Báo cáo kinh tế vĩ mô thường niên TP HCM THÁNG 1-2021 KINH TẾ VĨ MÔ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO TẬP 6 NĂM 2021 THỜI CƠ TRONG NGUY KHÓ KINH TẾ VĨ MÔ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO

PGS TS Nguyễn Đức Trung Khuôn khổ Báo cáo kinh tế vĩ mô thường niên TP HCM THÁNG 12021 KINH TẾ VĨ MÔ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO TẬP 6 NĂM 2021 THỜI CƠ TRONG NGUY KHÓ KINH TẾ VĨ MÔ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO TẬP 6 NĂM 2021 THỜI CƠ TRONG NGUY KHÓ Chủ biên PGS TS Nguyễn Đức Trung TS Bùi Hữu Toàn Thành viên thực hiện PGS TS Đoàn Thanh Hà PGS TS Nguyễn Thanh Hiên TS Nguyễn Văn Lê TS Phạm Thị Tuyết Trinh TS Lê Hoàng Anh TS Nguyễn Minh Nhật ThS Trần Kim Long ThS Lê Phan Ái Nhân ThS Đặng Ngọc Hà Th.

PGS TS Nguyễn Đức Trung KINH TẾ VĨ MÔ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO TẬP 6: NĂM 2021 - THỜI CƠ TRONG NGUY KHĨ Khn khổ Báo cáo kinh tế vĩ mô thường niên TP HCM - THÁNG 1/2021 KINH TẾ VĨ MƠ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO TẬP 6: NĂM 2021 - THỜI CƠ TRONG NGUY KHÓ Chủ biên PGS TS Nguyễn Đức Trung TS Bùi Hữu Toàn Thành viên thực PGS.TS Đoàn Thanh Hà TS Nguyễn Minh Nhật PGS.TS Nguyễn Thanh Hiên ThS Trần Kim Long TS Nguyễn Văn Lê ThS Lê Phan Ái Nhân TS Phạm Thị Tuyết Trinh ThS Đặng Ngọc Hà TS Lê Hoàng Anh ThS Lê Hoàng Quân TP HỒ CHÍ MINH, THÁNG 1/2021 LỜI NĨI ĐẦU Kinh tế Việt Nam năm 2020 trải qua khó khăn thử thách chưa có: dịch viêm đường hơ hấp cấp chủng vi rút Corona (Covid-19) bùng phát mạnh phạm vi toàn cầu ảnh hưởng nghiêm trọng đến mặt kinh tế - xã hội nước ta tất quốc gia giới Các thị trường xuất lớn kinh tế Việt Nam Mỹ, Nhật Bản, Cộng đồng chung châu Âu đối mặt với tình trạng suy thối kinh tế sâu, tồi tệ nhiều thập kỷ qua; thương mại toàn cầu tiếp tục suy giảm, chuỗi cung ứng bị gián đoạn, giá dầu thô giảm mạnh nhu cầu sử dụng hạn chế; thất nghiệp tăng cao Tất tổ chức quốc tế thể chế tài chính, tăng trưởng kinh tế tồn cầu rơi vào suy thối năm 2020 Cùng với đó, chiến tranh thương mại Mỹ - Trung tiếp diễn, căng thẳng trị gia tăng Mỹ - Iran, bất đồng nội tổ chức nước xuất dầu mỏ bán đảo Triều Tiên tác động tiêu cực đến kinh tế Việt Nam Trong nước, dịch Covid-19 diễn biến phức tạp, ảnh hưởng tiêu cực tới lĩnh vực kinh tế - xã hội, toàn hệ thống trị, Chính phủ Thủ tướng Chính phủ đặt ưu tiên hàng đầu việc phòng chống dập dịch, hy sinh lợi ích kinh tế để bảo đảm tính mạng sức khỏe người dân Đây tảng vững để kinh tế nước ta tiếp tục trì tăng trưởng, khơng rơi vào tình trạng tăng trưởng âm Kết cho thấy thắng lợi cấp, ngành, cộng đồng doanh nghiệp người dân chiến đẩy lùi dịch bệnh, đồng thời trì hoạt động sản xuất kinh doanh bước đưa kinh tế trở lại trạng thái bình thường trước xảy dịch bệnh Kết thúc năm 2020 bối cảnh đại dịch Covid-19 diễn biến phức tạp toàn cầu, kinh tế Việt Nam bộc lộ nhiều Đầu tiên mức tăng trưởng kinh tế Việt Nam đạt 2,91%, thấp thập niên 2011-2020, lại số ấn tượng thuộc nhóm cao tồn cầu Song song với tăng trưởng kinh tế, lạm phát trì mức thấp ổn định 2,31% Khơng dừng lại đó, bất chấp sụp đổ thương mại toàn cầu bối cảnh đại dịch, hoạt động xuất nhập thành công lớn Việt Nam năm 2020 Tổng kim ngạch xuất nhập đạt 534,88 tỷ USD, giá trị xuất 281,47 tỷ USD, giá trị nhập 262,41 tỷ USD Đồng thời, ngành công nghiệp chế biến - chế tạo thu hút quan tâm lớn từ nhà đầu tư nước Trong năm 2020, nhà đầu tư nước đầu tư vào 19 ngành, lĩnh vực, lĩnh vực cơng nghiệp chế biến - chế tạo dẫn đầu với tổng vốn đầu tư đạt 13,6 tỷ USD, chiếm 47,7% tổng vốn đầu tư đăng ký Ngành công nghiệp chế biến - chế tạo giữ vai trò dẫn dắt tăng trưởng ngành cơng nghiêp nói riêng tồn kinh tế nói chung Những mà kinh tế Việt Nam đạt năm 2020 cho thấy thành cơng điều hành sách Chính phủ Việt Nam Trong năm 2020, Ngân hàng Nhà nước Việt Nam hạ lãi suất điều hành xuống mức thấp so với nước khu vực Đông Nam Á Hành động Ngân hàng Nhà nước Việt Nam tạo điều kiện cho ngân hàng thương mại tiếp cận nguồn vốn từ Ngân hàng Nhà nước với chi phí thấp hơn, qua có điều i kiện giảm lãi suất cho vay để hỗ trợ khách hàng phục hồi sản xuất kinh doanh Việc triển khai đồng giải pháp Ngân hàng Nhà nước Việt Nam góp phần quan trọng thực mục tiêu kép vừa kiểm soát dịch Covid-19, vừa phát triển kinh tế theo chủ trương Chính phủ Bước sang năm 2021, nhiều tổ chức quốc tế đánh giá Việt Nam điểm sáng hoi tranh ảm đạm kinh tế giới nhờ nỗ lực lớn kiểm soát dịch bệnh, khơi phục sản suất, thực sách tiền tệ sách tài khóa để kích thích kinh tế vượt qua khó khăn Mặc dù vậy, bối cảnh quốc tế năm 2021 khơng thuận lợi làm trầm trọng điểm yếu nội kinh tế Việt Nam khơng có biện pháp cải cách mang tính thực chất mạnh mẽ Chính phủ Có thể nói kinh tế Việt Nam năm 2021 đứng trước “thời nguy khó” Để tận dụng “thời cơ” vượt qua “nguy khó”, chúng tơi cho Việt Nam cần đẩy mạnh