Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)

Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)Khủng hoảng nợ công: Tiếp cận bằng hệ thống cảnh báo sớm Ews (Early warning system)

GIỚI THIỆU NGHIÊN CỨU

Đặt vấn đề

Khủng hoảng nợ công là một vấn đề kinh tế vĩ mô nghiêm trọng mà nhiều quốc gia trên thế giới đang phải đối mặt Nợ công quá lớn có thể dẫn đến mất cân đối ngân sách và không bền vững lâu dài Khi nợ công quá cao và tăng nhanh, khả năng trả nợ của chính phủ bị suy giảm Điều này làm tăng nguy cơ xảy ra khủng hoảng nợ công. Cuộc khủng hoảng này có thể phát sinh từ nhiều yếu tố khác nhau như vay mượn quá mức, quản lý tài chính yếu kém, suy thoái kinh tế và khủng hoảng tài chính (Reinhart và cộng sự, 2012) Ngày nay, vấn đề nợ công đã trở thành những thách thức kinh tế và tài chính lớn mà hầu hết các quốc gia trên khắp thế giới đều phải lo lắng khi tình hình nợ công tăng cao, nợ công tăng cao có thể do ảnh hưởng của các yếu tố như tăng chi phí chiến tranh, sự gia tăng của chương trình xã hội, và những biến đổi kinh tế toàn cầu Khủng hoảng nợ công (KHNC) nếu xảy ra có khả năng gây ra những tác động tiêu cực đáng kể đến sự ổn định tài chính, tăng nguy cơ thiếu hụt nguồn vốn, và đe dọa sự phát triển bền vững của nền kinh tế của quốc gia và có thể là cả khu vực Có thể thấy hậu quả thông qua cuộc KHNC Châu Âu đã làm cho đồng tiền euro mất giá điều này gây thiệt hại nặng nề cho nhiều quốc gia trong khối eurozone và cả các quốc gia đang phát triển, và những tác động này ảnh hưởng dài hạn và rất khó dự đoán.

Như cuộc KHNC Mỹ Latinh vào những năm 1980 theo Pop-Eleches (2007), cuộc khủng hoảng nợ ở Mỹ Latinh trong thập niên 1980 là một sự kiện quan trọng có ảnh hưởng cả khu vực và toàn cầu Nguyên nhân chính của cuộc khủng hoảng này bắt nguồn từ việc đẩy mạnh thực hiện công nghiệp hoá khi đầu tư xây dựng cơ sở hạ tầng từ đó dẫn đến nhập siêu, từ việc vay mượn đã làm rõ rằng các quốc gia tại khu vực này không thể trả được khoản vay từ các quốc gia khác và tổ chức tài chính Quốc tế, chính vì vay mượn quá nhiều cộng thêm sự tăng lãi suất toàn cầu, sự suy giảm giá dầu và các sản phẩm xuất khẩu chủ yếu của Mỹ Latinh bị ảnh hưởng bởi việc thu hẹp thương mại quốc tế, cùng với việc sử dụng vốn vay không minh bạch và hiệu quả Các hậu quả của cuộc khủng hoảng này đã buộc các quốc gia phải dựa vào sự can thiệp của IMF vàNgân hàng Thế giới, áp dụng các chương trình điều chỉnh cấu trúc, cắt giảm chi tiêu công, tăng thuế và thực hiện cải cách kinh tế theo hướng tự do hóa Tuy nhiên sự kết hợp giữa IMF và các quốc gia này không đạt được kết quả tích cực, chỉ làm gia tăng suy thoái kinh tế, thất nghiệp, bất bình đẳng và bất ổn xã hội Tương tự, các cuộc KHNC gần đây tại châu Âu từ năm 2009 và Mỹ vào cuối năm 2020 cũng cho thấy tình hình tương tự Các quốc gia như Hy Lạp, Ireland, Bồ Đào Nha, Tây Ban Nha, Ý và

Mỹ đã không thể trả nợ hoặc vay mới do thâm hụt ngân sách và những nguyên nhân kinh tế khác Mất cân đối kinh tế-tài chính giữa các quốc gia, quản lý ngân sách kém hiệu quả và nợ công cao trong một số quốc gia EU, cùng với chính sách tiền tệ chung, đã đẩy các nước này đến nguy cơ phá sản Như một phản ứng tự nhiên, các nước đã phải nhờ đến sự hỗ trợ từ Liên minh châu Âu, IMF và thực hiện các biện pháp điều chỉnh.

Trong giai đoạn 2021–2022, nợ công toàn cầu đã giảm xuống còn khoảng 92% GDP—đảo ngược một nửa mức tăng kỷ lục vào năm 2020—do sự phục hồi kinh tế sau cuộc khủng hoảng COVID-19, những bất ngờ về lạm phát và việc chấm dứt các biện pháp hỗ trợ tài chính đặc biệt được ban hành trong giai đoạn này 1 Đối với thế giới, tỷ lệ nợ công trên GDP giảm mạnh vào năm 2021 và 2022, khiến tỷ lệ này giảm một nửa so với mức tăng khoảng 15 điểm phần trăm của GDP vào năm 2020 Tuy nhiên, trong tương lai, tỷ lệ nợ được dự đoán sẽ bắt đầu tăng trở lại vào năm 2023 và tiếp tục tăng khoảng 1ẳ điểm phần trăm mỗi năm trong trung hạn đờ́n năm 2028 Mức nợ cụng hiợ̀n đã cao hơn và được dự đoán sẽ tăng nhanh hơn dự đoán trước đại dịch, cùng lúc với lãi suất thực tỷ giá cũng đang tăng Ngoài ra, các xung đột chính trị và quân sự ở một số khu vực như U-crai-na, Trung Đông, và Bắc Phi cũng tăng thêm rủi ro cho nền kinh tế toàn cầu và khả năng thanh toán nợ của các quốc gia liên quan Những xung đột này không chỉ gây ra thiệt hại cho người dân và cơ sở hạ tầng, mà còn làm gián đoạn chuỗi cung ứng, gây áp lực lên giá dầu và các mặt hàng thương mại khác Trong năm 2022, theo số liệu IMF các quốc gia có mức nợ chính phủ cao nhất bao gồm Nhật Bản (262% GDP), Hy Lạp (177% GDP), Venezuela (157% GDP) và Italy (144% GDP) 2

1 Fiscal Monitor 2023: On the Path to Policy Normalization– Quỹ Tiền tệ Quốc tế (IMF)

2 Số liệu về chỉ số General Governent Gross Debt năm 2022 – Quỹ Tiền tệ Quốc tế (IMF)

Tỷ lệ nợ công của Việt Nam là 58,3% vào năm 2018 và tỷ lệ nợ công chưa điều chỉnh năm 2022 là 37,4% đối với tỷ lệ nợ nước ngoài của Việt Nam năm 2022 chưa điều chỉnh là 36,1% so với GDP 3 với tỷ trọng nợ nước ngoài ở mức này có thể có tiềm tang nhiều rủi ro với mức chi phí vay có thể kém thuận lợi trong bối cảnh lạm phát hiện tại, đối với mức tỷ lệ nợ công này hiện tại Việt Nam vẫn đảm bảo an toàn với ngưỡng cho phép theo Nghị quyết số 23/2021/QH15 Trước đó dịch bệnh khiến thâm hụt ngân sách tăng thêm 34% từ 2019-2020 và theo báo cáo mới nhất bội chi ngân sách năm 2021 là 214,053 tỷ đồng đang ở mức duy trì với năm 2020 4 , việc bội chi ngân sách cũng đã gây áp lực lớn lên việc kiểm soát nợ công điều này đã khiến cho hoạt động sản xuất kinh doanh bị trì hoãn tác động đến thu – chi ngân sách nhà nước cũng như việc thực hiện kế hoạch vay và trả nợ công Tại Đại hội Đảng Cộng sản Việt Nam lần thứ XIII năm 2021, Chiến lược phát triển kinh tế-xã hội giai đoạn 2021-2030 đã chỉ rõ mục tiêu kiểm soát nợ công ở mức dưới 60% GDP vào năm 2030 Tuy nhiên, việc thực hiện mục tiêu này đang gặp nhiều thách thức do ảnh hưởng của đại dịch Covid-19 Cụ thể, dịch bệnh đã khiến hoạt động sản xuất kinh doanh giảm sút, nguồn thu ngân sách bị suy giảm nghiêm trọng Trong khi đó, Chính phủ phải tăng chi tiêu y tế và các gói hỗ trợ kinh tế - xã hội để ứng phó với dịch bệnh Điều này tạo áp lực lớn lên nợ công Tình hình trên đòi hỏi Chính phủ Việt Nam cần có giải pháp quản lý nợ công hiệu quả, ứng phó kịp thời với các rủi ro về tài chính công trong bối cảnh kinh tế có nhiều biến động để đảm bảo mục tiêu kiểm soát nợ công như chiến lược đề ra trong Quyết định số 460/QĐ-TTg nhằm phê duyệt chiến lược nợ công đến năm 2030 Đại dịch COVID-19 đã làm trầm trọng thêm cuộc khủng hoảng nợ công, khi các quốc gia có nhu cầu vay vốn và trả lãi trong tương lai tăng mạnh (Kisin và cộng sự, 2021) Dư địa tài chính để giải quyết hậu quả khủng hoảng đã bị thu hẹp, dẫn đến nợ công ngày càng gia tăng ở nhiều quốc gia.

Trước biến động bất ổn của thế giới, mỗi quốc gia cần xem xét kỹ lưỡng mức độ an toàn và bền vững của nợ công và ngân sách Đây là nguồn lực quan trọng để hỗ trợ kinh tế và an sinh xã hội trong tương lai Câu hỏi về tác động của nợ công đối với ngân

33 Bản tin nợ công (T8-2023) – Bộ tài chính Việt Nam

4 Số liệu tổng hợp từ báo cáo ngân sách nhà nước của Bộ Tài chính năm 2019-2021

4 sách và việc phát hiện nguy cơ KHNC đang được nhiều chính sách gia quan tâm

Vì lý do trên, tôi tin rằng nghiên cứu và phát triển một hệ thống cảnh báo sớm (EWS) để quản lý nợ công và những biến động vĩ mô có thể là giải pháp thích hợp. EWS, thông qua phân tích yếu tố rủi ro, dự báo xu hướng và phát hiện sớm các dấu hiệu của khủng hoảng, cung cấp một công cụ quan trọng để ngăn chặn hoặc giảm bớt những hậu quả tiêu cực của KHNC.

Nghiên cứu này nhằm xây dựng nền tảng lý thuyết và cung cấp chứng cứ thực nghiệm vững chắc để hiểu rõ vấn đề KHNC, từ đó đưa ra các khuyến nghị chính sách,giải pháp và hướng hành động cụ thể để đáp ứng các tình huống thực tế, nhằm phục hồi và phát triển kinh tế mạnh mẽ, bền vững cho Việt Nam.

Khoảng trống nghiên cứu

Frankel và Rose (1996) đã đề xuất việc sử dụng mô hình hồi quy logit hoặc probit để ước tính xác suất của một cuộc khủng hoảng tiền tệ (KHTT) đang đến gần bài viết nghiên cứu này tập trung vào việc điều chỉnh và dự báo các vụ vỡ nợ quốc gia (có chủ quyền) bằng cách sử dụng nhiều tín hiệu rủi ro Mặc dù bài viết cung cấp những hiểu biết sâu sắc về việc sử dụng nhiều tín hiệu rủi ro để dự báo các vụ vỡ nợ quốc gia, nhưng điều quan trọng cần lưu ý là nó tập trung vào các nước châu Âu và có thể thiếu phạm vi bao quát rộng hơn Manasse và cộng sự (2003), Fuertes và Kalotychou (2006) đã áp dụng tương tự mô hình logit tổng hợp để xem xét các cuộc khủng hoảng nợ (KHN) ở các nền kinh tế mới nổi Manasse và cộng sự (2003) cho rằng mô hình logit có xu hướng hoạt động tốt hơn mô hình probit khi biến phụ thuộc không được phân bổ đồng đều giữa hai kết quả, tức là khủng hoảng và không khủng hoảng; trường hợp này thường xảy ra vì các sự kiện khủng hoảng không phải là hiện tượng phổ biến Mặc dù các nghiên cứu này nhấn mạnh tính ưu việt của mô hình logit so với mô hình probit trong trường hợp biến phụ thuộc không được phân bổ đồng đều giữa kết quả khủng hoảng và không khủng hoảng, nhưng vẫn có khoảng cách nghiên cứu trong việc đánh giá hiệu suất của các mô hình này trong các bối cảnh kinh tế khác nhau và xem xét các yếu tố khác có thể ảnh hưởng đến khủng hoảng nợ Ngoài ra, việc tập trung vào các nền kinh tế mới nổi hạn chế tính khái quát của các phát hiện và cần có nghiên cứu sâu hơn để kiểm tra khả năng áp dụng các mô hình này ở các loại hình nền kinh tế khác Hơn nữa, các nghiên cứu thừa nhận rằng khủng hoảng nợ không phải là hiện tượng phổ biến, cho thấy cần có các mô hình toàn diện và mạnh mẽ hơn để có thể nắm bắt hiệu quả động lực và sự phức tạp của khủng hoảng nợ.

Nghiên cứu của Jedidi (2013) đã sử dụng mô hình fixed-effects logit để dự đoán các cuộc KHNC ở một số quốc gia phát triển, trong khi Laušev và cộng sự (2011) thì áp dụng mô hình Random effects thay cho mô hình Fixed-effects logit.

Phương pháp trích xuất tín hiệu (tĩnh) của Kaminsky và cộng sự (1996) xác định và theo dõi một số biến kinh tế bất thường tiên đoán khủng hoảng tài chính Hệ thống giám sát sự biến động của các chỉ số kinh tế thường thay đổi đột ngột trước các cuộc khủng hoảng tiền tệ Các chỉ số này bao gồm xuất khẩu, tỷ giá thực, tỷ lệ tiền M2/dự trữ ngoại hối, GDP và giá cổ phiếu Khi một chỉ số vượt ngưỡng giá trị nhất định (tính theo mức độ rủi ro có nhiều tín hiệu sai hoặc bỏ sót khủng hoảng), hệ thống coi đó là một "tín hiệu" cảnh báo khủng hoảng tiền tệ có thể xảy ra trong vòng 24 tháng Các chỉ số kích hoạt tín hiệu cho biết nguyên nhân gốc rễ dẫn đến khủng hoảng, cho phép theo dõi và cảnh báo sớm rủi ro khủng hoảng để có biện pháp ứng phó kịp thời.

Mô hình này được thiết kế nhằm báo hiệu một cuộc khủng hoảng sắp xảy ra nếu các chỉ số này vượt quá một giá trị ngưỡng nhất định, được tính như một phần trăm cụ thể của phân phối mẫu của mỗi chỉ số Mục tiêu của nghiên cứu của (Kaminsky và cộng sự, 1999) là xác định khả năng dự báo một tình huống khủng hoảng đồng thời gắn liền giữa khủng hoảng ngân hàng và KHTT Khi xảy ra, KHTT sẽ nhanh chóng gây ra tác động tiêu cực và làm trầm trọng hóa tình trạng khủng hoảng ngân hàng, dẫn đến tình hình kinh tế suy thoái nghiêm trọng, gọi là khủng hoảng kép

Casu và cộng sự (2012) đề xuất một lựa chọn động (không cụ thể theo mẫu) của ngưỡng tập trung nhiều hơn vào sự biến động của các chỉ số Đối với điều này, họ đã chỉ định ngưỡng là số độ lệch chuẩn nhất định khác với giá trị trung bình dài hạn của biến Trong khi phương pháp tiếp cận tĩnh được phát triển trong bối cảnh KHTT thì phương pháp động để phát hiện tình trạng khó khăn trong ngân hàng, song không có đặc điểm kỹ thuật nào được sử dụng để lập mô hình EWS cho các vụ vỡ nợ, ngoại trừ

Savona và Vezzoli (2015) Ciarlone và Trebeschi (2005), sử dụng phiên bản trước đó của Bussiere và Fratzscher (2006) để điều tra hiệu suất của nó trong việc dự đoán các đợt KHNC trong trường hợp của các nền kinh tế mới nổi Dường như có sự đồng thuận rộng rãi trong các nghiên cứu trước đây về các chỉ số quan trọng để giải thích cho các cuộc khủng hoảng nợ Đặc biệt, một số chỉ tiêu về khả năng thanh toán được nhấn mạnh, có thể kể đến tỷ lệ nợ nước ngoài, tăng trưởng dự trữ ngoại hối và tăng trưởng xuất khẩu, phản ánh khả năng trả nợ

Ngoài ra, nội dung thường được nhấn mạnh là tầm quan trọng của thâm hụt tài khoản vãng lai như một thước đo cho câu hỏi liệu rủi ro kém thanh khoản và các chỉ số kinh tế vĩ mô khác ảnh hưởng đến khả năng đáp ứng các nghĩa vụ của một quốc gia như thế nào Các chỉ số khác, chẳng hạn như độ mở thương mại và các biện pháp ổn định kinh tế vĩ mô, cũng được đề xuất bởi cách tiếp cận sẵn sàng chi trả, do Eaton và Gersovitz (1981) đi tiên phong; ở đây các vụ vỡ nợ được mô phỏng như một sự kiện trong đó một quốc gia có rủi ro vỡ nợ quyết định thoái thác khoản nợ của mình nếu nhận thấy chi phí của việc vỡ nợ nhỏ hơn lợi ích từ việc chi trả nợ công

Bên cạnh đó, cuộc khảo sát của Reinhart (2002) trên mẫu gồm khoảng 60 quốc gia trong giai đoạn 1979-1999 đã chỉ ra rằng 84% trong số các cuộc KHNC được nghiên cứu có tiền tệ khủng hoảng trước đó Vì vậy, có thể kỳ vọng rằng các biến số thích hợp để dự đoán KHTT cũng có thể giải thích một phần trong EWS (Early Warning System) đối với khủng hoảng nợ.

