.vn Cụ thể, số liệu được thu thập là doanh thu của công ty sữa Vinamilk

(REVENUE) và chỉ số giá tiêu dùng (CPI) theo quý từ quý IV năm 2005 đến quý IV năm

2018 gồm 53 quan sát

2 Phương pháp nghiên cứu

Mô hình VAR là mô hình vectơ các biến số tự hồi quy Mỗi biến số phụ thuộc tuyếntính vào các giá trị trễ của biến số này và giá trị trễ của các biến số khác

Mô hình VAR dạng tổng quát:

Mô hình này được gọi là mô hình VAR bậc p, ký hiệu VAR(p)

Ví dụ: Khi dự báo cho 2 hoặc nhiều hơn các chuỗi như GDP và M2, inf và M2 hay GDP, M2, tỷ giá, inf,…, ta dùng mô hình VAR Ví dụ biểu diễn mô hình VAR(1):

+ 2nd difference: sai phân bậc 2.

Kết quả cho ra nếu p-value nhỏ thì chuỗi là dừng, nếu chuỗi gốc chưa phải là chuỗidừng, kiểm định tiếp cho sai phân bậc 1 và bậc 2 Khi ước lượng VAR nên để các chuỗidừng ở cùng một bậc

3.2 Tìm độ trễ và ước lượng mô hình

Để ước lượng mô hình VAR, việc xác định độ trễ là hết sức kỹ lưỡng Nếu độ trễquá lớn dẫn đến các tham số cần ước lượng nhiều, khi đó đòi hỏi kích thước mẫu phảiđảm bảo đủ lớn Nếu độ trễ quá nhỏ có thể mô hình sẽ bỏ sót những biến có ý nghĩa Vìvậy khi xây dựng mô hình VAR ta cần xác định độ trễ tốt nhất

Độ trễ tối ưu được lựa chọn dựa trên các tiêu chuẩn thông tin Akaike (AIC), tiêu chuẩnthông tin Schwarz (SC) và tiêu chuẩn thông tin Hannan Qiunn (HQ) Độ trễ nào làm cho cácthống kê nói trên nhận giá trị nhỏ nhất thì được xem là độ trễ tối ưu của mô hình

Trước tiên, ta bôi đen hai chuỗi, sau đó vào Open → as Var

Từ kết quả VAR → chọn View → Lag Structure → Lag Length Criteria → Hộpthoại Lag Specification xuất hiện: chọn độ trễ trong Lags to indude → OK → Bảng kếtquả hiện lên → Chọn độ trễ tối ưu Ở chỉ số nào độ trễ tốt nhất sẽ được gắn dấu (*).Khi chọn độ trễ tối ưu xong ta vào thanh Estimate tại ô Lag Intervals forEndogenous điều chỉnh lại độ trễ tối ưu → OK

Để kiểm tra xem mô hình VAR có ổn định hay không, ta vào View → Lag Structure →

AR Roots Graph Nếu các điểm nằm trong đường tròn đơn vị thì mô hình ổn định

Với kiểm định nhiễu trắng, ta vào View → Residual Tests → Correlograms… vàchọn Lags: 12 Nhìn trên giản đồ nếu nhiễu không có tự tương quan (nằm trong đườngbiên) ở ít nhất 12 độ trễ liên tiếp thì vượt qua kiểm định này

Tiếp theo là kiểm định nhân quả Granger Kiểm định nhân quả Granger được sử dụngtrong nghiên cứu nhằm trả lời câu hỏi đơn giản là có hay không sự thay đổi của X xảy ra bởi

Y và ngược lại Trong mô hình VAR, mỗi một tập hợp các biến được hồi quy dựa trên giá trịquá khứ của bản thân nó và giá trị của các biến khác Mối quan hệ của các biến được gắn kếtvới nhau, bởi vì khi đưa vào độ trễ của các biến trong mỗi phương trình cũng như

3

sự mở rộng tương quan trong số các “nhiễu trắng” của các phương trình khác nhau Đểkiểm định nhân quả Granger, ta làm như sau:

View → Lag Structure → Granger Causality/ Block Exogeneity Tests Sau đó kiểmtra xem các biến có quan hệ nhân quả với nhau hay không dựa vào giá trị P-value

Để xem xét ta có nên bỏ độ trễ nào hay không, ta vào View → Lag Structure → LagExclusion Tests Nếu p-value nào nhỏ thì ta giữ lại độ trễ đó