chuyển đổi kinh tế hướng đến kinh tế số Bởi lẽ, xu hướng số hóa kinh tế hoạt động xã hội tảng cho phép Cách mạng công nghiệp lần thứ tư bùng nổ nhiều nước phát triển phát triển, có Việt Nam Bên cạnh đó, để có sách tiền tệ sách tài khóa thực xác nhằm kích thích kinh tế vượt qua “nguy khó”, Việt Nam cần chuyển đổi mạnh mẽ công tác dự báo hướng đến khai phá liệu lớn (Big Data) thông qua phương pháp học sâu (Deep Learning) Trong năm gần đây, học sâu ngày ứng dụng nhiều vào lĩnh vực kính tế Với nhiệm vụ dự báo kinh tế vĩ mô, số kinh tế vĩ mô chất chuỗi thời gian (time series) học sâu chứng minh có khả dự báo tốt cách tiếp cận dự báo truyền thống dựa thống kê (Sagheer Kotb, 2019; Shih cộng sự, 2019; Makridakis, Spiliotis Assimakopoulos, 2020; Lim Zohren, 2020; Smyl, 2020) Trên sở đó, Nhóm nghiên cứu xây dựng Báo cáo vĩ mô năm 2020 với chủ đề “Thời nguy khó” Bên cạnh việc phân tích kinh tế vĩ mơ giới năm 2020 tác động đến kinh tế Việt Nam 2021, Báo cáo đưa nhìn toàn cảnh kinh tế Việt Nam năm 2020 kịch cho năm 2021 Nội dung báo cáo tập trung vào dự báo số kinh tế vĩ mô năm 2021 sở khai phá liệu lớn (Big data) thông qua phương pháp học sâu (Deep Learning) nhóm nghiên cứu trường Đại học Ngân hàng TP HCM không ngừng phát triển thời gian qua Với mong muốn chia thành nghiên cứu tiếp thu đóng góp học giả, nhà hoạch định sách, doanh nghiệp cá nhân hai miền Nam Bắc, hy vọng báo cáo tài liệu tham khảo hữu ích phục vụ cơng tác điều hành, nghiên cứu Việt Nam ii MỤC LỤC LỜI NÓI ĐẦU i MỤC LỤC iii DANH MỤC HÌNH v DANH MỤC BẢNG vii DANH MỤC HỘP vii DANH MỤC TỪ VIẾT TẮT viii PHẦN KINH TẾ VĨ MÔ THẾ GIỚI VÀ TÁC ĐỘNG ĐẾN VIỆT NAM 11 1.1 DIỄN BIẾN KINH TẾ THẾ GIỚI NĂM 2020 11 1.2 MỘT SỐ DỰ BÁO VÀ DỰ KIẾN TÁC ĐỘNG ĐẾN KINH TẾ VIỆT NAM NĂM 2021 15 1.2.1 DỰ BÁO KINH TẾ THẾ GIỚI NĂM 2021 15 1.2.2 NHỮNG TÁC ĐỘNG DỰ KIẾN ĐẾN KINH TẾ VIỆT NAM NĂM 2021 17 PHẦN TOÀN CẢNH KINH TẾ VIỆT NAM NĂM 2020 VÀ KỊCH BẢN CHO NĂM 2021 19 2.1 TOÀN CẢNH KINH TẾ VIỆT NAM NĂM 2020 19 2.1.1 TĂNG TRƯỞNG KINH TẾ 19 2.1.2 LẠM PHÁT 27 2.1.3 KHU VỰC NGÂN SÁCH - NỢ CÔNG 31 2.1.3.1 NGÂN SÁCH NHÀ NƯỚC 31 2.1.3.2 TRÁI PHIẾU CHÍNH PHỦ 34 2.1.4 KHU VỰC TIỀN TỆ - NGÂN HÀNG 36 2.2 KỊCH BẢN KINH TẾ VIỆT NAM NĂM 2021 42 2.2.1 TĂNG TRƯỞNG KINH TẾ 42 2.2.2 LẠM PHÁT 44 2.2.3 KHU VỰC NGÂN SÁCH - NỢ CÔNG 45 2.2.3.1 NGÂN SÁCH NHÀ NƯỚC 45 iii 2.2.3.2 TRÁI PHIẾU CHÍNH PHỦ 46 2.2.4 KHU VỰC TIỀN TỆ - NGÂN HÀNG 47 PHẦN CÁCH TIẾP CẬN MỚI TỪ CÁC MƠ HÌNH HỌC MÁY (MACHINE LEARNING) CHO DỰ BÁO KINH TẾ VĨ MÔ 49 3.1 ỨNG DỤNG MƠ HÌNH VAR, LASSO VÀ MLP TRONG DỰ BÁO TĂNG TRƯỞNG KINH TẾ VÀ LẠM PHÁT VIỆT NAM NĂM 2021 49 3.2 ỨNG DỤNG MƠ HÌNH VAR, LASSO VÀ LSTM TRONG DỰ BÁO GIÁ DẦU THÔ 58 3.3 DỰ BÁO TỔNG SẢN PHẨM QUỐC NỘI NĂM 2021 BẰNG PHƯƠNG PHÁP HỌC SÂU (DEEP LEARNING) 65 3.4 TÀI TRỢ PHÁT TRIỂN BỀN VỮNG TRONG MỘT THẾ GIỚI ĐỔI THAY – NĂM 2021 SẼ MANG LẠI ĐIỀU GÌ? 75 3.5 XÂY DỰNG KỊCH BẢN KINH TẾ VĨ MƠ TRÊN CƠ SỞ LẬP TRÌNH TÀI CHÍNH 80 TÀI LIỆU THAM KHẢO 83 iv DANH MỤC HÌNH Hình Tăng trưởng kinh tế toàn cầu 12 Hình Lạm phát toàn cầu 12 Hình Tăng trưởng kinh tế lớn 14 Hình Tăng trưởng thương mại toàn cầu 14 Hình Tăng trưởng kinh tế giai đoạn 2011-2020 .19 Hình Tăng trưởng GDP theo quý năm 2020 19 Hình Tăng trưởng trung bình năm giai đoạn 1995-2020 .19 Hình Tăng trưởng GDP giai đoạn 1995-2020 19 Hình Tăng trưởng GDP phân theo ngành kinh tế 20 Hình 10 Tăng trưởng khu vực nơng nghiệp – lâm nghiệp – thuỷ sản 21 Hình 11 Tăng trưởng ngành công nghiệp theo quý năm 2020 22 Hình 12 Tăng trưởng sản xuất công nghiệp chế biến chế tạo giai đoạn 2015-2020 23 Hình 13 Tăng trưởng ngành xây dựng hàng quý giai đoạn 2015-2019 .23 Hình 14 Đóng góp sản xuất ngành vào tăng trưởng 24 Hình 15 Tăng trưởng tiêu dùng hàng tháng loại trừ yếu tố giá giai đoạn 2015-2020 24 Hình 16 Cơ cấu vốn đầu tư toàn xã hội năm 2020 24 Hình 17 Tăng trưởng vốn đầu tư toàn xã hội giai đoạn 2012-2020 25 Hình 18 Tăng trưởng xuất nhập CCTM giai đoạn 2012-2020 .26 Hình 19 Kim ngạch xuất nhập giai đoạn 2012-2020 (Đvt: triệu USD) 26 Hình 20 Diễn biến lạm phát giai đoạn 2012 – 2020 (%, ayoy) 27 Hình 21 Diễn biến lạm phát tổng thể (%, mom) 27 Hình 22 Biến động giá nhóm hàng năm 2020 (%, ayoy) 28 Hình 23 Đóng góp nhóm hàng vào lạm phát tổng thể năm 2020 (đpt, ayoy) .28 Hình 24 Biến động giá thịt lợn gạo (%, mom) 29 Hình 25 Biến động giá nhóm Hàng ăn dịch vụ ăn uống (%, mom) 29 Hình 26 Giá dầu giới năm 2020 (Đvt: USD/thùng) .30 Hình 27 Giá xăng dầu nước năm 2020 (Đvt: VND/lít) 30 Hình 28 Chi NSNN tính đến 15/12 (% dự tốn) 33 Hình 29 Chi NSNN tính đến 15/12 (giai đoạn 2016-2020 (nghìn tỷ VND) 33 Hình 30 TPCP phát hành theo kỳ hạn năm 2020 (tỷ đồng) .35 Hình 31 Phát hành rịng tỷ lệ trúng thầu TPCP (%, nghìn tỷ đồng) 35 v Hình 32 Lãi suất TPCP (%) .35 Hình 33 Lợi suất TPCP 10N so với quốc gia giới (15/12/2012) 35 Hình 34 Giá trị giao dịch Outright Repo thị trường