(LUẬN văn THẠC sĩ) xây dựng mô hình dự báo số thu ngân sách của tỉnh khánh hòa theo phương pháp kết hợp

Định nghĩa dự báo

Dự báo

Dự báo là quá trình dự đoán các sự kiện trong tương lai, có thể dựa trên một hoặc nhiều căn cứ khoa học Tuy nhiên, kết quả của dự báo có thể chính xác hoặc không Để đảm bảo tính chính xác, người thực hiện dự báo cần áp dụng các phương pháp khoa học và có hệ thống.

Dự báo là quá trình ước lượng các sự kiện hoặc điều kiện tương lai mà tổ chức không thể kiểm soát, nhằm hỗ trợ cho việc ra quyết định Một dự báo chính xác giúp tổ chức hình dung tương lai và xác định hướng đi phù hợp.

Trong bối cảnh thế giới không ngừng biến đổi, các tổ chức phải đưa ra quyết định kịp thời, ảnh hưởng trực tiếp đến tương lai của mình Do đó, việc dự báo trở thành yếu tố thiết yếu để đảm bảo sự tồn tại và phát triển bền vững của tổ chức.

Dự báo là một yếu tố quan trọng trong hoạch định, giúp các nhà quản trị xác định hướng đi cho các hoạt động tương lai Bước đầu tiên trong quy trình này là ước lượng nhu cầu cho sản phẩm hoặc dịch vụ, cùng với các nguồn lực cần thiết để sản xuất chúng Dự báo không chỉ là một khoa học mà còn là nghệ thuật, dựa trên phân tích dữ liệu đã thu thập để tiên đoán các sự kiện trong tương lai Việc này yêu cầu thu thập và xử lý số liệu từ quá khứ và hiện tại để nhận diện xu hướng vận động của các hiện tượng trong tương lai.

PGS TS Nguyễn Trọng Hoài trong tác phẩm "Dự báo và phân tích dữ liệu trong kinh tế và tài chính" đã trình bày rằng dự báo có thể là những dự đoán chủ quan hoặc trực giác về tương lai Tuy nhiên, để nâng cao độ chính xác của dự báo, cần loại trừ các yếu tố chủ quan từ người dự báo thông qua việc áp dụng các mô hình toán học.

Phân loại phương pháp dự báo

Phương pháp dự báo gồm có hai phương pháp là: Phương pháp định tính và phương pháp định lượng Các phương pháp dự báo được biểu diễn ở Hình 1.1

Phương pháp luận của dự báo định lượng

1.1.3.1 Phương pháp luận của dự báo chuỗi thời gian:

Dữ liệu chuỗi thời gian là những thông tin quan trọng được thu thập theo thời gian, bao gồm các biến như GDP, CPI, tỷ lệ thất nghiệp, cung tiền, lãi suất, và giá cả hàng hóa như dầu và vàng Các dữ liệu này có thể được ghi nhận với tần suất khác nhau, tùy thuộc vào đặc điểm của từng lĩnh vực nghiên cứu, ví dụ như theo ngày trong lĩnh vực chứng khoán Việc phân tích dữ liệu chuỗi thời gian giúp hiểu rõ hơn về xu hướng và biến động của các chỉ số kinh tế.

- Tổng hợp lực lượng bán hàng

- Khảo sát/hoặc kiểm chứng thị trường

- Mô hình chuỗi thời gian + Dự báo thô

+ Hồi quy hàm xu thế + San mũ

+ Phân tích chuỗi thời gian

- Mô hình nhân quả + Hồi quy dữ liệu chéo + Hồi quy chuỗi thời gian

Các phương pháp dự báo lãi suất và tỷ giá hối đoái có thể được phân loại theo khoảng thời gian như sau: theo tuần (lương tuần, cung tiền), theo tháng (tỷ lệ thất nghiệp, tỷ lệ lạm phát, sản lượng công nghiệp, doanh số), theo quý (GDP, doanh số) và theo năm (ngân sách Chính phủ, tốc độ tăng trưởng kinh tế, tỷ lệ lạm phát, giá trị xuất khẩu).

Dự báo hậu nghiệm đề cập đến việc phân tích các giai đoạn đã qua, trong khi dự báo tiền nghiệm tập trung vào các giai đoạn tương lai Để hiểu rõ hơn về hai loại dự báo này trong quy trình dự báo, chúng ta có thể tham khảo sơ đồ trong Hình 1.2.