Mô hình VAR đã ghi dấu ấn trong lý thuyết kinh tế, đưa ra một cơ sở thuận lợi vàhữu ích đối với việc phân tích chính sách Hàm phản ứng (IRF) xem ảnh hưởng của bất kìbiến nào đến các biến khác trong hệ thống Đó là một công cụ hiệu quả trong phân tíchnguyên nhân bằng thực nghiệm và phân tích hiệu quả chính sách Đây là một quan điểmquan trọng liên quan đến IRF và VAR

Trong mô hình VAR, một cú sốc đối với biến i – yếu tố ngẫu nhiên ở phương trìnhbiến đổi với biến i – không chỉ ảnh hưởng đến biến i mà còn lan truyền đến biến nội sinhkhác thông qua cấu trúc của VAR Hàm phản ứng mô tả ảnh hưởng của một cú sốc ở mộtthời điểm đến các biến nội sinh ở hiện tại và tương lai

Để thấy hàm phản ứng, ta thực hiện như sau:

Impulse → Chọn kì trong ô Periods ở thẻ Display và chọn phương pháp trong thẻImpulse Definition

Từ hình vẽ, ta sẽ đọc được các cú sốc tác động sẽ kéo dài trong bao nhiêu kì, cácbiến phản ứng nhanh hay chậm đối với các cú sốc Từ đó giúp các nhà hoạch định đưa racác chính sách phù hợp nhất

Trong trường hợp các biến có mối quan hệ Granger, ta thực hiện như sau: Proc →Make Model → Solve Sau đó thực hiện dự báo cho ngoài mẫu

Nếu các biến có mối quan hệ nội sinh – ngoại sinh, ta phải tiến hành xây dung kịchbản để dự báo Và trong trường hợp không có cả hai mối quan hệ trên, ta phải xây dựnglại mô hình

KẾT QUẢ DỰ BÁO VÀ PHÂN TÍCH

Trong bài nghiên cứu này sẽ sử dụng mô hình Var cho hai chuỗi là CPI và Revenue.Tuy nhiên, để ra được kết quả dự báo tốt nhất thì nhóm tiến hành tạo log cho hai chuỗinày theo hai lệnh:

genr lncpi = log(cpi) genr lnrevenue = log(revenue)

Sau khi đã tạo được chuỗi mới thì sẽ tiếp tục thực hiện các bước dự báo như trongphần quy trình dự báo

Augmented Dickey-Fuller test statistic

5% level10% level

*MacKinnon (1996) one-sided p-values

1 Kiểm tra tính dừng

Chuỗi số liệu sử dụng trong mô hình VAR được giả định là chuỗi dừng, vì vậy để dự

báo doanh thu bán hàng và cung cấp dịch vụ của Công ty cổ phần Sữa Việt NamVinamilk từ quý I năm 2019 đến quý IV năm 2020 bằng mô hình này ta cần phải xem xétkiểm định tính dừng của chuỗi dữ liệu nghiên cứu Trước tiên, dựa vào việc quan sát đồthị của chuỗi số liệu, sau đó tiến hành kiểm tra tính chất này thông qua kiểm định phổbiến: kiểm định nghiệm đơn vị (unit root test)

Chuỗi LNREVENUE

Bảng 1 Kiểm định tính dừng của chuỗi LNREVENUE

Null Hypothesis: D(REVENUE,2) has a unit rootExogenous: Constant

Lag Length: 3 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

-9.692279 0.0000

-3.577723-2.925169-2.600658

Theo kết quả của bảng 1 đã cho thấy, chuỗi LNREVENUE dừng ở sai phân bậc 2 (Do p-value = 0.0000 < 0.05 hay 5%)

Do chuỗi LNREVENUE dừng ở sai phân bậc 2 nên nhóm nghiên cứu sẽ kiểm định tính dừng của chuỗi LNCPI ở sai phân bậc 2

5

Chuỗi LNCPI

Bảng 2 Kiểm định tính dừng của chuỗi LNCPI

Null Hypothesis: D(LNCPI,2) has a unit rootExogenous: Constant

Lag Length: 3 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

-6.334397 0.0000

-3.577723-2.925169-2.600658

Theo kết quả của bảng 2 đã cho thấy, chuỗi LNCPI cũng dừng ở sai phân bậc 2 (Do value = 0.0000 < 0.05 hay 5%)

p- Từ hai kết quả nêu trên, ta sẽ tiến hành lựa chọn sai phân bậc 2 cho cả hai chuỗi LNCPI và LNREVENUE

