Có thể thấy được tầm quan trọng của ngành than và việc phát triển ngành công nghiệp khai thác và thu gom than ổn định là tiền đề để phát triển các ngành công nghiệp khác.. Chỉ số sản xuấ
Trang 11 Giới thiệu
Việt Nam là một trong những quốc gia được thiên nhiên ưu đãi có trữ lượng than lớn
và chất lượng tương đối tốt Than được coi là nguồn năng lượng truyền thống và cơ bản, phục vụ cho sản xuất và tiêu dùng trong nước Than là nguyên liệu chính cho hầu hết các ngành công nghiệp quan trọng có ý nghĩa to lớn đối với nền kinh tế quốc dân như ngành công nghiệp điện, sản xuất xi măng, luyện kim, xây dựng, công nghiệp vật liệu, hóa chất, sản xuất phân bón hóa học Ngành công nghiệp khai thác than của nước ta đã có lịch sử hơn 100 năm phát triển, và ngày nay đã được đầu tư hơn về vốn và kỹ thuật mang lại hiệu quả kinh tế lớn, đóng góp đáng kể vào GDP cả nước Có thể thấy được tầm quan trọng của ngành than và việc phát triển ngành công nghiệp khai thác và thu gom than ổn định là tiền
đề để phát triển các ngành công nghiệp khác
Chỉ số sản xuất công nghiệp hàng tháng (gọi tắt là IIP) do Tổng cục Thống kê công
bố được tính toán trên sự biến động của khối lượng sản xuất bao gồm 4 ngành: khai khoáng; công nghiệp chế biến, chế tạo; sản xuất và phân phối điện, khí đốt, nước nóng và điều hoà không khí; cung cấp nước, hoạt động quản lý và xử lý rác thải, nước thải
Nhận thấy tầm quan trọng và vai trò to lớn của ngành khai thác và thu gom than đối
với nền kinh tế nước ta, nhóm chúng em đã quyết định chọn đề tài “Dự báo chỉ số sản xuất công nghiệp ngành khai thác và thu gom than của Việt Nam giai đoạn 2018-2019 sử dụng mô hình ARIMA”.
2 Phương pháp nghiên cứu
2.1 Dữ liệu
Số liệu về chỉ số sản xuất công nghiệp than cứng dùng cho đề tài được tổng hợp từ các báo cáo của Tổng cục thống kê www.gso.gov.vn Số liệu được thu thập theo tháng từ tháng 1/2013 đến tháng 12/2017 bao gồm 60 quan sát Chỉ số sản xuất than cứng ở các
Trang 22.2 Phương pháp nghiên cứu
Mô hình tích hợp trung bình trượt tự hồi quy (mô hình ARIMA) được tích hợp từ 3 quá trình: Tự hồi quy (AR) đối với các số liệu kinh tế - xã hội, trung bình trượt (MA) đối với phần sai số của số liệu (hay phần nhiễu ngẫu nhiên) và quá trình tích hợp hay sai phân (I) nhằm biến đổi chuỗi không dừng thành chuỗi dừng trước khi thực hiện các thao tác phân tích và dự báo khác Bản chất của mô hình ARIMA là dự báo giá trị tương lai của một biến số (biểu thị theo chuỗi thời gian) dựa trên giá trị quá khứ và các sai số ngẫu nhiên Do đó mô hình ARIMA thích hợp cho dự báo ngắn hạn
Mô hình ARIMA(p,d,q) có dạng:
Y t = + Y t-1 + Y t-2 +……+ p Y t-p +u t + u 1 + u 2 + + u t-q
Một đặc điểm rất quan trọng của các dữ liệu chuỗi thời gian về kinh tế - xã hội là có yếu tố mùa vụ cao, chẳng hạn thực tiễn nền kinh tế nước ta cho thấy GDP thường tăng cao vào những tháng cuối năm, tăng chậm vào những tháng đầu năm, Do đó để dự báo bằng
mô hình ARIMA cho chuỗi có yếu tố mùa vụ, ta có 2 cách làm như sau:
Cách 1: tách yếu tố mùa vụ ra khỏi chuỗi ban đầu thành chuỗi mới YSA rồi dự báo
cho chuỗi YSA , sau đó cộng hoặc nhân yếu tố mùa vụ lại tùy vào mô hình là nhân hay cộng
Cách 2: sử dụng mô hình SARIMA để ước lượng
Ở đây, nhóm chọn cách 1 để dự báo chỉ số sản xuất công nghiệp ngành khai thác và thu gom than của Việt Nam.
