Các mô hình phân tích số liệu mảng sử dụng với phần mềm stata ứng dụng phân tích số liệu ngành dệt may việt nam trong giai đoạn 2000 2010

Trong luận văn này chúng tôi sử dụng mô hình số liệu mảng áp dụng trong ngành kinh tế Dệt may Việt Nam nhằm nghiên cứu năng suất, ảnh hưởng của lao động, của tài sản đầu tư lên năng suất

PHAN HUY BẰNG

CÁC MÔ HÌNH PHÂN TÍCH SỐ LIỆU MẢNG SỬ DỤNG VỚI PHẦN MỀM STATA -ỨNG DỤNG PHÂN TÍCH SỐ LIỆU NGÀNH DỆT MAY VIỆT NAM TRONG GIAI ĐOẠN

2000-2010

Chuyên ngành: Toán Ứng Dụng

Mã số: 60 46 36

LUẬN VĂN THẠC SĨ

TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒCHÍ MINH

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: Phan Huy Bằng MSHV:12240562

Ngày, tháng, năm sinh: 20/11/1985 Nơi sinh : Nghệ An

Chuyên ngành: Toán ứng dụng Mã số : 60 46 36

I TÊN ĐỀ TÀI:

Các mô hình phân tích số liệu mảng sử dụng với phần mềm STATA - Ứng dụng phân tích

số liệu ngành Dệt may Việt Nam trong giai đoạn 2000 - 2010

II NHIỆM VỤ VÀ NỘI DUNG:

Nhiệm vụ : Tích cực trong nghiên cứu và hoàn thành đúng tiến độ các nội dung nghiên

cứu được giao Chủ động liên hệ với người hướng dẫn khi có vấn đề vướng mắc và báo cáo các nội dung nghiên cứu kịp thời

Nội dung : Tổng quan về ngành dệt may, tổng quan về các nghiên cứu về năng suất các

yếu tố tổng hợp (TFP) ; Nghiên cứu tổng hợp các mô hình lý thuyết về số liệu mảng

Xử lí số liệu và tính toán TFP theo phương pháp bán tham số Tìm hiểu về phần mềm Stata và thực hiện chạy các mô hình về số liệu mảng trên phần mềm Stata Viết báo cáo theo từng phần nghiên cứu và báo cáo tổng hợp thành luận văn thạc sĩ

III NGÀY GIAO NHIỆM VỤ : Ngày 20 tháng 01 năm 2014

IV NGÀY HOÀN THÀNH NHIỆM VỤ: Ngày 20 tháng 06 năm 2014

V CÁN BỘ HƯỚNG DẪN : PGS TS Phạm Hoàng Quân

Tp HCM, ngày 16 tháng 06 năm 2014

CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

PGS TS Phạm Hoàng Quân PGS TS Nguyễn Đình Huy

TRƯỞNG KHOA

trong bộ môn Toán ứng dụng, khoa Khoa học Ứng dụng, Đại học Bách khoa Thành phố Hồ Chí Minh

Tôi xin chân thành cám ơn PGS TS Phạm Hoàng Quân - thầy hướng dẫn tôi thực hiện luận văn này Thầy đã nhiệt tình hướng dẫn, trợ giúp và động viên tôi rất nhiều trong suốt quá trình thực hiện luận văn Tôi đã học hỏi được rất nhiều từ kiến thức cho đến phương pháp nghiên cứu cũng như sự nhiệt tâm của người thầy với học trò Ngoài ra, tôi cũng chân thành cảm ơn NCS Phan Tất Hiển đã giúp đỡ tôi rất nhiều trong quá trình thực hiện luận văn

Tôi xin cảm ơn tất cả bạn bè và người thân đã giúp đỡ để tôi có được ngày hôm nay

Thành phố Hồ Chí Minh ngày 15 tháng 06 năm 2014

Phan Huy Bằng

mô hình kinh tế lượng bởi tính ưu việt của nó Các mô hình số liệu mảng như mô hình tác động ngẫu nhiên, mô hình tác động cố định, mô hình OLS gộp,… đã được

áp dụng trong nhiều mô hình kinh tế Trong luận văn này chúng tôi sử dụng mô hình số liệu mảng áp dụng trong ngành kinh tế Dệt may Việt Nam nhằm nghiên cứu năng suất, ảnh hưởng của lao động, của tài sản đầu tư lên năng suất và năng suất các nhân tố tổng hợp của ngành

ABSTRACT

Panel data models are increasingly widely used in studies of econometric model by its advantages The panel data models such as random effects model, fixed effects model, pooled OLS model, …have been applied in many economic models In this thesis we use panel data models applied economics Textile Vietnam

to research productivity, impact of labor and investement of assets on productivity and total factor productivity of the sector

hiện Nếu có bất cứ sự sao chép bất hợp pháp nào, tôi xin chịu toàn bộ trách nhiệm

