Mối quan hệ giữa tiêu thụ điện năng và tăng trưởng kinh tế thực tiễn tại việt nam phương pháp máy học

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang	30
Dung lượng	0,95 MB

Nội dung

Untitled MỐI QUAN HỆ GIỮA TIÊU THỤ ĐIỆN NĂNG VÀ TĂNG TRƯỞNG KINH TẾ THỰC TIỄN TẠI VIỆT NAM PHƯƠNG PHÁP MÁY HỌC Mục lục Trang phụ bìa Danh mục các ký hiệu và từ viết tắt WB World Bank (Ngân hàng thế gi[.]

lOMoARcPSD|18034504 MỐI QUAN HỆ GIỮA TIÊU THỤ ĐIỆN NĂNG VÀ TĂNG TRƯỞNG KINH TẾ THỰC TIỄN TẠI VIỆT NAM: PHƯƠNG PHÁP MÁY HỌC Mục lục Trang phụ bìa Danh mục ký hiệu từ viết tắt WB : World Bank (Ngân hàng giới) DS: Khoa học liệu Y: (GDP) tăng trưởng kinh tế theo bình quân đầu người năm EC: Điện tiêu thụ theo bình quân đầu người năm FDI: Đầu tư trực tiếp nước ngồi theo bình qn đầu người năm K: Vốn đầu tư theo bình quân đầu người năm Danh mục bảng biểu Danh mục hình vẽ, đồ thị Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Tổng quan khoa học liệu Khoa học liệu (DS) khoa học về việc quản trị phân tích liệu, trích xuất giá trị từ liệu để tìm hiểu biết, tri thức hành động, định dẫn dắt hành động Khoa học liệu gồm ba phần chính: Tạo quản trị liệu, phân tích liệu, chuyển kết phân tích thành giá trị của hành động Việc phân tích dùng liệu lại dựa vào ba nguồn tri thức: toán học (thống kê toán học), công nghệ thông tin (máy học) tri thức của lĩnh vực ứng dụng cụ thể Cũng hình thức thí nghiệm khác, khoa học liệu yêu cầu thực quan sát, đặt câu hỏi, hình thành giả thuyết, tạo kiểm tra, phân tích kết đưa một khuyến nghị thực tế Chính vậy mà mục đích chính của Khoa học Dữ liệu biến đổi một lượng lớn liệu chưa qua xử lý, làm để định vị được thành mô hình kinh doanh, từ đó giúp đỡ tổ chức tiết giảm chi phí, gia tăng hiệu làm việc, nhìn nhận cơ hội, rủi ro thị trường làm gia tăng lợi cạnh tranh của doanh nghiệp Các lĩnh vực của khoa học liệu: khai thác liệu (Data mining), thống kê (Statistic), học máy (Machine learning), phân tích (Analyze) lập trình (Programming) Khoa học liệu kết hợp nhiều lĩnh vực để chiết xuất giá trị từ liệu Những người thực hành khoa học liệu được gọi data scientists họ kết hợp một loạt kỹ để phân tích liệu thu thập được từ web, điện thoại thông minh, khách hàng, cảm biến nguồn khác để thu được thông tin chi tiết hữu ích Nó chủ yếu được thực data scientists lành nghề, mặc dù nhà phân tích liệu cấp thấp hơn cũng có thể tham gia Ngồi ra, nhiều tở chức dựa một phần vào citizen data scientists, một nhóm có thể bao gồm chuyên gia kinh doanh thông minh (BI), nhà phân tích kinh doanh, người dùng doanh nghiệp am hiểu liệu, kỹ sư liệu người lao động khác không có nền tảng khoa học liệu chính thức Một nhà khoa học liệu cần phát triển nhóm kỹ Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 quan trọng phân tích (Analytics), lập trình (Programming), kiến thức chuyên ngành (Domain Knowledge) một số kỹ quan trọng khác 1.2 Cơ sở hình thành đề tài Điện một yếu tố quan trọng cơ sở hạ tầng lượng bất kỳ quốc gia đóng một vai trò rất cần thiết phát triển của quốc gia đó Điện trực tiếp kích hoạt chức sản xuất nâng cao mức sản lượng, gia tăng xuất