Xuất phát từ những nhu cầu thực tế trên, nhóm nghiên cứuquyết định thực hiện đề tài: “Dự báo sản lượng xuất khẩu gạocủa Việt Nam từ tháng 3 năm 2023 đến tháng 12 năm2023”.Mục tiêu dự báo
CƠ SỞ LÝ LUẬN
Tình hình xuất khẩu gạo ở Việt Nam
Trong những năm vừa qua quy mô và kim ngạch xuất khẩu gạo có xu hướng gia tăng Khối lượng xuất khẩu gạo của Việt Nam tăng 5,8 triệu tấn năm
2017 lên 6,2 triệu tấn năm 2021, chiếm bình quân hơn 12% tổng khối lượng gạo xuất khẩu của thế giới Kim ngạch xuất khẩu gạo tăng từ 2,63 tỷ USD năm 2020 lên 2,88 tỷ USD năm 2021; 5 tháng đầu năm 2022 đạt 1,19 tỷ USD Tăng trưởng kim ngạch xuất khẩu gạo năm 2021 tăng 9,75% so với năm 2020 Hiện nay, giá xuất khẩu có xu hướng tăng lên, năm 2021 giá xuất khẩu bình quân là 526 USD/tấn, mặc dù vẫn bị ảnh hưởng bởi dịch Covid -19 nhưng xuất khẩu gạo của Việt Nam vẫn đạt được những kết quả khả quan.
Bảng 1.1 Kim ngạch xuất khẩu gạo của Việt Nam sang một số nước Đơn vị: Nghìn USD
STT Tên nước Năm 2020 Năm 2021 5 tháng đầu năm
Nguồn: Tổng cục Hải quan
Những năm gần đây, chủng loại gạo xuất khẩu của Việt Nam ngày càng đa dạng, phong phú, với các mặt hàng gạo xuất khẩu chủ yếu như gạo thơm các loại, gạo cao cấp, gạo nếp, gạo janopica…Các doanh nghiệp Việt Nam chú trọng đến
4 việc nâng cao chất lượng gạo, truy xuất nguồn gốc và hướng đến đáp ứng các tiêu chuẩn cao của các thị trường xuất khẩu thông qua việc đầu tư phát triển vùng nguyên liệu, sản xuất theo tiêu chuẩn an toàn, đưa vào các giống lúa đạt chuẩn, cải tiến dây chuyền công nghệ xay xát, chế biến.
Do vậy, chất lượng gạo xuất khẩu của Việt Nam ngày càng được nâng cao, cơ cấu chủng loại gạo xuất khẩu của Việt Nam chuyển dịch theo hướng tăng tỷ trọng các loại gạo có giá trị gia tăng cao, giảm tỷ trọng các loại gạo phẩm cấp thấp.
Sự chuyển dịch cơ cấu chủng loại gạo xuất khẩu của Việt Nam đáp ứng được nhu cầu của người tiêu dùng tại các thị trường xuất khẩu, từ đó nâng cao giá trị gia tăng của gạo xuất khẩu.
Thị trường xuất khẩu gạo khá rộng và đa dạng, cơ cấu thị trường có xu hướng chuyển dịch sang các thị trường Châu Âu, Châu Phi, giảm tỷ trọng thị trường Châu Á Năm 2020 Việt Nam xuất khẩu sang 31 thị trường các nước, sang năm
2021 giảm còn 28 thị trường và năm 2022 là 29 thị trường các nước trên thế giới. Gạo được xuất khẩu nhiều nhất sang Philippines với giá trị kim ngạch 1.056,28 triệu USD, tiếp theo là Trung Quốc 463,03 triệu USD; Ga Na 282,29 triệu USD; Malaysia 237,32 triệu USD; Bờ biển Ngà 207,52 triệu USD…
Năng suất và chất lượng gạo: Ngành sản xuất gạo tại Việt Nam ngày càng phát triển với diện tích đất trồng lớn và năng suất lúa cao giúp không chỉ đáp ứng nhu cầu tiêu thụ của thị trường nội địa mà còn hướng tới xuất khẩu tới các thị trường khó tính khác Không chỉ dừng lại ở mức sản xuất các loại gạo thông thường, ưu tiên số lượng thay vì chất lượng hạt, Việt Nam định hướng chuyển đổi sang sản xuất các loại gạo cao cấp như ST25, Basmati nhằm tăng giá trị sản phẩm cũng như hỗ trợ khả năng cạnh tranh trên trường quốc tế.