Chakrabarti và Zeaiter (2014) đã xem xét giới hạn cực đại của European Banking Authority, tức là Cơ quan Ngân hàng Châu Âu (EBA) để xác định các yếu tố quyết định tới rủi ro vỡ nợ của một quốc gia và xác định mức độ tác động của chúng. Trong khi đó, nghiên cứu của Laušev và đồng nghiên cứu (2011) đã sử dụng mô hình bảng logit để ước tính xác suất gia hạn nợ cho 15 quốc gia Đông Âu trong giai đoạn chuyển đổi từ 1990-2005 Khu vực này trở thành điểm đến hấp dẫn cho đầu tư nước ngoài, và phát hiện của nghiên cứu này cho thấy rằng các nỗ lực chính sách, bao gồm giảm chi tiêu của chính phủ, thu hút FDI, tăng nguồn thu từ xuất khẩu và giữ kỷ lục trả nợ, có thể giảm nguy cơ gia hạn nợ và giúp giảm chi phí nợ đối với các quốc gia trong khu vực này Điều quan trọng cần lưu ý là EWS dựa trên các mô hình biến phụ thuộc nhị thức, trong đó biến khủng hoảng giả định giá trị của một trong những khoảng thời gian mà một quốc gia bị ảnh hưởng bởi khủng hoảng và bằng không, có một vấn đề nội sinh cố hữu Điều này là do hành vi của các biến chỉ số bị ảnh hưởng bởi cả bản thân cuộc khủng hoảng và các chính sách được thực hiện để giảm thiểu nó

Hơn nữa, các chỉ số báo hiệu có thể được kỳ vọng hợp lý sẽ hoạt động khác trong thời kỳ yên bình so với thời kỳ hậu khủng hoảng, nơi nền kinh tế đang trải qua quá trình điều chỉnh để phục hồi sau khủng hoảng Do đó, việc kết hợp các quan sát về thời kỳ không khủng hoảng với những quan sát của thời kỳ hậu khủng hoảng thành một nhóm có thể dẫn đến một dạng sai lệch Bussiere và Fratzscher (2006) gọi đây là

“thành kiến sau khủng hoảng” Để tránh cạm bẫy này, một số tác giả (Fuertes và Kalotychou, 2007; Savona và Vezzoli, 2015) đã loại bỏ các quan sát sau khủng hoảng khỏi mẫu của họ; tuy nhiên, do vậy mà mẫu bị mất thông tin, trong khi những học giả khác (Peter, 2002; Manasse và cộng sự, 2003) thì sử dụng một biến giả để cho phép các hệ số khác nhau trong giai đoạn sau khủng hoảng

Mặt khác, Bussiere và Fratzscher (2006) đề xuất sử dụng một biến khủng hoảng đa thức để thay thế nó phản ánh cả ba trạng thái của một nền kinh tế, tác giả chỉ ra rằng các phương pháp EWS hiện có, sử dụng mô hình biến số phụ thuộc nhị phân, bị ảnh hưởng bởi những gì họ gọi là "bias sau khủng hoảng" Điều này xảy ra khi không phân biệt giữa giai đoạn ổn định, khi các cơ sở kinh tế được duy trì bền vững, và giai đoạn khủng hoảng/hậu khủng hoảng, khi các biến kinh tế đi qua quá trình điều chỉnh trước khi đạt được mức ổn định hoặc đường tăng trưởng bền vững hơn.

Nghiên cứu sử dụng mô hình logit đa thuộc tính với 3 trạng thái (ổn định, tiền khủng hoảng, hậu khủng hoảng) để giải quyết vấn đề này Kết quả thử nghiệm trên 20 thị trường mới nổi từ năm 1993 đến 2001 cho thấy mô hình mới có khả năng dự báo khủng hoảng tốt hơn đáng kể so với các mô hình hiện có Nó giảm đáng kể số cảnh báo sai và bỏ qua ít khủng hoảng hơn Savona và Vezzoli (2015) đã sử dụng phương pháp cây hồi quy để báo hiệu các cuộc KHNC sắp xảy ra bất cứ khi nào các chỉ số được chọn trước vượt quá ngưỡng cụ thể Bằng cách sử dụng dữ liệu từ các thị trường mới nổi và Hy Lạp, Ireland, Bồ Đào Nha và Tây Ban Nha (GIPS) trong giai đoạn1975– 2010, Savona và Vezzoli (2015) đã cho thấy rằng mô hình của họ vượt trội hơn đáng kể so với các phương pháp tiếp cận như logit, logit từng phần, tỷ lệ nhiễu trên tín hiệu và cây hồi quy, đồng thời cân bằng hiệu suất trong và ngoài mẫu Kết quả của họ đã chỉ ra rằng tính kém thanh khoản (nợ ngắn hạn cao so với dự trữ) và lịch sử vỡ nợ, cùng với tăng trưởng GDP thực và lãi suất của Hoa Kỳ, là những yếu tố quyết định chính của các vụ vỡ nợ của các quốc gia thị trường mới nổi và cuộc KHN có chủ quyền ở châu Âu trong thời gian gần đây.

Liên quan đến việc phát triển mô hình cho cảnh báo sớm để đề xuất các chính sách hướng tới mục tiêu ổn định kinh tế vĩ mô, nghiên cứu của (Nguyễn Trọng Hoài và Trương Hồng Tuấn, 2021) đã xác định một loạt các yếu tố kinh tế và thể chế có tác động đến khả năng xảy ra KHTT ở các nền kinh tế mới nổi Sáu biến số kinh tế bao gồm việc định giá nội tệ trên mức tỷ giá thực, sự suy giảm của dự trữ ngoại hối, giảm xuất khẩu, thâm hụt tài khoản vãng lai, tỷ lệ nợ ngắn hạn nước ngoài so với dự trữ ngoại hối, và tốc độ tăng trưởng của tín dụng nội địa Sáu biến số thể chế bao gồm sự đảm bảo trách nhiệm thể chế, ổn định chính trị, hiệu quả của chính phủ, chất lượng của chính sách hỗ trợ kinh tế tư nhân, hệ thống pháp luật, và sự kiểm soát đối với tham nhũng.

Cả hai nhóm biến số kinh tế và thể chế này đã được tích hợp vào một mô hình logit đơn giản để đánh giá dữ liệu từ 15 nền kinh tế mới nổi trong giai đoạn từ 1996 đến 2005 Kết quả mới của nghiên cứu này là sự thể hiện rõ ràng về vai trò tích cực của trách nhiệm thể chế, được xác định có ảnh hưởng ý nghĩa từ góc độ thống kê, trong việc giảm nguy cơ xảy ra KHTT Ngoài ra, biến số "chất lượng chính sách phát triển kinh tế tư nhân" cũng có tác động tích cực tương tự trong việc giảm nguy cơ xảy ra KHTT, mặc dù có mức độ ảnh hưởng thấp hơn

Bối cảnh nghiên cứu

Trong thập kỷ qua, khủng hoảng nợ công đã trở thành một vấn đề nghiêm trọng đối với nhiều quốc gia, khu vực và thế giới Điển hình là cuộc khủng hoảng nợ công khu vực đồng Euro nổ ra vào năm 2009-2010, khởi phát từ Hy Lạp và lan rộng sang các nước như Bồ Đào Nha, Ireland, Tây Ban Nha Khủng hoảng nợ công không chỉ gây ra những tác động tiêu cực đến nền kinh tế của các quốc gia bị ảnh hưởng mà còn tác động xấu đến toàn bộ nền kinh tế thế giới, làm chậm lại quá trình phục hồi sau cuộc khủng hoảng tài chính toàn cầu 2007-2008 Trong bối cảnh đó, việc nghiên cứu các yếu tố dẫn đến khủng hoảng nợ công cũng như xây dựng các công cụ cảnh báo sớm để phòng ngừa khủng hoảng ngày càng trở nên cấp thiết, nhằm giảm thiểu rủi ro và thiệt hại cho nền kinh tế. Đối với Việt Nam, việc quản lý nợ công là một vấn đề quan trọng đối với nhiều quốc gia, bao gồm Việt Nam, và có thể xuất hiện các thách thức và áp lực trong quá trình này Việt Nam đã có sự tăng trưởng vững chắc trong nhiều năm gần đây và đã đạt được một số thành công trong việc quản lý nợ công Tuy nhiên, như các quốc gia khác, Việt Nam vẫn phải đối mặt với những thách thức trong việc duy trì và quản lý nợ công, và thực hiện theo chiến lược nợ công đến năm 2030 theo quyết định số 460/QĐ- TTg

Với những thách thức không chỉ của Việt Nam mà cả các quốc gia trên toàn thế giới đã dấy lên lại sự quan tâm của thế giới dành cho các hệ thống dự báo sớm EWS,trên thế giới có nhiều nghiên cứu dự báo nhưng tài liệu nghiên cứu tại Việt Nam vẫn còn bỏ ngõ và chưa đáp ứng đủ nhu cầu phân tích lược khảo Các mô hình EWS có giá trị to lớn đối với các nhà hoạch định chính sách và các tổ chức chính quyền với khả năng hỗ trợ phát hiện ra các điểm yếu kinh tế tiềm ẩn và tạo điều kiện thực hiện công tác chuẩn bị kịch bản, phòng ngừa nhằm giảm thiểu tác động của những mặt trái kinh tế trong trường hợp khủng hoảng xảy ra Đồng thời, xây dựng một hệ thống cảnh báo sớm về khủng khoảng nợ công bằng học máy là một ý tưởng mà tác giả muốn sử dụng trong nghiên cứu này Việc này có thể giúp các cơ quan chính phủ và tổ chức tài chính có thể làm căn cứ để chọn phương pháp dự đoán và ứng phó với nguy cơ khủng hoảng nợ công một cách hiệu quả hơn.

Mục đích của nghiên cứu này là phát triển khuôn khổ EWS dựa trên dữ liệu kinh tế vĩ mô và tài chính trên dữ liệu lịch sử của các quốc gia trên thế giới Do đó, các kết luận từ nghiên cứu này rất quan trọng đối với các nhà hoạch định chính sách vì theo dõi cẩn thận các chỉ số cụ thể có thể giúp tránh hoặc ít nhất là giảm thiểu tác động của bất ổn tài chính sắp tới có thể xảy ra.

1.3.1 Thực trạng nợ công các nước trên thế giới

Thế giới trải qua nhiều cuộc khủng hoảng khác nhau, trong đó để lại nhiều hậu quả nặng nề nhất có thể kể đến cuộc KHTC toàn cầu năm 2007-2008 và cuộc khủng hoảng y tế toàn cầu Covid-19.

Cuộc KHTC toàn cầu năm 2008 đã tấn công các nền kinh tế tiên tiến và các quốc gia mới nổi và đang phát triển trên thế giới, các chính phủ buộc phải cứu trợ và tái cấp vốn cho hệ thống ngân hàng đang thất bại của họ Những can thiệp nhằm cứu vãn hệ thống ngân hàng dẫn đến thâm hụt tài chính lớn đồng thời với việc nền kinh tế tăng trưởng chậm lại do vỡ bong bóng bất động sản, một số quốc gia châu Âu, đặc biệt là

Hy Lạp, Bồ Đào Nha, Irelvà và Tây Ban Nha, đã phải đối mặt với một cuộc KHN kéo dài Các quốc gia này mất khả năng thanh toán hoặc tái cấp vốn cho khoản nợ có chủ quyền và phải dựa vào sự hỗ trợ của các nước trong khối Châu Âu khác, các tổ chức quốc tế như Quỹ Tiền tệ Quốc tế (IMF) và Ngân hàng Trung ương Châu Âu (ECB) Ở Châu Mỹ, Argentina là một ví dụ điển hình về quốc gia có lịch sử KHTC lâu đời Năm 2000 và 2001, Argentina cần sự hỗ trợ từ IMF với số tiền hơn 22 tỷ đô la

Tháng 12 năm 2001, Argentina vỡ nợ, dẫn đến tình trạng kiểm soát tài chính nghiêm ngặt, suy thoái kinh tế, sa thải hàng loạt, bất ổn chính trị và gia tăng nghèo đói Tuy nhiên, cuộc khủng hoảng tài chính toàn cầu 2007-2009 lại ảnh hưởng hạn chế đến Argentina nhờ vào các bài học rút ra từ cuộc khủng hoảng trước đó, các biện pháp thể chế và thay đổi chính trị quan trọng, cũng như thị trường tài chính độc lập của đất nước này.

2018, Argentina rơi vào một cuộc khủng hoảng khác Thâm hụt tài khóa lớn và lãi suất cao do chính sách tiền tệ thắt chặt, hạn hán nghiêm trọng khiến xuất khẩu nông sản giảm mạnh đã góp phần làm giảm nhu cầu đối với đồng peso của Argentina Do nợ công chủ yếu tính bằng đô la Mỹ, đồng peso giảm giá đã làm tăng khoản nợ lên khoảng 30% GDP quốc gia này, đẩy nó lên trên mức quan sát được ở các nền kinh tế thị trường mới nổi khác (báo cáo của OECD, 2019).

Thế giới đã chứng kiến sự tàn phá khủng khiếp của đại dịch Covid-19 trong giai đoạn 2019-2020, khi toàn cầu rơi vào một trong những lần khủng hoảng trầm trọng nhất lịch sử và có khả năng kéo dài, để lại nhiều hệ lụy dai dẳng trong nhiều sắp tới. Những bất ổn kinh tế và chính trị trên thế giới hiện nay đang đe dọa mức độ an toàn của hệ thống tài chính, tiềm ẩn rủi ro thâm hụt ngân sách, KHNC, nợ nước ngoài điều này đặt thế giới trước rủi ro trỗi dậy của chủ nghĩa bảo hộ trong quan hệ ngoại giao quốc tế

Theo Quỹ Tiền tệ Quốc tế (IMF), năm 2020, nợ công toàn cầu tăng mạnh lên 18,7% GDP do đại dịch, cao hơn nhiều so với mức 1,6% GDP năm 2019 và 10,5% GDP năm 2009 do cuộc khủng hoảng tài chính toàn cầu Thâm hụt ngân sách toàn cầu cũng giảm mạnh xuống -10,05% GDP năm 2020, trong đó các nền kinh tế phát triển và mới nổi có thâm hụt tương ứng là -16,6% GDP và -10,6% GDP Ví dụ điển hình về nguy cơ vỡ nợ công là trường hợp của Sri Lanka, với khoản nợ nước ngoài 7 tỷ đô la đến hạn nửa cuối năm 2022 trong khi dự trữ ngoại hối chỉ có 1,9 tỷ đô la vào cuối tháng 3/2022 Sự thiếu hụt thanh khoản nghiêm trọng này đã khiến Sri Lanka tuyên bố vỡ nợ 51 tỷ đô la nợ nước ngoài vào ngày 12/4 (Bhowmick, 2022).

Narins và Agnew (2022) nghiên cứu về vai trò của Trung Quốc trong các cuộc KHNC của các quốc gia có nền kinh tế mới nổi là đối tác sáng kiến “Vành đai Con đường” (BRI) Theo đó, Cộng hoà Dân chủ Nhân dân Lào được xem là con nợ đang đứng trước ngưỡng vỡ nợ công Tổng nợ công của Lào vượt mức 14,5 tỷ đô la Mỹ chiếm 88% GDP quốc nội năm 2021, trong đó gần 50% thuộc về Trung Quốc Tháng

6 năm 2022, Cơ quan Thống kê của Lào tuyên bố mức lạm phát cao nhất 22 năm trở lại tại quốc gia này ở mức 23,6%, cho thấy sự khan hiếm hàng hóa và sức mua nội địa Mặt khác, dự trữ ngoại hối thấp cũng khiến cho quốc gia này khó có khả năng thực hiện các khoản chi trả nợ 1,3 tỷ đô la Mỹ mỗi tháng cho đến năm 2025 (World Bank, 2022).

1.3.2 Thực trạng nợ công ở Việt Nam Đối với Việt Nam bội chi ngân sách theo dữ liệu của nhà nước cho thấy năm

2019 bội chi ngân sách chiếm 2,67% GDP tăng lên 3,44% GDP vào năm 2020 và đến năm 2021 con số này giảm xuống còn 2,52% GDP, sự gia tăng vào năm 2020 này đến từ các gói hỗ trợ cho y tế, kinh tế nhằm ứng phó với Covid-19 Tỷ lệ bội chi ngân sách nhà nước giai đoạn 2021-2025 dự kiến có mức bình quân khoảng 3,7% GDP Tỷ lệ nợ công của Việt Nam có sự gia tăng từ 51,7% GDP lên 63,7% GDP trong giai đoạn 2010-2016, và giảm còn 55,3% GDP vào cuối năm 2020 Những dấu hiệu này vẫn cho thấy sự ổn định về mặt vĩ mô cũng như hệ số tín nhiệm quốc gia khi mà mức nợ công không quá 60% GDP Con số này nằm dưới ngưỡng trần nợ công được đề xuất bởi các nghiên cứu trước đây (75%: Thành, 2017).

Nợ công của Việt Nam thông qua các nghiên cứu trước đây đều cho thấy ở mức rất cao Trong những năm đầu của thập niên 90, Việt Nam được xem là mất khả năng thanh toán nợ với nợ công bình quân 240%/GDP (Thành, 2019) Tuy hiện tại, theo đánh giá của WB, nợ công của Việt Nam năm 2022 là 37,4% GDP thấp hơn với các quốc gia so sánh trong khu vực - Indonesisa (40,9%) GDP, Philipines và Thái Lan (cả hai ở mức 60,9% GDP) và Ấn Độ (89,2% GDP); qua đó cho thấy chính sách tài khóa ứng phó với biến động chu kỳ có thể được tiếp tục thực hiện mà không ảnh hưởng đến bền vững nợ, nhưng trước tình hình bất ổn còn kéo dài, cần có sự chuẩn bị nghiêm ngặt trong công tác quản lý nợ công nhằm ứng phó cho những kịch bản xấu nhất với nhiều hậu quả nghiêm trọng từ những cú sốc ngoại sinh như Covid-19 hay giao tranh chính trị Đặc biệt khi các cú sốc ngoại sinh này đòi hỏi các biện pháp dụng vốn cao nhằm duy trì an sinh xã hội, dẫn đến khả năng ngưỡng trần nợ công bị phá vỡ bởi bội chi ngân sách Các làn sóng bùng phát dịch Covid-19 đã gây nhiều khó khăn trong việc quản lý cán cân tài khóa của Chính phủ, nguồn thu ngân sách giảm sút trong khi khoản chi ngân sách gia tăng bởi các gói hỗ trợ kinh tế - xã hội có quy mô lớn, điển hình như các gói hỗ trợ đến từ Nghị quyết 68/NQ-CP ngày 1/7/2021 và Nghị quyết 105/NQ-CP ngày 9/9/2021 của Chính phủ Đối phó với tình hình này, Chính phủ Việt Nam trongChiến lược phát triển kinh tế - xã hội mười năm, giai đoạn 2021-2030 đã nêu rõ ngân sách quốc gia cần cơ cấu lại để đảm bảo tính bền vững, an toàn, an ninh tài chính, phải nhất quán chung với cơ cấu tổng thể nền kinh tế Tăng cường hiệu quả sử dụng nợ công, hạn chế tối đa cấp bảo lãnh chính phủ cho các khoản vay mới và nhận diện các nguy cơ tiềm ẩn là nhiệm vụ quan trọng Mục tiêu đến năm 2030, nợ công Việt Nam không vượt quá 60% GDP, nợ chính phủ không vượt quá 50% GDP, nợ nước ngoài quốc gia không cao hơn 45% GDP, mức bội chi ngân sách khoảng 3% trên GDP.