Trang 3cần tách yếu tố mùa vụ ra khỏi mô hình trước khi ước lượng bằng phương pháp trung bình động (MA) Nếu mô hình có yếu tố xu thế thì cần tạo biến xu thế và thêm vào mô hình ước lượng
Nhận dạng mô hình ARIMA(p,d,q) phù hợp cho chuỗi dữ liệu được khảo sát, với d
là bậc sai phân của chuỗi dữ liệu, p là bậc tự hồi quy và q là bậc trung bình trượt Trong
đó, giá trị của p được các định dựa vào giản đồ tương quan riêng (PACF) và giá trị của q được xác định dựa vào giản đồ tương quan (ACF)
2.3.2 Ước lượng tham số
Tiến hành ước lượng tham số cho mô hình có khả năng phù hợp đã được nhận dạng
2.3.3 Kiểm tra mô hình
Sau khi mô hình vượt qua được kiểm định bỏ sót biến, dựa vào giá trị sai số của mô hình để kiểm tra nhiễu trắng Nếu phần dư không có hiện tượng tự tương quan ở 12 bậc liên tiếp thì nhiễu được coi là nhiễu trắng Trường hợp mô hình ước lượng không thoả mãn điều kiện nhiễu trắng thì phải thay đổi mô hình và tiến hành lại bước ước lượng và kiểm tra
3 Kết quả nghiên cứu
Để nhận dạng dữ liệu của chuỗi Prod, ta sẽ sử dụng lệnh: Line Prod
Trang 4Hình 1:Nhận dạng dữ liệu
Đồ thị trong hình 1 có biên độ dao động dường như không thay đổi, do đó để tiến hành ước lượng được ta phải sư dụng mô hình cộng tính
Chuỗi số liệu sử dụng trong mô hình ARIMA được giả định là chuỗi dừng, vì vây để
dự báo sản lượng khai thác và thu gom than cứng của Việt Nam bằng mô hình này, trước tiên ta cần phải kiểm định tính dừng của chuỗi dữ liệu nghiên cứu Ta sử dụng kiểm định nghiệm đơn vị “Unit Roots Test”
Trang 5Hình 2:Kết quả kiểm định Unit Roots Test của chuỗi Prod
Theo kết quả có được ở hình 1 cho thấy, chuỗi Prod dừng ở sai phân bậc 1 và không
có yếu tố xu thế (do yếu tố Trend có giá trị p-value =0.3742 lớn hơn mức ý nghĩa alpha =
5%)
Để kiểm tra xem chuỗi Prod có tính mùa vụ hay không ta sử dụng lệnh Graph.
Trang 6Hình 3:Kiểm định tính mùa vụ của chuỗi Prod
Từ kết quả hình 3, ta thấy các đường màu đỏ (Means by Season) của chuỗi có sự
chênh lệch lớn giữa các tháng Do đó chuỗi Prod có chứa yêu tố mùa vụ.
3.4 Nhận dạng mô hình
Sau khi kiểm định được chuỗi Prod dừng ở bậc 1, có yếu tố mùa vụ và không có yếu
tố xu thế, ta tiến hành tách yếu tố mùa vụ ra khỏi chuỗi bằng phương pháp Moving
Average Method với Adjustment Method là Multiplicative và đặt tên Factors mùa vụ là: s Chuỗi mới được tạo ra là Prodsa.
Ta bắt đầu xác định mô hình thông qua thao tác lập mô hình Correlogram, thu được
kết quả sau:
Trang 7Hình 4: Giản đồ tương quan và tương quan riêng PACF và ACF
Khảo sát ACF ở hình 4 cho thấy, 4 và 12 là độ trễ phù hợp Tương tự với khảo sát
của PACF tại độ trễ bằng 1 cũng có ý nghĩa thống kê Sau khi xác định được các giá trị p,
q, ta ước lượng được mô hình theo lệnh:
ls d(prodsa) c ar(1) ma(4) ma(12)
Thu được kết quả:
Trang 8Hình 5: Kết quả chạy mô hình
Ta thấy giá trị Inverted AR Roots = -.35 và Inverted MA Roots=.99, đều thoả mãn
nhỏ hơn 1
Sau khi ước lượng mô hình, ta tiến hành kiểm định xem mô hình có bị thiếu biến
hay không bằng cách sử dụng kiểm định Ramsay Reset Test.
Trang 9Hình 6: Kiểm định Ramsay Reset Test
Giá trị p-value lớn hơn mức ý nghĩa alpha 5%, do đó ta không bác bỏ giả thuyết Ho
➔ mô hình không bị bỏ sót biến
Ta kiểm định nhiễu trắng cho mô hình bằng kiểm định Serial Correlation LM Test với Lags include =12.
