(Tiểu luận) đề tài dự báo giá trị nhập khẩu hoá chất của việt nam 6 tháng đầu năm 2023

Mục tiêu dự báo Mục tiêu của bài tiểu luận là tìm ra phương pháp dự báo hiệu quả nhất cho biến giá trị nhập khẩu hóa chất của Việt Nam.. Từ đó, nhóm nghiên cứu mong có thể đưa Lecture 2

TRƯỜNG ĐẠI HỌC NGOAI THƯƠNG

DANH SÁCH THÀNH VIÊN VÀ ĐÁNH GIÁ ĐÓNG GÓP

MỤC L C Ụ

LỜI MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 T ng quan tình hình nghiên c u 2 ổ ứ 3 M c tiêu d báo 2 ụ ự 4 Bi n c n d báo và th i gian d báo 3 ế ầ ự ờ ự 5 C u trúc bài ti u lu n 3 ấ ể ậ CHƯƠNG 1 KHẢO SÁT DỮ LIỆU 4

1.1 Phương pháp thu thập s li u và ngu n s li u 4 ố ệ ồ ố ệ 1.2 Mô t th ng kê b s li u 4 ả ố ộ ố ệ 1.3 Kh o sát d li u 5 ả ữ ệ 1.3.1 Phương pháp đồ thị 5

1.3.2 Phân tích giản độ ự tương quan (ACF) và tự tương quan riêng phầ t n (PACF) 6

1.3.3 Ki m tra tính d ng c a chu i 9 ể ừ ủ ỗ CHƯƠNG 2 LỰA CHỌN PHƯƠNG PHÁP DỰ BÁO 10

2.1 Phương pháp dự báo thô hiệu chỉnh xu thế và mùa vụ 10

2.2 Phương pháp dự báo san mũ Winters 10

2.3 Phương pháp phân tích 11

2.4 Phương pháp dự báo bằng mô hình ARIMA (phương pháp Box – Jenkins) 13

CHƯƠNG 3 KẾT QUẢ DỰ BÁO 16

3.1 D báo bự ằng phương pháp dự báo thô hi u ch nh xu th và mùa v .16 ệ ỉ ế ụ 3.2 D báo bự ằng phương pháp san mũ Winters 18

3.3 D báo bự ằng phương pháp phân tích 21

3.4 Phương pháp dự báo ARIMA 26

3.5 L a chự ọn phương pháp dự báo 31 KẾT LU N 33 Ậ

TÀI LI U THAM KH O 34 Ệ Ả

PHỤ L C 35 Ụ

DANH M C BỤ ẢNG

Bảng 1.1: Mô tả thống kê biến chemical 4

Bảng 2.2: Giá tr hóa ch t nh p khị ấ ậ ẩu 6 tháng đầu năm 2023 b ng phằ ương pháp d ự báo thô hi u ch nh xu th và mùa vệ ỉ ế ụ 16

Bảng 3.1: K t qu ế ả ướ ược l ng trong m u b ng phẫ ằ ương pháp d báo thô hi u ch nh ự ệ ỉ xu th và mùa vế ụ 16

Bảng 3.2: K t qu ế ả ướ ược l ng b ng phằ ương pháp san mũ Winters 18

Bảng 3.3: Ch s th i v c a mùa v c n d báoỉ ố ờ ụ ủ ụ ầ ự 19

Bảng 3.4: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 bằng phương pháp san mũ Winters 20

Bảng 3 5: Ch s Scaling Factorsỉ ố 22

Bảng 3.6: K t qu h i quy các mô hình v i hàm b c 1, hàm b c 7 và hàm log b c 6ế ả ồ ớ ậ ậ ậ 23 Bảng 3.7: K t qu ế ả ướ ược l ng mô hình log b c 6ậ 24

Bảng 3.8: K t qu ế ả ướ ược l ng trong m u b ng phẫ ằ ương pháp phân tích 24

Bảng 3.9: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 bằng phương pháp phân tích 25

Bảng 3.10: K t qu kiế ả ểm định tính d ng chu i chemicalsa và logchemicalsaừ ỗ 27

Bảng 3.11: K t qu h i quy các mô hình ARIMAế ả ồ 27

Bảng 3.12: K t qu ế ả ướ ược l ng mô hình ARIMA 29

Bảng 3.13: K t qu ế ả ướ ược l ng trong m u b ng phẫ ằ ương pháp ARIMA 29

Bảng 3.14: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 bằng phương pháp ARIMA 30

Bảng 3.15: B ng So sánh k t qu d báo các mô hình d a trên MAPE và RMSEả ế ả ự ự 32