Cơ sở hạ tầng và công nghệ sản xuất: Nhằm thúc đẩy cho sự phát triển của ngành sản xuất gạo tại Việt Nam, Chính phủ nước nhà đã tiến hành đẩy mạnh đầu tư cơ sở hạ tầng bao gồm giao thông và sản xuất, hỗ trợ nâng cao công nghệ sản xuất,quy trình chế biến và vận chuyển, tăng tính cạnh tranh và làm giảm chi phí đầu vào.
Chính sách và Hiệp định: Bên cạnh đó, Chính phủ cũng đã thiết lập các chính sách và quy định hỗ trợ ngành gạo, bao gồm chính sách hỗ trợ giá, hỗ trợ vốn, giảm phí và miễn thuế, giúp tăng năng lực cạnh tranh và thu hút đầu tư Nhờ có sự ký kết của nhiều Hiệp định thương mại tự do (FTA) giữa Việt Nam và các nước bạn trên thế giới cũng giúp giảm đi các rào cản thương mại và tăng cơ hội xuất khẩu gạo của nước ta
Thương hiệu gạo: Đặc biệt, thông qua việc xây dựng thương hiệu gạo trên trường quốc tế với các sản phẩm như ST25, Basmati, giá trị xuất khẩu gạo của Việt Nam được cải thiện đáng kể so với trước đây.
Với những lợi thế và chính sách hỗ trợ từ Chính phủ, ngành sản xuất gạo Việt Nam đang dần khẳng định được vị thế của mình trên thị trường quốc tế và đóng góp không nhỏ vào sự phát triển chung của đất nước.
Cạnh tranh với các nước sản xuất gạo khác: Việt Nam đang phải đối mặt với sự cạnh tranh khốc liệt từ các nước sản xuất gạo khác như Thái Lan, Ấn Độ và Pakistan trên thị trường quốc tế, đặc biệt là trong các thị trường châu Á Để cạnh tranh được, ngành sản xuất gạo Việt Nam cần phải nâng cao năng lực cạnh tranh bằng cách cải tiến sản phẩm và dịch vụ, đẩy mạnh quảng bá thương hiệu và cải thiện quy trình sản xuất để tăng năng suất và chất lượng gạo. Điều kiện thời tiết không ổn định: Một trong những thách thức lớn nhất mà ngành sản xuất gạo Việt Nam đang phải đối mặt là điều kiện thời tiết không ổn định. Việt Nam thường xuyên bị ảnh hưởng bởi các thiên tai như bão, lũ, hạn hán và giá rét, gây ra mất mùa và giảm năng suất lúa Để giảm thiểu tác động của thiên tai, ngành sản xuất gạo cần phải áp dụng các giải pháp đổi mới công nghệ, xây dựng hệ thống phòng chống thiên tai và quản lý nguồn lực nước để đảm bảo an toàn cho sản xuất gạo. Điều kiện giá cả không ổn định: Thách thức tiếp theo đối với ngành sản xuất gạo Việt Nam là giá cả không ổn định Giá cả gạo thế giới có thể thay đổi đột ngột và khó dự đoán, gây ra những khó khăn cho các doanh nghiệp xuất khẩu gạo Việt
Nam Để giải quyết vấn đề này, ngành sản xuất gạo cần phải tìm cách cải thiện quản lý nguồn lực và tối ưu hóa chi phí sản xuất, cũng như tăng cường quản lý rủi ro và phát triển các kênh thị trường mới.