LỜI CẢM ƠN i

TÓM TẮT LUẬN VĂN ii

LỜI CAM ĐOAN CỦA TÁC GIẢ iii

MỤC LỤC iv

DANH MỤC HÌNH ẢNH VÀ BẢNG BIỂU v

DANH MỤC TỪ VIẾT TẮT, KÝ HIỆU vi

CHƯƠNG 1 TỔNG QUAN 1

1.1 Tổng quan về số liệu mảng 1

1.1.1 Định nghĩa 1

1.1.2 Các đặc trưng của số liệu mảng 1

1.1.3 Các nghiên cứu đã thực hiện với số liệu mảng ở trong nước và thế giới 2

1.2 Tổng quan về các mô hình phân tích số liệu mảng 5

1.2.1 Mô hình tác động ngẫu nhiên 6

1.2.2 Mô hình tác động cố định 10

1.2.3 Một số mô hình khác 13

1.3 Câu lệnh trong phần mềm Stata 14

1.3.1 Giới thiệu phần mềm Stata 14

1.3.2 Câu lệnh sử dụng các mô hình để phân tích số liệu mảng trong phần mềm Stata 17

CHƯƠNG 2 THỰC TRẠNG 19

2.1 Thực trạng nghiên cứu Năng suất tổng hợp ở Việt Nam và thế giới 19

2.1.1 Giới thiệu 19

2.1.2 Tổng quan về TFP 23

2.1.3 Mô hình ước lượng năng suất 25

2.2 Thực trạng ngành dệt may ở Việt Nam trong giai đoạn 2000-2010 30

2.2.1 Khái quát về nghành dệt may Việt Nam 30

3.1 Cách tính năng suất tổng hợp theo phương pháp bán tham số 48

3.1.1 Câu lệnh ước lượng năng suất trong Stata 48

3.1.2 Các tùy chọn 48

3.1.3 Kết quả chạy ước lượng 49

3.2 Mô hình tác động cố định 51

3.2.1 Phương pháp ước lượng nội bộ 51

3.2.2 Phương pháp ước lượng sử dụng biến giả 53

3.3 Mô hình tác động ngẫu nhiên 55

3.3.1 Phương pháp ước lượng tác động ngẫu nhiên GLS 55

3.3.2 Phương pháp ước lượng phương sai mạnh cho mô hình tác động ngẫu nhiên 56

KẾT LUẬN 59

TÀI LIỆU THAM KHẢO 60

PHẦN PHỤ LỤC 62

Phụ lục 1: Kiểm định Hausman 62

Phụ lục 2: Kiểm định nhân tử Lagrange của Breusch-Pagan 63

Phụ lục 3: Code chạy chương trình ước lượng 65

Phụ lục 4: Code chạy ước lượng levpet 67

Phụ lục 5: Code chạy ước lượng ngẫu nhiên trong Levpet 68

Hình 2.1 Tình hình xuất khẩu dệt may giai đoạn 2000-2010 34

Hình 2.2 Cơ cấu thị trường xuất khẩu hàng dệt may Việt Nam năm 2008 35

Hình 2.3 Doanh thu ngành dệt may trong giai đoạn 2000-2010 35

Hình 2.4 Thu nhập bình quân giai đoạn 2000-2010 44

Bảng 1.1 Câu lệnh phân tích số liệu mảng trong Stata 17

Bảng 2.1 Tình hình cung cấp các sản phẩm phụ liệu dệt may trong nước 31

Bảng 2.2 Hóa chất sử dụng trong ngành dệt may 31

Bảng 2.3 Vốn đầu tư toàn ngành dệt may Việt Nam giai đoạn 2006-2010 33

Bảng 2.4 Kim ngạch xuất khẩu hàng dệt may 2004-2010 33

Bảng 2.5 Cơ cấu doanh nghiệp dệt may theo vùng lãnh thổ năm 2009 36

Bảng 2.6 Số liệu nhập khẩu bông xơ sợi của Việt Nam trong những năm qua 37

Bảng 2.7 Nhập khẩu vải và nguyên phụ liệu dệt may 39

Bảng 2.8 Kim ngạch xuất khẩu hàng dệt may Việt Nam theo mặt hàng 2009 40

Bảng 2.9 Trình độ cán bộ trong các doanh nghiệp dệt may phân theo địa phương 42 Bảng 2.10 Tăng giảm lao động theo loại hình doanh nghiệp dệt may 2004 45

Bảng 3.1 Bảng mã nghành tương ứng 46

Bảng 3.2 Bảng thống kê các biến trong chương trình Stata 46

Bảng 3.3 Cách tính năng suất tổng hợp sử dụng Levpet 49

Bảng 3.4 Kết quả chạy mô hình tác động ngẫu nhiên sử dụng Levpet 50

Bảng 3.5 Ước lượng nội bộ trong mô hình tác động cố định 51

Bảng 3.6 Ước lượng sử dụng biến giả 53

Bảng 3.7 Ước lượng tác động ngẫu nhiên GLS 55

Bảng 3.8 Ước lượng phương sai mạnh cho mô hình tác động ngẫu nhiên 57

Bảng 3.9 Kiểm định Hausman lựa chọn mô hình tác động cố định 58

Bảng PL1 Kiểm định Hausman lựa chọn mô hình 62

Bảng PL2 Kiểm định nhân tử Lagrange 64

Bảng PL3 Các tính chất của mô hình ước lượng số liệu mảng 65

OLS: Ordinary Least Squared – ình phương nhỏ nhất cổ điển

POLS: Pooled Ordinary Least Squared – ình phương nhỏ nhất cổ điển gộp GLS: General Least Squared – ình phương nhỏ nhất tổng quát

GMM: General Method of Moments – Phương pháp mô men tổng quát RE: Random Effect – tác động ngẫu nhiên

: ixed ffect – tác động cố định

W: within – từng cá nhân

: irst – ifferences – sai phân cấp một

TFP: Total Factor Productivity – Năng suất các nhân tố tổng hợp

Trong luận văn này, các ký hiệu về véc tơ và ma trận được sử dụng rộng rãi

để mô tả các mô hình kinh tế lượng cũng như các kết quả ước lượng

Véc tơ được định nghĩa là véc tơ cột và được ký hiệu bằng chữ thường in đậm Ví dụ, với hồi qui tuyến tính, véc tơ biến giải thích x là véc tơ cột K 1 với thành phần thứ j là x j và véc tơ tham số  là một véc tơ cột K 1 với thành phần thứ j là j, cho nên

1

CHƯƠNG 1 TỔNG QUAN 1.1 Tổng quan về số liệu mảng

1.1.1 Định nghĩa

Trong phân tích kinh tế lượng thì số liệu là phần quan trọng không thể thiếu

được, các loại số liệu đó là số liệu theo chuỗi thời gian, số liệu chéo theo không

gian, và số liệu mảng (hay bảng) Trong số liệu theo chuỗi thời gian ta quan sát giá

trị của một hay nhiều biến trong một khoảng thời gian (ví dụ như G P trong một

vài quý hay vài năm) Trong số liệu chéo theo không gian , giá trị của một hay

nhiều biến được thu thập cho một vài đơn vị mẫu hay thực thể, vào cùng một thời

điểm (ví dụ như tỉ lệ tội phạm của 54 tỉnh thành phố trong cả nước trong một năm

nhất định) Trong số liệu mảng, đơn vị chéo theo không gian (ví dụ như hộ gia đình,

cá thể, doanh nghiệp, tiểu bang,…) được khảo sát theo thời gian Hay nói cách khác

số liệu mảng có cả bình diện không gian và thời gian

1.1.2 Các đặc trưng của số liệu mảng

Các đặc trưng hay ưu điểm của số liệu mảng so với số liệu chéo theo không

gian được Baltagi[2]

liệt kê như sau:

a Số liệu mảng liên quan tới các cá nhân, doanh nghiệp, tiểu bang, đất

nước,…nên nhất định phải có tính dị biệt (không đồng nhất) trong các đơn vị này

Kỹ thuật ước lượng số liệu mảng có thể chính thức xem xét đến các dị biệt đó bằng

cách xem xét các biến số có tính đặc thù theo từng cá nhân

b Thông qua kết hợp giữa các chuỗi theo thời gian của các quan sát không

gian, số liệu mảng cung cấp những số liệu có nhiều thông tin hơn, đa dạng hơn, ít

cộng tuyến hơn giữa các biến số, nhiều bậc tự do hơn và ước lượng chính xác hơn

c Thông qua nghiên cứu các quan sát theo không gian lặp lại, số liệu mảng phù hợp hơn để nghiên cứu tính động của thay đổi Tình trạng thất nghiệp, luân chuyển công việc và lưu chuyển lao động sẽ nghiên cứu tốt hơn với số liệu mảng

d Số liệu mảng có thể quan sát và đo lường tốt hơn những ảnh hưởng mà không thể quan sát trong số liệu chuỗi thời gian thuần túy hay số liệu chéo không gian thuần túy Ví dụ như ảnh hưởng của sự sáng dạ của người lao động tới năng suất lao động

e Số liệu mảng cho phép ta nghiên cứu những mô hình hay hành vi phức tạp hơn Ví dụ, các hiện tượng như lợi thế kinh tế theo quy mô và thay đổi kỹ thuật có thể xem xét thông qua số liệu mảng tốt hơn số liệu chéo theo thời gian và không gian thuần túy

f Bằng cách thu thập những số liệu có sẵn cho vài nghìn đơn vị, số liệu mảng

có thể tối thiểu hóa những sai lệch có thể xảy ra nếu ta tổng hợp cá nhân hay các doanh nghiệp thành số liệu tổng hợp

1.1.3 Các nghiên cứu đã thực hiện với số liệu mảng ở trong nước và thế giới

1.1.3.1 Trong nước

Quá trình hội nhập và phát triển đang làm cho nền kinh tế Việt Nam ngày càng tuân theo các quy luật kinh tế Sự vận động của quy luật này ẩn dấu sau các hiện tượng kinh tế chính là điều kiện nền tảng cho việc áp dụng các mô hình kinh tế lượng trong việc đưa ra các quyết định một cách khoa học và phù hợp với xu hướng phát triển Ngày nay, việc sử dụng các mô hình kinh tế lượng hiện đại trong phân tích – dự báo đã trở thành nhu cầu thực tế tất yếu của các cơ quan nghiên cứu hoạch định chính sách cũng như các doanh nghiệp lớn Đối với các nước đang phát triển trong đó có Việt Nam thì số liệu là vấn đề khá nghiêm trọng đối với các nhà phân tích Thông thường chúng ta không có số liệu quá dài trong quá khứ để có thể đủ số quan sát, đảm bảo độ tin cậy của suy diễn thống kê trong bài toán phân tích động