Dữ liệu lịch sử được thu thập từ thời điểm Y beg (Y 76) đến Y end (Y 99), trong đó Y beg là thời gian khởi đầu của chuỗi và Y end là thời điểm gần nhất trong chuỗi thời gian Đối với chúng ta, Y end có thể được xem là quan sát hiện tại.

Dữ liệu mẫu phân tích, bao gồm các quan sát Y1, Y2, , Yn, được sử dụng để xây dựng mô hình dự báo Không nhất thiết rằng Y bắt đầu và Y1 phải trùng khớp với nhau.

Giai đoạn dự báo lùi

Dự báo lùi Dự báo trong mẫu Dự báo hậu nghiệm

Dự báo tiền nghiệm Mẫu

(Nguồn: Dự báo và phân tích dữ liệu trong kinh tế và tài chính,

Hình 1.2 Các giai đoạn của dự báo

+ Tương ứng với giai đoạn ước lượng Y 1 ,….Y n những giá trị dự báo Ŷ 1 ,… Ŷ n

Các giá trị dự báo được xác định từ mô hình hoặc mẫu dữ liệu trong quá trình dự báo Từ các giá trị thực tế và giá trị dự báo, chúng ta có thể tính toán sai số dự báo e1,…, en (với en = Yn - Ŷn) để đánh giá độ chính xác của mô hình Những giá trị vượt ra ngoài Yn sẽ được coi là giá trị dự báo Trong khung thời gian, các giá trị dự báo nằm trong giai đoạn ước lượng, trong khi những giá trị dự báo được hình thành sau giai đoạn này được gọi là dự báo ngoài phạm vi mẫu.

+ Toàn bộ giai đoạn dự báo sẽ được phân chia thành hai bộ phận phân biệt là dự báo hậu nghiệm và dự báo tiền nghiệm

Giai đoạn dự báo hậu nghiệm bắt đầu từ quan sát đầu tiên sau khi kết thúc giai đoạn mẫu Ŷ n+1 và kéo dài tới quan sát mới nhất Ŷ N, trong thời gian này, các nhà nghiên cứu đã có giá trị thực tế của đối tượng dự báo Y t Giai đoạn này cho phép đánh giá độ chính xác của mô hình dự báo thông qua chênh lệch giữa giá trị thực tế và giá trị dự báo Nếu độ chính xác không đạt yêu cầu, nhà nghiên cứu có thể tìm kiếm mô hình thay thế hoặc mở rộng giai đoạn mẫu để bao gồm các quan sát trong giai đoạn hậu nghiệm Khi mở rộng giai đoạn ước lượng tới hiện tại, dự báo sẽ hình thành từ Ŷ 1 đến Ŷ N, với các quan sát và giá trị dự báo được minh họa bằng đường không liên tục trong hình vẽ, lưu ý rằng giai đoạn dự báo không bao gồm giá trị dự báo hậu nghiệm.

Giai đoạn dự báo tiền nghiệm là thời điểm mà không có giá trị thực tế cho đối tượng dự báo hay các biến số ảnh hưởng khác, đồng nghĩa với việc đây là dự báo cho tương lai Các dự báo tiền nghiệm được ký hiệu là Ŷ N+1 đến Ŷ N+K Do thiếu giá trị thực tế trong giai đoạn này, độ chính xác của những dự báo tiền nghiệm không thể được xác định.

Dưới đây là một giai đoạn trước Y beg mà dữ liệu mô tả rất ít Chúng ta có khả năng dự báo lại cho những thời điểm trước đó.

Y beg Chúng ta có thể sử dụng những dự báo lùi nhằm đạt những giá trị bổ sung cho thời đoạn lịch sử trong quá trình phân tích

Sơ đồ biểu diễn phương pháp luận dự báo theo chuỗi thời gian thể hiện ở Hình 1.3

Lựa chọn mô hình dự báo

Dự báo các giai đoạn quá khứ Đánh giá

Khảo sát lại dạng dữ liệu

Dự báo các giai đoạn tương lai và sử dụng cho việc ra quyết định

Kiểm tra độ chính xác của các dự báo Đánh giá

Khảo sát dạng dữ liệu bằng các

(Nguồn: Dự báo và phân tích dữ liệu trong kinh tế và tài chính, NXB Thống kê 2009)[6]