thứ cấp 36 Hình 35 Đường cong lãi suất TPCP thị trường thứ cấp 36 Hình 36 Dự báo tăng trưởng ngành 2021 – Kịch lạc quan 43 Hình 37 Dự báo tăng trưởng ngành 2021 – Kịch lạc quan 43 Hình 38 Dự báo số giá hàng hoá quốc tế .44 Hình 39 Dự báo giá dầu giới (Đvt: USD/thùng) 44 Hình 40 Kết ước lượng mơ hình MLP với biến đầu tăng trưởng kinh tế 54 Hình 41 Kết ước lượng mơ hình MLP với biến đầu lạm phát 54 Hình 42 Kết dự báo tăng trưởng kinh tế năm 2021 mơ hình VAR, LASSO, MLP 55 Hình 43 Kết dự báo lạm phát năm 2021 mơ hình VAR, LASSO, MLP 56 Hình 44 Mạng nhớ ngắn-dài hạn (LSTM) 60 Hình 45 Kết dự báo giá dầu mơ hình VAR 61 Hình 46 Kết dự báo giá dầu mơ hình LASSO 62 Hình 47 Kết dự báo giá dầu mơ hình LSTM 62 Hình 48 Một kiến trúc RNN-ED .67 vi DANH MỤC BẢNG Bảng Dự báo IMF tăng trưởng, thương mại, giá 16 Bảng Tình hình thu chi NSNN năm 2020 (Đvt: nghìn tỷ đồng) .31 Bảng Tình hình thu chi NSNN từ năm 2015 đến năm 2020 (Đvt: nghìn tỷ đồng) 33 Bảng Mục tiêu kinh tế xã hội năm 2021 42 Bảng Dự báo tăng trưởng kinh tế lạm phát cho Việt Nam năm 2021 42 Bảng Dự toán thu chi NSNN năm 2021 45 Bảng Kịch kinh tế vĩ mô Việt Nam năm 2021 (%) 47 Bảng Các biến số mơ hình nghiên cứu 50 Bảng Số liệu năm 2020 (dư kiến) tác động COVID-19 51 Bảng 10 Kết ước lượng mơ hình VAR .52 Bảng 11 Kết ước lượng mơ hình LASSO với biến phụ thuộc tăng trưởng kinh tế .53 Bảng 12 Kết ước lượng mơ hình LASSO với biến phụ thuộc lạm phát 53 Bảng 13 Kết tính tốn số RMSE, MAPE MSE mơ hình .55 Bảng 14 Kết tính tốn số RMSE, MAPE MSE mơ hình .55 Bảng 15 Kết tính tốn số RMSE, MAPE MSE mơ hình .63 Bảng 16 Kết dự báo GDP (danh nghĩa) Việt Nam .70 Bảng 17 Kịch kinh tế vĩ mô Việt Nam năm 2021 (%) 81 DANH MỤC HỘP Hộp Những học chống suy thoái kinh tế 18 vii DANH MỤC TỪ VIẾT TẮT Từ viết tắt Từ tiếng Anh Từ tiếng Việt ADB Asian Development Bank Ngân hàng Phát triển châu Á ASEAN Association of Southeast Asian Nations AYOY Average year over year Hiệp hội Quốc gia Đông Nam Á Trung bình so với kỳ năm trước BĐS Bất động sản BHYT Bảo hiểm y tế BTC Bộ Tài BVAR Bayesian Vector Autoregression Tự hồi quy vectơ ứng dụng thống kê Bayes CAR Capital Aquadecy Ratio Tỷ lệ an tồn vốn CCTC Cán cân tài CCTM Cán cân thương mại CCTN Cán cân thu nhập CCTT Cán cân toán (tổng thể) CCVL Cán cân vãng lai CGVLMC Chuyển giao vãng lai chiều CNY Chinese Yuan Nhân dân tệ CPI Consumer Price Index Chỉ số giá tiêu dùng CPTPP Comprehensive and Progressive Agreement for Trans-Pacific Partnership Hiệp định Đối tác Toàn diện Tiến xuyên Thái Bình Dương CSTK Chính sách tài khóa CSTT Chính sách tiền tệ DTNH Dự trữ ngoại hối DPRR Dự phòng rủi ro ĐPT Điểm phần trăm EIA Energy Information Administration Cơ quan Quản lý Thông tin Năng lượng (Mỹ) EVN Vietnam Electricity Tập đoàn Điện lực Việt Nam EVFTA European Union – Vietnam Foreign Trade Agreement Hiệp định thương mại tự Liên minh châu Âu – Việt Nam FDI Foreign Direct Investment Đầu tư trực tiếp nước FED Federal Reserve System Cục Dự trữ Liên bang Mỹ viii tế vĩ mô từ năm 1870 đến 2016 17 kinh tế mạnh giới (Jorda cộng sự, 2016) Việt Nam Kết thí nghiệm liệu kinh tế Mỹ (Hien cộng sự, 2020; Hien Duc Trung, 2020) Việt Nam cho thấy học sâu có khả thay cho mơ hình dự báo kinh tế vĩ mơ truyền thống Tài liệu tham khảo [1] Angermueller, C., Pärnamaa, T., Parts, L and Stegle, O (2016) Deep learning for computational biology Molecular Systems Biology, 12(7), p.878 [2] Bolhuis, Marijn and Rayner, Brett (2020) Deus Ex Machina? A Framework for Macro Forecasting with Machine Learning IMF Working Paper No 20/45 Available at SSRN: https://ssrn.com/abstract=3579665 [3] Bengio, Y., Courville, A., & Vincent, P (2013) Representation learning: A review and new perspectives IEEE transactions on pattern analysis and machine intelligence, vol 35, no 8, pp 1798–1828 [4] Benidis, K., Rangapuram, S S., Flunkert, V., Wang, B., Maddix, D., Turkmen, C., Gasthaus, J., Bohlke-Schneider, M., Salinas, D., L Stella et al (2020) Neural forecasting: Introduction and literature overview arXiv preprint arXiv:2004.10240 [5] Coqueret, G (2020) Machine Learning in Finance: From Theory to Practice: by Matthew F Dixon, Igor Halperin, and Paul Bilokon, Springer (2020) ISBN 978-3-03041067-4 Paperback [6] Coulombe, P G., Leroux, M., Stevanovic, D., & Surprenant, S (2019) How is Machine Learning Useful for Macroeconomic Forecasting? (No 2019s-22) CIRANO [7] Cook, T., Smalter Hall, A (2018) Macroeconomic indicator forecasting with deep neural networks In: 2nd International Conference on Advanced Research Methods and Analytics (CARMA 2018) pp 261–261 [8] Chen, R.T., Rubanova, Y., Bettencourt, J., & Duvenaud, D.K (2018) Neural ordinary differential equations In Advances in neural information processing systems [9] Chakraborty, C., & Joseph, A (2017) Machine learning at central banks Staff Working Paper No 674 Bank of