Kể cả khi có số liệu đủ dài thì việc sử dụng các mô hình theo chuỗi thời gian thường phải thận trọng do cấu trúc nền kinh tế thay đổi khá nhanh Tuy nhiên số liệu mảng, chúng ta không cần đến một lượng thời gian quá dài, do đó vẫn đảm bảo được tính

ổn định về cấu trúc đồng thời vẫn đảm bảo một số quan sát đủ lớn Chính những ưu việt này của số liệu mảng mà trong nước cũng đã có nhiều nghiên cứu về nó

Cuộc khảo sát mức sống hộ gia đình năm 2002 áp dụng hai loại phiếu phỏng vấn: Phiếu phỏng vấn hộ gia đình và Phiếu phỏng vấn xã/phường Phiếu phỏng vấn

hộ gia đình gồm hai loại: Phiếu phỏng vấn thu nhập và chi tiêu (áp dụng cho mẫu 30.000 hộ) bao gồm tất cả các thông tin của nội dung điều tra và Phiếu phỏng vấn thu nhập (áp dụng cho mẫu 45.000 hộ) gồm các thông tin của nội dung điều tra trừ phần chi tiêu chi tiết của hộ Khảo sát mức sống hộ gia đình 2002 bao gồm những nội dung chủ yếu phản ánh mức sống của người dân trong các hộ gia đình và những điều kiện kinh tế xã hội cơ bản của xã/phường có tác động đến mức sống của người dân nơi họ sinh sống Đối tượng điều tra gồm các hộ gia đình, các thành viên hộ gia đình và các xã/phường Đơn vị điều tra gồm từng hộ gia đình và từng xã/phường được chọn điều tra Phạm vi điều tra bao gồm các hộ gia đình và các xã/phường được chọn điều tra của tất cả 61 tỉnh, thành phố trực thuộc trung ương

Khảo sát mức sống hộ gia đình 2001-2002 sử dụng phương pháp phỏng vấn trực tiếp Điều tra viên đến hộ, gặp chủ hộ và những thành viên trong hộ có liên quan để phỏng vấn và ghi thông tin vào phiếu phỏng vấn hộ gia đình Đội trưởng đội điều tra sẽ gặp lãnh đạo xã/phường và các cán bộ địa phương có liên quan để phỏng vấn và ghi thông tin và phiếu phỏng vấn xã/phường Để đảm bảo chất lượng thông tin thu thập, cuộc điều tra không chấp nhận phương pháp điều tra gián tiếp hoặc sao chép các thông tin không kiểm tra thực tế vào phiếu phỏng vấn

Khảo sát mức sống hộ gia đình 2004 cũng được tiến hành tương tự như khảo sát năm 2002 với hai loại phiếu phỏng vấn là Phiếu phỏng vấn hộ gia đình và phiếu phỏng vấn xã/phường Phiếu phỏng vấn hộ gia đình gồm hai loại : Phiếu phỏng vấn thu nhập và chi tiêu và phiếu phỏng vấn thu nhập Nội dung bảng hỏi của Khảo sát mức sống hộ gia đình 2004 được lặp lại như khảo sát năm 2002, ngoài ra có bổ sung một số câu hỏi mới, về cơ bản ý nghĩa kinh tế của các biến số trong hai cuộc điều tra hoàn toàn tương đương nhau

Mẫu điều tra thu nhập và chi tiêu năm 2004 gồm 9188 hộ với đầy đủ các nội dung điều tra đại diện cho cả nước, thành thị nông thôn và 8 vùng sinh thái Trong

mẫu này có 4476 hộ là hộ điều tra lặp lại của mẫu điều tra năm 2002 Trong bảng hỏi điều tra năm 2004 có ghi mã hộ trong khảo sát mức sống hộ gia đình 2002 vì vậy có thể sử dụng thông tin này để kết nối hai bộ số liệu với nhau để tạo thành một

bộ số liệu mảng

Ngoài ra, còn có bộ số liệu về chỉ số năng lực cạnh tranh cấp tỉnh (CPI – Competitiveness Provincial Index) thực hiện cho 64 tỉnh thành trong cả nước được thống kê hằng năm Trên website của Tổng cục thống kê cũng cung cấp các số liệu

vi mô và vĩ mô cho cả nước, các tỉnh thành, hoặc phân theo khu vực, địa lý kinh tế hoặc thành phần kinh tế,… Do tính chất của số liệu được sử dụng là số liệu mảng nên cần dùng các mô hình và phương pháp ước lượng phù hợp với số liệu mảng Phương pháp ước lượng các mô hình kinh tế lượng cho số liệu mảng chưa được áp dụng rộng rãi ở Việt Nam vì vậy tác giả xin dành chương 1 của luận văn này giới thiệu một số mô hình phổ biến áp dụng cho số liệu mảng

1.1.3.2 Thế giới

Dữ liệu mảng ngày càng được sử dụng nhiều trong nghiên cứu kinh tế Có một vài bộ dữ liệu nổi tiếng Hai bộ số liệu nổi tiếng của Mỹ một là Nghiên cứu về động học thu nhập (PSID – Panel Study of Income Dynamics) do Viện nghiên cứu Khoa học thuộc đại học Michigan thực hiện Hai là, bộ điều tra quốc gia về thanh niên (NLSY – National longitudinal survey of youth) PSID bắt đầu từ 1968 với

4800 gia đình và đã tăng lên 7000 gia đình năm 2001 Năm 2003, PSI điều tra

65000 người kéo dài trong 38 năm từ 1968 tới 1996 về mức thu nhập, thời gian làm việc, thị trường lao động, sức khỏe, giáo dục,… ộ số liệu điều tra quốc gia về thanh niên thu thập về độ tuổi lao động của thanh niên nam và nữ

Mặc dù Mỹ nghiên cứu về số liệu mảng từ thập niên 1960 nhưng tới thập niên 1980 thì Châu âu mới bắt đầu quan tâm tới số liệu mảng Trong năm 1989, thu thập về tiền lương, thu nhập, trả tiền trợ cấp của 12290 người tham gia trả lời được khảo sát bởi Bộ kinh tế và Xã hội Đức Số liệu điều tra về hộ gia đình của Anh (BHPS – British household panel survey) khảo sát bởi Viện Kinh tế và Xã hội của đại học ssex Đây là số liệu quốc gia của anh khảo sát với 5500 hộ gia đình và hơn

10300 người về sức khỏe, giáo dục, lao động, … Một số nước khác như Hà Lan, Thụy Sỹ, Thụy Điển, … cũng có những điều tra tương tự

Ngoài ra, còn có một số bộ số liệu mảng khác như: Khảo sát về Lao động và thu nhập của Canada khảo sát bởi Tổng cục thống kê Canada với xấp xỉ 35000 hộ gia đình trên mười bang Năm 1993-2000 có cuộc khảo sát của Viện nghiên cứu kinh tế hộ gia đình của Nhật Bản về tiêu dùng của mỗi gia đình

Như vậy số liệu mảng ngày càng được sử dụng rộng rãi trong nghiên cứu kinh tế của các nước trên thế giới bởi tính ưu việt của nó

1.2 Tổng quan về các mô hình phân tích số liệu mảng

Trong phần này chúng ta xét đến vấn đề biến không quan sát được hay không được xét đến trong các mô hình kinh tế lượng và động lực của mô hình phân tích số liệu mảng Tại sao số liệu mảng lại được sử dụng bởi vì ưu việt của số liệu mảng là giải quyết vấn đề biến nội sinh do thiếu biến không quan sát được Mô hình

số liệu mảng với biến không quan sát được viết dưới dạng sau:

it i T iT i

là cá thể thì thường gọi là tác động cá thể, thường là hộ gia đình, doanh nghiệp, tỉnh, …Mô hình (1.1) được viết lại dưới dạng vector như sau:

it i it

1.2.1 Mô hình tác động ngẫu nhiên

Ta xét mô hình tác động ngẫu nhiên dùng để giải quyết các bài toán có vấn

đề về thiếu biến không quan sát được dạng ci, với điều kiện biến này là không tương quan với biến giải thích khác trong mô hình

