Mục đích, nhiệm vụ nghiên cứu Mục đích nghiên cứu: Dự báo về giá trị xuất khẩu mặt hàng thủy sản của Việt Nam 6 tháng đầu năm 2022 Từ đó, đưa ra được kết quả dự báo phù hợp và đáng tin..
KHẢO SÁT DỮ LIỆU
Kh ảo sát d li u 4 ữ ệ
cao nhất là 913,9740 triệu USD và mức giá trị xuất khẩu thấp nhất là 323,7197 triệu USD Độ lệch chuẩn của biến seafood là 138,3379, cho thấy sự biến động khá mạnh về giá trị xuất khẩu mặt hàng thủy sản giữa các tháng có quan sát
Sử dụng lệnh line seafood, ta thu được Đồ thị của chuỗi số liệu được thể hiện trong Hình 1.1
Hình 1 1 Đồ thị biểu diễn giá trị xuất khẩu mặt hàng thủy sản của Việt Nam giai đoạn từ tháng 1/2015 đến tháng 12/2021
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Theo quan sát trên biểu đồ, ta có thể thấy sự biến động giá trị của biến được quan sát, giá xuất khẩu mặt hàng thủy sản có tính xu thế với xu hướng tăng lên Tuy nhiên, giá vẫn tăng giảm không đều tuân theo yếu tố mùa vụ, lặp đi lặp lại với cường độ tăng dần qua các tháng Như vậy, từ trực quan, nhóm dự đoán chuỗi có yếu tố mùa vụ, tuy nhiên, cần kiểm tra bằng Eviews để có kết quả dự báo chính xác nhất Bên cạnh đó, với biểu đồ hình loa, ta có thể khẳng định chuỗi sử dụng mô hình nhân Để chắc chắn hơn, nhóm tiến hành kiểm tra tính mùa vụ của chuỗi dữ liệu qua đồ thị Seasonal graph và kiểm định Kruskal – Wallis
5 Đầu tiên, nhóm thực hiện kiểm định tính mùa vụ qua đồ thị Seasonal Graph Trong Eviews 8: Chọn chuỗi seafood/view/graph/seasonal graph
Hình 1 2 Đồ thị mùa vụ của giá trị xuất khẩu mặt hàng thủy sản của Việt
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Kết quả thu được thể hiện qua biểu đồ cho thấy chuỗi có tính mùa vụ Bởi vì 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
Ngoài ra, nhóm tiến hành kiểm định Kruskal – Wallis thông qua phần mềm Eviews 8 để kiểm định thêm về tính mùa vụ của chuỗi thông qua các bước tiến hành như sau:
Bước 1: Tính trung bình trượt trung tâm và chuỗi tỷ số chênh lệch SI Genr SEAFOOD1= @movavc(SEAFOOD,12)
Bước 2: Tạo biến, lưu các mã mùa vụ
Bước 3: Thực hiện kiểm định Kruskal – Wallis với cặp giả thuyết:
H0: Không có yếu tố mùa vụ
H1: Có yếu tố mùa vụ
Bước 4: Thực hiện trên Eviews 8: Chọn chuỗi SI/View/Descriptive Statistics
& Test/ Equality Test by Classification/Series/Month/Test equality of: Median/ OK Qua các bước trên, ta thu được p–value = 0,0000 < 0,05
Vì vậy, ta bác bỏ giả thuyết H0 ở mức ý nghĩa 5%, hay chuỗi có yếu tố mùa vụ Kết luận: Mô hình dự báo là mô hình nhân tính, có yếu tố xu thế T và yếu tố mùa vụ S
1.3.2 Kiểm tra tính dừng của chuỗi Để kiểm tra tính dừng của chuỗi, nhóm sử dụng kiểm định Unit Root Test với cặp giả thuyết:
H0: Chuỗi không có tính dừng
Thực hiện kiểm định trong Eviews 8: Chọn seafood/View/Unit Root Test/Level/Intercept/OK
Với kết quả thu được: p–value = 0,3808 > 0,05 nên chuỗi dữ liệu seafood là chuỗi không dừng