England [10] Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., Bengio, Y (2014) Learning phrase representations using rnn encoder–decoder for statistical machine translation In: Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) pp 1724–1734 [11] Chung, J., Gulcehre, C., Cho, K., Bengio, Y (2014) Empirical evaluation of gated recurrent neural networks on sequence modeling NIPS 2014 Workshop on Deep Learning [12] Devlin, J., Chang, M W., Lee, K., & Toutanova, K (2019) BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume (pp 4171-4186) 71 [13] Dinh , L., J Sohl-Dickstein, and S Bengio (2016) Density estimation using real nvp arXiv preprint arXiv:1605.08803 [14] Fuleky, P ed (2019) Macroeconomic Forecasting in the Era of Big Data: Theory and Practice (Vol 52) Springer Nature [15] Goh, G.B., Hodas, N.O and Vishnu, A (2017) Deep learning for computational chemistry Journal of Computational Chemistry, 38(16), pp.1291-1307 [16] Goodfellow, I., Bengio, Y., Courville, A and Bengio, Y (2016) Deep learning (Vol 1, No 2) Cambridge: MIT press [17] Han, B., Lin, Y., Yang, Y., Mao, N., Li, W., Wang, H., Yasuda, K., Wang, X., Fatemi, V., Zhou, L and Wang, J.I.J (2020) Deep‐Learning‐Enabled Fast Optical Identification and Characterization of 2D Materials Advanced Materials [18] Harutyunyan, H., Khachatrian, H., Kale, D.C., Ver Steeg, G., & Galstyan, A (2019) Multitask learning and benchmarking with clinical time series data Scientific data, 6(1), 1-18 [19] Hall, A S (2018) Machine Learning Approaches to Macroeconomic Forecasting Economic Review (Kansas City, MO), 103(4), 63 [20] He, K., Zhang, X., Ren, S., and Sun, J (2016) Deep residual learning for image recognition Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp 770–778 [21] Hegde, R.S (2020) Deep learning: a new tool for photonic nanostructure design Nanoscale Advances, 2(3), pp.1007-1023 [22] Hien T Nguyen, et.al (2020) Macroeconomic Forecasting Based on LSTM-Conditioned Normalizing Flows The 4th International Conference on Financial Econometrics (ECONVN 2021) Springer [23] Hien T Nguyen, Duc Trung Nguyen (2020) Transfer Learning for Macroeconomic Forecasting The 7th NAFOSTED Conference on Information and Computer Science (NICS) IEEE [24] Jung, J.K., Patnam, M., Ter-Martirosyan, A (2018) An Algorithmic Crystal Ball: Forecasts-based on Machine Learning International Monetary Fund [25] Jennifer P Stevens, Steven Horng, Ashley O’Donoghue, Sarah Moravick and Anthony Weiss (2020) How One Boston Hospital Built a Covid-19 Forecasting System Harvard Business Review [26] Jorda, Oscar, Moritz Schularick, Alan M Taylor 2016 Macrofinancial History and the New Business Cycle Facts Federal Reserve Bank of San Francisco Working Paper 2016-23 http://www.frbsf.org/economic-research/publications/working- papers/wp2016-23.pdf [27] Jordan, M I., & Mitchell, T M (2015) Machine learning: Trends, perspectives, and prospects Science, 349(6245), 255-260 72 [28] Kobyzev, I., Prince, S & Brubaker, M (2020) Normalizing flows: An introduction and review of current methods IEEE Transactions on Pattern Analysis and Machine Intelligence [29] Lim, B., & Zohren, S (2020) Time Series Forecasting with Deep Learning: A Survey University of Oxford [30] Lye, K.O., Mishra, S and Ray, D (2020) Deep learning observables in computational fluid dynamics Journal of Computational Physics [31] Makridakis, S., Spiliotis, E., & Assimakopoulos, V (2020) The m4 compe- tition: 100,000 time series and 61 forecasting methods International Journal of Forecasting, vol 36, no 1, pp 54–74 [32] Medeiros, M C., Vasconcelos, G F., Veiga, A., & Zilberman, E (2019) Forecasting inflation in a data-rich environment: the benefits of machine learning methods Journal of Business & Economic Statistics, pp 1–22 [33] McCracken, M and Ng, S., 2020 Fred-qd: A quarterly database for macroeconomic research (No w26872) National Bureau of Economic Research [34] Papamakarios, G., T Pavlakou, and I Murray (2017) Masked autoregressive flow for density estimation Advances in Neural Information Processing Systems, pp 2338– 2347 [35] Ruder, S (2019) Neural transfer learning for natural language processing (Doctoral dissertation, NUI Galway) [36] Soybilgen, B., & Yazgan, E (2020) Nowcasting US GDP Using Tree-Based Ensemble Models and Dynamic Factors Cefis Working Paper Series Istanbul Bilgi University [37] Salinas, D., Flunkert, V., Gasthaus, J., Januschowski, T (2020) Deepar: Probabilistic forecasting with autoregressive recurrent networks International Journal of Forecasting 36(3), 1181–1191 [38] Sezer, O B., Gudelek, M U., & Ozbayoglu, A M (2020) Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 Applied Soft Computing [39] Smyl, S (2020) A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting International Journal of Forecasting, vol 36, no 1, pp 75–85 [40] Sagheer, A & Kotb, M (2019) Unsupervised pre-training of a deep LSTM-based stacked autoencoder for multivariate time series forecasting problems Scientific Reports, vol 9, no 1, pp 1–16 [41] Shih, S.