1.2.1.1 Ước lượng và các kết luận dưới những giả thiết cơ bản của mô hình

Xét mô hình số liệu mảng trong (1.2) với các giả thiết sau:

Giả thiết RE.1:

R 1b luôn suy ra được rằng xit là cố định và E(c i)0nghĩa là ci độc lập với xit Tại sao chúng ta lại phải giữ nguyên giả thiêt RE1 trong mô hình giống như phương pháp OLS gộp, Nguyên nhân bởi vì mô hình tác động ngẫu nhiên sử dụng phương pháp tổng hợp các chuỗi sai số thành dạng v it c i u ittrong phương pháp ước lượng GLS Trong yêu cầu của phương pháp GLS dạng của mô hình gồm biến giải thích và phần sai số Sử dụng giả thiết R 1 mô hình được viết lại như sau:

it it

it x v

0)

|(v it x i 

Viết lại mô hình (1.3) cho mọi thời điểm T của từng cá thể ta được mô hình sau:

i i



Trong đó Ω là ma trận T  T và ta giả thiết nó xác định dương Lưu ý rằng sử dụng dạng ma trận là cần thiết cho mọi i bởi vì giả thiết tính ngẫu nhiên của số liệu chéo Để ước lượng sử dụng phương pháp GLS thì cần phải có giả thiết sau:

Giả thiết RE.2: rankE Xi  Xi  K

) ( 1Trong đó: Ω là ma trận hiệp phương sai ở trên

Từ giả thiết R 1 phương sai của sai số uit là:

2 2

) ( uit u

Từ giả thiết RE.2 ta mối tương quan của uit tại hai thời điểm khác nhau như sau:

s t u

2 2

) ( ) ( 2 ) ( ) ( vit E ci E ciuit E uit c u

( ) ( vitvis E ci uit ci uis E ci c

2

2

2 2 2

2 2

2 2

)(

u c c

c

c

u c c

c c

u c

i

i v v E

hình tác động ngẫu nhiên Để sử dụng được GLS ta phải giả sử ma trận phương sai của v i dưới điều kiện xi là hằng số nghĩa là:

)()

|(v i v i x i E v i v i

| (    (b) E ( ci2 | xi)  c2 (1.12) Giả thiết RE.3a, E ( uit2 | xi, ci)  u2 , t  1 , , T được suy ra từ công thức (1.7),

và E(u it u is |x i,c i)0,ts ,t,s1, T được suy ra từ công thức (1.8) Nhưng giả thiết RE.3a mạnh hơn bởi vì nó giả sử rằng phương sai có điều kiện là hằng số và hiệp phương sai có điều kiện bằng không Tương tự như giả thiết RE.1b, giả thiết RE.3b có nghĩa là Var(c i |x i)Var(c i) Giả thiết RE.3 và công thức (1.11) giữ cho Ω có dạng như (1.9)

Để bố sung phương pháp ước lượng GLS, ta định nghĩa 2 2 2

u c

i

i i

1

1 1

1

ˆ ˆ

Ước lượng tác động ngẫu nhiên rõ ràng được suy ra từ giả thiết RE.3

1.2.1.2 Phương pháp ước lượng bình phương bé nhất tổng quát (GLS)

Nếu sai số thông thường u it,t 1,2, T không quan sát được hoặc có sự

tương quan đặc biệt theo thời gian t tới biến giải thích, khi đó chúng ta có thể sử

N ˆˆ ˆˆ

(1.15)

Trong đó: vˆˆ là phần dư trong ước lượng OLS gộp Phương pháp ước lượng GLS là phù hợp với giả thiết RE.1 và RE.2, và nếu ta giả thiết rằng E(v i vi |x i), thì ước lượng GLS gần như là hiệu quả và có dạng ma trận phương sai thông thường

Sử dụng công thức ước lượng (1.15) tổng quát hơn phân tích mô hình tác động ngẫu nhiên Trên thực tế, khi N lớn, sử dụng ước lượng GLS là hiệu quả như ước lượng tác động ngẫu nhiên dưới giả thiết RE.1 – RE.3 Sử dụng công thức (1.15) sẽ hiệu quả hơn nếu E(v i vi |x i), nhưng Ω không có dạng tác động ngẫu nhiên Vậy lý do tại sao không sử dụng GLS với  ˆ được cho như công thức (1.15)

Có nhiều lý do sử dụng ước lượng tác động ngẫu nhiên hơn là sử dụng GLS Do cấu trúc của ma trận Ω là cấu trúc tác động ngẫu nhiên

Nếu N lớn và T nhỏ thì ước lượng GLS bị hạn chế bởi giới hạn của kích thước mẫu, bởi vì  ˆ có ước lượng T(T+1)/2 thành phần

Với N rất lớn thì sử dụng ước lượng GLS với công thức (1.15) là hiệu quả hơn sử dụng ước lượng tác động ngẫu nhiên

1.2.1.3 Ước lượng sử dụng ma trận phương sai mạnh

Giả thiết RE.3 có thể bị vi phạm tuy nhiên nó không ảnh hưởng tới giả thiết ước lượng trong mô hình Giả thiết RE.3 có thể bị vi phạm bởi hai nguyên nhân sau Thứ nhất, E(v i v i|x i) không là hằng số nghĩa là E(v i v i|x i)E(v i v) Điều này luôn luôn có thể phân tích được bằng GLS Thứ hai, E ( v v i ) không có cấu trúc tác động ngẫu nhiên, nghĩa là sai số thông thường u it có phương sai thay đổi theo thời gian hoặc có sự tương quan tới biến giải thích Khi đó ta không thể sử dụng được phương pháp GLS bởi vì ma trận Ω không có cấu trúc đặc biệt vì vi phạm giả thiết

R 3 Để ước lượng ta phải dùng phương pháp phương sai mạnh Trong các phần mềm thống kê và kinh tế lượng người ta thường sử dụng hai công thức sau:

Phương sai mạnh dạng White: ý tưởng của phương pháp là sử dụng giá trị

bình phương của phần dư thu được từ ước lượng OLS thay vì các giá trị trên đường

chéo chính của ma trận hiệp phương sai  Công thức ông sử dụng do đó là như sau:

ˆ ar( ) ( ' ) n ( i i i')( ' )

Phương sai mạnh dạng Newey – West: Các giá trị ngoài đường chéo chính

được ước lượng qua các tích giữa các phần dư ei, đo lường độ tương quan giữa các thành phần của sai số ngẫu nhiên, như sau:

ˆar( ) ( ' ) ( ' )( ' ) ;

1.2.2 Mô hình tác động cố định

Người ta sử dụng mô hình tác động cố định khi yếu tố không quan sát được dạng ci có tương quan đến biến giải thích trong mô hình

1.2.2.1 Mô hình và các giả thiết

Mô hình tác động ngẫu nhiên được cho như sau:

T t

u c x

T phương trình trong mô hình (1.18) được viết lại như sau:

i T i i

i x c j u

Trong đó j T vẫn là vec tơ T  1 của 1 Các giả thiết của mô hình tác động cố định:

Giả thiết FE.1: E(u it |x i,c i)0, t1,2, ,T

Giả thiết R 1a được giữ nguyên bởi vì yếu tố sai số thông thường uit là không tương quan tới ci và xit Tuy nhiên giả thiết R 1b không được giữ lại do sự tương quan của ci tới biến giải thích xit nghĩa là E(c i |x it)0