Các nghiên cứu đi trước
Bảng 1.2 Tóm tắt các nghiên cứu đi trước
Tác giả Nội dung nghiên cứu
Nghiên cứu này sử dụng mô hình dữ liệu chuỗi thời gian để dự báo xu hướng xuất khẩu gạo của Việt Nam trong tương lai Kết quả cho thấy xu hướng tăng trưởng xuất khẩu gạo của Việt Nam sẽ tiếp tục trong tương lai. Nguyen Dang Minh,
Nghiên cứu này sử dụng các mô hình kinh tế để dự báo xu hướng xuất khẩu gạo của Việt Nam từ năm 2019 đến năm
2025 Các mô hình được sử dụng bao gồm mô hình hồi quy đơn biến, mô hình hồi quy nhiều biến và mô hình ARIMA Kết quả cho thấy rằng năm 2019 và 2020, xuất khẩu gạo của Việt Nam sẽ giảm so với năm 2018 do tình hình thị trường quốc tế khó khăn, nhưng sẽ tăng trở lại từ năm 2021 và đạt mức cao nhất vào năm 2025.
Nghiên cứu này sử dụng mô hình kết hợp LSTM và ARIMA để dự báo xu hướng xuất khẩu gạo của Việt Nam trong tương lai Kết quả cho thấy xuất khẩu gạo của Việt Nam sẽ tiếp tục tăng trưởng, nhưng sẽ có sự giảm tốc độ tăng trưởng.
Nghiên cứu này đánh giá tác động của đại dịch COVID-
19 lên thị trường gạo Việt Nam thông qua mô hình trọng lực Kết quả cho thấy, đại dịch COVID-19 đã gây ra sự gián đoạn trong chuỗi cung ứng và tăng chi phí vận chuyển, tác động tiêu cực đến hoạt động xuất khẩu gạo của Việt Nam Nghiên cứu cũng đề xuất một số giải pháp để giảm thiểu tác động tiêu cực của đại dịch trên thị trường gạo Việt Nam.
Nghiên cứu này xác định quan hệ của các yếu tố có thể tạo ra sự thay đổi giá gạo đột ngột và đưa ra một cơ chế khả
Abdelh thi cho dự báo giá Sri Lanka Kết quả của nghiên cứu chỉ ra rằng giá gạo quốc tế và giá dầu thô quốc tế có mối quan hệ tiêu cực đối với giá gạo trong nước, tỷ giá USD được phát hiện có mối quan hệ tích cực Bài viết cũng đưa ra một mô hình dự báo cho giá gạo mà trong đó tỷ giá USD có tác động cao nhất đối với việc xác định giá gạo trong nước Sri Lanka
Nghiên cứu sử dụng kết hợp mô hình trung bình trượt(ARIMA) thông qua phương pháp tiếp cận Box - Jerkins.Các giá trị dự đoans của sản xuất lúa và ngô đã được thống kê suy ra rằng không có sự khác biệt đáng kể với các giá trị thực tế cụ thể của họ Tuy tác giả khẳng địnhChính phú có thể dùng kết quả nghiên cứu để ra các quyết định trong tương lai nhưng bài viết vẫn còn tồn tại một số hạn chế như: dự báo dựa trên số liệu theo quý có thể không sát với mùa vụ thu hoạch và gieo trồng củaPhilippines cũng như chưa chỉ ra chính xác lượng cụ thể theo tháng.
MÔ HÌNH DỰ BÁO SẢN LƯỢNG XUẤT KHẨU GẠO CỦA VIỆT NAM
Khảo sát dữ liệu
Số liệu thu thập là số liệu chuỗi thời gian, thể hiện thông tin về lượng xuất khẩu gạo của Việt Nam từ tháng 1 năm 2014 đến tháng 2 năm 2023 (đơn vị: nghìn tấn) Số liệu là số liệu thứ cấp, được nhóm tổng hợp từ Số liệu thống kê của Tổng cục thống kê Việt Nam, với số quan sát là 110 quan sát.