khẩu, ảnh hưởng tích cực đến phát triển kinh tế của quốc gia Nó đóng vai trò quan trọng cuộc sống ngày của chúng ta Các hoạt động dọn dẹp, nấu nướng, chiếu sáng, làm việc giải trí phụ thuộc rất nhiều vào điện Ngồi nó cịn hỗ trợ cải thiện tiêu chuẩn giáo dục y tế nhằm đem lại một cuộc sống hoàn thiện hơn Thật vậy, gần không thể tượng tượng được một cuộc sống mà không có điện Về chất, có thể khẳng định được điện một yếu tố cần thiết cho phát triển kinh tế xã hội của một quốc gia Mối quan hệ tiêu thụ điện tăng trưởng kinh tế được khám phá rộng rãi nhiều quốc gia, dù quốc gia phát triển, phát triển phát triển Kể từ năm 1970, nhiều nghiên cứu khác xem xét mối quan hệ nhân tiêu thụ điện tăng trưởng kinh tế Nhìn chung nghiên cứu mối quan hệ chặt chẽ hai nhân tố chiều hướng chưa đưa được kết thống nhất với Do đó, vấn đề vẫn được quan tâm thu hút nhiều nhà nghiên cứu với kỳ vọng trả lời thỏa đáng được câu hỏi: liệu tiêu thụ điện có kích thích tăng trưởng không? Hay tăng trưởng làm gia tăng tiêu thụ lượng 1.3 Sự cần thiết đề tài Mặc dù có nhiều nghiên cứu về mối quan hệ việc tiêu thụ điện tăng trưởng kinh tế nhiều quốc gia, nhiên chưa thực có thống nhất kết nghiên cứu Vì vậy, nghiên cứu với bối cảnh Việt Nam để thực kiểm định với kỳ vọng cung cấp chứng thực nghiệm về mối quan hệ việc tăng trưởng kinh tế tiêu thụ điện Từ đó có thể dự báo được nền kinh tế tương lai cung cấp liệu cho nhà hoạch định chính sách Việt Nam Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 1.4 Mục tiêu nghiên cứu Mục tiêu tổng quát: Phân tích mối quan hệ tiêu thụ điện tăng trưởng kinh tế - Dự báo biến kinh tế Phân chia quan sát vĩ mô được thống kê năm của chuỗi liệu vào nhóm khác mà quan sát đó có đặc điểm tương tự Mục tiêu cụ thể: - Với bộ liệu thu thập từ, tiến hành xử lý để lấy biến độc lập, phụ thuộc cần thiết để xây dựng mô hình kinh tế lượng - Áp dụng kỹ thuật phân liệu để phân chia nhóm theo biến xử lý 1.5 Dự báo kinh tế theo biến vĩ mô thu thập được đến năm 2022 Phương pháp nghiên cứu Đầu tiên nhóm sử dụng công cụ Excel để tổng hợp liệu đầu vào, nguồn liệu lấy từ hệ thống của World Bank Sau đó, tiến hành tiền xử lý liệu: xác định giữ lại biến quan trọng cho mô hình, xử lý quan sát bị thiếu, tính toán lại cột liệu của biến cho phù hợp với mục đích nghiên cứu Ngồi công cụ Excel cịn được sử dụng để vẽ đồ thị, thống kê mô tả biến quan sát, sau đó thực hành dự báo cho số liệu vĩ mô năm phương pháp trung bình trượt, Sau tiền xử lý liệu giải thích, mô tả thống kê biến kinh tế Excel Nhóm tác giả sử dụng phần mềm Orange tiến hành phân cụm, phân lớp liệu Để thực phân cụm bộ liệu nhóm sử dụng phương pháp chính Hierarchical clustering K-means: - Đối với phương pháp Hierarchical clustering ta tiến hành tính khoảng cách phần tử Distance quan sát liệu được phân cụm với số cụm từ đến quan sát Silhouette Plot - Đối với phương pháp K-means nhóm quan sát số Silhouette trung bình phân liệu từ đến cụm, chọn số cụm có số Silhouette tốt, phù hợp với số lượng biến có sẵn bộ liệu quan sát Silhouette Plot 1.6 Quy trình nghiên cứu Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Hình 