Giả thiết FE.2: rank E x x rank E XiXi K

( (1







Nếu xit chỉ gồm một thành phần nghĩa là không thay đổi theo thời gian với mọi i kéo theo x it bằng 0 với mọi t Khi X i có một cột bằng 0 thì giả thiết FE.2 không còn đúng Giả thiết FE.2 giải thích rằng các cá thể có tính bất biến theo thời gian thì không sử dụng mô hình tác động cố định

Giả thiết FE.3: E uiui xi ci u2IT

) ,

| (   Giả thiết FE.3 giống như giả thiết RE.3 Từ giả thiết FE.1 E(u i |x i,c i)0 ta

có thể viết lại giả thiết FE.3 trở thành Var ui xi ci u2IT

) ,

| (   Giả thiết FE.3 có hai ý nghĩa, thứ nhất E(u i u i|x i,c i)E(u i u i) với tiêu chuẩn ước lượng từng thành phần, thứ hai cấu trúc ma trận phương sai không điều kiện E(u i u i) có dạng đặc biệt như sau: u2IT

Mô hình (1.18) và các giả thiết FE.1 – FE.3 gọi là mô hình tác động cố định

1.2.2.2 Phương pháp ước lượng nội bộ

Ý tưởng của phương pháp này là ước lượng các hệ số dựa trên quan sát về sự thay đổi trong nội bộ mỗi cá thể Như đã nói trong phần 1.1.2, do với cùng một cá thể thì yếu tố không quan sát được ci là như nhau nên sự tồn tại hay không tồn tại của yếu tố ci này không ảnh hưởng đến quan hệ giữa sự thay đổi của các biến trong nội bộ mỗi cá thể

Từ mô hình (1.18), lấy trung bình cho mỗi cá thể dọc theo thời gian t, ta có :

i i i

i x c u

y     (1.20) Trừ (1.18) cho (1.20) ta được :

i it i

it i

do đó có tên gọi là ước lượng nội bộ Nhiều khi ta muốn ước lượng ci ta sử dụng công thức (1.20) ta có :

i i i

i y x u

c     (1.22)

1.2.2.3 Phương pháp ước lượng sử dụng biến giả

Phương pháp ước lượng cố định xem ci như là một biến giải thích thông thường nhưng không quan sát được

Một cách tiếp cận khác với phương pháp trên đây là xem xét ci như là các tham số có thể ước lượng cùng với các hệ số i Khi đó ta có thể viết lại mô hình (1.18) dưới dạng khai triển như sau

Khi đó (1.23) có thể viết gọn lại dưới dạng :

it x u

Trong phương pháp OLS gộp các sai số được gộp lại thành một thành phần các giả thiết của phương pháp

Giả thiết POLS.1: E(x tu t)0, t 1, ,T

Giả thiết POLS.2: 

E rank

1

)) ( (

Giả thiết POLS.3:

T s

t s t x

x u u E b

u E T

t x x E x

x u E a

s t s t

t t

t t

t t

, , 2 , 1 , , , 0 ) (

)

) (

, , 2 , 1 ),

( )

1.2.3.2 Mô hình sai phân cấp một

Để ước lượng yếu tố không quan sát được ci người ta sử dụng phương pháp sai phân cấp một với giá trị ban đầu T = 2 Mô hình sai phân cấp một chính là mô hình vi phân cấp một (1.18) Các giả thiết của mô hình như sau:

E rank

2

)) (

(

Giả thiết FD.3: E ( eie i | xil, , xiT, ci)  e2IT1

Phương pháp ước lượng của mô hình là vi phân cấp một hai vế của phương trình (1.18) ta được ước lượng như sau:

T t

u x

y it  it  it, 2,3, ,

Mô hình (1.18) và các giả thiết FD.1 – FD.3 cùng với công thức (1.26) được gọi là mô hình sai phân cấp một cũng là một phương pháp ước lượng số liệu mảng hữu ích

1.3 Câu lệnh trong phần mềm Stata

1.3.1 Giới thiệu phần mềm Stata

Stata là phần mềm thống kê dùng để quản lý, phân tích số liệu và vẽ đồ thị Stata cho phép lưu trữ thông tin về các đặc điểm của các đối tượng nghiên cứu, số liệu lưu trữ trong Stata có thể hiển thị dưới dạng bảng Vì vậy việc phân tích số liệu mảng người ta thường dùng với Stata

Khởi động và thoát khỏi Stata

Stata được khởi động tương tự như các chương trình tin học ứng dụng khác, bằng cách kích đúp vào biểu tượng stata.exe trên Windows explorer, hoặc chọn theo đường dẫn Start -> Program -> Stata 11 Chương trình được thoát ra bằng lệnh Exit

từ cửa sổ lệnh Stata command hoặc tùy chọn Exit trong thực đơn (menu) ile

Giao diện Stata

Sau khi khởi động Stata, giao diện Stata được hiện lên, bao gồm thanh thực đơn (menu bar) ở trên cùng, dưới đó là thanh công cụ (toolbar) và các cửa sổ windows

Hình 1.1 Giao diện Stata 11 Các cửa sổ của Stata

Các cửa sổ của Stata được mở bằng tùy chọn trên thanh thực đơn Windows (menu bar) Các cửa sổ này bao gồm:

Results Hiển thị các lệnh và kết quả

Graph Hiển thị đồ thị

Viewer Hiển thị trợ giúp (help) và nội dung các file văn bản

Command ùng để gõ các câu lệnh

Review Hiển thị các lệnh đã thực hiện

Variables Hiển thị danh sách các biến của tập số liệu

Data editor Hiển thị và sửa chữa số liệu dưới dạng bảng

Do-file editor Hiển thị các của sổ để soạn thảo chương trình

Thanh thực đơn (Menu bar)

+ Thanh thực đơn (menu bar) gồm các thanh sau:

+ Thanh công cụ gồm các nút sau:

Print results In kết quả

Log begin/close Bắt đầu đóng mở file lưu kết quả phân tích

Data editor Biên tập số liệu, chỉnh sửa, thêm, bớt số liệu

New do-file editor Biên tập mới, lưu chương trình phân tích

Lưu lệnh/chương trình phân tích số liệu

Trong quá trình phân tích số liệu ta cần thực hiện rất nhiều lệnh mới đạt được kết quả cuối cùng do đó để không mất nhiều thời gian và có thể quên người ta phải lưu lại lệnh Nhấp chuột vào New do-file editor một cửa sổ mới mở ra cửa sổ đó chính là Stata do-file editor ta có thể viết lệnh lên đó và Save file

Lưu lại kết quả phân tích

Kết quả phân tích hiện trên cửa sổ Stata results tuy nhiên cửa sổ này chỉ cho phép hiển thị kết quả phân tích gần đây vì vậy khi chạy chương trình phân tích dài thì cửa sổ này không thể hiển thị hết được do đó chúng ta phải lưu kết quả lại Nhấp chuột vào Log begin/close để lưu file

1.3.2 Câu lệnh sử dụng các mô hình để phân tích số liệu mảng trong phần mềm Stata

Câu lệnh phân tích số liệu mảng trong Stata luôn bắt đầu bằng “xt” Sau đây

là một số câu lệnh được sử dụng để phân tích số liệu mảng:

Bảng 1.1 Câu lệnh phân tích số liệu mảng trong Stata STT Câu lệnh Mô tả Cấu trúc

1 xtset Định dạng số liệu

dưới dạng mảng

xtset id time

id: chỉ biến cá thể time: chỉ biến thời gian

2 xtdes Mô tả cấu trúc của

số liệu mảng

xtdes [if] [in]

if: điều kiện in: chỉ rõ dạng quan sát

3 xtsum Tóm tắt số liệu xtsum [varlist] [if]

varlist: danh sách biến if: điều kiện

4 xttab Tạo bảng số liệu xttab varname [if]

varname: tên biến if: điều kiện

5 xtreg Ước lượng số liệu

mảng

xtreg depvar [indepvar], option

depvar: biến phụ thuộc indepvar: biến độc lập option: lựa chọn mô hình ước lượng Ước lượng GLS ngẫu nhiên

xtreg depvar [varlist] [if exp]