Trang 10Hình 7:Kiểm định nhiễu trắng bằng Serial Correlation LM Test
Tất cả các giá trị
nghĩa alpha 5% Do đó
12 độ trễ liên tiếp)
p-value của các độ trễ từ 1 đến 12 đều có giá trị lớn hơn mức ý
mô hình đảm bảo điều kiện nhiễu trắng (không có tự tương quan ở
3.7 Kiểm định phân phối của nhiễu
Ta sử dụng kiểm định Normally Test.
Trang 113.8 Dự Báo
Từ kết quả các kiểm định trên ta có thể kết luận mô hình là thích hợp và có thể sử dụng để dự báo Tuy nhiên trước khi dự báo ngoài mẫu, ta tiến hành cắt một giai đoạn
ngẫu nhiên để kiểm tra độ chính xác của mô hình dự báo Thực hiện với đoạn 2013m01-2013m06, thu được kết quả:
Hình 9: Forecast Prodsaf giai đoạn 2013m01-2013m06
Forecast của chuỗi Prodsa trong giai đoạn 2013m01- 2013m06 có giá trị Mean Abs.
Percent Error = 3.004753 <5 Kết quả dự báo so với giá trị thực tế có chênh lệch không
lớn Do vậy mà sử dụng chuỗi Prodsa trong giai đoạn 2013m01-2017m12 để dự báo ngoài mẫu là đáng tin cậy Ta tiến hành dự báo ngoài mẫu cho chuỗi Prodsa và thu được
kết quả như bảng dưới:
Trang 122018m11 74.28837 2019m11 68.83633
Hình 10: Giá trị dự báo ngoài mẫu của chuỗi Prodsa
Quay lại cửa sổ Command: Genr Prodf=Prodsaf + s , ta thu được kết quả dự báo cho chuỗi Prod giai đoạn 2018m01-2019m12.
Gõ lệnh: Line Prod Prodf – đồ thị thu được cho thấy chuỗi dự báo đã dự báo tốt cho
mô hình
Trang 13Như vậy qua phương pháp dự báo ARIMA ta có thể thấy sản lượng khai thác và thu gom than cứng của Việt Nam trong giai đoạn 2018-2019 sẽ có biến động nhẹ, tuy nhiên sản lượng sẽ ở mức thấp hơn và chỉ dao động trong khoảng từ 61 tới 93 (đơn vị:%) so với năm gốc 2010
4 Kết luận
Bài viết đã nghiên cứu được khả năng ứng dụng mô hình ARIMA vào việc dự báo chỉ số sản xuất than cứng tại Việt Nam cho năm 2018 và năm 2019 Từ kết quả dự báo cho thấy mô hình ARIMA cho kết quả dự báo về chỉ số sản xuất than cứng là đáng tin cậy
Dự kiến các tháng năm 2018 sẽ ở mức từ 63%-97% so với năm gốc là năm 2010 Còn lượng khai thác và thu gom than cứng các tháng năm 2019 được dự báo ở mức từ 62.5%- 87.5% so với năm gốc, mức sản xuất này có xu hướng thấp hơn so với năm 2018
Do việc khai thác than và sử dụng nhiều than sẽ gây ra sự ô nhiễm môi trường, làm biến đổi khí hậu do có khí cacbon dioxit thải ra trong quá trình khai thác và sử dụng, là nguyên nhân cho nhiều bệnh tật nên lượng than khai thác và sử dụng có xu hướng giảm dần, đúng với kết quả dự báo Thay vào đó có thể sử dụng những nguồn năng lượng sạch, thân thiện với môi trường để hạn chế những tác động xấu tới môi trường sống của con người
5 Tài liệu tham khảo
- Nguyễn Quang Dong, Nguyễn Thị Minh, 2015, Giáo trình Kinh tế lượng, NXB
Đại học Kinh tế quốc dân
- Triển vọng Kinh tế tài chính 2018, Chuyên san Kinh tế Tài chính – Ngân hàng ( Số
Trang 14ocs/SubDomain/fb/Chuy%C3%AAn%20san/cs15_mau_web.pdf?fbclid=IwAR1-kH68m_CZsO4c0D-gRw63vGH16OkRmUps72cm6M0PHRJAd6lflPejWyw
- Chỉ số sản xuất công nghiệp của Việt Nam qua các năm – Tổng cục thống kê
www.gso.gov.vn