-Y., Sun, F.-K., and Lee, H.-y (2019) Temporal pattern attention for multivariate time series forecasting Machine Learning, vol 108, no 8-9, pp 1421– 1441, 2019 [42] Taghiyeh, S., Lengacher, D C., & Handfield, R B (2020) Loss Rate Forecasting Framework Based on Macroeconomic Changes: Application to US Credit Card Industry arXiv preprint arXiv:2006.07911 73 [43] Wochner, D (2020) Dynamic Factor Trees and Forests–A Theory-led Machine Learning Framework for Non-Linear and State-Dependent Short-Term US GDP Growth Predictions KOF Working Papers, KOF Swiss Economic Institute, ETH Zurich https://doi.org/10.3929/ethz-b-000399304 [44] Wainberg, M., Merico, D., Delong, A and Frey, B.J (2018) Deep learning in biomedicine Nature Biotechnology, 36(9), pp.829-838 [45] Yann LeCun, Yoshua Bengio, and Geoffrey Hinton (2015) Deep Learning Nature, 521(7553):436–444 [46] Zhang, C., Patras, P., and Haddadi, H (2019) Deep learning in mobile and wireless networking: A survey IEEE Communications Surveys and Tutorials 74 3.4 TÀI TRỢ PHÁT TRIỂN BỀN VỮNG TRONG MỘT THẾ GIỚI ĐỔI THAY – NĂM 2021 SẼ MANG LẠI ĐIỀU GÌ? 129 Năm 2020 thay đổi giới Chúng ta nhiều đổi dịch chuyển ưu tiên từ tập trung vào tích lũy tài sản du lịch, sang đáp ứng nhu cầu bản, hỗ trợ cộng đồng gia đình Trong trình đấu tranh với sóng đại dịch vào cuối năm 2020 khủng hoảng kinh tế tiếp tục kéo dài sang năm 2021, thu số học rút kinh nghiệm từ biến cố Chúng ta cần xây dựng kinh tế bền vững có khả phục hồi cao cách đưa yếu tố thiết yếu biến đổi khí hậu bảo vệ thiên nhiên vào trình định, bảo vệ người trái đất 130 Các yếu tố môi trường gia tăng nảy sinh bệnh truyền nhiễm nguồn gốc động vật COVID-19 bao gồm buôn bán tiêu thụ động vật hoang dã bị đe dọa, thay đổi mục đích sử dụng đất dẫn đến phá rừng chuyển đổi, mở rộng nông nghiệp chăn nuôi công nghiệp không bền vững Các nhà khoa học tổ chức lãnh đạo tư tưởng Diễn đàn Kinh tế Thế giới (WEF) đưa nhiều cảnh báo nguy đại dịch toàn cầu Từ thập kỷ trước, WEF xếp đại dịch bệnh truyền nhiễm nguy toàn cầu hàng đầu, gây ‘mối đe dọa cấp bách sống người’ Do đó, khơng thể coi đại dịch bất ngờ hay ngăn đại dịch tái diễn tương lai, mà điều chỉnh mối quan hệ với thiên nhiên để giảm khả xảy mức độ nghiêm trọng đại dịch Tài trợ phát triển bền vững phần kế hoạch ứng phó 131 Cuộc khủng hoảng cho thấy tầm quan trọng việc tăng cường khả phục hồi trước rủi ro môi trường xã hội Bước sang năm 2021, điều quan trọng ngân hàng tổ chức tài khác phải đưa biện pháp mạnh mẽ nhằm lúc giải hai vấn đề cấp bách biến đổi khí hậu tàn phá thiên nhiên, đồng thời giúp đảm bảo hướng tới tương lai phát thải carbon thấp, bền vững có khả phục hồi cao, theo người sống hài hòa với tự nhiên 132 Trong năm qua, có tiến đáng kể đáng khích lệ việc thay đổi tổ chức tài doanh nghiệp theo hướng bền vững Sáng kiến Tài trợ Chương trình Mơi trường Liên hợp quốc (UNEP FI) đưa Nguyên tắc hoạt động ngân hàng có trách nhiệm (PRB) vào tháng năm 2019 Kể từ đó, 199 ngân hàng đại diện cho phần ba ngành ngân hàng toàn cầu tham gia ký kết Các Nguyên tắc tạo khn khổ cho phép ngân hàng đưa tính bền vững vào chiến lược, hoạt động danh mục đầu tư Đáng ý, bên cam kết phân tích tác động xã hội, đưa mục tiêu nhằm thể tác động cơng bố tiến độ thực mục tiêu Do đó, việc trở thành bên ký kết PRB bước vững mà ngân hàng thực để chuyển đổi thành tổ chức linh hoạt bền vững Số lượng bên ký kết Nguyên tắc đầu tư có trách nhiệm (PRI) gia tăng cho thấy ủng hộ ngày cao chủ sở hữu nhà quản lý tài sản nhằm chuyển dòng tài sang kết phát triển bền vững Đặc biệt, PRI có 3.000 bên ký kết với khối tài 75 sản 103 nghìn tỷ USD quản lý: tăng trưởng 20% so với năm ngoái, có 500 chủ sở hữu tài sản với giá trị tài sản lên tới gần 24 nghìn tỷ USD 133 Các sáng kiến tập trung vào vấn đề khí hậu bắt đầu phát triển Cùng với PRI, UNEP FI quy tụ Liên minh chủ sở hữu tài sản không phát thải Hội nghị thượng đỉnh khí hậu tổ chức New York vào năm ngoái Các bên ký kết Liên minh bao gồm 33 tổ chức đầu tư với khối tài sản nghìn tỷ USD, cam kết chuyển đổi danh mục đầu tư họ sang mức phát thải khí nhà kính khơng vào năm 2050 Là chủ sở hữu tài sản có tầm nhìn đầu tư dài hạn, nhà đầu tư có vị tốt để thúc đẩy hoạt động đầu tư có trách nhiệm nhà quản lý tài sản, điều chỉnh danh mục đầu tư phù hợp với mục tiêu Thỏa thuận chung Paris Điều củng cố nỗ lực Hành động Khí hậu 100+, liên minh 500 nhà đầu tư với khối tài sản 47 nghìn tỷ USD Hành động Khí hậu 100+ tập hợp công ty bao gồm 100 công ty phát thải lớn giới (chiếm 2/3 tổng lượng khí thải cơng nghiệp tồn cầu) để giảm lượng khí thải, cải thiện công tác quản trị tăng cường