[, re i(varname) sa theta level(#) ]

xtreg depvar [varlist] [weight] [if exp] , mle [ i(varname) noconstant level(#) ]

6 xtdata Tìm nhanh số liệu

mảng

xtdata varlist, option

varlist: danh sách biến option: lựa chọn

7 xtline Đồ thị đường

thẳng

xtline varname, option

varname: tên biến option: chọn dạng đường thẳng

8 xtlogit Mô hình logarit xtlogit depvar [indepvar], option

9 xtprobit Ước lượng độ tin

cậy

xtprobit depvar [indepvar], option

10 xtgraph Đồ thị trong số liệu

mảng

xtgraph varname, option

Trên đây là một số câu lệnh cơ bản trong ước lượng số liệu mảng, ngoài ra còn có một số lệnh khác nữa người đọc có thể sử dụng phần “help xt” của phần mềm Stata

CHƯƠNG 2 THỰC TRẠNG 2.1 Thực trạng nghiên cứu Năng suất tổng hợp ở Việt Nam và thế giới

2.1.1 Giới thiệu

Năng suất được hiểu khái quát là quan hệ so sánh giữa đầu ra và đầu vào Tùy theo các đầu ra, đầu vào khác nhau sẽ có các chỉ số năng suất khác nhau Để cải tiến năng suất không nhất thiết phải tăng vốn hay tăng lao động mà kết quả đầu ra vẫn có thể khả quan hơn nếu khai thác, sử dụng tối ưu nguồn lao động và vốn đầu

tư bằng việc tăng cường phối hợp sử dụng hiệu quả các yếu tố đầu vào, kết hợp với cải tiến tổ chức sản xuất, đổi mới nâng cao trình độ công nghệ, đẩy mạnh việc áp dụng công nghệ mới sẽ tạo nên một nhân tố mới đóng vai trò tích cực tạo ra giá trị gia tăng cao

ên cạnh sự đóng góp của nhân tố đầu vào hữu hình có thể định lượng, xuất hiện phần giá trị mới do nhân tố vô hình tạo ra, phần giá trị này được thể hiện thông qua khái niệm là năng suất các yếu tố tổng hợp TFP Đây là nhân tố vô hình góp phần nâng cao hiệu quả của sản xuất trong doanh nghiệp do nâng cao hiệu quả sử dụng vốn và lao động (nhân tố hữu hình) bằng tác động của việc đổi mới công nghệ, hợp lý hóa sản xuất, cải tiến quản lý, nâng cao trình độ lao động Tuy nhiên, việc định lượng giá trị chính xác năng suất các yếu tố tổng hợp trong thực tiễn sản xuất của doanh nghiệp là không dễ Đến nay, việc tính toán này vẫn chưa thực sự hỗ trợ cho doanh nghiệp, doanh nghiệp khoa học công nghệ địa phương

Để có tăng trưởng sản xuất, tạo ra các sản phẩm có giá trị gia tăng cao, doanh nghiệp cần khai thác triệt để sự tăng giá trị năng suất các yếu tố tổng hợp Đây là yếu tố làm tăng trưởng bền vững cho các doanh nghiệp, nhất là đối với các doanh nghiệp địa phương chủ yếu có quy mô vừa và nhỏ Theo phân tích, đánh giá của nhiều chuyên gia kinh tế, nguồn lực hữu hình về cơ bản đã được khai thác triệt

để, bao gồm vốn đã được huy động sử dụng trong khi lãi suất ngân hàng cao nên lợi nhuận thấp, chi phí lao động đã giảm tối đa với chi phí nhân công thấp

Tuy đây là thách thức nhưng cũng là cơ hội cho các doanh nghiệp địa phương ứng dụng đổi mới công nghệ, cơ cấu lại lao động và áp dụng các biện pháp quản lý mới để tạo ra các giá trị gia tăng cao, nhất là các sản phẩm công nghệ cao, ứng dụng công nghệ cao phù hợp với tiềm năng và thế mạnh của từng địa phương

để tạo nên sự đổi mới doanh nghiệp hình thành các doanh nghiệp khoa học công nghệ

Nghị định 80/2007/NĐ - CP và Thông tư liên tịch số 06/TTLT - BKHCN - BTC - NV hướng dẫn thực hiện nghị định ban hành mở đường cho các cá nhân, tổ chức Việt Nam, nước ngoài có quyền sở hữu hoặc sử dụng hợp pháp các kết quả nghiên cứu khoa học và phát triển công nghệ để tạo dựng và phát triển doanh nghiệp khoa học công nghệ Với cơ chế mới không chỉ giúp đẩy mạnh thương mại hóa các sản phẩm hàng hóa, là kết quả của hoạt động nghiên cứu và phát triển công nghệ mà còn hình thành và phát triển thị trường công nghệ, tạo ra những biến chuyển lớn nhằm xây dựng được những doanh nghiệp tư nhân có năng lực trong ươm tạo, chuyển giao và làm chủ trong nghiên cứu, phát triển công nghệ ở một số lĩnh vực quan trọng như thông tin và truyền thông; sinh học; tự động hóa; bảo vệ môi trường… Như vậy, về cơ bản hành lang pháp lý cho doanh nghiệp nói chung và doanh nghiệp khoa học công nghệ nói riêng ở các địa phương đã hình thành, cần khai thác nhanh chóng đưa vào áp dụng trong thực tiễn Cần thực hiện việc phân tích và phân tích đúng được giá trị của năng suất các yếu tố tổng hợp trong từng hoạt động sản xuất, kinh doanh của từng mô hình doanh nghiệp, từng lĩnh vực, sản phẩm và từng địa phương để đạt được giá trị gia tăng cao trong sản xuất, nhất là đối với doanh nghiệp khoa học công nghệ

Về lý thuyết một số mô hình tính toán và phân tích thực hiện dựa trên hàm sản xuất Cobb - ouglas được tính như sau: Y  AKL, trong đó A chính là năng suất các yếu tố tổng hợp, K là vốn, L là lao động, nâng cao năng suất các yếu tố tổng hợp tức là nâng cao hơn kết quả sản xuất với cùng một lượng đầu vào Đối với người lao động, nâng cao năng suất các yếu tố tổng hợp sẽ góp phần nâng lương,

thưởng, điều kiện lao động được cải thiện Còn đối với doanh nghiệp, khả năng mở rộng tái sản xuất, đối với nền kinh tế sẽ nâng cao sức cạnh tranh, nâng cao phúc lợi

xã hội

Đối với mô hình doanh nghiệp địa phương là vừa và nhỏ, vai trò của vốn (K)

và lao động (L) là như nhau, không thể liên tục tăng Để tăng giá trị của Y, chỉ có thể tăng giá trị của năng suất các yếu tố tổng hợp (A) Với đặc điểm chung là nhỏ, linh hoạt, dễ chuyển đổi, dễ tiết kiệm chi phí sản xuất, dễ đổi mới và áp dụng các công nghệ mới trong quá trình tổ chức sản xuất Tuy nhiên, yếu điểm của doanh nghiệp địa phương là ít vốn, trình độ nhân lực kể cả quản lý và sản xuất đều yếu