Bảng 3.16: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 32

Bảng 3.1: K t qu ế ả ướ ược l ng trong m u b ng phẫ ằ ương pháp d báo thô hi u ch nh ự ệ ỉ xu th và mùa vế ụ 16

Bảng 3.2: K t qu ế ả ướ ược l ng b ng phằ ương pháp san mũ Winters 18

Bảng 3.3: Ch s th i v c a mùa v c n d báoỉ ố ờ ụ ủ ụ ầ ự 19

Bảng 3.4: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 bằng phương pháp san mũ Winters 20

Bảng 3 5: Ch s Scaling Factorsỉ ố 22

Bảng 3.6: K t qu h i quy các mô hình v i hàm b c 1, hàm b c 7 và hàm log b c 6ế ả ồ ớ ậ ậ ậ 23 Bảng 3.7: K t qu ế ả ướ ược l ng mô hình log b c 6ậ 24

Bảng 3.8: K t qu ế ả ướ ược l ng trong m u b ng phẫ ằ ương pháp phân tích 24

Bảng 3.9: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 bằng phương pháp phân tích 25

Bảng 3.10: K t qu kiế ả ểm định tính d ng chu i chemicalsa và logchemicalsaừ ỗ 27

Bảng 3.11: K t qu h i quy các mô hình ARIMAế ả ồ 27

Bảng 3.12: K t qu ế ả ướ ược l ng mô hình ARIMA 29

Bảng 3.13: K t qu ế ả ướ ược l ng trong m u b ng phẫ ằ ương pháp ARIMA 29

Bảng 3.14: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 bằng phương pháp ARIMA 30

Bảng 3.15: B ng so sánh k t qu d báo các mô hình d a trên MAPE và RMSEả ế ả ự ự 32

Bảng 3.16: Giá tr hóa ch t d báo nh p kh u c a Viị ấ ự ậ ẩ ủ ệt Nam 6 tháng đầu năm 2023 32

DANH MỤC HÌNH

Hình 3.1: Biểu đồ so sánh giá tr nh p kh u th c t và giá tr d báo bị ậ ẩ ự ế ị ự ằng phương

pháp d báo thô hi u ch nh mùa v và xu thự ệ ỉ ụ ế 17

Hình 3.2: Biểu đồ so sánh giá tr nh p kh u th c t và giá tr nh p kh u d báo ị ậ ẩ ự ế ị ậ ẩ ự

bằng phương pháp san mũ Winters 21 Hình 3.3: Biểu đồ so sánh giá tr nh p kh u th c t và giá tr d ị ậ ẩ ự ế ị ự báo 6 tháng đầu

năm 2023 bằng phương pháp phân tích 26

Hình 3.4: Biểu đồ so sánh giá tr nh p kh u th c t và giá tr nh p kh u d báo b ng ị ậ ẩ ự ế ị ậ ẩ ự ằ

mô hình ARIMA 31

LỜI M Ở ĐẦ U

1 Lý do chọn đề tài

Ngành công nghiệp chế biến chế tạo Việt Nam ngày một lớn mạnh đem lại nhiều lợi ích cho nền kinh tế Trong đó, không thể không kể đến ngành công nghiệp hóa chất đang phát triển mạnh mẽ, hóa chất và sản phẩm hóa chất công nghiệp đã và đang tham gia vào mọi lĩnh vực trong đời sống kinh tế xã hội nước ta Hóa chất có mặt trong mọi lĩnh vực của cuộc sống, cuộc sống càng phát triển, càng văn minh thì vai tr và vị trí của hóa chất càng quan trọng Một số lĩnh vực nổi trội có sự xuất hiện của hóa chất bao gồm: (i) công nghiệp: hóa chất được sử dụng rộng rãi trong sản xuất các sản phẩm công nghiệp, bao gồm nhựa, cao su, dệt may, chế tạo ô tô, điện tử, sản xuất giấy, thuốc trừ sâu và nhiều sản phẩm khác; (ii) nông nghiệp: hóa chất được sử dụng trong nông nghiệp để phun thuốc trừ sâu, thuốc trừ bệnh, phân bón, chất tạo màu, chất bảo quản và nhiều sản phẩm khác giúp tăng năng suất, chất lượng và giá trị kinh tế của nông sản; (iii) y tế: hóa chất được sử dụng trong y tế để sản xuất thuốc, vacxin, dung dịch tẩy trùng, chất khử trùng và nhiều sản phẩm khác giúp bảo vệ sức khỏe và sự sống của con người (iv) môi trường: hóa chất được sử dụng trong xử lý nước thải, xử lý rác thải, xử lý khí thải và nhiều quy trình khác giúp bảo vệ môi trường

và tài nguyên thiên nhiên Do vậy, ngành công nghiệp hóa chất được xem là ngành kinh tế có tính chất nền tảng, đóng vai tr quan trọng trong quá trình phát triển kinh

tế, xã hội của đất nước nói chung và công nghiệp hóa, hiện đại hóa nói riêng Số liệu của Tổng cục Thống kê cho thấy, ngành công nghiệp hóa chất vẫn đang duy trì tốt sự tăng trưởng bằng những điểm sáng cả trong sản xuất và tiêu thụ 6 tháng đầu năm