Tiếp đến, nhóm tiến hành kiểm định thêm chuỗi sai phân bậc 1 của chuỗi seafood để xét tính dừng của chuỗi này
Kiểm định chuỗi sai phân bậc 1 của chuỗi được thực hiện trong Eviews 8 như sau: Chọn seafood/View/Unit Root Test/1st Difference/Intercept/OK
Ta thu được giá trị p–value = 0,0000 < 0,05 nên chuỗi dữ liệu sai phân bậc 1 của seafood là chuỗi dừng
` Kết luận: Mô hình dự báo cho chuỗi seafood của nhóm là mô hình nhân tính, có tính xu thế, mùa vụ và chuỗi sai phân bậc 1 là chuỗi dừng
LỰ A CH ỌN PHƯƠNG PHÁP DỰ BÁO
Phương pháp dự báo thô hiệu chỉnh mùa vụ
Do quan sát thấy khuynh hướng mùa vụ, nên nhóm sẽ sử dụng phương pháp dự báo thô hiệu chỉnh mùa vụ để dự báo cho chuỗi
Yt + 1: Giá trị dự báo cho giai đoạn t + 1
Yt: Giá trị thực tại thời điểm t
Yt - 1: Giá trị thực tại thời điểm t – 1 s: số mùa vụ
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 84 (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
Mô hình Winters sử dụng 4 phương trình và 3 hằng số, thể hiện qua 4 bước sau: Bước 1: Ước lượng giá trị trung bình hiện tại
Bước 2: Ước lượng giá trị xu thế (độ dốc)
Bước 3: Ước lượng giá trị chỉ số mùa
Bước 4: Dự báo h giai đoạn trong tương lai
Trong đó: n: Quan sát cuối cùng của chuỗi thời gian ban đầu
Yt: Giá trị hiện tại của chuỗi số liệu
Lt: Giá trị trung bình ước lượng
Tt: Giá trị xu thế ước lượng
Si: 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.
Phương pháp phân tích
Đáp ứng yêu cầu của một chuỗi dự báo có thể sử dụng phương pháp phân tích 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 với 84 quan sát, thời gian dự báo ngắn (cho 6 quan sát tiếp theo trong tương lai), nhóm tác giả đã tiến hành sử dụng phương pháp phân tích cho bộ số liệu của mình
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 cả yếu tố xu thế và yếu tố mùa vụ (thông qua thực hiện khảo sát dữ liệu 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 seafood, như đã thực hiện ở phần Khảo sát dữ liệu ở đầu chương 1, ta thấy các thành phần của chuỗi seafood có phụ thuộc vào nhau hay mô hình của bộ số liệu cần dự báo là mô hình nhân tính
Bước 2: Tách yếu tố mùa vụ S – hiệu chỉnh mùa vụ (SA)
Ta sử dụng phương pháp trung bình trượt trung tâm và hiệu chỉnh mùa vụ để triệt tiêu các yếu tố I và tách được S Chuỗi sau khi hiệu chỉnh chủ yếu phụ thuộc 2 thành phần chính là T và C Để thuận tiện cho quá trình nghiên cứu, ta giả định không có yếu tố C (C = 1 do mô hình là mô hình nhân tính) Việc tách các yếu tố mùa vụ cho mô hình nhân tính gồm 5 bước nhỏ như sau:
− 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 Yt*
− Tính tỷ số chênh lệch:
− Tính giá trị trung bình tỷ số thời vụ của từng mùa vụ: Mi = E(S ) i
− Tính chỉ số thời vụ chung Scaling Factor (i= 1,𝑠):
− Hiệu chỉnh Ytđể được ADYt (giá trị đã hiểu chỉnh thời vụ)