Mục tiêu nghiên cứu

Mục tiêu tổng quát:

Mục tiêu tổng quan của nghiên cứu này là kiểm tra tính chính xác và thực tiễn của Hệ thống cảnh báo sớm (EWS) và tìm ra các chỉ số dự báo KHNC Điều này bao gồm việc hiểu khung lý thuyết của EWS, kiểm tra tính hiệu quả của nó thông qua bằng chứng thực nghiệm trên thế giới và Việt Nam, từ đó đưa ra những khuyến nghị và hàm ý chính sách hiệu quả cho các quốc gia và khuyến nghị cho Việt Nam.

1) Nghiên cứu hệ thống cơ sở lý thuyết về KHNC, các phương pháp dự báo KHNC trên toàn cầu, tập trung vào phương pháp EWS (Hệ thống cảnh báo sớm)

2) Xây dựng hệ thống cảnh báo sớm để dự báo KHNC trên thế giới và Việt Nam dựa trên việc áp dụng phương pháp truyền thống kết hợp học máy.

3) Kiểm tra tính chính xác và thực tiễn của các mô hình EWS để đánh giá hiệu quả và phù hợp của chúng trong dự báo KHNC

4) Khuyến nghị chính sách cho thế giới và Việt Nam trong việc áp dụng EWS để dự báo KHNC.

Câu hỏi nghiên cứu

Để giải quyết các vấn đề được nêu trong phần mục tiêu nghiên cứu, tác giả đã thực hiện trả lời từng câu hỏi nghiên cứu theo trình tự như sau:

1) “Hệ thống cảnh báo sớm (EWS) đã được áp dụng trên thế giới như thế nào và có thể dự báo được KHNC hay không?

2) Việc áp dụng trí tuệ nhân tạo trong việc dự báo KHNC có ưu việt hơn so với các phương pháp truyền thống hay không?

3) Những chỉ báo nào đóng vai trò trong việc dự báo KHNC khi sử dụng hệ thống cảnh báo sớm bằng việc áp dụng trí tuệ nhân tạo?

4) Rút ra bài học gì từ kinh nghiệm quốc tế trong việc áp dụng EWS để dự báoKHNC và từ các kết quả nghiên cứu có khuyến nghị chính sách gì cho Việt Nam?

Đối tượng và phạm vi nghiên cứu

- Hệ thống cảnh báo sớm EWS (Early Warning System - EWS)

- Các chỉ tiêu vĩ mô khác: Dự trữ ngoại hối, độ mở thương mại, tăng trưởng xuất khẩu, cung tiền M2, chi tiêu chính phủ, tiết kiệm quốc gia, tín dụng nội địa, v.v…

- Phạm vi thời gian: Trong giai đoạn 2000-2021

- Phạm vi không gian: 217 quốc gia các khu vực trên thế giới.

- Phạm vi nội dung: Dự báo KHNC bằng hệ thống cảnh báo sớm EWS (EarlyWarning System).

Cách tiếp cận, phương pháp nghiên cứu và dữ liệu

Để nghiên cứu khủng hoảng nợ công, tác giả tiếp cận định lượng, xây dựng giả thuyết, mô hình nền tảng lý thuyết, nghiên cứu thực nghiệm Các công cụ phân tích đa dạng như học máy, hồi quy (REM), cân bằng tổng quát (FEM), Logistic được sử dụng để phân tích yếu tố ảnh hưởng đến khủng hoảng nợ công Kết hợp nhiều công cụ sẽ khắc phục nhược điểm, tăng toàn diện, chính xác cho kết quả Sử dụng đa dạng giúp kiểm định, so sánh kết quả, xem xét vấn đề nhiều góc độ Nếu kết quả các công cụ nhất quán tăng cường độ tin cậy Áp dụng nhiều công cụ phát hiện ra mối quan hệ, yếu tố chưa được xem xét, giúp nghiên cứu toàn diện, sâu sắc hơn.

▪ Phương pháp nghiên cứu định lượng

Luận án sử dụng hệ thống cảnh báo sớm EWS trên nền tảng mô hình hồi quy xác suất sau: ln pt i p

Trong đó, mô hình ước lượng các hệ số 𝛼 và 𝛽

Các biến của mô hình bao gồm pt i là xác suất xảy ra KHNC tại một quốc gia 𝑖 vào năm 𝑡, X t −h i là vector thể hiện các chỉ số dự báo KHNC với độ trễ , và ℎ, và 𝜖 là sai số của mô hình ước lượng

Dựa vào các xác suất thể hiện chất lượng dự báo của phương pháp EWS, nghiên cứu sẽ đánh giá sự sai biệt tương đối và tuyệt đối giữa các dấu hiệu cảnh báo tốt và xấu đối với KHNC có thể xảy ra đối với một nền kinh tế:

- Sai biệt tương đối = Xác suất [B/(B+D)] / Xác suất [A/(A+C)]

- Sai biệt tuyệt đối = Xác suất [A/(A+C)] - Xác suất [B/(B+D)]

A, C là kết quả của dấu hiệu cảnh báo tốt:

A là số lần dấu hiệu cảnh báo đúng về sự xuất hiện của KHNC.

C là số lần dấu hiệu cảnh báo sai về sự xuất hiện của KHNC.

B, D là kết quả của dấu hiệu cảnh báo xấu:

B là số lần dấu hiệu cảnh báo đúng về sự xuất hiện của KHNC.

D là số lần dấu hiệu cảnh báo sai về sự xuất hiện của KHNC.

Nên A, B, C, D tương ứng với số lần cảnh báo đúng/sai của dấu hiệu tốt và xấu khi áp dụng EWS để dự báo KHNC.

Các biến số dự kiến sử dụng để dự báo KHNC như sau:

- Tổng nợ công: được xác định theo quy định của pháp luật về quản lý nợ công

- Dự trữ ngoại hối: số tiền dự trữ ngoại hối của ngân hàng trung ương

- Độ mở thương mại: cho thấy mức độ hội nhập của thị trường trong bối cảnh hội nhập quốc tế

- Tăng trưởng xuất khẩu: cho thấy tiềm lực sản xuất của một nền kinh tế

- Tỷ lệ cung tiền M2 / tổng dự trữ: thể hiện chính sách tiền tệ của một nền kinh tế.

- Chi tiêu chính phủ: thể hiện chính sách tài khóa của một nền kinh tế

- Tiết kiệm quốc gia: thể hiện thiên hướng tiết kiệm của toàn dân bên trong một nền kinh tế

- Tín dụng nội địa: được đo lường thông qua các khoản tín dụng tại các tổ chức tín dụng

- Nợ của chính phủ đối với ngân hàng trung ương: thể hiện tác động của một bên liên quan mật thiết đối với nợ công

Tổng nợ nước ngoài là một chỉ số phản ánh mức độ lệ thuộc của quốc gia vào vốn nước ngoài Từ đó, có thể đánh giá khả năng trả nợ và mức độ rủi ro tài chính của quốc gia đó Khi tổng nợ nước ngoài quá lớn, quốc gia có thể gặp khó khăn trong việc trả nợ, dẫn đến nguy cơ vỡ nợ và gây nên những hậu quả nghiêm trọng cho nền kinh tế.

- Tăng trưởng GDP thực: cung cấp một cái nhìn chính xác hơn về sự tăng trưởng kinh tế của một quốc gia.

- Vốn FDI: thể hiện sự đầu tư trực tiếp từ nước ngoài vào một quốc gia.

- Tài khoản vãng lai: thể hiện sự cân đối giữa xuất khẩu và nhập khẩu hàng hóa, dịch vụ, thu nhập từ đầu tư và chuyển khoản tài chính giữa một quốc gia và phần còn lại của thế giới trong một khoảng thời gian nhất định.

Luận án sử dụng cấu trúc dữ liệu bảng từ 217 quốc gia trên thế giới trong giai đoạn từ năm 2000 đến năm 2021.

Dữ liệu đã được thu thập từ nhiều nguồn có uy tín khác nhau, bao gồm Quỹ Tiền tệ Quốc tế (IMF), Ngân hàng Thế giới (WB), Ngân hàng Phát triển Châu Á (ADB), Tổ chức Hợp tác và Phát triển Kinh tế (OECD), Viện Kinh tế Quốc tế Peterson (PIIE), và cơ sở dữ liệu kinh tế FRED Tùy thuộc vào đặc tính của từng biến số được đo lường, tác giả cũng đã sử dụng và thừa kế dữ liệu từ các công trình nghiên cứu khoa học đã được công bố trong các tạp chí có uy tín.

Các đóng góp mới của nghiên cứu

Luận án này nhằm tăng cường sự cụ thể hóa hơn về quá trình xây dựng Hệ thống cảnh báo sớm (EWS) dựa trên cả phương pháp truyền thống và phương pháp học máy, và tập trung vào việc trình bày rõ ràng hơn về kết quả dự báo khủng hoảng nợ công Nghiên cứu sẽ đánh giá mức độ hiệu quả của EWS trong việc dự báo khủng hoảng nợ công, đặc biệt là thông qua sử dụng phương pháp truyền thống và phương pháp học máy, nhìn nhận rõ ràng hơn những đặc điểm hoặc tiến bộ đáng chú ý của mô hình trong luận án này so với các mô hình trước đó đã được nghiên cứu Luận án cung cấp những chỉ số liên quan đến mức độ an toàn của nợ công, hệ thống cảnh báo sớm EWS, và những yếu tố có thể gây ra KHNC Đồng thời, nhận diện và xác định các yếu tố góp phần gia tăng tính bền vững của ngân sách quốc gia Việc này sẽ giúp các nhà khoa học có thêm bằng chứng thực nghiệm và là cơ sở để thực hiện các hướng nghiên cứu đa dạng hơn. Ý nghĩa thực tiễn

Luận án thực hiện ứng dụng phương pháp EWS để dự báo KHNC cho các quốc gia, kết quả đạt được sẽ là bằng chứng cho nhà hoạch định chính sách sử dụng nhằm đưa ra những quyết sách phù hợp, góp phần ổn định nền kinh tế vĩ mô trong dài hạn và kịp thời ứng phó trước những kịch bản bất ổn có thể xảy ra Việc này sẽ giúp tránh tình được tình trạng gia tăng nợ công và đảm bảo sự ổn định của hệ thống tài chính Những phát hiện từ nghiên cứu sẽ góp phần cung cấp thêm một bằng chứng thực nghiệm, đây cũng là cơ sở để các nhà khoa học, nhà phân tích tiếp mở rộng phạm vi và thực hiện những công trình công phu hơn Các kiến nghị chính sách, giải pháp, và hướng hành động được trình bày trong luận án được dựa trên cơ sở khoa học và có luận cứ, đây sẽ là kênh thông tin tham khảo để các nhà hoạch định chính sách xây dựng chính sách, đáp ứng chiến lược phát triển kinh tế - xã hội Cuối cùng, luận án sẽ giúp ích cho các nhà đầu tư, quản trị công ty có thể làm cơ sở nghiên cứu đưa ra những quyết định tài trợ và quyết định đầu tư hợp lý trước những kết quả công bố về dự báoKHNC.

Kết cấu luận án

Nội dung chính của luận án được kết cấu thành 5 chương như sau:

Chương 1- Giới thiệu nghiên cứu

Trong phần này, tác giả bắt đầu bằng việc giải thích lý do lựa chọn chủ đề nghiên cứu, sau đó trình bày mục tiêu tổng quan và mục tiêu cụ thể của nghiên cứu. Sau đó, tác giả đặt ra câu hỏi nghiên cứu, xác định đối tượng nghiên cứu và giới hạn phạm vi nghiên cứu, cũng như mô tả cụ thể cách thức thực hiện nghiên cứu Ngoài ra, chương này cũng tập trung vào việc trình bày những đóng góp mới về cả mặt lý luận và thực tiễn mà nghiên cứu này mang lại, cùng với việc trình bày cấu trúc tổng quan của luận án.

Chương 2- Cơ sở lý thuyết và các nghiên cứu có liên quan về khủng hoảng nợ công, tiếp cận bằng hệ thống cảnh báo sớm (EWS)

Trong phần này, tác giả trình bày các lý thuyết cơ bản liên quan đến vấn đềKHNC, và tiếp cận thông qua hệ thống cảnh báo sớm (EWS - Early Warning System).Đồng thời, tác giả tổng hợp các nghiên cứu trước đây liên quan đến vấn đề KHNC và tiếp cận bằng EWS để cung cấp cái nhìn tổng quan về nội dung nghiên cứu Dựa trên điều này, tác giả đề xuất những khoảng trống trong nghiên cứu có thể được bổ sung trong phần còn lại của luận án này.

Chương 3- Phương pháp nghiên cứu và dữ liệu nghiên cứu

Dựa trên các luận điểm đã trình bày và khoảng trống nghiên cứu được tổng hợp và phân tích, chương 3 sẽ tập trung đề xuất phương pháp nghiên cứu thích hợp để đo lường tác động của các yếu tố có khả năng gây ra khủng hoảng hiệu quả ngân sách Đồng thời, chương này sẽ xác định và mô tả các yếu tố góp phần vào tính bền vững của ngân sách quốc gia Tác giả sẽ trình bày chi tiết về quá trình xây dựng mô hình nghiên cứu, cách đo lường các biến nghiên cứu, cũng như quy trình thu thập và xử lý dữ liệu thứ cấp từ các quốc gia tham gia.

Chương 4- Kết quả nghiên cứu và thảo luận

Toàn bộ kết quả của ước lượng, thông qua các mô hình định lượng, nhằm xem xét mối quan hệ giữa các yếu tố ảnh hưởng đến KHNC đã được trình bày trong phần đầu của Chương 4 Phần tiếp theo của Chương 4 tập trung vào việc xác định mô hình nào là phù hợp nhất, thảo luận về kết quả ước lượng về mối liên hệ giữa các yếu tố có khả năng tạo ra KHNC, và từ đó, tiến hành phân tích các yếu tố góp phần vào việc tăng tính bền vững của ngân sách quốc gia.

Chương 5- Kết luận và hàm ý chính sách

Dựa trên những nội dung đã trình bày ở phần trước, nghiên cứu đưa ra một số đề xuất chính sách cho người hoạch định chính sách, các nhà đầu tư và quản lý công ty để họ đưa ra quyết định tài trợ và đầu tư hợp lý khi đối diện với các kết quả dự báo về KHNC Ngoài ra, một số hướng nghiên cứu tiềm năng cũng được đề cập để phát triển thêm trong chương này.

CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU CÓ LIÊN QUAN VỀ KHỦNG HOẢNG NỢ CÔNG, TIẾP CẬN BẰNG HỆ THỐNG CẢNH BÁO SỚM (EWS)

Các lý thuyết về nợ công và vỡ nợ công

2.1.1 Nguồn gốc của nợ công

Nợ công xuất phát từ việc chính phủ cần chi tiêu để thực hiện các hoạt động và dự án Khi chi tiêu của chính phủ vượt quá số thuế, phí và lệ phí thu được, chính phủ sẽ phải vay tiền (trong hoặc ngoài nước) để đáp ứng nhu cầu tài chính Các khoản vay này sẽ phải được trả gốc và lãi vào thời hạn, và để thanh toán nợ, chính phủ có thể tăng thuế để tăng thu nhập ngân sách

Các chính phủ phát hành nợ vì nhiều lý do, trong đó có cả lý do tốt và lý do xấu. Phát hành nợ công là một công cụ quan trọng trong điều tiết chính sách kinh tế của các quốc gia Nhằm đối phó với các cú sốc tiêu cực, lựa chọn đi vay cung cấp nguồn tài trợ tài chính cho các khoản chi tiêu đặc biệt lớn, chẳng hạn như đầu tư cơ sở hạ tầng công cộng Thực tế, nhiều quốc gia phát triển đã ứng phó với các cuộc khủng hoảng lớn bằng cách đưa ra các gói kích thích kinh tế giá trị lớn từ nguồn vay nợ Một trong số những động cơ chính đáng để đi vay nợ là làm mịn thuế, kích thích tài khóa trong thời kỳ suy thoái kinh tế và quản lý tài sản, như cung cấp cho thị trường tài chính các tài sản trú ẩn an toàn trong thời kỳ biến động Những động cơ như vậy có thể giải thích một phần sự gia tăng nợ công sau các cú sốc kinh tế như chiến tranh hay các cuộc KHTC lớn

Lý thuyết điều hoà thuế - Tax Smoothing Theory

Ngân sách nhà nước là nguồn tài chính mà chính phủ sử dụng để phân bổ chi tiêu và thu ngân sách vào các ngành, lĩnh vực khác nhau Thâm hụt ngân sách thường được coi là một dấu hiệu không tích cực, tuy nhiên, các quốc gia vẫn sử dụng thâm hụt ngân sách như một cách để giảm thuế.

Lý thuyết điều hoà thuế là một lý thuyết kinh tế cho rằng các chính phủ nên sử dụng thâm hụt ngân sách để giảm bớt sự biến động của thuế trong các giai đoạn khác nhau của chu kỳ kinh tế Lý thuyết này cho rằng việc điều hoà thuế sẽ tăng cường hiệu quả phân bổ nguồn lực, giảm thiểu gánh nặng thuế và tạo điều kiện cho tăng trưởng kinh tế bền vững Lý thuyết điều hoà thuế nêu rõ rằng trong những thời kỳ mức chi tiêu công đặc biệt cao, chính phủ nên thâm hụt ngân sách để tài trợ cho những khoản chi đó bằng các khoản thuế trong tương lai Những giai đoạn này có thể là kết quả của các cú sốc kinh tế (chiến tranh, thiên tai, khủng hoảng tài chính v.v.) hoặc các khoản chi tiêu dự kiến đem lại lợi ích kinh tế, tài chính hoặc xã hội

Một cách để tài trợ cho các khoản chi tiêu cực lớn này là vay nước ngoài Đầu tư công gia tăng có thể dẫn đến tăng trưởng nhanh hơn, chi tiêu gia tăng trong thời kỳ suy thoái có thể làm trơn chu chu kỳ kinh tế, ổn định việc làm, sản lượng quốc gia và thu nhập Việc cơ cấu thông qua thâm hụt ngắn hạn có thể được đền đáp trong tương lai thông qua GDP cao hơn và nguồn thu từ thuế cao hơn Barro (1979) đã chỉ ra rằng yếu tố quan trọng để hưởng lợi từ lý thuyết làm mịn thuế là lãi suất cố định Lãi suất cố định làm giảm giá trị hiện hành của gánh nặng thanh toán theo thời gian Ông cho rằng nếu chi tiêu cố định, các chính phủ nên thâm hụt ngân sách và tích lũy nợ trong thời kỳ suy thoái (khi đó cơ sở thuế thấp) và thặng dư ngân sách và trả nợ trong thời điểm tích cực (khi cơ sở thuế cao hơn) Krugman (1988), Sachs (1989), Wang (2009), Hameed và cộng sự (2008), Pattillo và cộng sự (2002) đều khẳng định rằng các khoản vay nước ngoài mang lại kết quả tích cực cho nền kinh tế, đặc biệt là đến tăng trưởng kinh tế nhưng chỉ ở một mức độ nhất định

Lý thuyết điều hoà thuế đại diện cho một cách tiếp cận linh hoạt và thích ứng của chính sách tài khóa, theo đó các chính phủ có thể điều chỉnh chi tiêu và thu ngân sách theo nhu cầu và điều kiện của nền kinh tế Lý thuyết này cũng đại diện cho một quan điểm trung lập về vai trò của nợ công, khi xem nợ công là một công cụ để tài trợ cho các khoản chi tiêu có ích cho xã hội, chứ không phải là một gánh nặng hay một nguy cơ.