Phương pháp luận của dự báo chuỗi thời gian

Để thực hiện dự báo hiệu quả, người dự báo cần xác định mục tiêu và biến cần dự báo Tiếp theo, họ phải xác định thời gian dự báo và thu thập số liệu cần thiết Dựa trên dữ liệu thu thập, việc lựa chọn mô hình dự báo phù hợp với dạng dữ liệu là rất quan trọng Sau khi thực hiện dự báo cho các giai đoạn quá khứ, cần so sánh các giá trị dự báo với kết quả thực tế để đánh giá tính chính xác của mô hình dự báo đã chọn Hai trường hợp có thể xảy ra từ quá trình này.

Trường hợp 1, nếu kết quả đánh giá tốt ta tiến hành dự báo các giai đoạn tương lai và sử dụng cho việc ra quyết định

Trường hợp 2, nếu kết quả đánh giá không tốt ta phải tiến hành khảo sát lại dữ liệu và quay lại bước lựa chọn mô hình dự báo

Trong tương lai, chúng ta sẽ tiếp tục kiểm tra độ chính xác của các dự báo từ mô hình dựa trên dữ liệu thực tế đã thu thập Nếu kết quả đạt yêu cầu, mô hình sẽ được sử dụng cho việc ra quyết định Ngược lại, nếu kết quả không khả quan, chúng ta sẽ xem xét lại loại dữ liệu bằng cách cập nhật thông tin và quay lại bước khảo sát số liệu.

1.1.3.2 Phương pháp luận của dự báo nhân quả:

Khi dự báo bằng mô hình nhân quả, người làm dự báo cần xác định các biến số ảnh hưởng đến biến phụ thuộc dựa trên lý thuyết kinh tế, nghiên cứu thực nghiệm và kinh nghiệm của chuyên gia Sau đó, họ tiến hành thu thập dữ liệu, xây dựng và ước lượng mô hình, kiểm định giả thuyết và thực hiện dự báo Phương pháp luận này được minh họa trong Hình 1.4.

Trong giai đoạn kiểm định giả thiết, nếu kết quả đạt yêu cầu, chúng ta sẽ diễn dịch kết quả và đưa ra dự báo, sau đó tiến hành ra quyết định Ngược lại, nếu kết quả kiểm định không đạt, cần thiết lập lại mô hình và quay về bước ước lượng để cải thiện.

Tính dừng

Một chuỗi thời gian dừng có những đặc điểm sau:

Lý thuyết kinh tế, kinh nghiệm, các nghiên cứu khác

Thiết lập mô hình Ước lượng mô hình

Thiết lập lại mô hình Diễn dịch kết quả

Ra quyết định Dự báo

(Nguồn: Dự báo và phân tích dữ liệu trong kinh tế và tài chính, NXB Thống kê 2009)[6]

Phương pháp luận của dự báo nhân quả

- Dữ liệu dao động xung quanh một giá trị trung bình cố định trong dài hạn

- Dữ liệu có giá trị phương sai xác định không thay đổi theo thời gian

- Dữ liệu có một giản đồ tự tương quan với các hệ số tự tương quan sẽ giảm dần khi độ trễ tăng lên

Theo ngôn ngữ thống kê, các đặc điểm trên của một chuỗi thời gian Y t được thể hiện như sau:

- E(Y t ) là một hằng số cho tất cả cỏc thời điểm t E ( Y t ) = à

- Var(Yt) là một hằng số cho tất cả cỏc thời điểm t Var ( Y t ) = E ( Y t − à ) 2 = δ 2

Hiệp phương sai Cov(Y t ,Y t+k ) là một hằng số không đổi cho mọi thời điểm t và k khác không Điều này có nghĩa là giá trị của hiệp phương sai giữa hai giai đoạn chỉ phụ thuộc vào khoảng cách giữa chúng Cụ thể, Cov(Y t , Y t + k ) được biểu diễn bằng γ k, trong đó γ k = E [(Y t − à )(Y t + k − à )].