Bước 3: Ước lượng hàm xu thế và dự báo
− Ước lượng chuỗi đa hiệu chỉnh theo biến xu thế t:
− 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 lại mô hình ở bước 2, có thể thêm các biến độc lập như t 2 , t 3 hoặc các dạng hàm khác của hàm xu thế (thường là dạng log)
Bước 4: Kết hợp yếu tố mùa vụ S để đưa ra kết quả dự báo cuối cùng với Yn là quan sát cuối cùng:
𝐴𝐷𝑌 = 𝛽𝑡 1 + 𝛽2 (𝑡+ ℎ) Đối với mô hình nhân:
2.4 Phương pháp dự báo bằng mô hình ARIMA (phương pháp Box – Jenkins) Phương pháp Box Jenkins Box Jenkins– ( – method) do hai tác giả George Box và Gwilym Jenkins đưa ra trong cuốn sách Time Series Analysis: Forecasting and Control (Phân tích chuỗi thời gian: dự báo và kiểm soát) vào năm 1976 đã dẫn tới một kỷ nguyên mới của các công cụ dự báo Đây là phương pháp dự báo dựa trên các mô hình dãy số thời gian ARIMA Phương pháp này không sử dụng các yếu tố nhân quả như trong các dự báo dựa trên phân tích hồi quy, mà dựa trên việc nắm bắt xu thế, biểu hiện chu kỳ và các đặc trưng mang tính hệ thống khác của dãy số thời gian Thực tế chứng minh rằng đây là phương pháp dự báo rất chính xác trong ngắn hạn (dài nhất hai năm), nhưng sau đó độ chính xác giảm rất nhanh
Mô hình tự tương quan bậc p (viết tắt là AR (p)) là quá trình phụ thuộc tuyến tính của các giá trị trễ và sai số ngẫu nhiên được diễn giải như sau:
Mô hình trung bình trượt bậc q, viết tắt là MA (q), là quá trình được mô tả hoàn toàn bằng phương trình tuyến tính có trọng số của các sai số ngẫu nhiên hiện hành và các giá trị trễ của nó Mô hình được viết như sau:
Mô hình tự tương quan tích hợp với trung bình trượt có dạng ARIMA (p, d, q), được xây dựng dựa trên hai quá trình (1) và (2) được tích hợp Phương trình tổng quát:
Yt = C + φ1 Y t-1+… + φpYt -p + θ1ut-1 + + θqut-q + ut (3)
Phương pháp Box Jenkins– gồm bốn bước lặp: Nhận dạng mô hình thử nghiệm, ước lượng, kiểm định bằng chẩn đoán và dự báo, được trình bày như dưới đây:
Bước 1: Nhận dạng mô hình
Bước 2: Ước lượng các thông số của mô hì nh ARIMA (p, d, q)
Bước 3: Kiểm tra chẩn đoán mô hình
KẾT QUẢ DỰ BÁO
Dự báo b ằng phương pháp san mũ Winters
Nhóm thực hiện dự báo bằng phương pháp san mũ Winter cho mô hình nhân tính và thu được kết quả ước lượng trong mẫu như Bảng 3.3
Bảng 3 3 Kết quả ước lượng trong mẫu bằng phương pháp san mũ Winters
Hệ số san trong bình ( ) α
Hệ số san xu thế (β)
Hệ số san mùa vụ (γ)
Giá trị trung bình ước lượng
Giá trị xu thế ước lượng (T t )
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8
Bảng 3 4 Bảng chỉ số thời vụ của mùa vụ cần dự báo
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8
Sử dụng phương pháp san mũ Winter , nhóm dự báo được giá trị xuất khẩu của s sản phẩm thủy sản Việt Nam giai đoạn 6 tháng đầu năm 2022 với kết quả các sai số MAPE = 6,5051%, RMSE = 57,09431 (triệu USD), các hệ số san giá trị tr, ung bình ước lượng Lt = 766,9664 và giá trị ước lượng xu thế Tt = 2,682186 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:
Sau khi thực hiện dự báo giá trị xuất khẩu sản phẩm thủy sản của Việt Nam giai đoạn 6 tháng đầu năm 2022 trên phần mềm Eviews 8, nhóm thu được kết quả như Bảng 3.5
Bảng 3 5 Bảng dự báo giá trị xuất khẩu sản phẩm thủy sản của Việt Nam 6 tháng đầu năm 2022 bằng phương pháp san mũ Winters Đơn vị: Triệu USD
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8
Hình 3 2 Biểu đồ so sánh giá trị xuất khẩu thực tế và giá trị xuất khẩu dự báo bằng phương pháp san mũ Winters Đơn vị: Triệu USD
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8
Dự báo b ằng phương pháp phân tích
Như đã phân tích ở chương 1, chuỗi dữ liệu seafood bao gồm yếu tố xu thế, yếu tố mùa vụ và yếu tố bất quy tắc với mô hình nhân tính Sau khi thực hiện tách yếu tố
15 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 Bảng 3.6
Bảng 3 6 Chỉ số thời vụ chung Scaling Factor
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Cuối cùng, nhóm tính toán các tiêu chí để đánh giá độ chính xác khi d báo cho ự chuỗi g c ố seafood thu được MAPE = 6,0414% và RMSE = 55,76535 triệu USD Sau khi hiệu chỉnh mùa vụ chuỗi gốc, nhóm thu được chuỗi đã hiệu chỉnh mùa vụ là seafoodsa Nhóm thực hiện ước lượng bằng phương pháp hồi quy OLS chuỗi seafoodsa theo biến xu thế t với các hàm bậc 2, bậc 3 và hàm logarit
− seafoodsa: Chuỗi seafood sau khi tách yếu t mùa v ố ụ
− ut: sai số dự báo
Nhóm thu được kết quả kiểm định của các mô hình và trình bày ở Bảng 3.7
Bảng 3 7 Kết quả hồi quy của các mô hình 1, 2 và 3
Tiêu chí Kiểm định Mô hình 1 Mô hình 2 Mô hình 3
Phương sai sai số thay đổi White p–value 0,0000 p–value 0,0004 p–value 0,0121
Tự tương quan LM Test p–value 0,2325 p–value 0,2632 p–value 0,3994
Phần dư có phân phối chu n ẩ
Jarque - Bera p–value 0,0183 p–value 0,0019 p–value 0,0000
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Dựa trên b ng k t qu h i quy các mô hình v i các hàm b c 2, b c 3 và hàm ả ế ả ồ ớ ậ ậ logarit, nhóm nh n th y mô hình hàm logarit có sai s d báo MAPE th p nh t trong ậ ấ ố ự ấ ấ
3 mô hình đã xét ở trên Ngoài ra, mô hình logarit còn không m c hiắ ện tượng t ự tương quan và hiện tương phương sai sai số thay đổi ở mức ý nghĩa 1% Vì vậy, nhóm quy t ế định sử dụng hàm logarit đểước lượng hàm xu thế và dự báo cho chuỗi seafoodsa Kết h p y u t mùa v vào chu i d báo c a chuợ ế ố ụ ỗ ự ủ ỗi đã hiệu ch nh mùa v là ỉ ụ seafoodsa, ta được chuỗi giá trị sản phẩm hóa chất dự báo nhập khẩu seafoodf Kết quả d ự báo được trình bày ở Bảng 3.8
Bảng 3 8 Dự báo giá trị xuất khẩu mặt hàng thủy sản của Việt Nam 6 tháng đầu năm 2022 bằng phương pháp phân tích Đơn vị: Triệu USD
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8
Hình 3 3 Biểu đồ so sánh giá trị nhập khẩu thực tế và giá trị xuất khẩu dự báo bằng phương pháp phân tích