Trên cửa sổ Series: Y chọn View/ Descriptive Statistics & Test/ Histogram and Stats ta được kết quả thống kê mô tả dưới đây:
Hình 2.1 Phân phối chuẩn của nhiễu
Mean 514.1182 Median 504.5000 Maximum 984.0000 Minimum 170.0000 Std Dev 137.9080 Skewness 0.319559 Kurtosis 3.291800
Một số thống kê mô tả quan trọng:
Giá trị nhỏ nhất: 170 Độ lệch chuẩn: 137.9080
2.1.2 Kiểm tra tính xu thế
Trên cửa sổ Series: Y chọn View/ Graph/ Line & Symbol, ta có biểu đồ mô tả số liệu như sau:
Hình 2.2 Biểu đồ mô tả số liệu y
Từ đồ thị của chuỗi y, ta thấy chuỗi không có xu hướng đi lên hay đi xuống theo thời gian Suy ra, chuỗi không có tính xu thế Đồ thị nằm trong một dải có độ rộng không đổi và có dạng hình rãnh nên chuỗi thuộc loại mô hình cộng tính. 2.1.3 Kiểm tra tính mùa vụ
Trên cửa sổ Series: Y chọn View/ Graph/ Seasonal Graph, ta có biểu đồ mô tả số liệu theo mùa vụ như sau:
Hình 2.3 Biểu đồ mô tả số liệu theo yếu tố mùa vụ
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Các vạch đỏ trong hình là giá trị trung bình của từng mùa Nếu các vạch này chênh nhau càng nhiều thì tính mùa vụ càng rõ ràng Từ đồ thị trên quan sát ta thấy khoảng cách giữa các đường Means by Season là lớn, suy ra dự đoán ban đầu là chuỗi có yếu tố mùa vụ
Tiếp theo, nhóm tiến hành kiểm định Kruskal-Wallis để kiểm định tính mùa vụ của chuỗi thời gian với giả thuyết như sau:
H0: Không có yếu tố mùa vụ (phân phối của Si là như nhau ở các mùa vụ)
H1: Có yếu tố mùa vụ (phân phối của Si là khác nhau ở các mùa vụ) Bước 1: Tính trung bình trượt trung tâm CMA Tạo biến genr cma =
Bước 2: Tính tỷ số mùa vụ SI Tạo biến genr si = y-cma
Bước 3: Tạo biến mùa vụ Trên cửa sổ Command của Eviews gõ lệnh genr month = @month
Bước 4: Thực hiện kiểm định Kruskal Wallis Trên cửa sổ Series: SI vào
View Descriptive Statistics & Tests/ Equality Tests by Classification Trên cửa sổ
Tests by Classification, trong mục Series/Group for Classify nhập month, trong mục
Test equality of chon Median => OK.
Bảng 2.3 Kết quả kiểm định Kruskal - Wallis
Kruskal – Wallis (tie-adj.) 11 39.22389 0.0000 van der Waerden 11 40.45839 0.0000
Kết quả kiểm định Kruskal Wallis có giá trị p-value là 0.0000, nhỏ hơn mức ý nghĩa , nên bác bỏ giả thuyết H0, tức chuỗi thời gian có yếu tố mùa vụ.
Trước hết, nhóm tác giả thực hiện tách yếu tố mùa vụ ra khỏi chuỗi thời gian. Trên của sổ Series: Y chọn Proc/Seasonal Adjustment/Moving Average Methods Vì nhóm hiệu chỉnh yếu tố mùa vụ của chuỗi theo mô hình cộng, nên trên cửa sổ
Seasonal Adjustment, mục Adjustment methods chọn Difference from moving average – Addtive => OK Chuỗi đã tách yếu tố mùa vụ là ysa, chỉ số mùa vụ là sfa
Tiếp theo, kiểm định nghiệm đơn vị (kiểm định Dickey–Fuller) được sử dụng để kiểm tra xem chuỗi thời gian có tính dừng hay không:
Trên cửa sổ Series: YSA chọn Unit Root Test, tại hộp thoại Test type chọn
Augmented Dickey-Fuller, tại Test for unit root test chọn Level, tại Include in test equation chọn Intercept => OK
Bảng 2.4 Kết quả kiểm định Unit Root Test
Augmented Dickey – Fuller test t – Statistic Prob.* statistic
Kết quả kiểm định cho thấy giá trị p-value = 0.000, nhỏ hơn mức ý nghĩa , nên bác bỏ giả thuyết H0 Tức chuỗi thời gian ysa là chuỗi dừng.