công bố tài liên quan đến khí hậu 134 Chính phủ quốc gia hành động để tăng cường quản lý rủi ro môi trường xã hội, quản trị công bố thông tin Các Quy định Ngân hàng Bền vững WWF ASEAN – Nâng cao tiêu chuẩn vào tháng 12/2019 cho thấy sáu quốc gia ASEAN ban hành quy định bắt buộc hướng dẫn tự nguyện ngân hàng bền vững Sau đó, khu vực ASEAN có tiến triển sau: (1) Tháng năm 2019, Ngân hàng Negara Malaysia (Ngân hàng Trung ương Malaysia) Ủy ban Chứng khoán Malaysia thành lập Ủy ban Liên hợp Biến đổi Khí hậu (JC3), hướng tới tăng cường khả phục hồi khu vực tài Malaysia rủi ro liên quan đến khí hậu thơng qua bốn tiểu ban: quản lý rủi ro, quản trị công bố thông tin, sản phẩm đổi mới, cam kết xây dựng lực Đáng ý, công việc bao gồm phân loại dựa nguyên tắc để xác định hoạt động bền vững (hoặc không bền vững), dự kiến ban hành vào đầu năm 2021; (2) Tháng năm 2020, Ngân hàng Bangkok Sentral ng Pilipinas (BSP – Ngân hàng Trung ương Philippines) Philippines ban hành Khung tài bền vững, với kỳ vọng đưa nguyên tắc bền vững vào chiến lược, hoạt động, hệ thống quản trị quản lý rủi ro ngân hàng Philippines; (3) Tháng năm 2020, Cơ quan Tiền tệ Singapore (MAS) ban hành Hướng dẫn Quản lý Rủi ro Môi trường để thực tham vấn rộng rãi, chi tiết kỳ vọng ngân hàng, công ty bảo hiểm nhà quản lý tài sản Mặc dù không đưa quy định, Chính phủ Nhật Bản Hàn Quốc cam kết giảm lượng phát thải kinh tế xuống không vào năm 2050, mục tiêu phù hợp với mục tiêu Liên minh châu Âu đặt vào năm ngoái Hơn nữa, Cơ quan Giám sát Tài Hàn Quốc (FSS) cơng bố kế hoạch kiểm tra sức chịu đựng khí hậu lĩnh vực tài Hàn Quốc, theo khuyến nghị Mạng lưới Hệ thống Tài xanh (NGFS) Với việc Trung Quốc cam kết đạt mức phát thải không vào năm 2060, ba kinh tế lớn châu Á tuyên bố mục tiêu không phát thải Điều đặt tiền lệ mạnh mẽ cho Chính phủ 76 châu Á khác làm theo doanh nghiệp (bao gồm tổ chức tài chính) hoạt động quốc gia nên chuẩn bị cho thay đổi quy định tới 135 Ngồi khí hậu, nhận thức mức độ nghiêm trọng tàn phá thiên nhiên tiếp tục nâng cao bước đầu tăng cường hành động phủ, chủ đầu tư hay doanh nghiệp Trên tồn cầu, doanh nghiệp kêu gọi phủ áp dụng sách ứng phó với rủi ro mơi trường, bao gồm số tập đoàn lớn có ảnh hưởng 600 doanh nghiệp với doanh thu nghìn tỷ USD u cầu phủ ban hành sách nhằm khắc phục tình trạng tàn phá thiên nhiên vào năm 2030 phần Lời kêu gọi hành động Tổ chức Kinh doanh Tự nhiên Liên minh Thực phẩm Sử dụng Đất kêu gọi phủ toàn giới hành động, tập trung phần vào phục hồi xanh từ đại dịch COVID-19 thông qua đầu tư vào hệ thống thực phẩm bền vững có khả phục hồi cao Tháng năm ngối, Chính phủ Pháp sửa đổi Điều 173 Luật Chuyển đổi Năng lượng, yêu cầu tổ chức tài cơng bố thơng tin rủi ro liên quan đến đa dạng sinh học biến đổi khí hậu Tháng năm 2020, Ngân hàng Trung ương Hà Lan công bố báo cáo cho thấy đa dạng sinh học gây rủi ro vật chất, chuyển đổi uy tín cho tổ chức tài Lực lượng đặc nhiệm cơng bố thơng tin tài liên quan đến tự nhiên (TNFD) thành lập vào tháng 7, có 62 thành viên nhóm làm việc khơng thức, bao gồm tổ chức tài AXA, BNP Paribas, Ngân hàng DBS, Rabobank Storebrand TNFD có mục đích chuyển hướng dịng tài sang hoạt động kinh doanh có lợi cho thiên nhiên hướng tới tạo khuôn khổ báo cáo nhằm tăng cường công bố thông tin liên quan đến thiên nhiên đa dạng sinh học Vào tháng 9, 26 tổ chức tài với tài sản trị giá nghìn tỷ euro quản lý ký Cam kết Tài cho Đa dạng Sinh học, cam kết bảo tồn đa dạng sinh học thơng qua hoạt động tài kêu gọi nhà lãnh đạo giới khắc phục tình trạng tàn phá thiên nhiên vào năm 2030 136 WWF Singapore phát hành báo cáo SUSBA 2020 vào tháng 12, phân tích mức độ ngân hàng ASEAN đưa mục tiêu môi trường xã hội vào trình định Kết đáng khích lệ đại đa số ngân hàng nhận thức biến đổi khí hậu vấn đề khẩn cấp trái đất 32 số 38 ngân hàng ASEAN, ba ngân hàng Hàn Quốc tất năm ngân hàng Nhật Bản, nhận thấy thách thức to lớn mà biến đổi khí hậu gây cho xã hội, so với 19 ngân hàng ASEAN vào năm ngoái Theo đó, ngân hàng ngày sử dụng mục tiêu phát triển bền vững cách để đóng góp cho xã hội: 30 ngân hàng ASEAN, ngân hàng Hàn Quốc ngân hàng Nhật Bản đưa mục tiêu phát triển bền vững vào chiến lược tầm nhìn mình, tăng thêm 10 ngân hàng so với năm ngoái 137 Tuy nhiên, mức độ quan tâm ngân hàng rủi ro suy thối mơi trường vấn đề xã hội khác Chỉ có phần ba số ngân hàng (14 ngân hàng ASEAN, ngân hàng Hàn Quốc ba ngân hàng Nhật Bản) cho tình trạng khẩn 77 cấp thiên nhiên gây rủi ro đáng kể cho kinh tế xã hội Có thể đó, có năm ngân hàng ASEAN khơng có ngân hàng Hàn Quốc hay Nhật Bản thực đánh giá rủi ro môi trường xã hội toàn danh mục đầu tư Những rủi ro bao gồm phá rừng, khan nước, nhân quyền quyền lao động thường đan xen với rủi ro liên quan đến khí hậu Vì vậy, điều quan trọng ngân hàng phải áp dụng biện pháp bảo vệ mạnh mẽ để giảm thiểu rủi ro phát