Lý thuyết này giải thích được mối liên quan giữa các biến như chi tiêu công, thu ngân sách, nợ công, lãi suất, GDP và tăng trưởng kinh tế Đồng thời cung cấp một khung nhìn toàn diện và đa chiều về vấn đề nợ công, khi xét đến cả các yếu tố kinh tế, chính trị, xã hội và quốc tế để đề xuất những giải pháp để ngăn ngừa và giải quyết KHNC, bằng cách duy trì một mức độ nợ công hợp lý, phù hợp khả năng thanh toán và mục tiêu phát triển từng quốc gia Do đó, lý thuyết điều hoà thuế được chọn để sử dụng trong mô hình tìm hiểu các nhân tố ảnh hưởng đến khả năng KHNC để tìm hiểu tác động của việc vay nước ngoài và thâm hụt ngân sách đối với nền kinh tế và khả năng tài chính của một quốc gia.

Lý thuyết kích cầu kinh tế Keynes

Lý thuyết Keynes là một lý thuyết kinh tế chủ trương điều tiết nền kinh tế thông qua chính sách tài khóa và tiền tệ của chính phủ Theo Keynes, các chính sách này có thể tác động đến tổng cầu, sản lượng và việc làm trong nền kinh tế Lý thuyết này bác bỏ quan điểm tự do cho rằng thị trường có thể tự điều chỉnh và đạt trạng thái cân bằng Lý thuyết Keynes nhấn mạnh mối quan hệ giữa nợ công, chi tiêu công, thuế, lãi suất, đầu tư và tăng trưởng kinh tế, đồng thời cho thấy các yếu tố này có thể ảnh hưởng đến khả năng trả nợ của quốc gia.

Theo trường phái kinh tế học Keynes, các chính sách tài khóa và chính sách tiền tệ là các công cụ hữu dụng cho chính phủ để điều tiết nền kinh tế Mặc dù chính sách tiền tệ có thể được thực hiện nhanh hơn và ít bị can thiệp hơn chính sách tài khóa, có những trường hợp chính sách tiền tệ không tối ưu dù linh hoạt (Taylor, 2000) Ví dụ như chính sách tiền tệ có thể bị ràng buộc bởi mức giới hạn lãi suất không được thấp hơn 0 như trường hợp của nhiều ngân hàng trung ương trong cuộc KHTC Toàn cầu (Eggertsson và Woodford, 2004) Nhìn chung, trong bối cảnh các nền kinh tế có nhiều biến dạng, không chỉ là sự cứng nhắc về giá cả, chính sách tiền tệ có thể không đủ để đưa nền kinh tế đạt được kết quả tốt nhất bởi chính sách tài khóa (Blanchard và Gali 2010)

Như lý thuyết điều hoà thuế, chính phủ nên điều tiết ngân sách thâm hụt trong thời kỳ suy thoái Phương thức này chỉ đem lại hiệu ứng tích cực nếu các chính phủ lập kế hoạch đúng đắn, không gây ảnh hưởng đến nợ công về lâu dài vì nợ tăng trong thời kỳ suy thoái nhưng sẽ giảm trong quá trình phục hồi Tuy nhiên, thực tế cho thấy nợ công tăng lên trong nhiều nền kinh tế tiên tiến bất chấp nền kinh tế thế giới đang bùng nổ Điều này cho thấy có tồn tại sự bất đối xứng có thể xảy ra trong khả năng điều tiết của chính phủ trong các thời kỳ (Fatás và Mihov 2010; Alesina và cộng sự, 2008) Mc Morrow và cộng sự (2017) cho rằng nguyên nhân có thể là do sự lạc quan hoặc bi quan quá mức khi dự báo tăng trưởng GDP trong các thời kỳ và ngược lại, sự bi quan quá mức trong thời kỳ suy thoái dẫn đến chính sách tài khóa thắt chặt quá mức trong thời kỳ suy thoái Theo đó, có thể thấy cả hai lý thuyết làm mịn thuế và kích cầu kinh tế đều chỉ hoạt động tốt khi các chính phủ có khả năng lập kế hoạch và điều tiết chính sách hợp lý.

Nhiều nghiên cứu điển hình như Wang (2009), đã đưa ra quan điểm rằng các nước đang phát triển sở hữu một mức vay nợ hợp lý có khả năng cải thiện tăng trưởng kinh tế Xu hướng tăng trưởng này được cho là xảy ra thông qua việc hình thành vốn và tăng GDP nhờ có nguồn vốn mới (Hameed và cộng sự, 2008) Theo mô hình kinh tế tân cổ điển truyền thống, nợ làm tăng tốc độ tăng trưởng trong quá trình chuyển đổi, vì mô hình này cho phép sự luân chuyển vốn và khả năng thu hút các luồng tiền nước ngoài cả phía đi vay và cho vay, tạo động lực cho các quốc gia khan hiếm vốn đầu tư

Tương tự, Pattillo và cộng sự (2002, 2004) đều khẳng định rằng các khoản vay nước ngoài mang lại kết quả tích cực cho nền kinh tế, đặc biệt là đến tăng trưởng kinh tế nhưng chỉ ở một mức độ nhất định Lý thuyết giải thích những biến động thu được trong nền kinh tế do các yếu tố bên ngoài như cuộc KHTC toàn cầu hay sự biến động của các luồng vốn nước ngoài Các yếu tố này có thể gây ra sự bất ổn trong ngân sách và nợ công của một quốc gia Lý thuyết này cũng đề xuất được những giải pháp để giảm thiểu những rủi ro KHNC bằng cách điều chỉnh các chính sách tài khóa và tiền tệ phù hợp với từng giai đoạn của chu kỳ kinh tế Các giải pháp này có thể bao gồm việc điều hoà thuế, kích thích hoặc thắt chặt chi tiêu công cộng, giảm lãi suất hoặc tăng cung tiền

Hiệu quả năng động

Hiệu quả năng động là một khái niệm kinh tế vĩ mô có liên quan đến mối quan hệ giữa lãi suất, tốc độ tăng trưởng kinh tế và nợ công Theo hiệu quả năng động, nếu lãi suất thấp hơn tốc độ tăng trưởng kinh tế, thì nợ công có thể được duy trì ở một mức cao mà không gây ra KHTC hay ảnh hưởng tiêu cực đến sự phân bổ tài nguyên. Ngược lại, nếu lãi suất cao hơn tốc độ phát triển kinh tế, thì nợ công sẽ không bền vững và có thể dẫn đến sự suy giảm của nền kinh tế Hiệu quả năng động đại diện cho một phương pháp phân tích và đánh giá khả năng thanh toán nợ của một quốc gia, cho thấy vai trò của chính sách tài khóa và chính sách tiền tệ trong việc ảnh hưởng đến lãi suất, tốc độ tăng trưởng kinh tế và nợ công Hiệu quả năng động cũng là một tiêu chí để xác định mức vay nợ hợp lý và bền vững cho một quốc gia

Khi khu vực tư nhân trong nước không thể tối ưu tài nguyên và chi trả nợ chính phủ, theo Blanchard (2019), phát hành nợ nước ngoài là giải pháp bền vững Để nợ nước ngoài duy trì hiệu quả tích cực, lãi suất vay phải thấp hơn tốc độ tăng trưởng kinh tế Geerolf (2017) cho rằng lãi suất nợ chính phủ thường thấp hơn GDP, nhưng tỷ suất sinh lợi trên vốn của các khoản vay này mới là yếu tố quan trọng Tuy nhiên, việc xây dựng chính sách dựa trên lý thuyết này vẫn còn bỏ ngỏ vấn đề tính khả thi (Blanchard 2019).

Hiệu quả năng động cho phép xem xét những yếu tố thay đổi theo thời gian như lãi suất, tốc độ tăng trưởng kinh tế và tỷ lệ vay nợ so với GDP Những yếu tố này có thể biến động do các yếu tố bên trong hoặc bên ngoài như chính sách kinh tế, biến động kinh tế toàn cầu, luồng vốn quốc tế, rủi ro chính trị và xã hội giúp xác định được điểm bất ổn của nợ công, khi mà lãi suất vượt qua ngưỡng an toàn so với tốc độ tăng trưởng kinh tế Điểm này có thể được dùng để cảnh báo và phòng ngừa KHNC.

Cơ sở lý thuyết về rủi ro kinh tế vĩ mô và tiếp cận bằng hệ thống cảnh báo sớm EWS

2.2.1 Các mô hình cảnh báo thế hệ thứ nhất

Mô hình EWS thế hệ đầu tiên được tạo ra và phát triển bởi nhà kinh tế Paul Krugman vào năm 1979, và sau đó được điều chỉnh bởi Flood và Garber vào năm

1984 Theo Krugman (1979), KHTT thường bắt nguồn từ sự thâm hụt ngân sách cao.Khi Chính phủ tăng chi tiêu và cơ cấu lại nó thành tiền tệ thông qua việc tạo ra tăng trưởng tín dụng nội địa, kinh tế sẽ phải đối mặt với tình trạng lạm phát gia tăng và giá trị của đồng tiền trong nước giảm giá Điều này sẽ khiến nhà đầu tư và người dân bắt đầu tích trữ ngoại tệ Để duy trì tỷ giá ổn định (trong hệ thống tỷ giá cố định), Ngân hàng Trung ương sẽ phải giảm dự trữ ngoại tệ cho đến khi cạn kiệt Kết quả là mức đánh giá tỷ giá trước đó sẽ không thể duy trì được và phá giá sẽ xảy ra do sức ép từ thị trường tiền tệ và cạn kiệt dự trữ ngoại hối.

Theo quan điểm của Krugman, trước khi đồng nội tệ bị phá giá, các nhà đầu cơ có thể dự đoán chính xác khả năng giảm giá của đồng nội tệ khi theo dõi các chỉ số kinh tế vĩ mô như mức chi tiêu của Chính phủ và tốc độ tăng trưởng cung tiền Do đó, họ sẽ bán đồng nội tệ để mua ngoại tệ nhằm tránh tổn thất khi giảm giá xảy ra Hành động đồng thời này của họ (bán nội tệ và mua ngoại tệ) trong bối cảnh bất ổn kinh tế vĩ mô sẽ là một cuộc tấn công đầu cơ vào đồng nội tệ, làm cạn kiệt dự trữ ngoại hối nhanh hơn và phá giá sẽ xảy ra sớm hơn.

Mô hình cảnh báo thế hệ đầu tiên chỉ ra rằng sự mất cân đối kinh tế vĩ mô là nguyên nhân của KHTT Theo đó, tăng chi tiêu của Chính phủ và tiền tệ hóa nó thông qua hệ thống ngân hàng sẽ dẫn đến tăng trưởng tín dụng quá mức, dẫn đến mất giá thực tế của đồng nội địa, thâm hụt tài khoản vãng lai với quy mô lớn, hiệu suất đầu tư thấp trong các dự án, cùng với việc kiểm soát hệ thống ngân hàng và tài chính yếu kém Kết hợp với sự chênh lệch giữa cam kết và tuyên bố của các quản lý kinh tế với khả năng giữ cam kết đó sẽ làm giảm mức độ tin cậy của công chúng vào chính sách tiền tệ của Chính phủ Tất cả những yếu tố này có thể gây ra một cuộc KHTT (Nguyễn Khắc Minh, 2008).

2.2.2 Các mô hình cảnh báo thế hệ thứ hai

Các mô hình cảnh báo thế hệ thứ hai phát triển từ các nghiên cứu của Krugman (1979) và Flood và Garber (1984) Theo Obstfeld (1986), những nghiên cứu này tập trung vào việc mở rộng các mô hình thế hệ thứ nhất để giải quyết những hạn chế của chúng, chẳng hạn như thừa nhận vai trò của kỳ vọng và xác định tác động của chính sách tiền tệ đối với sự mất cân đối vãng lai và tỷ giá hối đoái.

1994 và 1996) Các mô hình này không tập trung vào các yếu tố kinh tế vĩ mô cơ bản mà chú trọng vào tầm ảnh hưởng của kỳ vọng Chúng nhấn mạnh vai trò của kỳ vọng trong việc thúc đẩy KHTC và sự rối loạn trên thị trường tiền tệ Theo các mô hình này, một cuộc KHTT có thể xảy ra trong các tình huống sau:

Sự bi quan của các nhà đầu tư và công chúng về chính sách kinh tế của chính phủ, tin tức tiêu cực liên quan đến nền kinh tế hoặc bất ổn chính trị có thể dẫn đến những dự đoán có xu hướng khủng hoảng, phản ánh sự thiếu niềm tin vào khả năng điều hành nền kinh tế của chính phủ Những dự đoán bi quan như vậy có thể tạo ra áp lực bán ra trên thị trường tiền tệ nếu một số người tin rằng đồng tiền trong nước mất giá.

Hành vi bầy đàn: Đây là hành vi của những người tham gia thị trường, họ có thể hoạt động theo kiểu ăn theo hoặc theo xu hướng chung của thị trường Sự tương tự trong hành động của họ có thể dẫn đến các biến động lớn trên thị trường tiền tệ.

Tính lan truyền: Đây là hiện tượng mà KHTT từ một số nước có thể lan tỏa sang các nước khác thông qua các mối liên kết thương mại, tài chính và đầu tư Điều này giải thích tại sao các nước có quan hệ thương mại và tài chính mật thiết trong khu vực có thể bị tác động bởi KHTT xảy ra ở nước khác.

Về khía cạnh lý thuyết mô hình thế hệ thứ nhất chủ yếu dựa trên cơ sở lý thuyết kinh tế học cổ điển, giả định các chủ thể kinh tế hoạt động hợp lý dựa trên cơ sở phân tích chi phí - lợi ích Trong khi đó, mô hình thế hệ thứ hai dựa nhiều hơn vào lý thuyết hành vi, chú trọng vai trò của các yếu tố tâm lý, kỳ vọng của các chủ thể thị trường.

Mô hình thế hệ thứ nhất coi trọng các yếu tố kinh tế vĩ mô cơ bản như chi tiêu Chính phủ, cung tiền Mô hình thế hệ thứ hai mở rộng phân tích cả các yếu tố vi mô như kỳ vọng, tâm lý đám đông Về mặt phương pháp luận thì mô hình thế hệ thứ nhất sử dụng phương pháp phân tích định lượng truyền thống dựa trên các chỉ số kinh tế vĩ mô Mô hình thế hệ thứ hai bổ sung thêm các phương pháp định tính dựa trên khảo sát, phỏng vấn để đánh giá các yếu tố phi kinh tế Mô hình thế hệ thứ nhất có xu hướng dự báo khủng hoảng một cách cứng nhắc dựa trên ngưỡng của các chỉ số Trong khi đó, mô hình thế hệ thứ hai linh hoạt hơn, nhấn mạnh tới tính tương tác và mối quan hệ giữa các yếu tố dẫn đến khủng hoảng Mô hình thế hệ thứ nhất chủ yếu tập trung vào các yếu tố trong nền kinh tế và chính sách tiền tệ của quốc gia Trong khi đó, mô hình thế hệ thứ hai mở rộng phân tích ra bên ngoài biên giới quốc gia, xem xét các yếu tố khu vực và toàn cầu Mô hình thế hệ thứ hai đưa thêm yếu tố lan truyền khủng hoảng giữa các nền kinh tế thông qua các kênh liên kết thương mại, tài chính và đầu tư.

Như vậy, có thể thấy mô hình cảnh báo thế hệ thứ hai đã có những cải tiến và mở rộng đáng kể so với thế hệ thứ nhất, giúp nâng cao khả năng dự báo và giải thích các nguyên nhân dẫn đến khủng hoảng tài chính.

2.2.3 Các mô hình cảnh báo thế hệ thứ ba

Các mô hình cảnh báo thế hệ thứ ba đã xuất hiện sau cuộc KHTC và tiền tệ tại Châu Á vào năm 1997-1998 Kaminsky và Reinhart (1999) đã đưa ra mô hình cảnh báo này, chú trọng vào việc dự đoán khủng hoảng kép, sự kết hợp giữa khủng hoảng ngân hàng và KHTT thông qua một hệ thống tài chính dễ bị đổ vỡ Theo họ, nợ xấu trong hệ thống ngân hàng thường là một trong những nguyên nhân chính dẫn đến khủng hoảng ngân hàng và thường xảy ra trước KHTT Khi KHTT xảy ra, nó thường nhanh chóng lan rộng và gây ra khủng hoảng ngân hàng, dẫn đến tình hình kinh tế trở nên rất tồi tệ.

Cuộc KHTT tại các nước Đông Á năm 1997 là một ví dụ rõ ràng cho thấy điều này Trước khi khủng hoảng bùng phát, các nước Châu Á có những chỉ số kinh tế vĩ mô tương đối tích cực như tăng trưởng GDP cao, tỷ lệ thất nghiệp thấp, kiểm soát lạm phát và chi tiêu ngân sách ổn định, thâm hụt tài khoản vãng lai ở mức thấp, và dòng vốn đầu tư nước ngoài đổ vào mạnh mẽ Hình ảnh sáng sủa này, tuy nhiên, che đi những vấn đề tiềm ẩn trong hệ thống ngân hàng, như nợ xấu từ các khoản vay trong nước được thực hiện bằng ngoại tệ và không được đảm bảo bằng công cụ phòng ngừa rủi ro tỷ giá. Điểm khác biệt và cải tiến của các mô hình cảnh báo khủng hoảng tài chính thế hệ thứ ba so với thế hệ thứ hai, Mở rộng phạm vi phân tích sang hệ thống tài chính, ngân hàng, nhấn mạnh tới khủng hoảng kép tiền tệ - ngân hàng Sử dụng kết hợp dữ liệu vĩ mô và vi mô, phân tích nguyên nhân và cơ chế lan truyền khủng hoảng Cơ sở lý thuyết vững chắc hơn, dựa trên lý thuyết vỡ mục tiêu, chu kỳ tín dụng và lan truyền khủng hoảng Như vậy, mô hình thế hệ thứ ba đã có những cải tiến đáng kể, nâng cao khả năng dự báo và giải thích khủng hoảng tài chính.