2.1.5 Phân tích giản đồ tự tương quan (ACF) và tương quan riêng phần (PACF)
Chọn chuỗi thời gian đã hiệu chỉnh mùa vụ ysa, trên cửa sổ Series: YSA chọn View/ Correlogram, tại Correlogram of chọn Level => OK Ta thu được kết quả giản đồ tương quan như sau:
Hình 2.4 Giản đồ tương quan chuỗi gốc y Hình 2.5 Giản đồ tương quan của chuỗi tách yếu rố mùa vụ ysa
Chuỗi y sau khi hiệu chỉnh mùa vụ, ta thu được chuỗi ysa.
Với chuỗi số liệu gốc y: Nhìn hình 2.4, ta có thể thấy các hệ số AC của chuỗi giảm nhanh về 0 từ bậc trễ 3 một cách có ỹ nghĩa thống kê ở mức ý nghĩa 5% Điều này suy ra, chuỗi dữ liệu y là chuỗi dừng Mặt khác, cách vạch bậc 1,6,12,… của
14 giản đồ tương quan AC vượt ra khỏi đường biên thể hiện cho tính mùa vụ của chuỗi y.
Với chuỗi số liệu hiệu chỉnh mùa vụ ysa: Nhìn hình 2.5, ta có thể thấy các hệ số AC của chuỗi giảm nhanh về 0 từ bậc trễ 5 một cách có ỹ nghĩa thống kê ở mức ý nghĩa 5% Điều này suy ra, chuỗi dữ liệu ysa là chuỗi dừng Vạch bậc 1,3 của ACF và vạch bậc 1,3 của PACF trượt khỏi đường biên nên chọn độ trễ cho AR là 1,3 và
Kết luận: Qua khảo sát trên, nhóm rút ra được đặc điểm của chuỗi là chuỗi dừng, không có tính xu thế, có tính mùa vụ và là mô hình cộng tính.
Lựa chọn phương pháp dự báo
Với các đặc điểm của chuỗi: có tính mùa vụ, không có tính xu thế, là chuỗi dừng, tuân theo mô hình cộng tính, nhóm lựa chọn 3 phương pháp dự báo như sau: 2.2.1 Dự báo thô hiệu chỉnh mùa vụ
Dự báo thô có mùa vụ được dùng để dự báo cho chuỗi thời gian có yếu tố mùa vụ Phương trình dự báo thô hiệu chỉnh mùa vụ là:
: Giá trị dự báo cho giai đoạn t+1
: Là giá trị thực tại thời điểm t+1-s s: Là số mùa vụ trong năm (dữ liệu theo quý s = 4, dữ liệu theo tháng s = 12)
2.2.2 Phương pháp san mũ Winters
Vì chuỗi số liệu có yếu tố mùa vụ nên nhóm tác giả lựa chọn phương pháp san mũ Winters. Đối với mô hình cộng tính
Công thức: Ước lượng giá trị trung bình hiện tại: Ước lượng giá trị xu thế: Ước lượng giá trị chỉ số mùa vụ:
Dự báo h giai đoạn trong tương lai: Đối với mô hình nhân tính
Công thức: Ước lượng giá trị trung bình hiện tại: Ước lượng giá trị xu thế: Ước lượng giá trị chỉ số mùa vụ:
Dự báo h giai đoạn trong tương lai:
: là ước lượng của phần xu thế ở thời kì t
: là ước lượng giá trị trung bình hiện tại của Y ở thời điểm t
: là giá trị dự báo của Y sau h giai đoạn trong tương lai
: là yếu tố mùa vụ tại thời điểm t (chỉ số mùa vụ qua các năm là không đổi) s: là số thời vụ trong một năm
: là yếu tố thời vụ tại thời điểm t của thời kì trước
Box & Jenkins (1970) lần đầu tiên giới thiệu mô hình ARIMA (autoregressive integrated moving average) trong phân tích chuỗi thời gian, được