1: Sơ đồ quy trình nghiên cứu (Nguồn: Đề xuất nhóm tác giả) 1.7 Đối tượng phạm vi nghiên cứu 1.7.1 Đối tượng nghiên cứu Với bối cảnh Việt Nam nghiên cứu để thực kiểm định với kỳ vọng cung cấp chứng thực nghiệm về mối quan hệ việc tăng trưởng kinh tế tiêu thụ điện cách sử dụng mô hình kinh tế, thống kê mô tả, dự báo sản lượng phân cụm liệu 1.7.2 Phạm vi nghiên cứu Dữ liệu nghiên cứu xây dựng mô hình được thu thập từ World Bank khoảng thời gian từ năm 2000 đến hết năm 2020 1.8 Kết cấu luận văn Đồ án gồm có chương: Chương 1: Tổng quan đề tài Chương 2: Cơ sở lý thuyết Chương 3: Xây dựng triển khai mô hình thực nghiệm Chương 4: Đánh giá kết thực nghiệm vào thảo luận Chương 5: Kết luận hướng phát triển Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 2.1 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Tăng trưởng kinh tế tiêu thụ điện Điện được xem cuộc cách mạng lịch sử phát triển nhân loại điều không thể có thể phủ nhận được, không vậy điện nhân tố đóng góp rất lớn phát triển ngành khác như: giao thông, truyền thông, sản xuất Nghiên cứu thực nghiệm về mối quan hệ tiêu thụ điện tăng trưởng kinh tế được nhiều tác giả quan tâm thực kết không thống nhất với (xem bảng 1) Có nhiều ý kiến cho điện một yếu tố đầu vào của trình sản xuất, nhiên vẫn chưa có nhiều nghiên cứu chứng minh được điều Bên cạnh đó Apergis Tang cho ảnh hưởng của tiêu thụ điện tăng trưởng kinh tế phụ thuộc vào giai đoạn phát triển ứng với quốc gia Đặc biệt, hai tác giả kết luận ảnh hưởng của tiêu thụ điện tới tăng trưởng kinh tế quốc gia phát triển cịn quốc gia phát triển điều không xảy Từ kết của nghiên cứu cho thấy, mối quan hệ tiêu thụ điện tăng trưởng kinh tế được chia thành bốn nhóm giả thuyết sau: - Thứ nhất, quan hệ nhân một chiều từ tiêu thụ điện đến tăng trưởng kinh tế, được gọi giả thuyết tăng trưởng - Thứ hai, quan hệ nhân một chiều từ tăng trưởng kinh tế đến tiêu thụ điện năng, được gọi giả thuyết bảo thủ - Thứ ba, mối quan hệ nhân hai chiều tiêu thụ điện tăng trưởng kinh tế, hay gọi giả thuyết phản hồi - Thứ tư, không có mối quan hệ tiêu thụ điện tăng trưởng kinh tế được gọi giả thuyết trung lập 2.2 Mơ hình kinh tế áp dụng Trong kinh tế học, mô hình tăng trưởng Cobb-Douglas có dạng tởng qt sau: Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Trong đó: Y tổng sản phẩm quốc nội (GDP), K vốn, L lao động, A thành phần công nghệ u thành phần sai số (giả sử có phân phối chuẩn) Không mất tính tổng quát, chúng ta xét trường hợp sản lượng không đổi theo quy mô phương trình (1) Hơn nữa, yếu tố công nghệ (A) được xác định quy mô của đầu tư trược tiếp nước lượng tiêu thụ (Điện) Vậy, yếu tố công nghệ một hàm phụ thuộc vào hai yếu tố: Trong đó: EC lượng điện tiêu thụ, FDI đầu tư trược tiếp nước Từ phương trình (1) (2), suy ra: Theo Shahbaz (2012), để cố định ảnh hưởng của biến L(t) cách chia hai vế phương trình (3) cho tởng dân số, sau đó tuyến tính hóa phương trình cách lấy logarit tự nhiên hai vế Suy ra, mô hình nghiên cứu thực nghiệm có dạng sau: Trong đó: LnYt , LnECt, LnFDIt, LnKt lần lượt logarit của GDP bình quân đầu người, lượng điện tiêu