2.2.4 Các mô hình cảnh báo thế hệ thứ tư

Tóm lại, ba thế hệ mô hình cảnh báo KHTT đã tập trung vào việc phân tích các yếu tố kinh tế như chỉ số CPI, tăng trưởng kinh tế, thâm hụt ngân sách, cán cân thanh toán, cung tiền, tín dụng trong nước, cùng với các yếu tố phi kinh tế như kỳ vọng, hành vi bầy đàn và tính lan truyền Đây là cơ sở để xây dựng các mô hình cảnh báo sớm vềKHTT Tuy nhiên, Breuer (2004) đã đặt câu hỏi về vai trò của các yếu tố thể chế như khung pháp luật, quy định bảo vệ quyền sở hữu, và quy định tài chính trong quá trình dự đoán khủng hoảng Do đó, mô hình thế hệ thứ tư về cảnh báo KHTT đã xuất hiện với việc kết hợp các yếu tố từ ba thế hệ trước đó và bổ sung yếu tố thể chế vào mô hình

Giả thuyết nghiên cứu

Sử dụng dữ liệu lịch sử các lần vỡ nợ của các quốc gia, đề tài đánh giá tính khả thi của sử dụng hệ thống cảnh báo sớm bằng mô hình kinh tế lượng và máy học, trong dự báo các cuộc khủng hoảng nợ công

Giả thuyết 1: Nợ nước ngoài bền vững thông qua việc luôn ở dưới một mức xác định là điều kiện cần để tăng trưởng bền vững Ngược lại, khi một quốc gia có nợ công vượt ngưỡng tối ưu quá cao, khủng hoảng nợ công có thể xảy ra.

Với một mức nợ công ổn định và kiểm soát được có thể tạo ra môi trường thuận lợi cho tăng trưởng kinh tế bền vững Bằng cách duy trì một mức nợ công ở mức xác định, quốc gia có thể sử dụng nguồn tài nguyên từ bên ngoài để đầu tư vào các lĩnh vực quan trọng như cơ sở hạ tầng, giáo dục, nghiên cứu và phát triển Điều này có thể thúc đẩy tăng trưởng kinh tế, tạo việc làm, nâng cao chất lượng cuộc sống và giảm độ phụ thuộc vào nguồn tài nguyên nội địa Reinhart và cộng sự (2012) nhấn mạnh rằng khi nợ công đạt hoặc vượt quá 90% GDP, điều đó có nghĩa là tốc độ tăng trưởng kinh tế thấp hơn Điều này cho thấy rằng có một mức nợ công tối ưu mà vượt quá mức đó nó sẽ gây bất lợi cho hiệu quả kinh tế Burriel và cộng sự (2020) ủng hộ thêm quan điểm này bằng cách tuyên bố rằng mức nợ công cao, đặc biệt khi được sử dụng để tài trợ cho các chi phí không hiệu quả hoặc vượt quá mức vốn công tối ưu, có thể gây ra những hậu quả tiêu cực về kinh tế Đồng thời để đảm bảo sự ổn định tài chính và tăng trưởng kinh tế bền vững, quốc gia cần tránh tích lũy nợ nước ngoài quá cao Khi mức nợ công vượt quá mức tối ưu, có thể xảy ra khủng hoảng nợ công Tình trạng này có thể dẫn đến sự mất cân đối tài chính, tăng nguy cơ phá sản và làm giảm sự tin tưởng của các nhà đầu tư Điều này có thể gây khó khăn trong việc vay vốn mới và gây ảnh hưởng tiêu cực đến tăng trưởng kinh tế

Trong trường hợp các biến số kinh tế vĩ mô xấu như tăng trưởng kinh tế chậm lại, xuất khẩu giảm, tỉ lệ tiền cung M2/tổng dự trữ quốc gia tăng, tiết kiệm quốc gia giảm và chi tiêu chính phủ tăng nhanh, nguy cơ khủng hoảng nợ công có thể gia tăng đáng kể.

Khi những yếu tố kinh tế then chốt sụt giảm cùng lúc, nền kinh tế có thể rơi vào suy thoái Các yếu tố này bao gồm giảm tăng trưởng kinh tế, xuất khẩu, tỷ giá hối đoái, tiết kiệm quốc gia, lạm phát và tăng chi tiêu chính phủ, tất cả đều có thể tác động tiêu cực đến sự ổn định và phát triển kinh tế Tuy nhiên, tác động của các yếu tố này phụ thuộc vào bối cảnh cụ thể và sự tương tác của chúng với các yếu tố kinh tế khác.

Giả thuyết 3: Khi chính phủ chi tiêu số tiền nợ công vượt mức dự trữ ngoại hối, hoặc khi chính phủ gia tăng vay nợ nước ngoài trong khi dự trữ ngoại hối không đổi hoặc giảm xuống, khủng hoảng nợ công có thể xảy ra.

Khi chính phủ chi tiêu vượt quá khả năng thanh toán từ nguồn dự trữ ngoại hối hoặc tăng việc vay nợ nước ngoài mà không có sự tăng của dự trữ ngoại hối, có thể tạo ra rủi ro cho tình hình tài chính của quốc gia Một yếu tố có thể góp phần gây ra khủng hoảng nợ công là sự sụt giảm tổng sản phẩm quốc nội (GDP) và mức tiêu dùng của chính phủ (Wijayanti & Rachmanira, 2020) Khi nền kinh tế suy thoái, nguồn thu từ thuế có xu hướng giảm, khiến chính phủ khó tạo ra đủ thu nhập để trang trải chi phí (Reinhart & Rogoff, 2009) Điều này có thể gây áp lực cho nền kinh tế và gây khó khăn trong việc trả nợ công, tăng nguy cơ không thể trả nợ và làm gia tăng mức độ nợ công Cuối cùng, sự tích lũy nợ công không kiểm soát có thể dẫn đến khủng hoảng nợ công.

Giả thuyết 4: Khi chính phủ mất khả năng thanh toán hoặc có khả năng thanh khoản thấp, khủng hoảng nợ công có thể xảy ra.

Khi chính phủ không thể đảm bảo khả năng thanh toán nợ công hoặc gặp khó khăn trong việc chuyển đổi tài sản thành tiền mặt để đáp ứng nghĩa vụ tài chính, có thể xảy ra khủng hoảng nợ công Khi không thể thanh toán nợ công hoặc có khả năng thanh khoản thấp, chính phủ có thể gặp khó khăn trong việc trả lãi suất và khoản gốc của nợ, gây nguy cơ không thể trả nợ và làm suy yếu niềm tin của nhà đầu tư và thị trường tài chính Điều này có thể lan rộng và gây ảnh hưởng tiêu cực đến tình hình tài chính và kinh tế của quốc gia.

Chương 2 là một phần quan trọng trong nghiên cứu của tác giả, vì nó cung cấp khung lý thuyết cho nghiên cứu Trong chương này, tác giả cung cấp định nghĩa rõ ràng về các khái niệm cơ bản và lý thuyết liên quan, cùng với giải thích về bốn thế hệ mô hình cảnh báo Các mô hình cảnh báo này là một công cụ thiết yếu để dự đoán khủng hoảng và dựa trên nhiều yếu tố, chẳng hạn như các chỉ số kinh tế, xu hướng xã hội và các sự kiện chính trị.

Hơn nữa, tác giả trao đổi về các phương pháp dự báo khủng hoảng khác nhau, bao gồm mô hình hồi quy hậu cần, phân loại LDA, K-NN, GaussianNB, SVM và MLP, Mỗi phương pháp này đều có điểm mạnh và điểm yếu và tác giả đánh giá hiệu quả của chúng trong việc dự đoán khủng hoảng.

Ngoài các phương pháp dự báo, tác giả còn đánh giá tình hình nợ công của các quốc gia trên thế giới Tác giả xem xét các yếu tố khác nhau góp phần vào nợ công và phân tích tác động của mức nợ công cao đối với sự ổn định và tăng trưởng kinh tế Tác giả cũng khám phá tác động của nợ công đối với thị trường tài chính và đánh giá những rủi ro tiềm ẩn liên quan đến mức nợ công cao.

Cuối cùng, tác giả trình bày các giả thuyết nghiên cứu dựa trên khung lý thuyết và dữ liệu thực nghiệm mà tác giả đã thu thập Những giả thuyết này cung cấp nền tảng cho phân tích tiếp theo của luận án và giúp định hướng nghiên cứu của luận án hướng tới những kết luận có ý nghĩa và phù hợp Nhìn chung, Chương 2 là một phần quan trọng trong nghiên cứu của tác giả, cung cấp cơ sở lý thuyết, phương pháp luận và giả thuyết cần thiết để hỗ trợ nghiên cứu của tác giả về nợ công và dự báo KHNC.

PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU

Dữ liệu và các biến trong mô hình nghiên cứu

Bảng 3.1: Bảng thống kê mô tả dữ liệu nghiên cứu. số lượng trung bình độ lệch chuẩn giá trị nhỏ nhất 25% 50% 75% giá trị lớn nhất

Mức ý nghĩa trung bình của các biến như sau:

Trung bình của biến CentralGovDebt% là 48.49007, trong khi đó trung bình của biến ClaimOnGov% và CurrentAccount% lần lượt là 9.993681 và -1.91314 Biến Expenditure (% of GDP) có trung bình là 32.31427, biến ExportGrowth% là 0.125395, biến FDI% là 4.848111, biến GDP% là 2.960032, và biến M2/reserves% có trung bình là 6.19993 Ngoài ra, trung bình của biến NationalSavings% là 19.38422, trong khi Reserves có giá trị trung bình là -8617.36 Biến ExternalDebt% có trung bình là 52.30618, trong khi TradeOpeness% có trung bình là 40.49156 và DomesticCredit% có trung bình là 62.20663 Biến CrisisIndex có giá trị trung bình là 0.204748, không có giá trị trung bình Tổng quan, bảng thống kê này cung cấp thông tin về nhiều biến kinh tế quan trọng của các quốc gia trên thế giới trong mô hình nghiên cứu nhằm xây dựng mô hình cảnh báo sớm nợ công trong bài nghiên cứu.

Trong đó biến CrisisIndex có gần 3.752 tổng số quan sát theo từng giai đoạn là không có khủng hoảng, và số còn lại là 966 khủng hoảng trong tổng 4718 quan sát.

Tiếp theo tác giả sẽ phân tích và lựa chọn các mô hình tối ưu để sử dụng thông qua việc so sánh các thuật toán.

Khung thời gian tác giả đã lựa chọn đủ dài để bao quát các chu kỳ kinh tế và tài chính toàn cầu Từ năm 2000 đến nay, thế giới đã trải qua những biến động lớn như khủng hoảng tài chính toàn cầu 2008-2009, khủng hoảng nợ châu Âu 2010-2012, đại dịch Covid-19 Dữ liệu trong khoảng thời gian này sẽ cho phép mô hình học tập các mẫu hành vi phức tạp của các biến kinh tế liên quan đến nợ công Số quan sát lớn từ

217 quốc gia sẽ giúp mô hình logit và học máy có đủ dữ liệu để phân tích và dự báo khủng hoảng nợ Nhiều quốc gia trong khoảng thời gian trên đã trải qua khủng hoảng nợ công nên cung cấp các trường hợp cụ thể cho việc huấn luyện mô hình Dữ liệu đa dạng từ nhiều quốc gia và khu vực khác nhau sẽ cho phép xây dựng các mô hình phân tích phù hợp với từng nhóm quốc gia có đặc thù riêng Các yếu tố ảnh hưởng đến khủng hoảng nợ ở các nước phát triển có thể khác so với các nước đang phát triển Dữ liệu cập nhật đến cuối năm 2021 sẽ cho phép mô hình dự báo chính xác hơn về tình hình hiện tại và trong tương lai gần, phục vụ tốt hơn cho cảnh báo sớm và hoạch định chính sách.

Quy trình thực hiện nghiên cứu

3.2.1 So sánh thuật toán

Quy trình trong nghiên cứu này là so sánh và huấn luyện các mô hình học máy với các thông số cụ thể Tập dữ liệu được chia thành tập huấn luyện (80%) và tập kiểm nghiệm (20%) Phương pháp kiểm nghiệm sử dụng là K-fold cross-validation, trong đó các mô hình được đánh giá dựa trên các chỉ số như Accuracy, F1-score, AUC-ROC, vv….

Huấn luyện các mô hình học máy với các thông số:

- Phương thức kiểm nghiệm: K_folds

Bảng 3.2: Độ chính xác các mô hình học máy

Mô hình Độ chính xác

Phân tích phân biệt tuyến tính (LDA) 87.81% ± 1.85%

Mô hình Độ chính xác

K láng giềng gần nhất (KNN) 79.89% ± 3.74%

Cây quyết định (CART) 90.66% ± 1.92%

Máy hỗ trợ vector (SVM): 60.96% ± 3.53%

Hình 3.1 Kết quả so sánh thuật toán Đây là kết quả từ việc kiểm tra nhanh (spot check) một số mô hình học máy khác nhau đối với một bộ dữ liệu cụ thể Mỗi mô hình được đánh giá dựa trên một vài chỉ số nhất định (Accuracy, F1-score, AUC-ROC, v.v) Kết quả trong hình là so sánh các thuật toán dựa trên chỉ tiêu Accuracy và là độ chính xác khi phân nhóm.

Tuy nhiên, để đạt được hiệu suất tốt nhất của mô hình, việc tinh chỉnh các tham số là một bước quan trọng Một trong những tham số quan trọng cần tinh chỉnh làN_estimators, tức là số lượng cây quyết định tối đa có thể được thêm vào mô hình.Quá nhiều cây có thể dẫn đến hiện tượng Overfitting, trong khi quá ít cây có thể dẫn đến hiện tượng Underfitting Việc tìm ra giá trị tối ưu cho tham số này sẽ giúp mô hình hoạt động tốt hơn và đạt được độ chính xác cao nhất.

Tham số Max_depth cũng cần được tinh chỉnh Max_depth xác định độ sâu tối đa của cây quyết định trong mô hình GBM Độ sâu cao hơn có thể giúp mô hình học được nhiều thông tin từ dữ liệu, nhưng cũng có thể dẫn đến hiện tượng Overfitting Do đó, việc tìm ra giá trị tối ưu cho Max_depth là rất quan trọng để đảm bảo mô hình hoạt động ổn định và không bị sai lệch.

Sau khi tinh chỉnh các tham số và huấn luyện mô hình, chúng ta có thể sử dụng Confusion Matrix để kiểm tra lại mô hình Confusion Matrix cho phép chúng ta xem xét cụ thể mô hình đã dự đoán như thế nào trên từng loại nhãn và giúp xác định vấn đề, nếu có, với mô hình của chúng ta Ngoài ra, từ Confusion Matrix, chúng ta cũng có thể tính toán các chỉ số như Precision, Recall và F1-score để đánh giá hiệu suất tổng thể của mô hình.

3.2.2 Tinh chỉnh tham số - Grid SearchD

Trong quá trình xây dựng và cải tiến chất lượng của các mô hình học máy, việc tinh chỉnh tham số (Hyperparameters tuning) là một bước quan trọng không thể thiếu. Để tìm ra bộ tham số tối ưu nhất, tác giả đã áp dụng kỹ thuật tìm kiếm lưới (Grid Search), một phương pháp thử nghiệm hàng loạt các hoặc tất cả những cặp tham số khả dĩ để tìm ra tập tham số mà khi đưa vào mô hình sẽ cho ra kết quả tốt nhất Quá trình Grid Search được thực hiện bằng cách tìm kiếm từng ô (cell) của "lưới" do người dùng xác định Mỗi ô tương ứng với một giá trị cụ thể của tham số và mô hình sẽ được huấn luyện dựa trên từng cặp giá trị tham số này Kết quả của mỗi lượt huấn luyện sẽ được đo lường dựa trên hệ số accuracy (mức độ chính xác) hoặc các tiêu chí đánh giá khác tùy thuộc vào yêu cầu cụ thể của bài toán.

Trong trường hợp này, tác giả đã sử dụng Grid Search để tinh chỉnh mô hình Gradient Boosting Machine (GBM) Hệ số accuracy đã được chọn làm chỉ số đánh giá mức độ tốt xấu của từng bộ tham số Mô hình GBM được sử dụng chủ yếu có hai tham số cần tinh chỉnh là max_depth và n_estimators.

Tham số max_depth trong mô hình gradient boosting quy định chiều sâu tối đa của mỗi cây quyết định Cây quyết định càng sâu thì càng thể hiện được nhiều mối tương tác phức tạp giữa các biến, nhưng cũng dễ rơi vào tình trạng quá khớp dữ liệu (overfitting).

Tham số n_estimators đóng vai trò quan trọng trong thiết lập mô hình Random Forest bằng cách xác định số lượng cây quyết định được sử dụng Một số lượng cây quyết định lớn làm tăng độ phức tạp của mô hình, dẫn tới khả năng khớp dữ liệu tốt hơn Tuy nhiên, điều này cũng có thể dẫn đến tình trạng quá khớp khi mô hình quá mức tập trung vào dữ liệu huấn luyện cụ thể, làm giảm hiệu suất tổng thể.

Mô hình confusion là một công cụ quan trọng trong việc đánh giá hiệu suất của mô hình dự đoán Nó được sử dụng để đo lường khả năng dự đoán chính xác và không chính xác của mô hình và thường được sử dụng trong bài toán phân loại, khi mô hình cần dự đoán các nhãn hoặc lớp cho các điểm dữ liệu.

Ma trận confusion bao gồm bốn ô chính: 1) True Positive (TP): Đại diện cho số lượng các điểm dữ liệu thực tế được dự đoán chính xác là thuộc vào lớp positive 2) False Positive (FP): Đại diện cho số lượng các điểm dữ liệu thực tế được dự đoán sai là thuộc vào lớp positive 3) True Negative (TN): Đại diện cho số lượng các điểm dữ liệu thực tế được dự đoán chính xác là thuộc vào lớp negative 4) False Negative (FN): Đại diện cho số lượng các điểm dữ liệu thực tế được dự đoán sai là thuộc vào lớp negative.

Dựa trên ma trận confusion, chúng ta có thể tính toán các chỉ số đánh giá hiệu suất của mô hình, bao gồm: Accuracy (Tỷ lệ dự đoán chính xác), Precision (Tỷ lệ dự đoán dương đúng trong số tất cả các dự đoán dương), Recall (Tỷ lệ dữ liệu dương được dự đoán chính xác), và F1-score (Chỉ số kết hợp giữa precision và recall, giúp đánh giá hiệu suất tổng thể của mô hình một cách cân bằng).