1.1.5 Kiểm tra các thành phần của một chuỗi thời gian:

Kiểm tra tính dừng của chuỗi thời gian là rất quan trọng vì hai lý do chính Đầu tiên, nếu chuỗi thời gian không dừng, chúng ta chỉ có thể phân tích hành vi của nó trong khoảng thời gian hiện tại, dẫn đến việc không thể khái quát hóa cho các giai đoạn khác Điều này làm giảm giá trị thực tiễn của chuỗi thời gian trong dự báo, vì chúng ta luôn giả định rằng xu hướng dữ liệu trong quá khứ sẽ tiếp tục trong tương lai Thứ hai, việc xác định tính dừng giúp chúng ta giới hạn số lượng mô hình dự báo phù hợp cho dữ liệu, từ đó nâng cao độ chính xác trong phân tích và dự báo.

Kiểm định tính dừng của dữ liệu có thể thực hiện thông qua hệ số tự tương quan và giản đồ tự tương quan Nếu dữ liệu không đạt tính dừng, chúng ta cần chuyển đổi dữ liệu thành chuỗi dừng bằng cách thực hiện sai phân cho đến khi chuỗi đạt được tính dừng.

Trong phân tích chuỗi thời gian, dữ liệu thường thuộc một trong bốn dạng chính: dữ liệu dừng, dữ liệu có tính xu thế, dữ liệu có yếu tố mùa vụ và dữ liệu có tính chu kỳ Việc xác định dạng dữ liệu là bước quan trọng để áp dụng các phương pháp phân tích phù hợp.

1.2 Vai trò của dự báo:

Dự báo các mức độ tương lai của hiện tượng giúp các nhà quản lý chủ động đề ra kế hoạch và quyết định cần thiết cho sản xuất kinh doanh, đầu tư, quảng bá, quy mô sản xuất, kênh phân phối sản phẩm, và nguồn cung cấp tài chính Điều này cũng đảm bảo rằng các điều kiện cơ sở vật chất và kỹ thuật được chuẩn bị đầy đủ cho sự phát triển trong tương lai, bao gồm việc cung cấp các yếu tố đầu vào như lao động, nguyên vật liệu, và tư liệu lao động, cũng như các yếu tố đầu ra dưới dạng sản phẩm và dịch vụ.

Trong các doanh nghiệp, việc thực hiện công tác dự báo một cách nghiêm túc và chính xác không chỉ nâng cao khả năng cạnh tranh trên thị trường mà còn giảm thiểu rủi ro cho doanh nghiệp và nền kinh tế Dự báo thường xuyên và kịp thời giúp các nhà quản trị đưa ra các biện pháp điều chỉnh hoạt động kinh tế, từ đó tối ưu hóa hiệu quả sản xuất kinh doanh.

Dự báo chính xác là yếu tố quan trọng giúp các nhà hoạch định chính sách phát triển kinh tế, văn hóa và xã hội trong toàn bộ nền kinh tế quốc dân Nhờ vào việc dự báo, các chính sách kinh tế và kế hoạch phát triển được xây dựng trên cơ sở khoa học, từ đó nâng cao hiệu quả kinh tế.

1.3.1 Lựa chọn mô hình dự báo:

Cách lựa chọn mô hình dự báo thích hợp

Dữ liệu tối thiểu Phương pháp Dạng dữ liệu Thời đoạn dự báo

Loại mô hình Không có mùa vụ

Dự báo thô ST, T, S S TS 1

Trung bình giản đơn ST S TS 30

Trung bình di động ST S TS 4-20

San mũ giản đơn ST S TS 2

Hồi quy chuỗi thời gian T, S I, L C 6 x s

Dạng dữ liệu: ST = Chuỗi dừng, T = xu thế, S= Mùa vụ, C= Chu kỳ

Thời đoạn dự báo: S = Ngắn hạn, I = Trung hạn, L = Dài hạn

Loại mô hình: TS = Chuỗi thời gian, C = Nhân quả

Yêu cầu dữ liệu: V = Biến giải thích, s = Số mùa vụ (4 hoặc 12)

(Nguồn: Dự báo và phân tích dữ liệu trong kinh tế và tài chính, NXB Thống kê 2009)[6]

1.3.2 Mô hình dự báo kết hợp:

Mô hình dự báo kết hợp là phương pháp sử dụng kết quả từ nhiều mô hình dự báo đơn lẻ nhằm nâng cao độ chính xác của dự báo Việc kết hợp tuyến tính giữa các dự báo có thể tạo ra những dự báo chính xác hơn so với việc sử dụng một mô hình đơn lẻ, thông qua việc khai thác thông tin hữu ích và độc lập từ các dự báo thành phần Có hai cách để tổng hợp các dự báo độc lập: khảo sát dữ liệu khác nhau và áp dụng các phương pháp dự báo đa dạng Sử dụng nhiều nguồn dữ liệu không chỉ cung cấp thông tin bổ sung mà còn giúp điều chỉnh phương hướng dự báo, trong khi các phương pháp kết hợp có thể giảm thiểu sai lệch do giả định sai, độ lệch hoặc dữ liệu không chính xác.