thụ bình quân đầungười, đầu tư trực tiếp nước ngồi bình qn đầu người vốn đầu tư bình quân đầu người 2.3 Phần mềm Orange Orange hệ điều hành nhân của Linux (Dòng Minimal X của OpenSUSE) Hệ điều hành dựa kiến trúc x86 (32-bit) của Intel chạy được bộ vi x86 của Intel hay AMD Orange một nền tảng được xây dựng để tạo đường ống học máy quy trình làm việc giao diện đồ họa người dùng (GUI) Orange một công cụ trực quan để nghiên cứu về thuật toán machine Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 learning thực hành data mining Những người không có kỹ mã hóa có thể vận hành Orange một cách dễ dàng Người ta có thể thực nhiệm vụ từ chuẩn bị liệu đến đánh giá mô hình mà không cần viết một dịng mã Orange một giải pháp khai thác liệu giúp doanh nghiệp từ nhỏ đến lớn tạo quy trình công việc phân tích trực quan hóa liệu để tạo phép chiếu tuyến tính, đồ nhiệt, MDS, định, nền tảng tập trung Orange cung cấp cho người dùng tập toolbox tinh gọn nhất giúp người dùng bắt tay vào phân tích liệu gồm: - Data dùng để rút trích, biến đổi nạp liệu (ETL process) - Visualize dùng để biểu diễn biểu đồ giúp quan sát liệu được tốt hơn - Model gồm hàm machine learning phân lớp liệu - Evaluate: phương pháp đánh giá mô hình máy học - Unsupervised: gồm hàm machine learning gom nhóm liệu 2.4 Tổng quan phương pháp sử dụng 2.4.1 Thống kê mô tả Descriptive statistics Thống kê mô tả hệ số mô tả ngắn gọn hay tóm tắt một tập liệu nhất định, có thể đại diện cho toàn bộ hoặc một mẫu của một tổng thể Thống kê mô tả giúp mô tả hiểu được tính chất của một bộ liệu cụ thể cách đưa tóm tắt ngắn về mẫu thông số của liệu Loại thống kê mô tả phổ biến nhất thông số xu hướng tập trung gồm: giá trị trung bình, trung vị yếu vị, thông số được sử dụng hầu hết cấp độ toán học thống kê 2.4.2 Dự báo sản lượng phương pháp trung bình trượt Trong trình sản xuất, kinh doanh, nhà quản trị thường phải đưa định liên quan đến việc xảy tương lai Để cho định có độ tin cậy đạt hiệu cao, cần thiết phải tiến hành công tác dự báo Điều quan trọng hơn một nền kinh tế thị trường, mang tính chất Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 cạnh tranh cao Dự báo khoa học nghệ thuật tiên đoán việc xảy tương lai Tính khoa học của dự báo thể chỗ tiến hành dự báo ta cứ số liệu phản ánh tình hình thực tế tại, khứ, cứ vào xu phát triển của tình hình, dựa vào mô hình tốn học để dự đốn tình hình cơ xảy tương lai 2.4.3 Phân cụm liệu 2.4.3.1 Định nghĩa Phân cụm liệu trình gom cụm/nhóm đối tượng hay liệu có đặc điểm tương đồng vào cụm/nhóm tương ứng, đối tượng hay liệu thuộc cụm/nhóm khác không tương đồng Không giống phân lớp liệu, phân cụm liệu không đòi hỏi phải định nghĩa trước mẫu liệu huấn luyện Chính có thể coi việc phân cụm liệu một cách học quan sát, phân lớp liệu học ví dụ Ngồi phân cụm liệu cịn có thể được sử dụng một bước tiền xử lý cho thuật toán khai phá liệu khác phân loại mô tả đặc điểm, có tác dụng việc phát cụm 2.4.3.2 Phương pháp K-mean: Nhiệm vụ chính tìm đo đạc khác biệt đối tượng liệu Phân cụm thuộc nhóm phương pháp học không giám sát không biết trước được số nhóm Một phương pháp