Do vậy, để hỗ trợ doanh nghiệp địa phương trong sản xuất nâng cao năng suất chất lượng, các cơ quan quản lý nhà nước về khoa học công nghệ địa phương cần thực hiện một số nội dung như: thứ nhất, xây dựng, ban hành mẫu biểu, phương pháp thu thập ghi chép, xử lý và lưu trữ số liệu thống kê sử dụng cho các doanh nghiệp Thứ hai, nghiên cứu thực trạng và xây dựng hệ thống chỉ tiêu năng suất các yếu tố tổng hợp đối với doanh nghiệp khoa học công nghệ, xây dựng mô hình phân tích năng suất phù hợp với thực tiễn; chú trọng nâng cao năng suất yếu tố tổng hợp đối với việc tiết kiệm các chi phí sản xuất; sự biến động của các yếu tố trong sự so sánh trong nước, khu vực và quốc tế Thứ ba, xây dựng và thực hiện tốt các chế độ báo cáo thống kê, điều tra chọn mẫu nhằm bổ sung số liệu phân tích năng suất và năng suất tổng hợp cho từng sản phẩm khoa học công nghệ mới; hình thành ngân hàng dữ liệu phục vụ phân tích năng suất các yếu tố tổng hợp; tính toán các chỉ tiêu, cách phân tích chỉ tiêu cho các sản phẩm khoa học công nghệ trong các doanh nghiệp khoa học công nghệ địa phương Năng suất, năng suất các yếu tố tổng hợp nhằm đổi mới, nâng cao giá trị sản xuất hàng hoá trong doanh nghiệp khoa học và công nghệ địa phương Hy vọng việc sử dụng, khai thác sẽ sớm triển khai nhằm hỗ trợ các doanh nghiệp và doanh nghiệp khoa học công nghệ trong quá trình tổ chức sản xuất, kinh doanh, đẩy mạnh sản xuất đem lại giá trị gia tăng cao phục vụ quá trình phát triển KT - XH của từng địa phương

ựa vào các kết quả nghiên cứu, Tổ chức Năng suất Châu Á (APO) đã nêu nguồn tăng T P chủ yếu dựa vào 5 yếu tố chính như sau[23]

:

- Chất lượng lao động: trình độ học vấn liên quan đến khả năng tiếp thu, ứng

dụng những tiến bộ khoa học và công nghệ; Đào tạo nâng cao kỹ năng, tay nghề của người lao động; Đào tạo chuyển giao công nghệ Đầu tư vào nguồn nhân lực làm tăng khả năng và năng lực của lực lượng lao động trong việc sản xuất ra các sản phẩm và dịch vụ chất lượng cao là yếu tố rất đóng góp rất quan trọng làm tắng T P

- Thay đổi nhu cầu hàng hoá, dịch vụ: tác động tới T P thông qua việc tăng nhu cầu trong nước và xuất khẩu về sản phẩm, hàng hoá là cơ sở quan trọng để sử dụng tối ưu các nguồn lực

- Thay đổi cơ cấu vốn: tăng cường đầu tư công nghệ tiên tiến như công nghệ thông tin và truyền thông, công nghệ hiện đại và tự động hoá Yếu tố này thể hiện việc đầu tư vốn vào những lĩnh vực có năng suất cao, từ đó sẽ nâng cao hiệu quả của cả nền kinh tế

- Thay đổi cơ cấu kinh tế: là việc phân bổ các nguồn lực phát triển kinh tế giữa các ngành và thành phần kinh tế, các nguồn lực sẽ được phân bổ nhiều hơn cho các ngành hoặc thành phần kinh tế có năng suất cao hơn, từ đó đóng góp vào việc tăng TFP

- Áp dụng tiến bộ kỹ thuật: thúc đẩy các hoạt động sáng tạo, đổi mới; nghiên cứu và phát triển sản phẩm mới, cải tiến quy trình sản xuất; công nghệ quản lý tiên tiến ( hệ thống, công cụ quản lý tiên tiến…) Yếu tố này bao hàm các hoạt động như đổi mới, nghiên cứu phát triển, thái độ làm việc tích cực, hệ thống quản lý, hệ thống

tổ chức… tác động làm nâng cao năng suất

Trong 5 yếu tố chính đóng góp vào tăng T P như đã nêu trên, 03 yếu tố được xác định là thuộc lĩnh vực khoa học và công nghệ, tác động trực tiếp, mạnh mẽ đến các tổ chức, doanh nghiệp, đó là: áp dụng tiến bộ kỹ thuật, chất lượng lao động và thay đổi cơ cấu vốn

Để hiểu rõ hơn về tính năng suất tổng hợp T P chúng tôi giới thiệu về một phương pháp tính năng suất các yếu tố tổng hợp và chương trình ước lượng bằng phần mền Stata để thực hiện tính TFP Chúng tôi cũng đưa ra một bức tranh về năng suất các nhân tố tổng hợp T P của các doanh nghiệp Việt Nam trong ngành dệt may trong giai đoạn 2000- 2010

2.1.2 Tổng quan về TFP

James Leinsohn và Amil Pertrin(2000) trong nghiên cứu Hàm ước tính năng

suất cho các yếu tố đầu vào để kiểm soát các yếu tố khó nhìn thấy (Estimating Production Functions Using Inputs to Control for Unobservables) đã giới thiệu một phương pháp mới để điều tra tương quan của những cú sốc không quan sát được của công nghệ sản xuất bởi những ý tưởng xây dựng đầu tiên được phát triển trong Olley và Pakes (1996) Olley và Pakes cho thấy làm thế nào để sử dụng đầu tư thực hiện kiểm soát mối tương quan giữa mức độ đầu vào và quá trình tăng năng suất của các công ty do các yếu tố không quan sát được Các tác giả chứng minh rằng, giống như đầu tư, đầu vào trung gian (những yếu tố đầu vào được trừ ra trong một giá trị gia tăng chức năng sản xuất) cũng có thể giải quyết vấn đề này Các tác giả nhấn mạnh ba lợi thế tiềm năng bằng cách sử dụng một đầu vào trung gian tiếp cận liên quan đến đầu tư Kết quả của họ cho thấy rằng những lợi thế theo kinh nghiệm là quan trọng

Andrew B.Bernard và Charles I.Jones (2002) trong nghiên cứu hội tụ năng suất và độ đo trong các ngành công nghiệp và trong các nước (Productivity convergence and measurement Across industries and Countries) xem xét vai trò của lĩnh vực hội tụ tổng hợp của 14 quốc gia OECD trong thời gian 1970-

1987 Phát hiện chủ yếu là sản xuất cho thấy rất ít bằng chứng của năng suất lao động hoặc hội tụ năng suất tổng hợp (multifactor productivity convergence), trong khi các ngành khác, đặc biệt là dịch vụ, thúc đẩy sự hội tụ kết quả tổng hợp Để xác định sự ổn định của các kết quả hội tụ, bài báo giới thiệu một biện pháp mới về năng suất tổng hợp mà tránh nhiều vấn đề gắn liền với các biện pháp truyền thống

của năng suất tổng hợp khi so sánh mức năng suất Nghiên cứu cung cấp một phương pháp đủ mạnh để tính năng suất tổng hợp

Amil Pertrin, Brian P.Poi và James levinsohn (2003) trong nghiên cứu Ước lượng hàm năng suất trong Stata sử dụng các yếu tố đầu vào để kiểm soát các nhân

tố khó nhìn thấy (Production function estimation in Stata using inputs to control for unobservables) đã đưa ra một vấn đề quan trọng trong ước lượng hàm sản xuất là tương quan giữa các cú sốc năng suất do các yếu tố không quan sát được và mức độ đầu vào Tối đa hóa lợi nhuận của các công ty được đáp ứng không chỉ dưới dạng các cú sốc tích cực bằng cách mở rộng yếu tố đầu ra mà còn bổ sung yếu tố đầu vào Những cú sốc tiêu cực dẫn tới các công ty giảm sản lượng và dẫn đến giảm đầu vào sử dụng Olley và Pakes (1996) phát triển một ước tính có tính sử dụng đầu tư như một sự đại diện cho các cú sốc không quan sát được Gần đây Levinshohn và Petrin (2003a) giới thiệu một ước tính sử dụng các đầu vào trung gian như các thay thế, mâu thuẩn trung gian có thể trả lời thông suốt hơn tới những cú sốc năng suất Bài viết này đánh giá phương pháp tiếp cận Levinsohn và Petrin và giới thiệu một

số lệnh Stata để thực hiện nó

Robert Inklaar và Marcel P Timmer(2009) Năng suất hội tụ giữa các ngành công nghiệp và các nước: tầm quan trọng của lý thuyết-cơ sở độ đo (Productivity convergence across industries and cuontries the importance of theory – based measurement) nói rằng quá trình nghiên cứu về tăng trưởng kinh tế giữa các quốc gia gặp khó khăn về các dữ liệu đáng tin cậy về năng suất ở cấp độ công nghiệp;