sinh từ tất vấn đề môi trường xã hội Các vấn đề thường ngân hàng quốc tế hàng đầu giải sách cụ thể theo ngành điểm báo cáo SUSBA 2020 việc bổ sung cam kết sách khách hàng mà ngân hàng áp dụng cho lĩnh vực rủi ro cao Đây bổ sung tự nhiên báo cáo SUSBA cải tiến phản ánh định hướng nhiều ngân hàng, bắt đầu với mục tiêu môi trường xã hội chung đánh giá rủi ro bền vững, trước tăng cường khảo sát khách hàng lĩnh vực khu vực có rủi ro cao khảo sát vấn đề đa dạng sinh học Mặc dù việc xác định lĩnh vực khu vực có rủi ro cao phụ thuộc vào đặc điểm khách hàng, nhiều lĩnh vực nhìn chung coi có rủi ro cao Các lĩnh vực bao gồm khai thác mỏ kim loại, lượng, hải sản, hóa chất mặt hàng nơng nghiệp dầu cọ, chăn nuôi, đậu nành cao su 138 Đi sâu vào vấn đề trọng yếu sách lượng, Khu vực Đông Nam Á cần chuyển đổi hệ thống lượng để đáp ứng mục tiêu biến đổi khí hậu Theo dự báo biến đổi khí hậu, cần phải loại bỏ than đá toàn cầu vào năm 2040 để đáp ứng cam kết Thỏa thuận chung Paris, có nghĩa nhà máy than phải đóng cửa Mặc dù khí đốt cho nhiên liệu chuyển đổi trình chuyển đổi lượng sạch, phạm vi dầu khí đốt hạn chế sử dụng để giữ ấm an tồn ngưỡng 1,5°C Như có nghĩa hội đầu tư cho khí đốt bị hạn chế có nguy tăng lượng khí nhà kính khiến mục tiêu khí hậu Thỏa thuận chung Paris khơng thể đạt Do đó, ngày nhiều tổ chức tài quốc tế dừng đầu tư vào sở hạ tầng than, đồng thời loại bỏ hoạt động thăm dị dầu khí táo bạo giàn khoan Bắc Cực, chi phí rủi ro môi trường lớn 139 Tuy nhiên, việc loại bỏ sản xuất điện than khai thác than để cung cấp lượng cho sản xuất trở thành tiêu chuẩn châu Âu ngân hàng ASEAN có sách tương tự Nếu có chúng giới hạn việc cấp vốn cho dự án cụ thể, nghĩa số ngân hàng cho phép xây dựng nhà máy điện than cách hỗ trợ tài doanh nghiệp cho dạng dịch vụ lượng khu vực May mắn thay, có dấu hiệu cho thấy trình chuyển đổi lượng khu vực diễn Các dự báo cho thấy vòng 10 năm tới, việc xây dựng nhà máy lượng mặt trời rẻ so với việc vận hành nhà máy than có Indonesia Việt Nam 140 Kết thúc năm 2020 dịp để nhìn lại vấn đề tồn đọng rút học cho năm 2021, đó, tập trung vào vấn đề phát triển bền vững tài trợ bền 78 vững Chỉ giải vấn đề biến đổi khí hậu bố trí hoạt động kinh tế cách hài hịa với thiên nhiên, có hệ sinh thái mạnh mẽ với khả phục hồi tốt, cần thiết cho tồn phát triển người trái đất 79 3.5 XÂY DỰNG KỊCH BẢN KINH TẾ VĨ MƠ TRÊN CƠ SỞ LẬP TRÌNH TÀI CHÍNH 141 Theo định nghĩa IMF, “lập trình tài (Financial programming) tập hợp quán toàn diện biện pháp sách nhằm đạt mục tiêu vĩ mơ theo kế hoạch định” Lập trình tài xây dựng từ kịch sở khung thời gian định tương lai sử dụng khn khổ kế tốn mối quan hệ hành vi chủ chốt nhằm nhận diện mục tiêu cơng cụ sách phù hợp với nguồn lực sẵn có kinh tế 142 Lập trình tài giúp đạt mục tiêu vĩ mô, bao gồm mục tiêu ngắn hạn trung hạn Các mục tiêu sách kinh tế ngắn hạn gồm: (i) xây dựng điều kiện để thúc đẩy kinh tế tăng trưởng cao hơn; (ii) giảm tỷ lệ lạm phát và; (iii) cải thiện cán cân toán Các mục tiêu tương ứng với mục tiêu kinh tế trung hạn bao gồm: (i) Đạt tỷ lệ tăng trưởng kinh tế mức cao; (ii) Duy trì tỷ lệ lạm phát thấp và; (iii) Đạt trì trạng thái cán cân toán bền vững Các mục tiêu kinh tế ngắn hạn trung hạn gắn kết chặt chẽ với 143 Lập trình tài thiết lập chế làm việc cách quán toàn diện với tất bốn khu vực kinh tế bao gồm: khu vực kinh tế thực, khu vực đối ngoại, khu vực phủ khu vực tiền tệ khn khổ kế tốn vĩ mơ thống Thơng qua đó, nhà điều hành định hướng sách cụ thể phù hợp với thời kỳ, giúp cho việc phối hợp sách nhịp nhàng hiệu Lập trình tài giúp nhà hoạch định kinh tế mơ định lượng mối quan hệ khu vực kinh tế 144 Những thay đổi (rủi ro) phát sinh khu vực ảnh hưởng đến khu vực cịn lại từ làm thay đổi cân đối vĩ mơ tổng thể có liên quan kinh tế có tính “động” Trong thực tế lập trình tài chính, kinh tế có nhiều kịch khả thi khác phụ thuộc vào nội lực kinh tế, diễn biến kinh tế giới sách điều hành kinh tế vĩ mô quan quản lý Mối quan hệ biến số vĩ mô khu vực kinh tế khác minh họa với vài đại diện sau: (i) GDP ↑ thể hoạt động sản xuất cải thiện → thu nhập ↑, → chi tiêu ↑, xuất nhập ↑ → M2 ↑ (do tiết kiệm kinh tế nhu cầu tiền mặt ↑), tín dụng ↑ để cung cấp vốn cho hoạt động sản xuất, chi tiêu; (ii) Lạm phát ↑ → số giảm phát GDP ↑ → GDP danh nghĩa ↑ → M2 tín dụng ↑; (iii) Thâm hụt NSNN/GDP ↑ → Tài trợ cho hoạt động NSNN từ hệ thống ngân hàng ↑ → tín dụng tư nhân ↓ bị lấn át hoạt động ngân sách → M2 ↓; (iv) Cán cân toán tổng thể ↑ → NFA NHNN ↑ → M2 ↑ → khoản dồi hơn, TCTD đẩy mạnh cho vay kinh tế (do đó, tín dụng ↑) 145 Áp dụng khn khổ lập trình tài mà thực chất liên kết phân tích tài khoản kinh tế vĩ mơ, người làm sách xác định kịch vĩ mô phù hợp với thuận lợi/rủi ro xảy Kết phân tích lập trình 80 tài giúp nhà điều hành đưa kinh tế tương ứng nhằm đạt kết cuối theo hướng có lợi hợp lý 146 Ứng dụng lập