Có nhiều phương pháp để kết hợp dự báo, bao gồm tính trung bình giản đơn, tính trung bình theo tỷ trọng và hồi quy Tuy nhiên, một phương pháp hiệu quả được giới thiệu là tính trung bình các kết quả dự báo sau khi áp dụng thuật toán vòng biên của Mauro Costantini, Carmine Pappalardo và Turgut Kisinbay.

Thuật toán kiểm định vòng biên là một phương pháp nâng cao hiệu quả của việc kết hợp dự báo Thuật toán này phân loại các mô hình dự báo dựa trên chỉ tiêu độ lệch bình phương trung bình (RMSE) Trong mỗi bước, chỉ những dự báo không bị bao quanh bởi các mô hình khác mới được chọn để kết hợp Để thực hiện quy trình lựa chọn này, một kiểm định vòng biên đa được áp dụng cho nhiều mô hình dự báo khác nhau.

Kỹ thuật vòng biên cơ bản liên quan đến việc so sánh hai tập hợp dự báo f1 và f2 của một biến, trong đó giả định rằng f1 có chất lượng tốt hơn dựa trên tiêu chuẩn RMSE Ý tưởng chính là những dự báo không tốt hơn vẫn có thể cung cấp thông tin biên giá trị, không có trong dự báo tốt hơn Do đó, trong trường hợp này, dự báo kết hợp từ cả hai tập hợp có khả năng mang lại kết quả tốt hơn so với dự báo đơn lẻ.

[4] Mauro Costantini and Carmine Pappalardo, Combination of Forecast Methods Using Encompassing

Nếu dự báo f2 không cung cấp thông tin biên hữu ích hơn f1, thì f1 được gọi là vòng biên f2 Để kiểm định dự báo vòng biên, ta sử dụng kiểm định của Harvey, Leybourne và Newbold (HLN), dựa trên phương pháp của Diebold và Mariano (DM) Kiểm định DM nhằm so sánh khả năng tiên đoán của hai dự báo cạnh tranh, bằng cách phân tích chuỗi lệch d_t = L(e_{1t}) - L(e_{2t}), trong đó L() là hàm mất mát chênh lệch như RMSE Nếu hai dự báo chính xác bằng nhau, thì E(d_t) = 0, và kiểm định này được thực hiện dựa trên trung bình mẫu quan sát được.

Giả định về hiệp phương sai tĩnh của chuỗi sai lệch khác nhau cho phép kiểm định DM gần với phân phối chuẩn Kiểm định này dựa trên giả thuyết không rằng các dự đoán là chính xác bằng nhau.

DM = d với V ˆ ( d ) là ước lệch không chệch của phương sai tiệm cận của d Giả định rằng đối với các dự báo tiền nghiệm h giai đoạn, tự tương quan bậc h hoặc cao hơn của chuỗi d t bằng 0.

V γ γ với γ i là tự hiệp phương sai của d , ước lượng bởi ∑

So sánh giá trị thống kê với giá trị phân phối Student có bậc tự do T-1, trong trường hợp tập dữ liệu nhỏ, chúng ta có thể sử dụng MDM thay cho DM.

Mô hình dự báo

Kinh nghiệm dự báo số thu ngân sách của một số quốc gia

Sơ nét về tình hình kinh tế - xã hội của tỉnh Khánh Hòa giai đoạn 1989- 2010

Tình hình thu ngân sách nhà nước tỉnh Khánh Hòa giai đoạn 1989- 2010

Thực trạng công tác dự báo thu NSNN tại tỉnh Khánh Hòa

Kết quả dự báo thu ngân sách của tỉnh Khánh Hòa thông qua một số mô hình kinh tế lượng

Phương hướng phát triển kinh tế tỉnh Khánh Hòa đến 2020…

Giả định và các bước xây dựng mô hình dự báo kết hợp

Quy trình thực hiện dự báo

Các giải pháp để thực hiện mô hình kết hợp