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Cuối cùng, nhóm tính toán các tiêu chí để đánh giá độ chính xác khi d báo cho ự chuỗi gốc seafood thu được MAPE = 6,0414% và RMSE = 55,76535 tri u USD ệ
Dự báo b ằng phương pháp ARIMA
Chuỗi d liữ ệu ban đầu v a có y u t xu th , v a có y u t mùa vừ ế ố ế ừ ế ố ụ đồng thời là chuỗi không d ng Nhóm th c hi n hi u ch nh y u t mùa v ừ ự ệ ệ ỉ ế ố ụ theo phương pháp trung bình trượt trung tâm thu được chuỗi dữ liệu seafoodsa
Bướ c 1: Ki ểm đị nh tính d ừ ng c a chu ủ ỗ i: Để ki m tra tính d ng cể ừ ủa chuỗi, nhóm s d ng kiử ụ ểm định Unit Root Test v i c p gi thuyớ ặ ả ết:
H0: Chu i không có tính d ng ỗ ừ
Trong Eviews 8: Ch n ọ seafoodsa/View/Unit Root Test/Level/Intercept/OK
Ta thu được p value = 0,0031 < 0,05 nên bác b H , chu i d li u là m t chu i – ỏ 0 ỗ ữ ệ ộ ỗ dừng
Bước 2: Xác đị nh b c p, q: ậ Để xác định giá tr p,q c a mô hình ARIMA, ta ph i ị ủ ả dựa vào biểu đồ ACF và PACF D a vào biự ểu đồ ACF và PACF ở hình dưới đây ta
18 thấy các h s ệ ố tương quan khác không ở các độ ễ tr 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 13,
14 còn các h sệ ố tương quan riêng phần khác không ở các độ ễ tr 1, 2, 5, 12
Hình 3 4 Biểu đồ ACF và PACF của chuỗi seafoodsa
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Để tìm ra mô hình d báo phù h p nh t, ta phự ợ ấ ải dùng phương pháp thực nghiệm bằng cách so sánh các chỉ số R hi u ch 2 ệ ỉnh, AIC và Schwars K t qu so sánh cho ế ả thấy mô hình ARIMA (p = 1, 2, 5; d = 0; q = 1, 2) là mô hình phù h p nh t v i chu i ợ ấ ớ ỗ dữ liệu đang xét do có R 2 hi u chệ ỉnh lớn nh t, các chấ ỉ s AIC, Schwars nh nh t và ố ỏ ấ có nhi u tr ng ễ ắ
Bước 3: Ước lượng mô hình đồ ng th ờ i ki ểm tra mô hình và các điề u ki ệ n gi ả đị nh c a mô hình ủ
Bảng 3 9 Kết quả ước lượng mô hình ARIMA (p = 1, 2, 5; d = 0; q = 1, 2)
Biến Hệ s ch n ố ặ t-Statistic p–value
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Bướ c 4: D ự báo ngoài m ẫ u
Sau khi l a chự ọn được mô hình ARIMA phù h p, nhóm ti n hành d báo ngoài ợ ế ự mẫu, thu được chuỗi dự báo seafoodsaf với chất lượng d báo MAPE = 7,4362% ự Kết h p yợ ếu t mùa v vào chu i ố ụ ỗseafoodsaf, ta được chu i giá tr s n ph m hóa ỗ ị ả ẩ chất d báo nh p kh u ự ậ ẩ seafoodf K t qu d ế ả ự báo được trình bày ở Bảng 3.8 Bảng 3 10 Dự báo giá trị xuất khẩu mặt hàng thủy sản của Việt Nam 6 tháng đầu năm 2022 bằng phương pháp ARIMA Đơn vị: Triệu USD
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8
Hình 3 5 Biểu đồ so sánh giá trị nhập khẩu thực tế và giá trị xuất khẩu dự báo bằng phương pháp ARIMA
Nguồn: Nhóm tác giả tự tổng hợp từ phần mềm Eviews 8 Cuối cùng, nhóm tính toán các tiêu chí để đánh giá độ chính xác khi d báo cho ự chuỗi g c ố seafood thu được MAPE = 7,4362% và RMSE = 63,59017 tri u USD ệ