phân cụm tốt phương pháp tạo cụm có chất lượng cao: - Độ tương đồng bên cụm cao - Độ tương tự cụm thấp ( khác biệt cao) Các ứng dụng điển hình: - Công cụ phân cụm liệu độc lập 2.4.3.3 Các ứng dụng phân cụm liệu Cụ thể, kỹ thuật phân cụm liệu được áp dụng cho một số ứng dụng điển hình lĩnh vực sau: Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 - Sinh học: phân loại động, thực vật qua chức gen tương đồng của chúng - Thương mại: tìm kiếm nhóm hành khách quan trọng dựa vào thuộc tính đặc trưng tương đồng đặc tả của họ ghi mua bán của cơ sở liệu - Bảo hiểm: nhận dạng nhóm tham gia bảo hiểm có chi phí yêu cầu bồi thường trung bình cao, xác định gian lận bảo hiểm thông qua cá mẫu cá biệt - Quy hoạch đô thị: nhận dạng nhóm nhà theo kiểu, vị trí địa ký, giá trị, nhằm cung cấp thông tin cho quy hoạch đô thị - Khai phá Web: phân cụm liệu có thể khám phá nhóm tài liệu quan trọng, có nhiều ý nghĩa môi trường web Các lớp tài liệu hỗ trợ việc phát thông tin 2.4.3.4 Các phương pháp phân cụm Bảng 1: Các phương pháp phân cụm nghiên cứu Loại Đặc điểm Các phương pháp điển hình Dựa phân cấp (Hierarchical approach) Phân cấp đối tượng dựa một số tiêu chí Diana, Agnes, BIRCH, CAMELEON Dựa phân hoạch (Partitioning approach) Xây dựng phân hoạch khác đánh giá chúng Sau đó, tìm cách tối thiểu hóa tởng bình phương độ lỗi K-means, K-medoids, Fuzzy C-means Dựa mật độ (Densitybased approach) Dựa kết nối đối tượng hàm mật độ DBSCAN, OPTICS, DenClue Dựa lưới (Grid-based approach) Dựa cấu trúc độ chi tiết nhiều cấp STING, Wave Cluster, CLIQUE Dựa mô hình (Modelbased) Giả định cụm có một mô hình tìm cách fit mô hình đó vào cụm EM, SOM, COBWEB Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 ** Dữ liệu thu thập từ hệ thống ngân hàng giới (World Bank) Ở Bảng 3, ta gọi chuỗi liệu gốc Nhóm tác giả sử dụng để mô tả, thống kê, giải thích biến kinh tế có liên quan Nhưng để phục vụ cho mục tiêu chính của đề tài nghiên cứu phân tích mô hình thực nghiệm (4), ta đưa chuỗi dự liệu về dạng logarit tự nhiên theo công thức sau: Kết xử lý chuỗi liệu gốc đưa về thành logarit tự nhiên, nhóm tác giả trình bày bảng sau đây: Bảng 4: Dữ liệu biến sau tiến hành tiền xử lý liệu để nghiên cứu Year 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 LnGDP 5.966 6.003 6.064 6.175 6.304 6.533 6.665 6.809 7.047 7.104 7.184 7.330 7.459 7.543 7.616 7.643 7.693 7.769 7.850 7.907 7.932 LnEC 2.788 2.779 2.843 2.869 2.964 3.149 3.345 4.362 4.710 4.469 4.510 4.426 4.535 4.586 4.608 4.847 4.902 5.004 5.089 5.119 5.090 LnFDI 4.749 4.838 4.962 5.138 5.268 5.447 5.602 5.882 6.039 6.114 6.154 6.118 6.158 6.221 6.300 6.358 6.368 6.444 6.523 6.592 6.623 LnK 5.649 5.765 5.910 6.048 6.167 6.331 6.456 6.577 6.668 6.783 6.881 6.959 7.057 7.147 7.246 7.346 7.442 7.521 7.609 7.761 7.839 Nguồn: * Theo tính tốn nhóm tác giả Excel 2010 ** Dữ liệu thu thập từ hệ thống ngân hàng giới (World Bank) 3.4 Thực nghiệm phân cụm liệu Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Hình 3: Chuỗi thao tác thực phân cụm liệu Orange 3.4.1 Phương pháp Hierarchical clustering: Hình 4: Silhouette Plot thể phân cụm