16 hiểu là phương pháp Box-Jenkins Mô hình ARIMA được kết hợp bởi 3 thành phần chính: AR (thành phần tự hồi quy), I (tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt) Theo Gujarati (2006) và R Carter Hill et al., (2011) để sử dụng mô hình ARIMA trong dự báo chuỗi thời gian, cần trải qua 4 bước như sau:
Bước 1: Kiểm định tính dừng Để sử dụng mô hình ARIMA(p, d,q) trong dự báo cần nhận dạng ba thành phần p,d và q của mô hình Thành phần d của mô hình được nhận dạng thông qua kiểm định tính dừng của chuỗi thời gian Nếu chuỗi thời gian dừng ở bậc 0 ta ký hiệu I(d=0), nếu sai phân bậc 1 của chuỗi dừng ta ký hiệu I(d=1), nếu sai phân bậc 2 của chuỗi dừng ta ký hiệu I(d=2), Để kiểm định tính dừng của chuỗi, nhóm tác giả sử dụng kiểm định nghiệm đơn vị Dickey–Fuller:
Bước 2: Xác định bậc p, q cho mô hình ARIMA
Sau khi kiểm định tính dừng, ta sẽ xác định bậc của quy trình tự hồi quy (AR) và quy trình trung bình trượt (MA) thông qua biểu đồ tự tương quan (ACF) và biểu đồ tự tương quan riêng phần (PACF).
Về AR, đây là mô hình mà hành vi của Y được xác định bởi giá trị trước đót của chính nó Quá trình tự hồi quy AR bậc p (với p là bậc tự hồi quy) có thể được biểu diễn như sau:
Về MA, đây là mô hình mà hành vi của Y được xác định bởi các sai số dựt báo trong quá khứ và hiện tại Quá trình trung bình trượt MA bậc q (với q là bậc trung bình trượt) có thể được biểu diễn như sau:
Y t = M + Ut + ∑ q j=1 (Ө *Y j t-j ) (3) Kết hợp (2) và (3) ta có mô hình ARMA (p,q) như sau:
Nhận dạng mô hình ARIMA(p,d,q) là tìm các giá trị thích hợp của p, d, q, bậc trung bình trượt Việc xác định p và q sẽ phụ thuộc vào các đồ thị PACF = f(t) và ACF = f(t), chi tiết được thể hiện ở Bảng …
Bảng 2.5 Các dạng đồ thị của mô hình ARIMA
Loại mô hình Dạng đồ thị ACF Dạng đồ thị PACF
Giảm nhanh theo hàm mũ hoặc dạng hình sin, hoặc cả hai
MA(q) Có đỉnh sau trễ q Giảm dần theo hàm mũ
ARMA(p, q) Giảm nhanh theo hàm mũ Giảm nhanh theo hàm mũ
Bước 3: Ước lượng các tham số và lựa chọn mô hình
Các tham số của mô hình sẽ được ước lượng bằng phần mềm Eview Quá trình lựa chọn mô hình là quá trình thực nghiệm và so sánh có hay không nhiễu trắng các chỉ số AIC, SBC, HQC, MAPE cho đến khi ta chọn được mô hình tốt nhất cho việc dự báo
Bước 4 Kiểm định mô hình Để đảm bảo mô hình là phù hợp, sai số của mô hình phải là nhiễu trắng Ta có thể sử dụng biểu đồ tự tương quan ACF hoặc kiểm định Breusch-Godfrey kiểm tra tính tự tương quan của sai số Bên cạnh đó để đánh giá độ tin cậy của mô hình dự báo, nghiên cứu sử dụng chỉ số MAPE (Mean Absolute Percent Error) và RMSE (Root Mean Squared Error) Theo Lewis (1983) thì MAPE lớn hơn hoặc bằng 50% thì dự báo không chính xác, 20% - 50% là hợp lệ, 10% - 20% là dự báo tốt, dưới 10% là dự báo hoàn hảo Chỉ số RMSE cũng tương tự chỉ số MAPE, càng nhỏ càng tốt Ta có các công thức tính MAPE và RMSE như sau:
Trong đó , là giá trị thật và giá trị dự báo ở thời điểm t, n là tổng số dự báo.