Mô hình confusion giúp ta có cái nhìn tổng quan về khả năng dự đoán của mô hình và đánh giá hiệu suất của nó trong việc phân loại các điểm dữ liệu vào các lớp khác nhau Điều này rất hữu ích trong việc đánh giá và so sánh các mô hình dự đoán khác nhau và tìm ra mô hình tốt nhất cho bài toán cụ thể Ngoài ra, phân tích ma trận confusion còn giúp ta nhận diện điểm yếu của mô hình để cải thiện Nếu có tỷ lệ false negative cao, chúng ta cần nâng cao độ nhạy của mô hình Ngược lại, nếu false positive cao, cần nâng cao độ đặc hiệu Điều này cho phép cải thiện mô hình một cách hiệu quả và đưa ra kết quả chính xác hơn cho bài toán Do đó, mô hình confusion không chỉ đánh giá mà còn giúp cải thiện hiệu suất mô hình một cách khách quan, toàn diện Đây thực sự là một công cụ rất quan trọng trong xây dựng mô hình machine learning.

Bảng 3.3: Ma trận Confusion

Hệ số thu hồi (recall) Điểm F1 (F1- Score)

0 (dự báo khả năng không khủng hoảng)

1 (dự báo khả năng khủng hoảng)

Trung bình có trọng số

Mô hình confusion giúp ta có cái nhìn tổng quan về khả năng dự đoán của mô hình và đánh giá hiệu suất của nó trong việc phân loại các điểm dữ liệu vào các lớp khác nhau Điều này rất hữu ích trong việc đánh giá và so sánh các mô hình dự đoán khác nhau và tìm ra mô hình tốt nhất cho bài toán cụ thể.

Mô hình Gradients Boosting Machine đã đạt được kết quả ấn tượng trong việc dự đoán KHNC Với độ chính xác cao ở nhóm khủng hoảng, mô hình đã chứng tỏ khả năng xác định chính xác trường hợp dự đoán các trường hợp có khả năng xảy ra KHNC Để đo lường khả năng của mô hình trong việc phát hiện KHNC, ta sử dụng hệ số thu hồi Với độ chính xác cao, khả năng thu hồi tốt và điểm F1 ổn định, mô hình này đem lại hiệu suất đáng khích lệ trong việc phân loại các trường hợp KHNC.

Mô hình nghiên cứu

3.3.1 Hệ thống cảnh báo sớm EWS truyền thống

Các mô hình EWS được xây dựng để đánh giá khả năng xảy ra khủng hoảng bằng cách sử dụng các phương pháp định lượng Nói chung, có hai loại mô hình EWS phổ biến được sử dụng trong các nghiên cứu trước đó là (i) các mô hình chỉ số tổng hợp và (ii) mô hình logit/probit Trong đó, phần lớn các nghiên cứu tập trung vào các mô hình logit/probit EWS (Bhattacharyay và đồng nghiệp, 2009; Kohlscheen, 2010; Duttagupta và Cashin, 2008; Eichler và đồng nghiệp, 2011; Eichler và Sobanski, 2012) Từ việc xem xét các nghiên cứu trước đó, rõ ràng rằng mô hình logit đa thức hoạt động tốt hơn các mô hình khác trong việc dự báo các dạng khủng hoảng Phương pháp tiếp cận nhị phân dễ mắc cả lỗi loại I (bỏ lỡ khủng hoảng) và lỗi loại II (báo động sai) (Caggiano và đồng nghiệp, 2014, 2016; Beutel và đồng nghiệp, 2019).

Ngoài ra, các chỉ số EWS có khả năng phản ứng khác nhau trong giai đoạn yên bình so với giai đoạn sau khủng hoảng Trong giai đoạn sau khủng hoảng, nền kinh tế phải trải qua quá trình điều chỉnh để phục hồi sau những thiệt hại do khủng hoảng gây ra Do đó, việc kết hợp các quan sát cho các giai đoạn kinh tế yên bình cùng với giai đoạn sau khủng hoảng thành một nhóm không (0) như trong các mô hình nhị phân đơn thức có thể dẫn đến vấn đề "thành kiến sau khủng hoảng" (Bussiere và Fratzscher, 2006) Để tránh "thành kiến sau khủng hoảng", một số tác giả như Fuertes và Kalotychou (2007) và Savona và Vezzoli (2015) đã loại bỏ tất cả các quan sát sau khủng hoảng khỏi dữ liệu Tuy nhiên, điều này có thể dẫn đến mất mát thông tin Do đó, mô hình logit đa thức được Bussiere và Fratzscher (2006) đề xuất sử dụng để phản ánh cả ba giai đoạn của nền kinh tế khi có khủng hoảng Kết luận cho thấy phương pháp tiếp cận đa thức vẫn ưu việt hơn vì nó nắm bắt được giai đoạn khủng hoảng và sau khủng hoảng.

Việc sử dụng các phương pháp định lượng trong các mô hình EWS cho phép đánh giá một cách hệ thống và khách quan khả năng xảy ra khủng hoảng Bằng cách kết hợp các chỉ số kinh tế khác nhau và các kỹ thuật thống kê, các mô hình này cung cấp một khung công việc mạnh mẽ để đánh giá sự tổn thương của một nền kinh tế đối với các khủng hoảng tiềm năng Sử dụng mô hình logit/probit, đặc biệt là mô hình logit đa thức, nâng cao độ chính xác và đáng tin cậy của việc dự báo khủng hoảng, giúp các nhà quyết định có thông tin cần thiết và triển khai các chiến lược quản lý khủng hoảng hiệu quả.

Tóm lại, các mô hình EWS đóng vai trò quan trọng trong việc đánh giá khả năng xảy ra khủng hoảng và cung cấp tín hiệu cảnh báo sớm cho các nhà quyết định và tác giả Mô hình logit đa thức đã được chứng minh là vượt trội so với các mô hình khác trong việc dự báo các dạng khủng hoảng khác nhau, nắm bắt được động lực của giai đoạn khủng hoảng và sau khủng hoảng Tuy nhiên, cần lưu ý rằng các mô hình EWS cũng có những hạn chế Chúng phụ thuộc nhiều vào dữ liệu lịch sử và giả định rằng các mô hình quá khứ sẽ tiếp tục áp dụng trong tương lai Giả định này không luôn đúng, đặc biệt là trong môi trường kinh tế thay đổi nhanh chóng Ngoài ra, các mô hình có thể bỏ qua một số yếu tố hoặc biến số có thể góp phần vào việc xảy ra khủng hoảng; Các mô hình này nên được sử dụng kết hợp với các công cụ định tính và định lượng khác để đảm bảo một đánh giá toàn diện và chính xác về các rủi ro và tổn thương mà một nền kinh tế đang đối mặt Cần thường xuyên cập nhật và hoàn thiện các mô hình này để điều chỉnh cho các điều kiện kinh tế thay đổi và rủi ro mới nổi.

3.3.2 Hệ thống cảnh báo sớm EWS kết hợp máy học

Hệ thống cảnh báo sớm (Early Warning System - EWS) kết hợp học máy là một phương pháp để dự báo và cảnh báo sớm về KHNC bằng việc sử dụng các thuật toán và kỹ thuật học máy, và đây là đóng góp quan trọng của luận án khi theo hiểu biết của tác giả, hiện nay có rất ít các nghiên cứu sử dụng phương pháp học máy để ứng dụng cho mô hình cảnh báo sớm cho KHNC trên thế giới và Việt Nam Các bước chính trong quá trình kết hợp học máy vào hệ thống EWS bao gồm:

(1) Thu thập dữ liệu: Thu thập dữ liệu liên quan đến các biến quan trọng như tỷ lệ nợ công so với GDP, tỷ lệ lãi suất nợ công, tốc độ tăng trưởng kinh tế, chỉ số tài chính và các biến khác có thể ảnh hưởng đến KHNC Ở nghiên cứu này, các biến sẽ được mô tả ở phần sau tại mục 3.4

(2) Tiền xử lý dữ liệu: Tiền xử lý dữ liệu để chuẩn hóa và làm sạch dữ liệu Các bước tiền xử lý có thể bao gồm xử lý các giá trị thiếu, loại bỏ nhiễu, chuẩn hóa biến số và chuyển đổi dữ liệu thành định dạng phù hợp cho việc áp dụng các thuật toán học máy.

(3) Xây dựng mô hình học máy: Sử dụng các thuật toán học máy như học máy có giám sát (ví dụ: hồi quy logistic, cây quyết định), học máy không giám sát (ví dụ: phân cụm, mạng nơ-ron) hoặc học tăng cường để xây dựng mô hình dự báo Các thuật toán này sẽ học từ dữ liệu huấn luyện và tạo ra một mô hình dự báo KHNC Trong nghiên cứu này, tác giả sử dụng hồi quy logistic nhị thức và đa thức như được trình bày ở phần trên tại mục 3.5.1 và mục 3.5.2.

(4) Đánh giá và tinh chỉnh mô hình: Đánh giá hiệu suất của mô hình bằng cách sử dụng các phương pháp đánh giá như ma trận nhầm lẫn, độ chính xác, độ nhạy và độ đặc hiệu Nếu cần thiết, có thể tinh chỉnh mô hình bằng cách thay đổi các tham số hoặc sử dụng các kỹ thuật tối ưu hóa.

(5) Kiểm tra và triển khai mô hình: Kiểm tra và triển khai mô hình dự báo trên dữ liệu mới để đánh giá hiệu suất và tính ứng dụng của nó trong việc cảnh báo sớm KHNC.

Kết hợp học máy vào hệ thống EWS giúp tăng khả năng dự báo và cảnh báo sớm về KHNC, từ đó hỗ trợ quyết định chính sách và quản lý rủi ro tài chính hiệu quả.

Đo lường các biến trong mô hình

Đề tài lựa chọn các biến giải thích dựa trên các tài liệu liên quan đến các yếu tố quyờ́t định cuộc khủng hoảng ngõn hàng hợ̀ thống như Demirgỹỗ-Kunt và Detragiache (1998), Caggiano và cộng sự (2014, 2016) và Kauko (2014) Đầu vào cho hệ thống EWS dựa trên các lý thuyết đã được bàn luận trong Chương 2

Khung lý thuyết bao gồm ba phạm vi của các biến giải thích để xây dựng hệ thống cảnh báo sớm EWS của tác giả cho các cuộc khủng hoảng nợ công, gồm có: các chỉ số kinh tế vĩ mô, các chỉ số phân khúc nước ngoài và các chỉ số tình hình tài chính

- Các chỉ số kinh tế vĩ mô.

- Các chỉ số phân khúc nước ngoài.

- Các chỉ số tình hình tài chính

Các biến số dự kiến sử dụng để dự báo KHNC trong nghiên cứu này được tác giả nghiên cứu tổng hợp theo bảng 3.4, như sau:

Bảng 3.4: Tổng hợp kết quả nghiên cứu thực nghiệm về khủng hoảng nợ công

Tên biến Cơ sở lý thuyết

Lý thuyết ngưỡng nợ công

Rashid, 2020a; Frankel và Rose (1996); Krugman (1988); Sachs (1989)

Dự trữ ngoại hối - Catão và Ferretti, (2014);

Lý thuyết về Hiệu ứng lấn át, Lý thuyết ngưỡng nợ công Độ mở thương mại +/- Gomez-Gonzalez và cộng sự

Tăng trưởng xuất khẩu - Chakrabarti và Zeaiter (2014);

Tài khoản vãng lai - Chakrabarti và Zeaiter (2014);

Frankel và Rose (1996); Krugman (1988); Wang (2009), Hameed và cộng sự (2008), Pattillo và cộng sự (2002, 2004)

Tăng trưởng GDP thực Lý thuyết về tác động của nợ nước ngoài, Lý thuyết ngưỡng nợ công

- Gomez-Gonzalez và cộng sự

(2022); Herndon và cộng sự (2013); Lan (2017)

M2/ Tổng dự trữ + Calvo và cộng sự (1995); Calvo

Tiết kiệm quốc gia - Mohieldin và cộng sự (2019)

Hệ thống ngân hàng - Gomez-Gonzalez và cộng sự (2022) Tín dụng quốc nội Lý thuyết về Hiệu ứng lấn át

Nợ của chính phủ đối với NHTW +

Nguồn: Tác giả tự tổng hợp.

Dữ liệu được nghiên cứu phân loại thành 4 nhóm chính:

Bảng 3.5: Tóm tắt đo lường các biến trong mô hình nghiên cứu

Tên biến Cách đo lường Nguồn dữ liệu

Rủi ro nợ công IMF

Tổng nợ nước ngoài Tổng nợ nước ngoài (% GDP) IMF

Nợ của chính phủ Nợ của chính phủ (% GDP) IMF

Phân khúc nước ngoài IMF

Dự trữ ngoại hối Dự trữ ngoại hối (% GDP) IMF Độ mở thương mại Giá trị xu ấ t k h ẩ u+Giá trị n h ậ p k h ẩ u

Tăng trưởng xuất khẩu Tăng trưởng xuất khẩu theo năm World Bank Tài khoản vãng lai Tài khoản vãng lai (% GDP) World Bank

FDI Nguồn vốn đầu tư FDI ròng (% GDP) IMF

Kinh tế vĩ mô IMF

Tăng trưởng GDP thực Tăng trưởng GDP thực IMF

M2/ Tổng dự trữ Tỷ lệ cung tiền M2/ Tổng dự trữ IMF

Tiết kiệm quốc gia Tiết kiệm quốc gia (% GDP) IMF

Chi tiêu chính phủ Chi tiêu chính phủ (% GDP) IMF

Hệ thống ngân hàng World Bank

Tín dụng quốc nội Tín dụng quốc nội World Bank

Nợ của chính phủ đối với NHTW

Nợ của chính phủ đối với

Nguồn: Tác giả tự tổng hợp từ World Bank và IMF.

Lựa chọn xây dựng biến chỉ số trong mô hình cảnh báo

Nghiên cứu này dựa trên việc phân tích các biến đã chọn làm chỉ số cảnh báo sớm trong trường hợp các cuộc khủng hoảng từ năm 2000 đến 2021, trong đó có hai cuộc khủng hoảng quy mô toàn cầu là Khủng hoảng tài chính toàn cầu 2007-2008 và khủng hoảng y tế – kinh tế – xã hội Covid-19 Ngoài ra, đề tài cũng xem xét các cuộc khủng hoảng nợ công quy mô quốc gia để phân tích các chỉ báo nội sinh Danh sách các chỉ báo bao gồm các biến số kinh tế vĩ mô quan trọng nhất được lựa chọn trên cơ sở các tài liệu đã thảo luận trong phần trước Dữ liệu kinh tế vĩ mô được truy xuất từ các cơ sở dữ liệu sau: Ngân hàng Trung ương và Cơ quan Thống kê của các quốc gia nghiên cứu, Dữ liệu kinh tế của Ngân hàng Thế giới (WB) và Quỹ Tiền tệ Toàn cầu (IMF)

Các biến giải thích được lựa chọn làm chỉ báo dựa trên các tài liệu liên quan đến các yếu tố quyết định cuộc khủng hoảng nợ công ( Dawood và cộng sự, 2017;

Gruszczyński và cộng sự, 2020; Gomez-Gonzalez và cộng sự, 2022). Để đánh giá nợ công, có thể sử dụng các chỉ tiêu như mức xếp hạng tín nhiệm quốc gia (Manasee và cộng sự, 2009), khoản vay từ IMF (Savona & Vezzoli, 2015) hoặc lãi vay quá hạn của nợ công tích lũy (Ciarlone & Trebeschi, 2013), và các chỉ tiêu đo lường rủi ro (Dawood và cộng sự, 2017) Nếu tỷ lệ nợ công không ảnh hưởng đến ngân sách và không có dấu hiệu tái cơ cấu hoặc thương lượng lại nợ, nợ công được xem là an toàn Ngoài ra, một số nghiên cứu cũng đã xác định được ngưỡng nợ công an toàn không làm mất khả năng thanh toán của Chính phủ (Mendoza và cộng sự, 2011) Nợ chính phủ đóng vai trò quan trọng trong việc xảy ra khủng hoảng nợ công Việc tích lũy nợ chính phủ có thể dẫn đến khủng hoảng nợ tự giải quyết, trong đó sự mất niềm tin vào chính phủ gây ra khủng hoảng tài chính (Cole & Kehoe, 2000). Ở các nước đang phát triển, một hệ thống cảnh báo sớm dựa trên nhiều chỉ số khác nhau như lạm phát, rủi ro nợ chính phủ và tư nhân, nợ nước ngoài và tỷ lệ nợ nước ngoài ngắn hạn trên dự trữ ngoại hối có thể dự đoán khủng hoảng nợ chính phủ (Wijayanti & Rachmanira, 2020) Một biến số khác ảnh hưởng đến cuộc khủng hoảng nợ công là tăng trưởng kinh tế Afonso & Alves (2014) nhận thấy nợ công có tác động đến tăng trưởng kinh tế, Reinhart và cộng sự (2012) nhận thấy rằng những giai đoạn mà nợ công vượt quá 90% GDP có liên quan đến tốc độ tăng trưởng thấp hơn khoảng1% Tuy nhiên, Herndon và cộng sự (2013) phê phán tuyên bố của Reinhart vàRogoff, nói rằng bằng chứng mà họ xem xét mâu thuẫn với ý kiến cho rằng nợ công lớn hơn 90% GDP luôn làm giảm tăng trưởng GDP Điều này cho thấy mối quan hệ giữa tăng trưởng GDP và khả năng xảy ra khủng hoảng nợ công có thể không đơn giản Bussière et al (2015) nhận thấy rằng mức dự trữ ngoại hối (tính theo GDP, nợ nước ngoài và nhập khẩu) năm 2007, cùng với biến động tỷ giá hối đoái, là một chỉ số quan trọng hàng đầu về mức độ xảy ra khủng hoảng giữa các quốc gia: tỷ lệ dự trữ ngoại hối càng cao thì nền kinh tế càng ít có khả năng bị ảnh hưởng bởi cuộc khủng hoảng tài chính toàn cầu Onafowora & Owoye (2019) cho thấy FDI có tác động tích cực đáng kể đến tăng trưởng kinh tế Nó cũng xác định nợ công cao hơn là một trở ngại cho tăng trưởng Nghiên cứu cho thấy FDI có thể đóng góp vào tăng trưởng kinh tế và có khả năng giảm thiểu rủi ro khủng hoảng nợ công Nghiên cứu của Pegkas(2018) về kinh nghiệm của Hy Lạp cho thấy độ mở thương mại tác động tích cực đến tăng trưởng kinh tế Nghiên cứu cho thấy mối quan hệ lâu dài giữa độ mở thương mại và tăng trưởng, cho thấy độ mở thương mại tăng lên có thể góp phần vào tăng trưởng kinh tế Điều này cho thấy các quốc gia có độ mở thương mại cao hơn có thể có nền kinh tế mạnh hơn và có thể được trang bị tốt hơn để xử lý khủng hoảng nợ công Một nghiên cứu khác của Aizenman et al (2011) đã phân tích các yếu tố gây ra rủi ro thương mại và tài chính của các thị trường mới nổi trong cuộc khủng hoảng Nghiên cứu cho thấy độ mở tài chính và thương mại trước khủng hoảng là những yếu tố dự báo quan trọng về cú sốc tài chính và thương mại trong cuộc khủng hoảng Điều này cho thấy các quốc gia có độ mở thương mại cao hơn có thể dễ bị tổn thương hơn trước tác động của cuộc khủng hoảng nợ công Hơn nữa, Aizenman và cộng sự (2016) đã xem xét rủi ro chủ quyền của các thị trường mới nổi và nhận thấy rằng độ mở thương mại là một yếu tố quan trọng khiến chênh lệch nợ chủ quyền thấp hơn ở châu Á trước cuộc khủng hoảng Điều này chỉ ra rằng các quốc gia có độ mở thương mại cao hơn có thể có rủi ro chủ quyền thấp hơn, điều này có khả năng giảm thiểu tác động của cuộc khủng hoảng nợ công