Trong các bài báo của Bernard và Jones [Đánh giá Kinh tế Mỹ , 91 (4) (2001), 1168-1169] và Rogerson Tạp chí Chính trị nền kinh tế , 116 (2) (2008), 235-259] ([American Economic Review, 91 (4) (2001), 1168–1169] and Rogerson [Journal of Political Economy, 116 (2) (2008), 235–259]) họ chia sẽ với nhau tài liệu về giá cả

ngành công nghiệp, vốn con người và tài sản vốn để xây dựng các biện pháp sản xuất công nghiệp cấp được căn cứ trên lý thuyết sản xuất tân cổ điển Những biện pháp này dựa trên lý thuyết độ đo khác nhau, từ độ đo thông thường được sử dụng trong các tài liệu, các tác giả đã sử dụng chúng để chạy các mô hình của Bernard và

Jones [ American Economic Review , 86 (5) (1996), 1216-1238] cho các nước

OECD tiên tiến, mô hình của hội tụ trên các lĩnh vực khác nhau kể từ năm 1970: trong khi năng suất trên thị trường dịch vụ hội tụ, không có hội tụ trong sản xuất Phân tích chi tiết hơn khẳng định rằng mô hình của hội tụ được đánh giá cao trong một ngành công nghiệp cụ thể Không có xu hướng hội tụ ưu thế trong lĩnh vực tăng trưởng năng suất giữa các quốc gia tiên tiến

2.1.3 Mô hình ước lượng năng suất

Giả sử hàm công nghệ sản xuất có dạng Cobb-Douglas

t t t m t k t l

y 0      (2.1) Trong đó, yt là logarit của đầu ra của công ty, thường xuyên nhất đo như tổng doanh thu hoặc giá trị gia tăng, lt và mt là logarit của lao động tự do biến đầu vào và đầu vào trung gian, và kt là logarit của biến vốn Để dễ trình bày, chúng tôi chỉ trình bày mô hình 2 yếu tố đầu vào tự do, mặc dù lệnh đi kèm với bài viết này cho phép một số tùy ý các biến tự do Sai số này có hai thành phần: t và t Trong

đó, t là sai số do mô hình gây ra và t là sai số không tương quan với sự lựa chọn đầu vào của mô hình Các sai số không được quan sát bởi các các nhà kinh tế,

và nó có thể ảnh hưởng đến sự lựa chọn các yếu tố đầu vào, dẫn đến các vấn đề đồng thời trong vấn đề ước lượng hàm sản xuất Ước lượng bỏ qua mối tương quan giữa đầu vào và yếu tố này không quan sát được (như OLS) sẽ mang lại kết quả không phù hợp Đại lượng mt đầu vào trung gian được giả định phụ thuộc vào hai biến hệ thống vốn của công ty k t vàt: m t m k t( ,t t)

Giả định công nghệ sản xuất của công ty, Levinsohn và Petrin (2003a, phụ lục A) cho thấy tlà hàm đơn điệu tăng Điều này cho phép lấy nghịch đảo để thấy

sự phụ thuộc của t vào đại lượng đầu vào trung gian m t Vì vậy t có thể được viết như là một hàm của k t và m t:  t  t( ,k m t t)

Lúc này yếu tố năng suất không quan sát được nay được biểu diễn chỉ là một hàm của hai yếu tố đầu vào quan sát được Một hạn chế được phát cuối cùng sau Olley và Pakes (1996), LP cho rằng năng suất được điều chỉnh bởi một quá trình Markov bậc nhất: t E(t |t1)t

Trong đó, ξt là một sự đổi mới cho năng suất không tương quan với k t, nhưng không nhất thiết với l t, điều này là một phần của nguồn gốc của vấn đề đồng thời Trước tiên, chúng tôi trình bày ước lượng khi biến phụ thuộc là giá trị gia tăng Sau đó, chúng tôi chuyển sang sử dụng đầu ra (hoặc tổng doanh thu) là biến phụ thuộc

2.1.3.1 Ước lượng trong trường hợp biến phụ thuộc là giá trị gia tăng

Để V t đại diện cho giá trị tăng tổng đầu ra ròng của đầu vào trung gian, chúng ta có thể ghi các chức năng sản xuất là:

t t t t t l

t t t m t k t l t

m k l

m k

l V

0

(2.2)

Trong đó: t(k t,m t)0 k k t t(k t,m t)

Thay thế một xấp xỉ đa thức bậc thứ ba trong k t và m ttrong t(k t,m t)làm cho nó

có thể để luôn ước lượng các thông số của giá trị được thêm vào phương trình sử dụng OLS như sau:

0 0

i i

j

j t i t ij t

Giai đoạn thứ hai của quá trình là xác định hệ số k.Nó bắt đầu bằng cách tính toán giá trị ước tính cho t sử dụng:

t t i

i

j

j t i t ij

t t t t

l m

k

l V

ˆ ˆ ˆ

3

0 3

Giá trị này có thể được tính bằng một ước lượng thay thế bởi bởi một xấp xỉ bậc ba của E(t |t1) như sau

t t t

t

t        

       3 

1 3 2 1 2 1 1 1 0

k  E  

 thì phần dư được viết lại như sau:

)

|ˆ(ˆ

k  E  

 được xác định theo phương pháp OLS nghĩa là thỏa mãn bài toán:

2 1

*

))

|ˆ(ˆ

ˆ(min* V t  k k t  l l t E t tk

2.1.3.2 Ước lượng năng suất trong trường hợp biến phụ thuộc l đầu ra (hoặc tổng doanh thu)

Giả sử y t là biến tổng doanh thu, chúng ta có hàm sản xuất là:

t t t t t l

t t t m t k t l t

m k l

m k

l y

0

(2.8)

Trong đó: t(k t,m t)0 k k t t(k t,m t)

Thay thế một xấp xỉ đa thức bậc thứ ba trong k t và m ttrong t(k t,m t)làm cho nó

có thể để luôn ước lượng các thông số của giá trị được thêm vào phương trình sử dụng OLS như sau:

0 0

i i

j

j t i t ij t

Giai đoạn thứ hai của quá trình là xác định hệ số k.Nó bắt đầu bằng cách tính toán giá trị ước tính cho t sử dụng:

t t i

i

j

j t i t ij

t t t t

l m

k

l V

ˆ ˆ ˆ

3

0 3

Giá trị này có thể được tính bằng một ước lượng thay thế bởi bởi một xấp xỉ bậc ba của E(t |t1) như sau

t t t

t

t        

       3 

1 3 2 1 2 1 1 1 0

k  E  

 thì phần dư được viết lại như sau:

)

|ˆ(ˆ

k  E  

 được xác định theo phương pháp OLS nghĩa là thỏa mãn bài toán:

2 1

*

))

|ˆ(ˆ

ˆ(min* V t  k k t  l l t E t tk

, m

k 

 với mức ý nghĩa 0,01 đến 0,99 với độ chính xác 0,01 được sử dụng