Bước 5 Dự báo ngoài mẫu
Sau khi kiểm định sai số của các mô hình dự báo, nếu phù hợp sẽ được sử dụng vào việc dự báo Tuy nhiên, cần lưu ý rằng mô hình ARIMA chỉ nên được sử
18 dụng để dự báo khi chuỗi không có yếu tố mùa vụ Vì vậy, khi chuỗi được chọn có yếu tố mùa vụ, ta cần tách yếu tố mùa vụ ra khỏi dữ liệu hoặc sử dụng phương phápSARIMA.
Kết quả dự báo
2.3.1 Dự báo thô hiệu chỉnh yếu tố mùa vụ
Yf = y(-12) Trong đó: y(-12): sản lượng xuất khẩu gạo tương ứng tại tháng x năm ngoái
Sau khi tiến hành dự báo, ta được giá trị MAPE = 28% và thu được kết quả sau:
Bảng 2.6 Kết quả dự báo thô hiệu chỉnh mùa vụ sản lượng xuất khẩu gạo Việt
Nam từ tháng 3/2023 đến tháng 12/2023 Đơn vị: Nghìn tấn
2.3.2 Dự báo bằng phương pháp san mũ Winters
Chuỗi thời gian nhóm lựa chọn tuân theo mô hình cộng tính như trong phần khảo sát dữ liệu đã đề cập Bằng các thao tác trong EVIEWS, nhóm chọn ra 3 hằng
Ta có các phương trình san mũ
San cho giá trị trung bình:
Lt = 0.31 (Y - S ) + 0.69 (L + Tt t-s t-1 t-1) San cho yếu tố xu thế:
San cho yếu tố mùa vụ:
Phương trình dự báo cho h giai đoạn:
Si là thời vụ được dự báo (tháng)
Ta được MAPE = 17,63% và bảng kết quả dự báo như sau:
Bảng 2.7 Kết quả dự báo san mũ Winters cho sản lượng xuất khẩu gạo Việt
Nam từ tháng 3/2023 đến tháng 12/2023 Đơn vị: Nghìn tấn
Hình 2.6 Đồ thị so sánh giá trị xuất khẩu gạo thực tế và giá trị dự báo bằng san mũ Winters
Nhóm thực hiện vẽ đồ thị so sánh giá trị dự báo với giá trị thực tế, nhóm nhận thấy dù giá trị dự báo chưa thực sự sát với thực tế, tuy nhiên đa số những chiều hướng lên xuống của chuỗi thì vẫn tuân theo giá trị thực tế.
2.3.3 Dự báo bằng mô hình ARIMA
Nhóm thực hiện dự báo bằng mô hình ARIMA theo 4 bước phần khảo sát dữ liệu đã đề cập và thực hiện thêm bước tách yếu tố mùa vụ do chuỗi dữ liệu có yếu tố mùa vụ.
Bước 1: Thực hiện tách yếu tố mùa vụ
Như phần khảo sát dữ liệu đã đề cập, chuỗi có yếu tố mùa vụ và tuân theo mô hình cộng tính nên nhóm sẽ thực hiện tách yếu tố mùa vụ bằng phương pháp trung bình trượt (Moving Average) trước khi xây dựng mô hình ARIMA.Sau khi tách yếu tố mùa vụ, ta có chỉ số thời vụ (sfa) và chuỗi dữ liệu được tách yếu tố mùa vụ hay nhóm đặt tên là chuỗi ysa như sau:
Bảng 2.8 Scaling factor sau khi hiệu chỉnh yếu tố mùa vụ cho chuỗi
Bước 2: Kiểm tra tính dừng của chuỗi
Phương pháp dự báo ARIMA chỉ phù hợp với chuỗi dừng nên nhóm tiến hành kiểm tra tính dừng của chuỗi ysa bằng kiểm định Unit Root Test
Với P - value = 0.0000 < 0.05 nên ta bác bỏ giả thuyết H0 và chuỗi ysa là chuỗi dừng Nhóm tiến hành sử dụng chuỗi ysa cho mô hình ARIMA
Bảng 2.9 Kết quả kiểm định Unit Root Test cho chuỗi ysa
Augmented Dickey-Fuller test statistic t-Statistic Prob.*
Bước 3: Xác định bậc p cho mô hình AR và bậc q cho mô hình MA
Hình 2.7 Giản đồ tự tương quan (ACF) và tự tương quan riêng (PACF)
Thông qua giản đồ tự tương quan (ACF) và tự tương quan riêng (PACF) Ta tiến hành lựa chọn độ trễ p,q Với mô hình AR, ta lựa chọn độ trễ p = 1,3 Với mô hình
MA, ta lựa chọn độ trễ q = 1,3 Nhóm thực hiện hồi quy các mô hình và kiểm tra các điều kiện giả định của mô hình ở bước tiếp theo.