2022, chỉ số sản xuất công nghiệp của ngành sản xuất hóa chất và sản phẩm hóa chất tăng 3,5% so với cùng kỳ năm ngoái, riêng tháng 6/2022 tăng 7,4% so với tháng bình quân năm gốc 2015 Trong đó sản xuất mỹ phẩm, xà phng, chất tẩy rửa, làm bóng

và chế phẩm vệ sinh tăng cao nhất 7,7% so với 6 tháng đầu năm 2021, trong tháng 6/2022 tăng 20,7% so với tháng bình quân năm gốc 2015; tiếp đến là sản xuất plastic

và cao su tổng hợp dạng nguyên sinh với 3,8% so với 6 tháng đầu năm 2021, trong tháng 6/2022 tăng 60,6% so với tháng bình quân năm gốc 2015 Tuy nhiên, thực tế tại Việt Nam cho thấy mặc dù ngành công nghiệp hóa chất đang trên đà phát triển mạnh, nhưng các hóa chất đóng vai tr nguyên liệu đầu vào được sử dụng cho ngành

Organization 100% (2)

20

Tiểu luận tổ chức ngành

công nghiệp này hiện vẫn đang phải phụ thuộc vào nhập khẩu Điều này dẫn đến giá trị nhập khẩu hóa chất hóa chất hàng năm lên tới hàng chục tỷ USD Nguyên nhân của vấn đề này có thể là do công nghiệp hóa chất đi hỏi quy mô đầu tư lớn, công nghệ yêu cầu cao và quy trình sản xuất tiềm ẩn rủi ro Tuy nhiên, các doanh nghiệp nước ta lại cn hạn chế về tiềm lực kinh tế, đầu tư nhỏ lẻ và thiếu công nghệ nguồn Đồng thời, Việt Nam cũng chưa có các biện pháp và cơ sở hạ tầng vững chắc để khắc phục những nguy cơ ô nhiễm môi trường do sản xuất hóa chất gây ra Trong tương lai gần, có thể nhập khẩu hóa chất sẽ vẫn là con đường an toàn và hiệu quả để phát triển ngành công nghiệp này Tuy nhiên, cần đầu tư phù hợp về công nghệ và cơ sở

hạ tầng, xây dựng các giải pháp và chính sách phù hợp để phát triển công nghiệp hóa chất trở thành một ngành công nghiệp bền vững cho sự phát triển kinh tế của Việt Nam

Trong năm 2022, giá trị nhập khẩu hóa chất vẫn có sự tăng mạnh so với cùng

kỳ năm trước Theo số liệu thống kê sơ bộ của Tổng cục thống kê, năm 2022, tổng giá trị nhập khẩu hóa chất của Việt Nam là 9144865 nghìn USD, tăng 19.88% so với cùng kỳ năm 2021 Như vậy, nhập khẩu hóa chất đang trở nên ngày càng quan trọng trong quá trình công nghiệp hoá và phát triển kinh tế tại nước ta Nhận thấy tính cấp thiết của vấn đề này, nhóm nghiên cứu lựa chọn đề tài: “Dự báo giá trị nhập khẩu hóa chất của Việt Nam 6 tháng đầu năm 2023”

2 Tổng quan tình hình nghiên cứu

Việc dự báo các giá trị xuất nhập khẩu theo các khoảng thời gian khác nhau vẫn luôn nhận được sự chú ý của các nhà nghiên cứu Nghiên cứu của Paul và cộng

sự (2013) đã sử dụng mô hình ARIMA mùa vụ (SARIMA) để lập mô hình nghiên cứu và dự báo xuất khẩu thịt và sản phẩm thịt hàng tháng từ Ấn Độ Các thí nghiệm

dự báo được nghiên cứu bởi Ahmad Farooqi (2014) đã kết luận rằng các mô hình ARIMA(2,2,2) và ARIMA(1,2,2) là phù hợp nhất để dự báo giá trị xuất nhập khẩu ở Pakistan Kết quả dự báo cho thấy xu hướng tăng cả về giá trị xuất nhập khẩu của cả nước