Biến phụ thuộc CrisisIndex (khả năng KHNC) sẽ được xét trên các tiêu chí dưới đây: (1) nhận khoản vay từ IMF vượt quá 100% hạn ngạch quốc gia, đây là tiêu chí được Manasse và cộng sự (2003) định nghĩa và sau đó định nghĩa tương tự đượcFioramanti (2008), Manasse và Roubini (2009), Savona và Vezzoli (2015) và Jedidi(2013) áp dụng điều này cho thấy quốc gia đó đang phải đối mặt với các vấn đề nghiêm trọng về cán cân thanh toán và đang phụ thuộc nhiều vào sự hỗ trợ của IMF để đáp ứng các nghĩa vụ bên ngoài và tránh vỡ nợ Mức độ phụ thuộc vào tín dụng IMF này cho thấy tình trạng nợ không bền vững; (2) tín dụng lũy kế từ IMF tăng trên 200% hạn ngạch Dawood và cộng sự (2017) hàm ý sự phụ thuộc ngày càng tăng và kéo dài vào các khoản vay của IMF để trả các nghĩa vụ hiện tại Bản thân khoản nợ IMF ngày càng tăng này cho thấy nước này không có khả năng đáp ứng các nghĩa vụ nợ thông qua các phương tiện tài chính thông thường, chỉ ra một cuộc khủng hoảng nợ rộng hơn sắp xảy ra Trong đó hạn ngạch là một số tiền mà mỗi quốc gia thành viên phải đóng góp cho IMF dựa trên quy mô kinh tế của quốc gia đó Hạn ngạch được xem như là một loại phí thành viên, nhưng cũng có thể được sử dụng để cho vay hoặc rút tiền từIMF khi cần; (3) tham gia vào kế hoạch tái cơ cấu nợ (mua lại hoặc giảm) hoặc gia hạn nợ liên quan đến hơn 20% số nợ chưa thanh toán Dawood và cộng sự (2017), việc cơ cấu lại hoặc giãn nợ có tỷ lệ trên 20% dư nợ cho thấy quốc gia đang gặp khó khăn trong việc trả nợ và không có khả năng đáp ứng các nghĩa vụ hiện tại Việc cơ cấu lại hoặc đảo nợ một phần nợ đáng kể như vậy là bằng chứng cho thấy một cuộc khủng hoảng nợ công đã xảy ra (4) Đối với các quốc gia phát triển, tác giả sử dụng các quy tắc hơi khác do thiếu thông tin chi tiết được báo cáo về các khoản nợ và số tiền liên quan đến các chương trình tái cấu trúc và sắp xếp lại Vì vậy, đối với các nước phát triển, ngoài hai sự kiện liên quan đến khoản vay từ IMF, chỉ số khủng hoảng còn được đặt thành 1 nếu dư nợ chính phủ vượt quá 77% giá trị danh nghĩa của GDP (Caner và cộng sự 2010), với mỗi quan sát sẽ có bao gồm 4 biến crisisIndex theo 4 tiêu chí sau. Nếu thoả mãn một tiêu chí đồng nghĩa CrisisIndex1 nhận giá trị =1, nếu không thoả sẽ

=0, tiếp tục như vậy với CrisisIndex2,3,4 sau đó biến phụ thuộc sẽ bằng tổng các biến CrisisIndex1,2,3,4 nếu lớn hơn 1 đồng nghĩa biến phụ thuộc nhận giá trị là 1, và nếu tổng các biến CrisisIndex1,2,3,4 =0 thì biến phụ thuộc sẽ có giá trị là 0.

Khung lý thuyết bao gồm ba phạm vi của các biến giải thích để xây dựng hệ thống EWS cho các cuộc khủng hoảng nợ công, đó là các chỉ số kinh tế vĩ mô, chỉ số phát triển tài chính và các yếu tố nợ công.

Bảng 3.6: Bảng tổng hợp các biến nghiên cứu trong mô hình

Tên biến Từ viết tắt

Nợ của chính phủ đối với NHTW CentralGov Debt%

Nợ của chính phủ phủ cho các tổ chức tài chính

Tài khoản vãng lai Current Account%

Chi tiêu chính phủ ExpenditureofGDP (% of

Tăng trưởng xuất khẩu Export Growth%

Tăng trưởng GDP thực GDP%

Tỷ lệ cung tiền M2/ Tổng dự trữ M2/reserves%

Tiết kiệm quốc gia NationalSavings%

Tên biến Từ viết tắt

Dự trữ ngoại hối Reserves

Tổng nợ nước ngoài External Debt% Độ mở thương mại Trade Openess%

Tín dụng quốc nội Domestic Credit%

Phương pháp ước lượng mô hình nghiên cứu

Để tạo nên hệ thống cảnh báo sớm EWS nhằm đánh giá khả năng dự đoán khủng hoảng nợ công, đề tài ứng dụng các phương pháp cả tiếp cận phổ biến và hiện đại Cụ thể cách tiếp cận sử dụng học máy kết hợp với cơ sở thống kê và khoa học máy tính đang trở thành một phương pháp phân loại thay thế hấp dẫn cho phương pháp phân loại probit thông thường được sử dụng cho dữ liệu chuỗi Việc sử dụng sức mạnh của học máy đã chứng tỏ hiệu quả đặc biệt trong việc mở rộng các mô hình hồi quy probit nhằm giải quyết các khiếm khuyết của mô hình này Mô hình hồi quy probit sử dụng các tham số phức tạp để khắc phục các hiện tượng hệ số động biến thiên, điểm gãy cấu trúc và tương quan chuỗi, v.v Tuy nhiên, các phương pháp học máy cũng có khả năng gặp phải hiện tượng quá khớp khi mẫu huấn luyện và mẫu kiểm thử giống nhau Hiện tượng này được kiểm soát thông qua sự đánh đổi phương sai và lệch để tìm ra điểm cân bằng tối ưu.

3.5.1 Mô hình logit nhị phân Để có thể xây dựng một EWS có thể dự đoán khả năng xảy ra một cuộc khủng hoảng sắp tới cũng như thời điểm nó xảy ra, đồng thời để tránh sai lệch sau khủng hoảng mà không cần phải loại bỏ các quan sát có giá trị khỏi mẫu, đề tài xem tất cả các giai đoạn mà một quốc gia trong mẫu có KHNC như từng đợt khủng hoảng riêng lẻ.Như vậy, trong mô hình hồi quy nhị phân, biến phụ thuộc DCit bằng 1 cho tất cả các giai đoạn mà quốc gia i gặp khủng hoảng và bằng 0 trong thời gian còn lại và sử dụngFixed effect và Random Effect để xem mức độ phụ thuộc của các biến Mô hình logit ước tính xác suất xảy ra khủng hoảng bằng cách sử dụng hàm phân phối logistic như sau:

Trong đú F (ã) là phõn phối logistic tớch lũy, X it−h βX là vectơ của các biờ́n giải thích trễ chu kỳ h, Y it biểu thị biến khủng hoảng nhị phân DI it , và βX là vectơ hệ số. Phương pháp ước lượng hợp lý cực đại được thực hiện tiếp theo để thu được các tham số, trong đó hàm log-likelihood được viết là: logL=∑ i = 1

Tương tự như Dawood và cộng sự (2017), đề tài xem xét các tác động biên thay vì sử dụng hệ số beta thông thường.

Marginal effect là một khái niệm thống kê biểu diễn sự thay đổi của biến phụ thuộc khi biến độc lập thay đổi một đơn vị là một công thức để ước tính hiệu ứng biên của các hệ số hồi quy Marginal effect có thể được tính bằng cách lấy đạo hàm của biến phụ thuộc theo biến độc lập, hoặc bằng cách so sánh giá trị của biến phụ thuộc khi biến độc lập tăng hoặc giảm một đơn vị.

Một công thức toán học cho marginal effect là:

 ME là marginal effect của biến độc lập x lên biến phụ thuộc y.

∂ x là đạo hàm của y theo x, biểu diễn tỷ lệ thay đổi của y khi x thay đổi một đơn vị rất nhỏ.

 lim ⁡ Δ x →0 là giới hạn khi Δx tiến tới 0, biểu diễn sự tiệm cận của tỷ lệ thay đổix tiến tới 0, biểu diễn sự tiệm cận của tỷ lệ thay đổi khi Δx tiến tới 0, biểu diễn sự tiệm cận của tỷ lệ thay đổix trở nên không đáng kể.

Tỷ lệ thay đổi của y khi x thay đổi một lượng Δx tiến tới 0, ký hiệu là y'(x), biểu diễn sự tiệm cận của tỷ lệ thay đổi Đây là đại lượng thể hiện sự biến đổi của giá trị y khi x tăng hoặc giảm một lượng nhất định.

3.5.2 Mô hình hồi quy logistic đa thức

Tiếp theo, đề tài thực hiện mô hình hồi quy logistic đa thức cho biến khủng hoảng, biến này bao gồm ba trạng thái kinh tế lúc bình thường, khi rơi vào khủng hoảng, và trạng thái hậu khủng hoảng Trong khi hồi quy logit nhị phân ước tính ảnh hưởng của một tập hợp các biến giải thích lên biến khủng hoảng nhị phân, thì mô hình logit đa thức nghiên cứu ảnh hưởng của chúng đối với biến đa thức DIm it với ba trạng thái và cũng sẽ sử dụng Fixed Effect và Random Effect để kiểm chứng Chỉ số khủng hoảng được định nghĩa lại như sau:

DIm it ={2c h o c 1 n ê u DI ´ a c tr ư´0 n it−1 ê u DI ´ ơ ng hợ p c =0` it v =0 a DI ` it =1 o nlại`

Trong đó DI it biểu thị biến khủng hoảng nhị phân có giá trị bằng 0 phản ánh thời kỳ không có khủng hoảng, bằng 1 tại năm đầu tiên xảy ra cuộc khủng hoảng, bằng 2 đối với các giai đoạn sau khủng hoảng cho đến khi quốc gia đó trở lại trạng thái bình thường Ước lượng hợp lý cực đại được sử dụng để hồi quy biến phụ thuộc đa thức ( Y it

) bằng độ trễ của các chỉ số kinh tế được thu thập ( X it ) bằng cách sử dụng hàm phân phối logistic tích lũy như sau:

1+e X it βX 1 +e X it βX 2 trong đó βX 1 đo lường ảnh hưởng của sự thay đổi trong các chỉ số đối với xác suất xảy ra khủng hoảng, trong khi βX 2 đo lường ảnh hưởng của chúng đối với xác suất xảy ra trong giai đoạn sau khủng hoảng Để các hệ số này có thể so sánh với các hệ số của hồi quy logit nhị phân, đề tài báo cáo các tác động biên của các chỉ số và tiếp tục sử dụng công cụ chuẩn mạnh phương sai Huber – White để sử dụng các phương sai theo quốc gia cụ thể Một quốc gia thường trải qua hai kiểu phát triển về trạng thái kinh tế của mình trong thời kỳ hậu khủng hoảng Nếu cuộc khủng hoảng trở nên sâu sắc hơn sau khi nó tấn công nền kinh tế ban đầu, các chỉ số kinh tế sẽ xấu đi Mặt khác, khi các cơ quan chức năng thực hiện các chính sách điều chỉnh, các chỉ số kinh tế có thể cải thiện khi nền kinh tế phục hồi sau khủng hoảng và trở lại trạng thái bình thường

Dựa vào các xác suất thể hiện chất lượng dự báo của phương pháp EWS, luận án sẽ đánh giá sự sai biệt tương đối và tuyệt đối giữa các dấu hiệu cảnh báo tốt và xấu đối với KHNC có thể xảy ra đối với một nền kinh tế:

- Sai biệt tương đối = Xác suất [B/(B+D)] / Xác suất [A/(A+C)]

- Sai biệt tuyệt đối = Xác suất [A/(A+C)] - Xác suất [B/(B+D)]

Dự báo KHNC bằng hệ thống cảnh báo sớm EWS (Early Warning System), đề tài sử dụng phương pháp tỷ lệ nhiễu được xây dựng bởi Kaminsky (1998) Tác giả quan tâm đến các xác suất thể hiện chất lượng dự báo A/(A+C) và B/(B+D)

Tương tự như Logit nhị thức thì Logit đa thức cũng sẽ có Marginal Effect để tính hiệu ứng biên của các hệ số hồi quy.

3.5.3 Ứng dụng các phương pháp máy học

Máy học với cơ sở thống kê và khoa học máy tính là một cách tiếp cận thay thế hấp dẫn cho phương pháp phân loại probit thường được sử dụng cho các dữ liệu chuỗi.

Sử dụng sức mạnh của máy học đặc biệt hiệu quả hơn việc mở rộng các mô hình hồi quy probit nhằm giải quyết các khiếm khuyết của mô hình probit Mô hình hồi quy probit sử dụng các tham số phức tạp bổ sung để khắc phục các hiện tượng hệ số động biến thiên, điểm gãy cấu trúc và tương quan chuỗi, v.v

Việc sử dụng học máy kết hợp với cơ sở thống kê và khoa học máy tính có thể đem lại nhiều lợi ích cho việc phân tích dữ liệu chuỗi Với việc sử dụng các siêu tham số để kiểm soát hiện tượng quá khớp, tại đó mẫu huấn luyện và mẫu kiểm thử giống nhau, các mô hình học máy có thể cải thiện tính chính xác và độ tin cậy của dự đoán. Khiếm khuyết này được khiểm soát thông qua sự đánh đổi phương sai - lệch và tìm ra điểm cân bằng tối ưu Vì vậy, đề tài kiểm soát hiện tượng này thông qua một tập hợp các siêu tham số.

3.5.3.1 Mô hình Random Forest (RF)

Mô hình Random Forest, được Breiman giới thiệu vào năm 2001, là một mô hình bao gồm nhiều cây quyết định Mỗi cây trong mô hình này được huấn luyện dựa trên

Có khủng hoảng Không có khủng hoảng

Không có dấu hiệu C D một tập hợp các mẫu được lấy ngẫu nhiên từ dữ liệu gốc bằng phương pháp

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Kết quả nghiên cứu theo phương pháp truyền thống

4.1.1 Trình bày kết quả Logit nhị thức

Bảng 4.1: Kết quả hồi quy Logit nhị thức

Ghi chú: ***,**, * Mức ý nghĩa thống kê lần lượt là 1%, 5%, 10%

Nguồn: Tác giả tự tính toán

Mô hình CrisisIndex_ Fixed Effect được xây dựng dựa trên bộ dữ liệu gồm 2913 quan sát Trong mô hình này, chúng ta xác định các biến độc lập có tác động ngược chiều và cùng chiều với biến phụ thuộc là khả năng xảy ra khủng hoảng nợ công (CrisisIndex).

Biến CentralGovDebt có hệ số dương 0,078 và có ý nghĩa thống kê ở mức 5%, cho thấy khi tăng lên 1 đơn vị, Log tỷ số Odds của khả năng xảy ra khủng hoảng sẽ tăng 0,078 đơn vị Tương tự, biến ExternalDebt có hệ số dương 0,100 và có ý nghĩa thống kê ở mức 1%, chứng tỏ khi tăng lên 1 đơn vị, Log tỷ số Odds của khả năng xảy ra khủng hoảng sẽ tăng 0,100 đơn vị.

Các biến có ý nghĩa về mặt thống kê và có ảnh hưởng ngược chiều với biến phụ thuộc là ClaimOnGov, M2reserves và DomesticCredit Biến ClaimOnGov có hệ số âm -0.033*, có ý nghĩa thống kê ở mức 10% Điều này cho thấy khi tăng lên 1 đơn vị, Log tỷ số Odds của khả năng xảy ra khủng hoảng sẽ giảm 0.033 đơn vị Tương tự, biến M2reserves có hệ số âm -0.049*** và biến DomesticCredit có hệ số âm -0.018***, cả hai đều có ý nghĩa thống kê ở mức 1% Khi tăng lên 1 đơn vị, Log tỷ số Odds của khả năng xảy ra khủng hoảng sẽ giảm tương ứng là -0.049 đơn vị và -0.018 đơn vị.

Các biến TradeOpeness, Reserves, NationalSavings, GDP, CurrentAccount, GovExpenditure, ExportGrowth và FDI không có ý nghĩa thống kê trong mô hình này Tuy nhiên, điều này không có nghĩa là không có mối quan hệ giữa chúng và khả năng xảy ra khủng hoảng nợ quốc gia (KHNC) Cần có thêm nghiên cứu để xác định mối quan hệ này một cách chính xác hơn.

Bảng 4.2: Hiệu ứng biến đối với mô hình hồi quy Logit nhị thức Fixed-Effect

DY/DX ĐỘ LỆCH CHUẨN Z P>Z KHOẢNG TIN CẬY 95%

Ghi chú: ***,**, * Mức ý nghĩa thống kê lần lượt là 1%, 5%, 10%

Nguồn: Tác giả tự tính toán

Tác động cận biên cho thấy sự thay đổi về xác suất xảy ra khủng hoảng khi biến dự báo tăng một đơn vị, trong khi giữ nguyên các biến khác Trong nghiên cứu này, chi tiêu chính phủ có tác động cùng chiều với xác suất khủng hoảng, với mức gia tăng 0,000534 cho mỗi đơn vị tăng trong chi tiêu Hiệu ứng này đáng kể về mặt thống kê ở mức p 0,07, tuy nhiên, khoảng tin cậy 95% cho thấy tác động thực sự có thể dao động trong khoảng -4,4E-05 đến 0,001111 Trong khi đó, các biến khác như nợ công trung ương, đòi bồi thường từ chính phủ, tăng trưởng xuất khẩu, FDI, GDP, dự trữ ngoại hối, tiết kiệm quốc gia, dự trữ ngoại hối, nợ nước ngoài, thương mại mở và tín dụng trong nước không có ảnh hưởng thống kê đáng kể đến xác suất khủng hoảng.