Bước 4: Thực hiện ước lượng và kiểm tra các điều kiện giả định của mô hình
Nhóm thực hiện ước lượng 6 mô hình và kiểm tra nhiễu trắng, các chỉ số đánh giá chất lượng dự báo của mô hình và số lượng hệ số hồi quy có ý nghĩa thống kê ở bảng dưới:
Bảng 2.10 So sánh các mô hình ARIMA
T Mô hình Nhiễu trắng AIC SBC HQC MAP
Hệ số hồi quy có ý nghĩa thống kê
Sau khi thực hiện ước lượng các mô hình, nhóm nhận thấy mô hình ARIMA với bậc p =0 và q = 1 và q = 3 đạt được kết quả tốt nhất, nên nhóm sẽ dự báo bằng mô hình ARIMA(0,0,1-3).
Bước 5: Dự báo ngoài mẫu
Ta tiến hành dự báo chuỗi ysa và cộng kết quả đó với Scaling Factors (sfa) để ra kết quả dự báo cuối cùng dành cho y Ta có bảng kết quả như sau:
Bảng 2.11 Kết quả dự báo bằng mô hình ARIMA cho sản lượng xuất khẩu gạo
Việt Nam từ tháng 3/2023 đến tháng 12/2023 Đơn vị: Nghìn tấn
Sau khi dự báo, nhóm thực hiện vẽ đồ thị so sánh giá trị dự báo với giá trị thực tế Nhóm nhận thấy do MAPE của mô hình còn lớn nên giá trị ước lượng chưa được sát với giá trị thực tế
Hình 2.8 Đồ thị so sánh giá trị xuất khẩu gạo thực tế và dự báo bằng mô hình
Thảo luận kết quả
Sau khi thực hiện dự báo bằng 3 phương pháp: Dự báo thô hiệu chỉnh mùa vụ, phương pháp san mũ Winters và dự báo bằng mô hình ARIMA Nhóm có bảng tổng hợp MAPE của các phương pháp dự báo như sau:
Bảng 2.12 Tổng hợp MAPE của các phương pháp dự báo
Dự báo thô hiệu chỉnh mùa vụ
Phương pháp san mũ Winters
Ta có thể thấy phương pháp san mũ Winters là phương pháp dự báo mang lại kết quả tốt nhất do có MAPE nhỏ nhất Như vậy, sau quá trình dự báo, nhóm nghiên cứu thu được giá trị dự báo cho sản lượng xuất khẩu gạo của Việt Nam từ tháng 3/2023 tới tháng 12/2023 như sau:
Bảng 2.13 Kết quả dự báo sản lượng xuất khẩu gạo Việt Nam từ tháng 3/2023 đến tháng 12/2023 Đơn vị: Nghìn tấn
Ta có thể thấy sản lượng xuất khẩu gạo vào tháng 5 được dự báo là lớn nhất và ngược lại, vào tháng 12 thì sản lượng nhỏ nhất Nhìn chung trong 3 quý cuối của năm 2023, sản lượng xuất khẩu có sự tăng giảm không quá lớn, vẫn sẽ giữ được nhịp độ như các năm trước.