trình tài để xây dựng kịch kinh tế vĩ mô, tiền tệ Việt Nam năm 2021 Tăng trưởng GDP năm 2021 biến động mạnh chịu ảnh hưởng diễn biến phức tạp dịch Covid-19 triển vọng vắc xin chưa chắn, với thời tiết bất thường, hạn hán xâm nhập mặn tiếp tục ảnh hưởng tới hoạt động nông nghiệp Với giả định kinh tế toàn cầu hồi phục mạnh, kinh tế bắt đầu mở cửa từ năm 2021, dự kiến tăng trưởng Việt Nam đạt 6,5-7% Trong kịch tích cực, tăng trưởng dự kiến đạt 5%-6% thấp so với mục tiêu dự kiến Chính phủ 6,5% 147 Lạm phát năm 2021 dự báo thấp đáng kể so với mục tiêu cầu hồi phục chậm giai đoạn đầu năm, dự kiến tăng nhanh vào giai đoạn cuối năm cầu quốc tế nước hồi phục Lạm phát bình quân năm 2021 dự kiến quanh mức 2,5-3,5% 148 Tỷ trọng bội chi NSNN so với GDP năm 2020 ước tính đạt 3,5% - 4% hai kịch Theo dự toán Bộ Tài chính, bội chi NSNN năm 2021 dự kiến quanh mức 4% Tuy nhiên, trường hợp kinh tế hồi phục tích cực dự báo, thu NSNN cải thiện đáng kể góp phần thu hẹp mức thâm hụt ngân sách năm 2021 kịch lạc quan 149 Cán cân toán quốc tế thặng dư từ đến tỷ USD năm 2021, thấp đáng kể mức thặng dư năm 2020 thặng dư cán cân thương mại dự kiến giảm so với năm 2020 nhập tăng nhanh xuất 150 Trên sở cân đối hài hòa với khu vực kinh tế, kết từ khu vực tiền tệ cho thấy tăng trưởng tổng toán năm 2021 từ 13 – 14,5% tăng trưởng tín dụng từ 12 14% phù hợp với lực chung kinh tế Bảng 17 Kịch bản kinh tế vĩ mô Việt Nam năm 2021 (%) Chỉ tiêu 2020 GDP Tăng trưởng GDP thực Khu vực nông, lâm nghiệp thủy sản Khu vực công nghiệp xây dựng Khu vực dịch vụ Tăng trưởng GDP danh nghĩa Giá Lạm phát (cuối kỳ) Lạm phát (trung bình năm) Ngân sách nhà nước (% GDP) Bội chi NSNN Cán cân toán (% GDP) 81 2021f Kịch Kịch 2,91 2,68 3,98 2,34 4,24 5-6 2-2,2 7-7,8 4-6 7-8,2 6,5-7 2,4 – 2,6 8,2-9 6,7 -8 9-10,5 0,19 3,24 2,75 4,5 3,3 4,1-4,2 -4,0 -3,5 Cán cân tổng thể (tỷ USD) Tỷ giá danh nghĩa (VND/USD) Khu vực tiền tệ Tổng phương tiện tốn (M2) Tín dụng cho kinh tế ~12 23.120 8,00 23.200 6,00 23.250 ~15 ~11 13,00 12,00 14,5 14,0 Nguồn: Tính tốn nhóm nghiên cứu, T12/2020 82 TÀI LIỆU THAM KHẢO [1] ADB (2019) Asian development outlook 2019 Retrieved from https://www.adb.org/publications/asian-development-outlook-2019-strengtheningdisaster-resilience [2] BTC (2019) Cơ sở liệu Truy cập từ http://www.mof.gov.vn/ [3] EIA (2019) Petroleum and other liquids data Retrieved from https://www.eia.gov/petroleum/data.php [4] FED (2019) Database Retrieved from https://www.federalreserve.gov/data.htm [5] HNX (2018) Cơ sở liệu Truy cập từ http://hnx.vn/ [6] IMF (2019a) Commodity Data Portal https://www.imf.org/en/Research/commodity-prices Retrieved [7] IMF (2019b) Exchange rate achieves by months https://www.imf.org/external/np/fin/data/param_rms_mth.aspx from Retrieved from [8] IMF (2019c) Annual Report on Exchange Arrangements and Exchange Restrictions 2018 Washington DC [9] IFS (2019) Database Retrieved from http://data.imf.org [10] NHNN (2019) Cơ sở liệu trực tuyến Truy cập từ http://www.sbv.gov.vn [11] OECD (2018) Database Retrieved from: https://data.oecd.org/ [12] Sims, C.A (1980), Macroeconomics and Reality, Econometrica, Vol 48, No 1, pp 1-48 [13] Tập đoàn Xăng dầu Việt Nam (2019) Cơ sở liệu Truy cập http://www.petrolimex.com.vn [14] TCTK (2019) Số liệu thống kê Truy cập từ http://www.gso.gov.vn [15] The Wall Street Journal https://markets.wsj.com/us [16] Tổng cục Hải quan (2019) (2019) Market data Thống Retrieved kê Hải from: quan https://www.customs.gov.vn/Lists/ThongKeHaiQuan/Default.aspx [17] USITC (2019) Database Retrieved from https://www.usitc.gov [18] Uỷ ban Chứng khoán Nhà nước (2019) Thống kê TTCK Truy cập từ http://www.ssc.gov.vn [19] WB (2019a) Global economic prospects Retrieved from http://www.worldbank.org/en/publication/global-economic-prospects [20] WB (2019b) World Bank Open Data Retrieved from https://data.worldbank.org/ [21] WEO (2019) Database Retrieved https://www.imf.org/external/pubs/ft/weo/2018/01/weodata/index.aspx [22] WTO (2019) Database Retrieved from https://www.wto.org/ 83 from SÁCH CHUYÊN KHẢO KINH TẾ VĨ MÔ VIỆT NAM NĂM 2020 TẬP 6: THỜI CƠ TRONG NGUY KHÓ TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HCM 36 Tôn Thất Đạm, Quận 1, TP HCM Tel: (84-28) 38 291901 Fax: (84-28) 38 212584 ... xây dựng Báo cáo vĩ mơ năm 2020 với chủ đề ? ?Thời nguy khó? ?? Bên cạnh việc phân tích kinh tế vĩ mơ giới năm 2020 tác động đến kinh tế Việt Nam 2021, Báo cáo đưa nhìn tồn cảnh kinh tế Việt Nam năm. . .KINH TẾ VĨ MƠ VIỆT NAM PHÂN TÍCH VÀ DỰ BÁO TẬP 6: NĂM 2021 - THỜI CƠ TRONG NGUY KHÓ Chủ biên PGS TS Nguy? ??n Đức Trung TS Bùi Hữu Toàn Thành viên thực PGS.TS Đoàn Thanh Hà TS Nguy? ??n Minh... 15 1.2.1 DỰ BÁO KINH TẾ THẾ GIỚI NĂM 2021 15 1.2.2 NHỮNG TÁC ĐỘNG DỰ KIẾN ĐẾN KINH TẾ VIỆT NAM NĂM 2021 17 PHẦN TOÀN CẢNH KINH TẾ VIỆT NAM NĂM 2020 VÀ KỊCH BẢN CHO NĂM 2021