2 Tìm p và ước lượng mô hình

Sau khi lựa chọn được sai phân bậc 2 cho cả hai chuỗi, nhóm nghiên cứu sẽ xác định

độ trễ cho mô hình thông qua thao tác Lag structure với Lag length = 12, nhóm được kết quả sau:

Bảng 3 Tìm độ trễ phù hợp cho mô hình

VAR Lag Order Selection Criteria

Endogenous variables: D(LNCPI,2), D(LNREVENUE,2)

Augmented Dickey-Fuller test statistic

Test critical values: 1% level

5% level10% level

*MacKinnon (1996) one-sided p-values

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)

FPE: Final prediction error

AIC: Akaike information criterion

SC: Schwarz information criterion

HQ: Hannan-Quinn information criterion

Từ bảng 3, nhóm nghiên cứu nhận thấy rằng, các độ trễ 4, 9,11, 12 là các độ trễ hiệuquả nhất Tuy nhiên, trong bài nghiên cứu này, nhóm sẽ lựa chọn độ trễ tiêu biểu trongkhoảng từ 1 đến 9 và cho ra kết quả như sau:

Bảng 4 Ước lượng mô hình VAR

Vector Autoregression Estimates

Sample (adjusted): 2008Q3 2018Q4

Included observations: 42 after adjustments

Standard errors in ( ) & t-statistics in [ ]

D(LNCPI,2) D(LNREVENUE,2)D(LNCPI(-1),2) -0.252681 -0.013029

(0.15908) (0.41977)[-1.58836] [-0.03104]

D(LNCPI(-2),2) -0.105185 0.150598

(0.13920) (0.36731)[-0.75563] [ 0.41000]

D(LNCPI(-3),2) -0.240750 -0.648561

7

(0.12949) (0.34168)[-1.85926] [-1.89815]D(LNCPI(-4),2) -0.714533 0.158135

(0.13831) (0.36497)[-5.16607] [ 0.43328]D(LNCPI(-5),2) -0.437168 -0.293633

(0.16149) (0.42612)[-2.70717] [-0.68909]D(LNCPI(-6),2) -0.074416 -0.347259

(0.13690) (0.36123)[-0.54359] [-0.96131]D(LNCPI(-7),2) -0.223183 -0.425819

(0.13479) (0.35569)[-1.65573] [-1.19718]D(LNCPI(-8),2) -0.469018 0.593128

(0.13261) (0.34991)[-3.53688] [ 1.69506]D(LNCPI(-9),2) -0.438621 0.482639

(0.15143) (0.39959)[-2.89649] [ 1.20784]D(LNREVENUE(-1),2) 0.073076 -1.471149

(0.06527) (0.17222)[ 1.11965] [-8.54228]D(LNREVENUE(-2),2) 0.042472 -1.273812

(0.10819) (0.28550)[ 0.39255] [-4.46175]

D(LNREVENUE(-3),2) -0.026678 -0.887873

(0.12822) (0.33833)[-0.20807] [-2.62427]D(LNREVENUE(-4),2) -0.164779 0.089006

(0.13430) (0.35438)[-1.22696] [ 0.25116]

D(LNREVENUE(-5),2) -0.092688 0.604442

(0.12924) (0.34103)[-0.71718] [ 1.77242]

D(LNREVENUE(-6),2) 0.004533 0.653295

(0.11627) (0.30679)[ 0.03899] [ 2.12945]

D(LNREVENUE(-7),2) 0.050781 0.409093

(0.08869) (0.23402)[ 0.57258] [ 1.74808]

D(LNREVENUE(-8),2) 0.147509 0.393731

(0.06201) (0.16362)[ 2.37895] [ 2.40643]

D(LNREVENUE(-9),2) 0.037838 0.293643

(0.03802) (0.10033)[ 0.99514] [ 2.92674]

(0.00297) (0.00784)[-0.51183] [-0.41217]

Theo bảng 4, d(LNCPI,2) có ý nghĩa ở bậc 4 (do t = -5.16607 < -1.96);d(LNREVENUE,2) có ý nghĩa ở bậc 6 (do t = 2.12945 > 1.96) Do đó, có thể khẳng địnhrằng: Mô hình này là hoàn toàn có ý nghĩa