2

ra được kết quả dự báo phù hợp và đáng tin cậy về biến đó trong tương lai, tạo điều kiện nhằm đo lường và đánh giá sự biến động trong giá trị nhập khẩu hóa chất cũng như đưa ra các hàm ý chính sách phù hợp để tận dụng tốt các lợi thế trong hoạt động xuất nhập khẩu, từ đó giúp nền kinh tế Việt Nam ngày càng phát triển bền vững

4 Biến cần dự báo và thời gian dự báo

Biến cần dự báo trong bài tiểu luận là biến giá trị nhập khẩu hóa chất của Việt Nam, tiến hành dự báo cho 6 tháng đầu năm 2023 (từ tháng 01/2023 đến tháng 06/2023)

5 Cấu trúc bài tiểu luận

Phần nội dung của bài tiểu luận gồm 3 chương chính như sau:

Chương 1: Khảo sát dữ liệu

Chương 2: Lựa chọn phương pháp dự báo

Chương 3: Kết quả dự báo

CHƯƠNG 1

1.1 Phương pháp thu thập số liệu và nguồn số liệu

Nhóm nghiên cứu đã tổng hợp được bộ số liệu phục vụ cho đề tài thông qua các báo cáo từ nguồn dữ liệu thứ cấp trên cổng thông tin chính thức của Tổng cục Thống

kê Việt Nam: https://www.gso.gov.vn/ Bộ số liệu bao gồm 84 quan sát về giá trị nhập khẩu hóa chất của Việt Nam, được đặt tên biến là chemical (Đơn vị: nghìn USD), dữ liệu bao gồm từ tháng 1 năm 2016 đến tháng 12 năm 2022

1.2 Mô tả thống kê bộ số liệu

Sau khi thu thập thành công bộ số liệu, nhóm tác giả có được bảng mô tả thống

kê biến chemical thông qua phần mềm Eviews 10 như sau:

Trong cửa sổ Eviews 10: chọn chuỗi chemical/view/Descriptive Statistics & Test/ Histogram and Stats Qua chuỗi câu lệnh, ta thu được bảng kết quả:

Bảng 1.1: Mô tả thống kê biến chemical

Nguồn: Nhóm tác giả tự tổng hợp trên phần mềm EVIEWS 10 Qua Bảng 1.1 với mục đích mô tả thống kê biến chemical, ta thấy biến chemical

có giá trị nhập khẩu trung bình là 469263.4 nghìn USD, trong đó: giá trị trung vị

là 427332.4 nghìn USD, giá trị nhập khẩu lớn nhất là 926633.2 nghìn USD, nhỏ nhất

là 182457.7 nghìn USD Độ lệch chuẩn của biến chemical là 175000.2, cho thấy sự biến động khá mạnh về giá trị nhập khẩu hóa chất giữa các tháng có quan sát

Mẫu quan sát( đã mở rộng) 2016M01 2023M06

Số quan sát (Observations) 84 Giá trị trung bình (Mean) 469263.4 Trung vị ( Median) 427332.4 Giá trị lớn nhất ( Maximum) 926633.2 Giá trị nhỏ nhất (Minimum) 182457.7

Độ lệch chuẩn (Std Dev) 175000.2

Nguồn: Nhóm tác giả tự tổng hợp trên phần mềm EVIEWS 10

Từ hình vẽ trên, ta có thể thấy chuỗi dữ liệu cần dự báo có yếu tố mùa vụ ở các tháng khác nhau, được lặp đi lặp lại tương đối đều đặn với cường độ tăng dần qua các tháng, bên cạnh đó chuỗi có xu hướng giảm vào năm 2020 và tăng khá mạnh ở những năm gần đây, vì vậy, nhóm tác giả nhận định mô hình dự báo sẽ là mô hình nhân tính

và có tính xu thế, mùa vụ

Để chắc chắn hơn, nhóm tiến hành kiểm tra tính mùa vụ của chuỗi dữ liệu qua

đồ thị Seasonal graph và cả kiểm định Kruskal – Wallis

Đầu tiên, nhóm thực hiện kiểm định tính mùa vụ qua đồ thị Seasonal Graph Trong Eviews: Chọn chuỗi chemical/view/graph/seasonal graph

Hình 1.2: Đồ th mùa v c a giá tr nh p kh u hóa ch t c a Vi t Nam theo ị ụ ủ ị ậ ẩ ấ ủ ệ

tháng

Nguồn: Nhóm tác giả tự tổng hợp qua phần mềm Eviews 10 Theo phần mềm Eviews 10, các vạch đỏ là giá trị trung bình theo từng tháng (Means by Season), và về mặt lý thuyết, nếu các vạch này chênh lệch nhau càng nhiều thì chuỗi càng có tính mùa vụ rõ ràng Qua hình trên, ta thấy bộ số liệu mà nhóm tác giả thu thập có tính mùa vụ S