theo phương pháp Hierarchical Clustering Với số cụm 2, nhóm thực phân cụm phương pháp pháp Hierarchical clustering sử dụng phương pháp tính liên kết đơn (Single) cho kết phân cụm hợp lý nhất Cụm (màu xanh) có giá trị Silhouette nằm khoảng từ đến 0.83 cụm (màu đỏ) có giá trị Silhouette nằm khoảng từ đến 0.83 Vì khoảng đều nằm khoảng dương tiến về nên phương pháp phân cụm sát với thực tế Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Sau phân tích Orange, nhóm tiến hành xuất kết phân cụm dạng Excel so sánh với nhãn ban đầu Hình 5: Bảng liệu excel phân cụm theo phương pháp Hierarchical Clustering so sánh với nhãn ban đầu Thực so sánh với nhãn ban đầu tính được tỷ lệ chính xác phân cụm theo phương pháp Hierarchical Clustering cách tính liên kết đơn Đây kết cao thể độ chính xác phân cụm theo phương pháp 3.4.2 Phương pháp K-mean Tiến hành phân cụm liệu theo phương pháp K-Mean Sau chạy thiệu cho bảng kết sau: Hình 6: Bảng kết phân cụm phương pháp K-Mean Orange Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Để đánh giá số cụm tốt nhất để lựa chọn phân cụm phương pháp KMean phải dựa vào giá trị Silhouette của cụm Vì vậy, nhóm cho chạy random từ đến nhận được kết lần lượt 0.705, 0.607, 0.557 0.465 Qua đó, ta thấy được giá trị Silhouette cao nhất phân thành hai cụm Hình 7: Silhouette Plot thể phân cụm theo phương pháp K-Mean Qua hình trên, ta quan sát được cụm (màu xanh) giá trị Silhouette nằm khoảng từ đến 0.8 cụm (màu đỏ) có giá trị Silhouette nằm khoảng từ đến 0.83 Vì khoảng đều nằm khoảng dương tiến về nên phân cụm theo phương pháp K-Mean cũng sát với thực tế, đáng tin cậy Tiếp theo, nhóm tiến hành xuất kết phân cụm phương pháp K-Mean Excel cũng mang so sánh với nhãn ban đầu Kết so sánh được thể chi tiết bảng sau đây: Downloaded by vu ga (vuchinhhp2@gmail.com) lOMoARcPSD|18034504 Hình 8: Bảng liệu excel phân cụm theo phương pháp K-Mean so sánh với nhãn ban đầu Nhóm thực so sánh với nhãn ban đầu tính được tỷ lệ chính xác phân cụm theo phương pháp K-Mean cách tính liên kết đơn Và cũng thuộc tỷ lệ chính xác cao Kết luận: Cả hai phương pháp Hierachical Clustering K-means, thực phân cụm liệu với số cụm đều thu được kết hợp lý, sát thực tế Vì vậy, nhóm tiến hành so sánh kết phân cụm với nhãn ban đầu, tính tỷ lệ chính xác để tìm phương pháp tốt hơn Kết cho thấy hai phương pháp Hierarchical Clustering đều có tỷ lệ chính xác cao, đều Vì vậy bộ liệu của nhóm phân cụm theo hai phương pháp đều hợp lý Downloaded by vu ga (vuchinhhp2@gmail.com) ... thuyết tăng trưởng - Thứ hai, quan hệ nhân một chiều từ tăng trưởng kinh tế đến tiêu thụ điện năng, được gọi giả thuyết bảo thủ - Thứ ba, mối quan hệ nhân hai chiều tiêu thụ điện tăng trưởng. .. cứu cho thấy, mối quan hệ tiêu thụ điện tăng trưởng kinh tế được chia thành bốn nhóm giả thuyết sau: - Thứ nhất, quan hệ nhân một chiều từ tiêu thụ điện đến tăng trưởng kinh tế, được gọi... liệu tiêu thụ điện có kích thích tăng trưởng không? Hay tăng trưởng làm gia tăng tiêu thụ lượng 1.3 Sự cần thiết đề tài Mặc dù có nhiều nghiên cứu về mối quan hệ việc tiêu thụ điện tăng

Ngày đăng: 23/02/2023, 21:58