Sau khi tác giả tiến hành đo lường mức độ phù hợp giữa 2 mô hình Fixed Effect và Random Effect của Logit nhị thức bằng Hausman và kết quả cho thấy rằng mô hình Random Effect tốt hơn.

Trong mô hình Random Effect, sử dụng bộ dữ liệu gồm 4699 quan sát, chúng ta đã xác định được tác động của các biến độc lập lên biến phụ thuộc, CrisisIndex Có những biến có tác động cùng chiều và ngược chiều với biến phụ thuộc.

Các biến có ý nghĩa thống kê và có tác động cùng chiều với biến phụ thuộc bao gồm ExternalDebt ExternalDebt có hệ số dương 0.142*** với ý nghĩa thống kê ở mức 1% Đây là biến duy nhất có tác động cùng chiều lên biến phụ thuộc trong mô hình Random Effect Hệ số hồi quy cho ExternalDebt là 0.142, điều này có nghĩa là khi ExternalDebt tăng lên 1 đơn vị, Log tỷ số Odds của khả năng xảy ra khủng hoảng (CrisisIndex) sẽ tăng thêm 0.142 đơn vị.

Biến ClaimOnGov, M2reserves, DomesticCredit và GDP có tác động nghịch đảo lên biến phụ thuộc (CrisisIndex) Hệ số âm của ClaimOnGov (-0,027**) và M2reserves (-0,027**) có ý nghĩa thống kê ở mức 5%, trong khi DomesticCredit (-0,010**) và GDP (-0,040*) có ý nghĩa thống kê ở mức 5% và 10% lần lượt Điều này chỉ ra rằng khi các biến này tăng 1 đơn vị, giá trị tỷ lệ Odds logarit của khả năng xảy ra khủng hoảng sẽ giảm tương ứng.

Mặc dù một số biến như CentralGovDebt, CurrentAccount, GovExpenditure, ExportGrowth, FDI, nationalSavings, Reserves và TradeOpeness không có ý nghĩa thống kê trong mô hình, nhưng điều này không có nghĩa là chúng không có mối quan hệ với khả năng xảy ra KHNC Cần có thêm nghiên cứu để xác định chính xác hơn mối quan hệ này và đưa ra kết luận rõ ràng hơn, qua đó giúp chúng ta hiểu sâu hơn về các yếu tố ảnh hưởng đến khả năng xảy ra KHNC và từ đó có thể đưa ra các giải pháp phù hợp để quản lý và kiểm soát rủi ro.

Hằng số _cons cuối cùng có giá trị là -10.052*** và ý nghĩa thống kê ở mức 1%. Đây là xác suất dự báo của khủng hoảng nếu tất cả các biến đầu vào đều bằng không. Giá trị âm đáng kể của _cons cho thấy khả năng xảy ra KHNC là thấp khi không có yếu tố nào khác tác động Tuy nhiên, cần lưu ý rằng mô hình chỉ đưa ra dự đoán và các giải pháp cụ thể hơn cần phải được xem xét trên cơ sở kết quả này và các giả định và hạn chế của mô hình.

Bảng 4.3: Hiệu ứng biên đối với mô hình hồi quy Logit nhị thức Random-Effect

CRISISINDEX HỆ SỐ ĐỘ LỆCH CHUẨN Z P>Z KHOẢNG ĐỘ TIN CẬY 95% CENTRALGOVDEBT 0.030779 0.023804 1.29 0.196 -0.01588 0.077433

CRISISINDEX HỆ SỐ ĐỘ LỆCH CHUẨN Z P>Z KHOẢNG ĐỘ TIN CẬY 95% CURRENTACCOUNT -0.01078 0.016972 -0.64 0.525 -0.04404 0.022487

Ghi chú: ***,**, * Mức ý nghĩa thống kê lần lượt là 1%, 5%, 10%

Nguồn: Tác giả tự tính toán

Kết quả cho thấy Claimongov: Ước lượng hệ số là -0.02703, cho thấy việc tăng một đơn vị trong Claimongov dẫn đến giảm 0.02703 đơn vị trong xác suất xảy ra khả năng xảy ra sự kiện Crisisindex Tác động này có ý nghĩa thống kê 10% (giá trị p 0.044) Khoảng tin cậy 95% cho thấy tác động thực sự có thể nằm trong khoảng từ - 0.05327 đến -0.00079.

GDP: Ước lượng hệ số là -0,03963, đồng nghĩa việc tăng 1 đơn vị thì biến phụ thuộc giảm 0,03963 xác suất xảy ra, nhưng tác động này có ý nghĩa thống kê nhỏ ở mức 10%.

M2reserves: Ước lượng hệ số là -0.0273 Dự trữ M2 tăng 1 đơn vị làm biến phụ thuộc giảm 0,00067 xác suất xảy ra, có ý nghĩa thống kê ở mức 5% ExternalDebt: Ước lượng hệ số là 0.142402, cho thấy việc tăng một đơn vị trong ExternalDebt dẫn đến tăng 0.142402 đơn vị trong xác suất khả năng xảy ra sự kiện Crisisindex Tác động này có ý nghĩa thống kê cao (giá trị p < 0.001) Khoảng tin cậy 95% cho thấy tác động thực sự có thể nằm trong khoảng từ 0.09762 đến 0.187184.

Domesticcredit: Ước lượng hệ số là -0.00985, cho thấy việc tăng một đơn vị trong Domesticcredit dẫn đến giảm 0.00985 đơn vị trong khả năng xảy ra sự kiệnCrisisindex Tác động này có ý nghĩa thống kê (giá trị p = 0.02) Khoảng tin cậy 95% cho thấy tác động thực sự có thể nằm trong khoảng từ -0.01815 đến -0.00155 Các biến bổ sung /lnsig2u, sigma_u và rho đại diện cho các tham số liên quan đến cấu trúc hiệu ứng ngẫu nhiên của mô hình và không thể diễn giải trực tiếp theo các tác động biên trên biến phụ thuộc Các biến còn lại Exportgrowth, FDI, Nationalsavings, Reserves, Tradeopeness,…: Các biến này không có tác động có ý nghĩa thống kê đến khả năng xảy ra sự kiện Crisisindex.

4.1.2 Trình bày kết quả Logit đa thức

Bảng 4.4: Kết quả mô hình Fixed Effect Logit đa thức

0 is the base case Totalcrisis =1 Totalcrisis =2 Totalcrisis = 3

Ghi chú: ***,**, * Mức ý nghĩa thống kê lần lượt là 1%, 5%, 10%

Nguồn: Tác giả tự tính toán

Thảo luận kết quả

Sau khi kiểm định ước lượng phương pháp phù hợp, cho thấy rằng đối với Logit nhị thức ta có mô hình Random Effect và Logit đa thức có mô hình Fixed Effect.

Bảng 4.9 Tổng hợp kết quả của các mô hình đã ước lượng phù hợp.

Fixed Effect Logit nhị thức -

0 is the base case Totalcrisis =1 Totalcrisis =2 Totalcrisis = 3

Ghi chú: ***,**, * Mức ý nghĩa thống kê lần lượt là 1%, 5%, 10%

Nguồn: Tác giả tự tính toán Đối với mô hình Random Effect của Logit nhị thức ta thấy rằng tốc độ tăng trưởng có hệ số âm và có ý nghĩa thống kê ở mức 10%, cho thấy khi tốc độ tăng trưởng tăng thì khả năng xảy ra khủng hoảng nợ công giảm Điều này phù hợp với lý thuyết vì nền kinh tế tăng trưởng tốt sẽ cải thiện ngân sách nhà nước Biến M2reserves có ý nghĩa thống kê ở mức 5% và có hệ số âm, chỉ ra rằng cung tiền M2/dự trữ ngoại hối lớn giúp giảm thiểu rủi ro khủng hoảng Biến ClaimOnGov có ý nghĩa âm, có thể giải thích bằng việc tăng lượng tiền trong nền kinh tế Biến ExternalDebt có ý nghĩa dương, phản ánh rủi ro khi nợ nước ngoài tăng Biến DomesticCredit có ý nghĩa âm, cho thấy tín dụng trong nước lớn sẽ giảm áp lực đến khả năng xảy ra khủng hoảng. Các biến khác không có ý nghĩa thống kê trong mô hình này.

Kết quả mô hình Logit đa thức Fixed Effect, một số nhận xét về ảnh hưởng của các biến đến khủng hoảng nợ công: Biến GDP có ý nghĩa âm với khủng hoảng cấp độ

GDP tăng dẫn đến giảm nguy cơ khủng hoảng trung bình, phù hợp với lý thuyết về sự tăng trưởng kinh tế tốt sẽ cải thiện cán cân tài chính, ngân sách Nợ nước ngoài và nợ chính phủ có liên quan đến khủng hoảng cấp độ 1, phản ánh rủi ro khi nợ tăng cao Cung tiền (M2reserves) có ảnh hưởng trái chiều đến khủng hoảng, mang lại ý nghĩa âm ở cấp độ 1 và dương ở cấp độ 3, cho thấy vai trò khác nhau của cung tiền trong các tình huống khủng hoảng.

M2/dự trữ ngoại hối ở các cấp độ khủng hoảng có thể do ban đầu dự trữ ngoại hối giúp ổn định tài chính, nhưng khi khủng hoảng trở nên trầm trọng thì dự trữ có thể bị sử dụng nhiều, làm tăng rủi ro Biến ClaimOnGov và có ý nghĩa âm với khủng hoảng cấp

1 và 2, Biến DomesticCredit có ý nghĩa âm với khủng hoảng cấp 1 Một số biến chỉ có ý nghĩa ở cấp độ khủng hoảng nhất định Đối với mô hình Logit nhị thức ta có thể thấy có các biến như nợ của chính phủ, tốc độ tăng trưởng GDP, cung tiền M2/dự trữ, tổng nợ nước ngoài và tín dụng nội địa có ý nghĩa thống kê mô hình Việc các biến đại diện cho các khoản nợ như tổng nợ nước ngoài, nợ của chính phủ đối với NHTW và nợ của chính phủ, thì nợ nước ngoài có kết quả giống như các bài nghiên cứu trước, cho rằng việc nợ nước ngoài có tác động tích cực đến khả năng xảy ra khủng hoảng nợ công Việc nợ nước ngoài tăng có thể làm khủng hoảng nợ công tại các quốc gia Eberhardt & Presbitero (2015) nhấn mạnh rằng tỷ lệ nợ bằng ngoại tệ cao có thể làm tăng tính mong manh về tài chính và dẫn đến các chính sách kinh tế vĩ mô dưới mức tối ưu Điều này cho thấy thành phần nợ chính phủ, đặc biệt nếu nó bao gồm một lượng đáng kể nợ bằng ngoại tệ, có thể góp phần gây ra khủng hoảng nợ công (Eberhardt & Presbitero, 2015) Nhưng đối với mô hình logit đa thức tôi không tìm thấy việc nợ nước ngoài có ý nghĩa, và việc nợ của chính phủ thì có ý nghĩa và có tác động đến việc xảy ra khủng hoảng ở mức thấp. Herndon và cộng sự (2013) thách thức tuyên bố cho rằng mức nợ công cao liên tục làm giảm tăng trưởng GDP Phân tích của họ mâu thuẫn với tuyên bố này, cho thấy mối quan hệ giữa nợ công cao và tăng trưởng kinh tế mang nhiều sắc thái hơn Tuy nhiên, các nghiên cứu khác cung cấp bằng chứng về mối quan hệ tiêu cực giữa nợ công và tăng trưởng kinh tế Eberhardt & Presbitero (2015) tìm thấy một số bằng chứng ủng hộ mối quan hệ nghịch biến giữa nợ công và tăng trưởng dài hạn giữa các quốc gia Mối quan hệ giữa nợ công và kết quả kinh tế rất phức tạp, trong đó tính không đồng nhất và phi tuyến tính đóng vai trò quan trọng Mức nợ cao có thể hạn chế tăng trưởng kinh tế và dẫn đến nguy cơ khủng hoảng nợ công cao hơn.

Tác giả cũng đã tìm ra được độ mở thương mại có ảnh hưởng đến khả năng xảy ra khủng hoảng ở mức độ cao trong mô hình logit đa thức, Lane & Milesi-Ferretti (2010) cho rằng sự cởi mở trong thương mại rất hữu ích trong việc hiểu được cường độ của một cuộc khủng hoảng Điều này hàm ý rằng các quốc gia có mức độ mở cửa thương mại cao hơn có thể dễ bị ảnh hưởng hơn khi xảy ra khủng hoảng nợ công. Đối với kết quả dự đoán của 4 mô hình học máy GBM, AB, RF và ET của nợ công Việt Nam với tốc độ tăng trưởng trung bình ta thấy rằng Việt Nam trong 5 năm sắp tới sẽ không xảy ra khủng hoảng nợ công, nhưng về kịch bản xấu, các biến tốt sẽ tăng trưởng chậm lại và các biến tiêu cực sẽ tăng nhanh hơn khiến Việt Nam gặp khủng hoảng khi các chỉ số đó đồng thời chạm ngưỡng cảnh báo Đối chiếu lại với các giả thuyết, sau khi kiểm định Hausman cho các mô hình thì dựa vào đó chúng ta thấy rằng mô hình Random Effect của Logit nhị thức và mô hình Fixed Effect của Logit đa thức có kết quả tốt hơn

Giả thuyết 1 cho rằng nợ nước ngoài ở mức bền vững (dưới một ngưỡng nhất định) là điều kiện cần cho tăng trưởng bền vững Ngược lại, nợ nước ngoài quá mức có thể dẫn đến khủng hoảng nợ công Trong mô hình Random Effect của Logit nhị thức biến nợ nước ngoài có hệ số ước lượng dương và có ý nghĩa thống kê ở mức 1%, điều này cho thấy nợ nước ngoài càng tăng thì khả năng xảy ra khủng hoảng nợ công càng lớn Trong mô hình Fixed Effect của Logit đa thức ở cả 3 mức độ khủng hoảng, biến đều có hệ số ước lượng dương Tuy nhiên, biến này chỉ có ý nghĩa thống kê đối với khủng hoảng cấp độ 1 Điều này cũng phù hợp với giả thuyết 1, cho thấy khi nợ ngoài tăng sẽ làm tăng nguy cơ khủng hoảng nhẹ Như vậy, kết quả 2 mô hình đều phù hợp với giả thuyết 1 cũng như các nghiên cứu tác giả có đề cập về mối quan hệ giữa nợ nước ngoài và khả năng xảy ra khủng hoảng nợ công.

Giả thuyết 2 cho rằng sự biến động xấu của các biến kinh tế vĩ mô như GDP, tăng trưởng xuất khẩu, cung tiền, tiết kiệm, chi tiêu chính phủ có thể dẫn đến khủng hoảng Trong mô hình Logit đa thức các biến GDP, M2reserves có ý nghĩa thống kê và hệ số phù hợp với giả thuyết 2 và các biến còn lại không có ý nghĩa thống kê còn trong mô hình Random Effect Logit nhị thức thì GDP và M2reserves có ý nghĩa thống kê phù hợp với giả thuyết 2 Các biến còn lại cũng không có ý nghĩa thống kê Như vậy, cả 2 mô hình đều cho kết quả hỗ trợ một phần giả thuyết 2, tuy nhiên lại không phản ánh đầy đủ mối quan hệ giữa các biến vĩ mô với khủng hoảng Điều này có thể do mô hình chưa bao quát hết các nhân tố liên quan. Đối với giả thuyết 3 cả 2 mô hình đều không tìm thấy mối quan hệ giữa dự trữ ngoại hối với khủng hoảng nợ công bởi biến dự trữ ngoại hối không có ý nghĩa trong cả hai mô hình Do đó, kết quả 2 mô hình không hỗ trợ giả thuyết 3 Để kiểm định giả thuyết 3 cần bổ sung thêm các biến liên quan trực tiếp đến nội dung giả thuyết Giả thuyết 4 cho rằng khi chính phủ mất khả năng thanh toán hoặc thanh khoản thấp có thể dẫn đến khủng hoảng nợ công Trong 2 mô hình không có biến trực tiếp phản ánh khả năng thanh toán của chính phủ Tác giả sử dụng các biến có khả năng phản ánh gián tiếp như national savings, exportgrowth, reserves nhưng lại đều không có ý nghĩa thống kê Như vậy, có thể kết luận là kết quả 2 mô hình không tìm thấy bằng chứng hỗ trợ giả thuyết 4 về mối quan hệ giữa khả năng thanh toán của chính phủ và khả năng xảy ra khủng hoảng nợ công.

Trong Chương 4, tác giả tiến hành sử dụng dữ liệu nghiên cứu để phân tích, bắt đầu bằng phân tích thống kê mô tả để hiểu rõ hơn về dữ liệu một cách trực quan Phân tích này cung cấp những hiểu biết có giá trị về các xu hướng và mô hình trong tình hình nợ công, làm nổi bật sự khác biệt và tương đồng giữa các quốc gia và khu vực khác nhau. Tác giả tiến hành chạy mô hình logit đa thức và nhị thức sau đó trình bày kết quả nghiên cứu qua nhiều bước như so sánh các thuật toán, trình bày kết quả hồi quy của các mô hình (Fixed effect, Random Effect) kèm Marginal effect và kiểm định Hausman cho thấy rằng đối với logit nhị thức mô hình Random có kết quả tốt hơn và Logit đa thức thì mô hình Fixed Effect có kết quả tốt hơn, đồng thời tác giả cũng thảo luận về kết quả nghiên cứu. Việc so sánh các thuật toán giúp xác định mô hình phù hợp nhất để phân tích dữ liệu và cung cấp cơ sở cho các phân tích tiếp theo Kết quả hồi quy của ba mô hình cung cấp hiểu biết toàn diện về tác động của các yếu tố khác nhau đến nợ công, bao gồm tăng trưởng kinh tế, lạm phát và chính sách tài khóa.

Hơn nữa, các cuộc thảo luận về các kết quả được tìm thấy trong chương này cung cấp một phân tích chuyên sâu về ý nghĩa của các kết quả nghiên cứu Tác giả xem xét những hạn chế của phân tích và thảo luận về những tác động tiềm ẩn đối với chính sách và nghiên cứu trong tương lai Chương này là nguồn tư liệu quý giá cho các tác giả, hoạch định chính sách và những người quan tâm đến việc tìm hiểu thực trạng nợ công trên thế giới và Việt Nam Nó cung cấp một phân tích toàn diện về dữ liệu, làm nổi bật các yếu tố chính góp phần vào nợ công và những tác động tiềm ẩn đối với sự ổn định và tăng trưởng kinh tế.