Bên cạnh đó, nhóm tiến hành kiểm định Kruskal Wallis thông qua phần mềm - Eviews 10 để kiểm định thêm về tính mùa vụ của chuỗi, nhóm nghiên cứu thu được kết quả: p-value = 0,0016 < 0,05

Vì vậy, ta bác bỏ giả thuyết H0 ở mức ý nghĩa 5%, hay chuỗi có yếu tố mùa

Chọn chuỗi chemical/View/Correlogram/Level: Ta có mô hình tự tương quan

và tự tương quan riêng phần như sau:

Hình 1.3: Gi ản đồ ự tương quan và tự tương quan riêng củ t a chu i s li u ỗ ố ệ

Nguồn: Nhóm tác giả tự tổng hợp thông qua phần mềm EVIEWS 10 Nhận xét: Hệ số tự tương quan của các giá trị gần nhau trong chuỗi thời gian có tương quan cao với nhau cho thấy chuỗi có yếu tố xu thế mạnh Thêm vào đó, các hệ

số tự tương quan khác 0 và có ý nghĩa thống kê tại độ trễ bằng số mùa vụ cho thấy chuỗi dữ liệu có tính mùa vụ Song, chuỗi có dấu hiệu là chuỗi dữ liệu chưa dừng với

hệ số tự tương quan giữa các giá trị gần nhau mạnh và đều có ý nghĩa thống kê cao

Vì vậy, bên cạnh tiến hành quan sát giản đồ tự tương quan và tự tương quan riêng của chuỗi, nhóm tiến hành quan sát thêm giản đồ tự tương quan và tự tương quan riêng của chuỗi với sai phân bậc 1

Với sai phân bậc 1 của chuỗi, tại phần mềm Eviews 10 thực hiện như sau: Chọn chuỗi chemical/View/Correlogram/ 1st difference, ta thu được kết quả sau:

Hình 1.4: Gi ản đồ ự tương quan và tự tương quan riêng củ t a sai phân b ậc 1

chuỗi s li u ố ệNguồn: Nhóm tác giả tự tổng hợp thông qua phần mềm EVIEWS 10 Nhận xét: Ta có thể thấy các hệ số tự tương quan khác 0 và có ý nghĩa thống kê tại độ trễ bằng đúng số mùa vụ cho thấy chuỗi dữ liệu có tính mùa vụ Thêm vào đó,

hệ số tự tương quan ở độ trễ đầu khác 0, các hệ số tự tương quan giảm xuống bằng 0

ở ngay các độ trễ tiếp theo, nên chuỗi sai phân bậc 1 của giá trị nhập khẩu hóa chất (d(chemical)) là chuỗi dữ liệu dừng

Vì thế, nhóm tiến hành kiểm định thêm chuỗi sai phân bậc 1 của chuỗi chemical

để xét tính dừng của chuỗi này

Với chuỗi sai phân bậc 1 của chemical, trong Eviews thực hiện như sau: chọn chemical/View/Unit Root Test/1st Difference/Intercept/OK

Ta thu được giá trị p value = 0,0001 < 0,05 nên chuỗi sai phân bậc 1 của chemical là chuỗi dừng

-Kết luận: Mô hình dự báo cho chuỗi chemical của nhóm là mô hình nhân tính,

có tính xu thế, mùa vụ và chuỗi sai phân bậc 1 là chuỗi dừng

CHƯƠNG 2

2.1 Phương pháp dự báo thô hiệu chỉnh xu thế và mùa vụ

Do quan sát thấy khuynh hướng xu hướng tăng của chuỗi dữ liệu, ta có thể áp dụng mô hình giản đơn mở rộng có xu thế tuyến tính Bên cạnh đó, chuỗi cn có tính mùa vụ, nên nhóm sẽ kết hợp 2 phương pháp dự báo thô hiệu chỉnh xu thế và dự báo thô hiệu chỉnh mùa vụ để dự báo cho chuỗi

Bước 1: Dự báo thô hiệu chỉnh xu thế:

Trong đó: Yt+1 là giá trị dự báo cho giai đoạn t+1

Yt là giá trị thực tại thời điểm t

Yt-1 là giá trị thực tại thời điểm t – 1

s là số mùa vụ

2.2 Phương pháp dự báo san mũ Winters

San mũ Winters là phương pháp mở rộng của san mũ Holt (có yếu tố xu thế) đối với các dữ liệu chức có thêm yếu tố mùa vụ S