9

3 Kiểm định mô hình

Hình 1 Kiểm định tính ổn định và khả nghịch của mô hình

Từ hình 1 có thể nhận thấy, mô hình VAR này luôn ổn định do tất cả các điểm đều nằm trong vòng tròn đơn vị (có giá trị nằm trong đoạn (-1,1))

3.2 Kiểm định nhiễu trắng

Sau khi kiểm định được tính ổn định của Var, nhóm tiến hành kiểm định nhiễutrắng thông qua thao tác Autocorrelation LM Test, thu được kết quả sau:

Bảng 5 Kiểm định nhiễu trắng của mô hình

VAR Residual Serial Correlation LM TestsSample: 2005Q4 2020Q4

Included observations: 42Null hypothesis: No serial correlation at lag hLag LRE* stat df Prob Rao F-stat df Prob

Kiểm định Granger được sử dụng để kiểm tra mối quan hệ qua lại giữa chỉ sốLNREVENUE và chỉ số LNCPI Kết quả kiểm định mối quan hệ nhân quả Granger đượcthể hiện trong bảng 6:

Bảng 6 Kiểm định mối quan hệ nhân quả Granger

VAR Granger Causality/Block Exogeneity Wald TestsSample: 2005Q4 2018Q4

Included observations: 42Dependent variable: D(LNCPI,2)

D(LNREVENUE,2) 19.76639 9 0.0194

Dependent variable: D(LNREVENUE,2)

D(LNCPI,2) 15.29817 9 0.0831

- Chỉ số LNREVENUE tác động lên LNCPI có ý nghĩa thống kê (P-value = 0.0194)

- Chỉ số LNCPI cũng tác động lên LNREVENUE (P-value = 0.0831)

Hay nói cách khác, hai biến LNCPI và LNREVENUE có mối quan hệ Granger ở mức

ý nghĩa 10% Nhóm nghiên cứu có thể dự báo mô hình mà không cần xây dựng kịch bản cho các biến

11

- Đường phản ứng của LNREVENUE khi có cú sốc từ LNCPI sẽ hội tụ sau 58 kì

- Đường phản ứng của LNCPI khi có cú sốc từ LNREVENUE sẽ hội tụ sau 37 kì

- Đường phản ứng của LNCPI khi có cú sốc từ LNREVENUE sẽ hội tụ sau 48 kìNhóm nghiên cứu nhận thấy cả hai biến đều phản ứng chậm với các cú sốc, cũng như là sự thay đổi của các chính sách

5 Dự báo

5.1 Dự báo ngoài mẫu

Từ thẻ Proc trên cửa số Estimate, chọn lệnh Make Model và sau đó chọn hộp thoạiSolve, nhóm nghiên cứu thu được kết quả dự báo cho thời kì 2019Q1 – 2020Q4 thể hiện

ở bảng 7:

Bảng 7 Kết quả dự báo ngoài mẫu

Bảng 7 trên mới chỉ thể hiện dự báo cho hai biến LNREVENUE và LNCPI cho thời

kỳ 2019Q1 – 2020Q4 nhưng chưa phải là dự báo cho chuỗi gốc ban đầu

Bảng 8 Chuỗi mới sau khi dự báo

2007Q4 110.6600 1886026.2008Q1 116.3900 1840528.2008Q2 124.4700 2107667.2008Q3 127.7500 2170198.2008Q4 123.6100 2291731.2009Q1 114.5000 2109616.2009Q2 106.2500 2728190.2009Q3 102.5700 3061074.2009Q4 104.6200 2928997.2010Q1 108.5100 3304641.2010Q2 108.9900 4084308.2010Q3 108.4300 4522303.2010Q4 113.5000 4233552.2011Q1 112.7900 4629443.2011Q2 119.1000 5537945.2011Q3 122.5300 5812690.2011Q4 119.8500 6090478.2012Q1 115.9500 5984554.2012Q2 108.5900 7151522.2012Q3 105.6200 6761166.2012Q4 105.5700 7204441.2013Q1 106.9100 6817400.2013Q2 106.5500 8234419.2013Q3 106.8800 8190580.2013Q4 105.9100 8343608.2014Q1 104.8300 7722266.2014Q2 104.7200 9439872.2014Q3 104.2900 8926520.2014Q4 102.5600 9493406.2015Q1 100.7400 8771338.2015Q2 100.9800 10520024