Do chuỗi dữ liệu, như đã phân tích ở trên, chuỗi có yếu tố xu thế và mùa

vụ, kết hợp với đồ thị thể hiện nhóm là mô hình nhân tính với số quan sát 72 (lớn hơn yêu cầu về 50 quan sát), thời gian dự báo ngắn, nhóm thực hiện dự báo bằng phương pháp san mũ Winters cho mô hình nhân tính

𝐿𝑡= 𝛼 𝑌𝑡

𝑆𝑡−𝑠+ (1 − 𝛼)(𝐿𝑡−1+ 𝑇𝑡−1)

Bước 2: Ước lượng giá trị xu thế (độ dốc)

n là quan sát cuối cùng của chuỗi thời gian ban đầu

Yt là giá trị hiện tại của chuỗi số liệu

Lt là giá trị trung bình ước lượng

Tt là giá trị xu thế ước lượng

Si là chỉ số thời vụ của mùa dự báo, s là số mùa vụ

α, β, γ lần lượt là hệ số san mũ trung bình, hệ số san mũ xu thế và hệ

số san mũ mùa vụ

2.3 Phương pháp phân tích

Đáp ứng yêu cầu của m t chuỗi dự báo có th sử dụng phương pháp phân tích ộ ể

là các đặc điểm như: bộ số liệu có yếu tố xu thế, mùa vụ, tuân theo quy luật của mô hình nhân tính, số quan sát đáng kể ớ v i 79 quan sát, th i gian d báo ng n (cho 5 ờ ự ắquan sát tiếp theo trong tương lai), nhóm tác giả đã tiến hành s dử ụng phương pháp phân tích cho b s li u c a mình ộ ố ệ ủ

Phương pháp phân tích để dự báo cho các quan sát gần trong tương lai được thực hiện qua 4 bước chính

Bước 1: Nhận dạng số liệu

Mô hình có c y u t xu th và yả ế ố ế ếu tố mùa vụ (thông qua thực hi n khảo sát dữ ệliệu ở chương 1) Bên cạnh đó, qua sự tương tác giữa các thành phần của chuỗi thời

gian, thông qua quan sát đồ thị của biến chemical, như đã thực hiện ở phần Khảo sát

dữ li u ệ ở đầu chương 1, ta thấy các thành ph n cầ ủa chuỗi chemical có ph thu c vào ụ ộnhau hay mô hình c a b s li u c n d báo là mô hình nhân tính ủ ộ ố ệ ầ ự

Bước 2: Tách yếu tố mùa vụ S – hiệu chỉnh mùa vụ (SA)

Ta s dử ụng phương pháp trung bình trượt trung tâm và hi u ch nh mùa vệ ỉ ụ đểtriệt tiêu các y u tế ố I và tách được S Chuỗi sau khi hiệu chỉnh chủ yếu phụ thuộc 2 thành phần chính là T và C Để thu n ti n cho quá trình nghiên c u, ta gi ậ ệ ứ ả định không

có y u t C (C=1 do mô hình là mô hình nhân tính) Vi c tách các y u t mùa v cho ế ố ệ ế ố ụ

mô hình nhân tính gồm 5 bước nhỏ như sau:

1 Làm trơn số liệu bằng trung bình trượt trung tâm s điểm (với s là số mùa vụ trong năm) CMA, ta thu được chuỗi hiệu chỉnh là Y * t

2 Tính tỷ số chênh lệch:

Yt Yt∗ = S × I = St t t (do I = 1) t

3 Tính giá trị trung bình tỷ s thố ời v cụ ủa từng mùa v : M = E(S ) ụ i i

4 Tính chỉ s th i v chung Scaling Factor (i= 1,s): ố ờ ụ

Mi

SFi = √M1 × M2 × … × Mi𝑠

5 Hiệu chỉnh Yt để được ADYt (giá trị đã hiểu chỉnh thời vụ):

− Kiểm định mô hình ước lượng:

• Kiểm định tự tương quan

• Kiểm định phương sai sai số thay đổi

• Kiểm định phân phối chuẩn của chuỗi nhiễu

Nếu mô hình ước lượng không vượt qua được các tiêu chuẩn của kiểm định, xem xét l i mô hình ạ ở Bước 2, có thể thêm các biến độc lập như t2, t ho3 ặc các dạng hàm khác c a hàm xu thủ ế (thường là d ng log) ạ

Bước 4: Kết hợp y u tố mùa vụ S đ ế ểđưa ra kết quả dự báo cuối cùng với Yn

là quan sát cu i cùng: ố

AD夃Ȁ𝑡+ℎ = β 1+ β 2 ( 𝑡 + ℎ)

Đố ới v i mô hình nhân:

AD夃Ȁn+ℎ = AD夃Ȁ β1+ 2 (𝑡 + ℎ) AD夃Ȁ𝑛+ℎ = AD夃Ȁ𝑛+ℎ × 𝑆𝐹𝑖

2.4 Phương pháp dự báo bằng mô hình ARIMA (phương pháp Box – Jenkins)

Do chu i d li u có yỗ ữ ệ ếu tố mùa v , s quan sát là 79 (>50 quan sát theo yêu c u ụ ố ầcủa mô hình ARIMA), kho ng th i gian d báo ng n, và chu i sai phân b c 1 c a ả ờ ự ắ ỗ ậ ủchuỗi là chu i d ng nên nhóm l a chỗ ừ ự ọn phương pháp dự báo b ng mô hình ARIMA ằtích h p v i mô hình h i quy ợ ớ ồ

Mô hình ARIMA (p,d,q) được t o b i 3 thành ph n chính là AR (thành ph n t ạ ở ầ ầ ựhồi quy b c p), I (tính d ng c a chu i th– ậ ừ ủ ỗ ời gian), và MA (thành ph n trung bình ầtrượ –t bậc q) Ngoài ra, đối với các chu i th i gian có yếỗ ờ u tố mùa v thì ta c n thực ụ ầhiện thao tác hi u chệ ỉnh y u t mùa v r i mế ố ụ ồ ới ti n hành d báo bế ự ằng phương pháp ARIMA Do phương pháp dự báo ARIMA ch áp dỉ ụng được khi chu i s li u có tính ỗ ố ệdừng, nên ở bài nghiên c u, nhóm s d ng chu i sai phân bứ ử ụ ỗ ậc 1 đã dừng c a chu i ủ ỗchemical th c hiđể ự ện cho phương pháp ARIMA

Với I(d) là chu i d ng k t hỗ ừ ế ợp bậc d, ta có mô hình ARIMA (p,d,q) có dạng:

∆Yt = C + ∑ ∅ ∆Y + ∑ ∅i t−i j ut−j + ut i=1 j=1

Trong đó: AR(p) là mô hình tự tương quan bậc p

∆Y là chuỗi dừng khi lấy sai phân bậc d

MA(q) là mô hình trung bình trượt bậc q Ut là nhiễu trắng

Box và Jenkins (1974) đã đưa ra một tập hợp các bước, các thủ tục ước lượng

mô hình ARIMA cho chu i th i gian, hay còn g i là mô hình Box ỗ ờ ọ – Jenkins, bao g m ồ

5 bước chính như sau:

Bước 1: Ki m tra chu i d li u có d ng hay không? N u chu i không d ng, ể ỗ ữ ệ ừ ế ỗ ừphải biến đổi thành chuỗi d ng (có th s d ng chu i sai phân b c 1, b c 2, b c 3 ừ ể ử ụ ỗ ậ ậ ậhoặc chuỗi d ng log hoạ ặc kết hợp c 2) ả

Bước 2: Qua giản đồ ự tương quan, tìm bậc p của mô hình AR b ng gi t ằ ản đồ tự tương quan riêng phần (PACF) và b c q c a mô hình MA b ng giậ ủ ằ ản đồ t ự tương quan (ACF)

Bước 3: Ước lượng mô hình ARIMA bằng phương pháp bình phương nhỏ nhất OLS thông qua ph n m m EVIEWS 10 ầ ề

Bước 4: Kiểm tra mô hình và các điều ki n giệ ả định c a mô hình ủ

• Độ tr cao nhễ ất có ý nghĩa thống kê hay không, n u không gi m bế ả ớt độ tr c a ễ ủ

p và q

• Nhiễu tr ng (t ắ ự tương quan, phương sai sai số thay đổi)

• Chất lượng d báo (thông qua MAPE < 5%) ự

Bước 5: D báo ngoài m u ự ẫ

Xét 5 tiêu chí lựa chọn mô hình ARIMA t t nh t: ố ấ

Tiêu chí 1: Phần dư của mô hình ph i là m t chu i ngả ộ ỗ ẫu nhiên (xác định qua giản đồ tự tương quan)

Tiêu chí 2: Các tiêu chí AIC, SBC, HQC càng nhỏ càng tốt

𝑛 × [ln(n)] 2𝑘𝑛

Với các mô hình có bi n ph thuế ụ ộc dạng logarit thì các giá tr AIC/SBC/HQC ị

âm thì ta chuy n sang d ng exp(AIC/SBC/HQC) ể ạ

Tiêu chí 3: Sai s d báo (MAPE, RMSE) càng nh càng t t ố ự ỏ ố

Tiêu chí 4: V th so sánh giá tr d báo v i giá tr th c t : ẽ đồ ị ị ự ớ ị ự ế

• Xem xét các bước ngoặt

• Xem xu hướng c a giá tr d báo và giá tr th c t nhủ ị ự ị ự ế ở ững giai đoạn g n hi n ầ ệtại nh t ấ

Tiêu chí 5: H s hệ ố ồi quy có ý nghĩa thống kê không, ưu tiên sử ụ d ng mô hình tất c các biả ến đều có ý nghĩa thống kê (p-value của biến nhỏ hơn mức ý nghĩa 5%)

CHƯƠNG 3

KẾT Q UẢ DỰ BÁO

3.1 Dự báo bằng phương pháp dự báo thô hiệu chỉnh xu thế và mùa vụ

Nhóm thực hiện dự báo bằng phương pháp dự báo thô hiệu chỉnh xu thế và mùa vụ được kết quả ước lượng như sau đây:

Bảng 3.1: K t qu ế ả ước lượng trong m u bẫ ằng phương pháp dự báo thô hi u ệ

chỉnh xu th và mùa vế ụ

21,48% 162799,2Nguồn: Nhóm tính toán và tổng hợp từ phần mềm Eviews 10Bằng phương pháp dự báo thô hiệu chỉnh xu thế và mùa vụ, nhóm dự báo được giá trị nhập khẩu hóa chất của Việt Nam trong 6 tháng đầu năm 2023 thu được kết quả các sai số MAPE = 21,48%, RMSE = 162799,2 Kết quả dự báo giá trị nhập khẩu của hóa chất Việt Nam 6 tháng đầu năm 2023 như bảng sau:

Bảng 2.2: Giá trị hóa ch t nh p khấ ậ ẩu 6 tháng đầu năm 2023 bằng phương

pháp d báo thô hi u ch nh xu th và mùa v ự ệ ỉ ế ụ

Đơn vị: 1000 USD

Đơn vị: 1000 USD

Hình 3.1: Biểu đồ so sánh giá tr nh p kh u thị ậ ẩ ực tế và giá tr d báo b ng ị ự ằ

phương pháp dự báo thô hiệu chỉnh mùa vụ và xu thế

Nguồn: Nhóm tính toán và tổng hợp từ phần mềm Eviews 10

3.2 Dự báo bằng phương pháp san mũ Winters

Nhóm thực hiện dự báo bằng phương pháp san mũ Winters cho mô hình nhân tính và thu được kết quả ước lượng trong mẫu như sau đây:

Bảng 3.2: K t quế ả ước lượng bằng phương pháp san mũ Winters

san trung

Bảng 3.3: Chỉ s th i vố ờ ụ của mùa vụ c n d báo ầ ự

Nguồn: Nhóm tính toán và tổng hợp từ phần mềm Eviews 10

Sử dụng phương pháp san mũ Winters, nhóm dự báo được giá trị nhập khẩu hóa chất của Việt Nam trong 6 tháng đầu năm 2023 với kết quả các sai số MAPE = 7,96%, RMSE = 49129,57 (nghìn USD), các hệ số san (α, β, γ), giá trị trung bình ước lượng Lt = 599325,7 và giá trị ước lượng xu thế Tt = 6864,398 cùng với các chỉ số mùa vụ của mùa vụ cần dự báo Từ đó, ta có phương trình dự báo cho h giai đoạn trong tương lai như sau đây:

Yn+h = (599325,7 + h 6864,398) Si × ×

Sau khi thực hiện dự báo giá trị nhập khẩu hóa chất của Việt Nam 6 tháng đầu năm 2023 trên phần mềm Eviews 10, nhóm thu được kết quả sau:

Bảng 3.4: Giá trị hóa ch t d báo nh p kh u cấ ự ậ ẩ ủa Việt Nam 6 tháng đầu năm

2023 bằng phương pháp san mũ Winters

Đơn vị: 1000 USD

Hình 3.2: Biểu đồ so sánh giá tr nh p kh u thị ậ ẩ ực tế và giá tr nh p kh u d ị ậ ẩ ự

báo bằng phương pháp san mũ Winters

Nguồn: Nhóm tính toán và tổng hợp từ phần mềm Eviews 10

3.3 Dự báo bằng phương pháp phân tích

Như đã phân tích ở chương 1, các thành phần của chuỗi chemical bao gồm: thành phần xu thế, thành phần mùa vụ và thành phần bất quy tắc với mô hình nhân tính Sau khi thực hiện tách yếu tố mùa vụ bằng phương pháp trung bình trượt trung tâm, nhóm thu được bảng chỉ số thời vụ chung Scaling Factor (i=1,12) như sau: