dự báo cán cân thương mại việt nam 2023

Vì th , nghiên c u này nhế ứ ắm đến dự báo cán cân thương mạ ủi c a Vi t Nam trong ệnăm 2023 bằng hai phương pháp dự báo khác nhau, bao gồm phương pháp tự hồi quy bình quân di động đồng

L ỜI MỞ ĐẦ U

Báo cáo Tri n v ng tình hình kinh tể ọ ế thế gi i c a Liên H p Qu c (United Nations, ớ ủ ợ ố U.N) năm 2023 cho thấy r ng n n kinh tằ ề ế thế ới trong năm này đang đứng trướ gi c tình trạng suy thoái vì bị ảnh hưởng b i nhi u cú s c mở ề ố ạnh, trong đó bao gồm: hậu đạ ịch i d COVID-19, xung đột Nga-Ukrana; tình tr ng mạ ất an ninh lương thực; l m phát ạ tăng…Nhìn chung, tăng trưởng tổng sản phẩm của toàn thế giới sẽ giảm từ 3.0% vào năm 2022 xuống còn 1.9% vào năm 2023 (U.N, 2023) Với độ mở cửa và hội nhập kinh t qu c tế ố ế cao, Việt Nam cũng không thể tránh khỏi tác động t n n kinh từ ề ế thế gi i Theo Ngân hàng Phát tri n châu Á (Asia Development Bank, ớ ể ADB), tăng trưởng t ng s n ph m quổ ả ẩ ốc nội (GDP) Việt Nam vào năm 2023 sẽ ảm xuố gi ng còn 6.5%, thay vì 8% vào năm 2022 và lạm phát tăng từ 3.2% vào năm 2023 sẽ đạt 4.5% vào cùng kỳ Đặc biệt, nghiên cứu cũng chỉ ra rằng sự giảm đi trong nhu cầu tiêu thụ toàn cầu sẽ tác động xấu đến cán cân thương mại của Việt Nam vào năm 2023 Cụ thể, xuất khẩu trong hai tháng đầ năm 2023 đã giảu m 10.4% so với cùng kỳ năm trướ trong khi đó, c, nh p kh u gi m 16% Nhìn chung, c xu t và nh p kh u hàng hóa d ki n s gi m 7% ậ ẩ ả ả ấ ậ ẩ ự ế ẽ ả vào năm nay và năm sau, 2024 Sự thâm hụt thương mại này được cho là sẽ tạo ra thâm h t cán cân tài kho n vãng lai vì bụ ả ị tác động bởi cán cân thương mại, gi m ả kho ng 1% GDP ả vào năm nay trước khi tăng trở ạ l i thặng dư vào năm 2024 (ADB, 2023)

Vì th , nghiên c u này nhế ứ ắm đến dự báo cán cân thương mạ ủi c a Vi t Nam trong ệ năm 2023 bằng hai phương pháp dự báo khác nhau, bao gồm phương pháp tự hồi quy bình quân di động đồng tích hợp (Autoregressive Moving Average, ARMA) và phương pháp vec tơ tự- hồi quy (Vector Autoregressions, VAR) Cụ thể, nghiên cứu sử dụng mô hình VAR để ự báo cho cán cân thương mạ d i Việt Nam năm 2023 với bi n ế độc lập được đưa vào là lạm phát Lý do nghiên cứu lựa chọn lạm phát làm biến còn l i trong ạ mô hình VAR để ự báo cán cân thương mại được trình bày như sau Thứ d nhất, lạm phát có tác động l n ớ và đa dạng đến cán cân thương mạ ủi c a m t qu c gia ộ ố trên nhiều phương diện như giá hàng hóa xuất và nh p kh u, chi phí s n xu t, giá tr ậ ẩ ả ấ ị của đồng tiền hay tỷ giá hối đoái (Akinsola & Odhiambo, 2017; Stockman, 1981) Thứ hai, tình hình kinh tế thế giới đang rơi vào trạng thái bất ổn do những căng thẳng v ề địa chính trị, an ninh lương thực và sự bất ổn định c a chính sách tiền tệ, tài khóa của ủ các nước lớn, nguy cơ tăng mức nợ xấu (WTO, 2023) Tất cả những điều trên được cho r ng s làm l m phát sằ ẽ ạ ẽ tăng vào năm 2023 Vì thế, vi c s d ng t l lệ ử ụ ỷ ệ ạm phát để dự báo cho cán cân thương mạ ừi v a giúp c ng c thêm tài li u vủ ố ệ ề tác động kinh t cế ủa lạm phát đến thương mại qu c t c a m t qu c gia, vố ế ủ ộ ố ừa giúp xem xét tác động c a ủ cú s c khi lố ạm phát tăng đến cán cân thương mại Việt Nam trong k t quế ả thực nghiệm, vào năm 2023, khi nguy cơ suy thoái kinh tế ngày một hiện rõ

Về m t phặ ương pháp ước lượng, nghiên c u s dứ ử ụng đồng thời hai phương pháp là ARMA và VAR K t quế ả ước lượng và kiểm định cho th y mô hình ARMA không ấ vượt qua kiểm định về phần dư là nhiễu trắng và tính ổn định của mô hình Vì thế quá trình ước lượng ARMA không phải là quá trình đơn biế ổn địn nh, không thể dự báo trên mô hình này Vì th nghiên c u l a ch n mô hình VAR v i biế ứ ự ọ ớ ến cán cân thương m i (Balance of Trade, BOT) và lạ ạm phát (Inflation, INF) để ự d báo cho cán cân thương mại Việt Nam 2023 Ước lượng này là phù hợp vì vượt qua tất cả các kiểm định mà nghiên cứu đề xuất

Về m t k t quặ ế ả thực nghi m, nghiên c u ch ng minh r ng ệ ứ ứ ằ cán cân thương mại Việt Nam s gi m ẽ ả trong năm 2023 do ảnh hưởng chung c a tình hình kinh tủ ế thế ớ gi i, trong đó có tình trạng lạm phát cao, nhưng không thâm hụt Cụ thể, kết quả dự báo từ mô hình VAR cho th y rấ ằng cán cân thương mại Việt Nam trong năm 2023 sẽ giảm d n vầ ới tốc độchậm t 1.8 t USD vào thánừ ỷ g 12 năm 2022 xuống còn x p x 1 t USD ấ ỉ ỷ vào tháng 1 năm 2023 và giảm dần về ệ ti m cận 0 vào các tháng sau đó Từ kết quả trên, nghiên cứu đưa ra một s hàm ý chính sách nh m c i thiố ằ ả ện cán cân thương mại Việt Nam trong năm tới Ngoài ra, th c hi n d báo cho t l l m phát b ng mô hình ự ệ ự ỷ ệ ạ ằ VAR, nghiên cứu cũng đồng th i cho th y r ng t l l m phát sờ ấ ằ ỷ ệ ạ ẽ tăng trong 12 tháng tiếp theo, tức năm 2023, như nhiều d báo khác v tình hình kinh tự ề ế năm này (WTO, 2023; U.N, 2023)

Phần còn l i c a nghiên cạ ủ ứu này được trình bày như sau Ph ần 2 Cơ sở lý thuy ế t và t ng quan v ổ ề tác độ ng c a l ủ ạm phát đến cán cân thương mạ i được trình bày tóm tắt Ph ầ n 3 D ữ li ệ u, nghiên c u gi i thi u ngu n thu th p dứ ớ ệ ồ ậ ữ liệu và kh o sát chuả ỗi dữ liệu Ph ần 4 Phương pháp dự báo nêu tóm t t v lý thuy t và trình bày k t qu d ắ ề ế ế ả ự báo bằng hai phương pháp ARMA và VAR Ph ầ n 5 K t qu d báo và th o lu ế ả ự ả ậ n, chúng tôi đánh giá và lựa chọn phương pháp phù hợp thông qua các chỉ số của mô hình và th o lu n v k t qu trong ph n này Cu i cùng, ả ậ ề ế ả ầ ố Ph ầ n 6 K t lu n và hàm ý ế ậ chính sách cũng đồng thời được đề xuất để kết thúc nghiên cứu.

CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN VỀ TÁC ĐỘ NG CỦ A L M Ạ PHÁT ĐẾN CÁN CÂN THƯƠNG MẠI

PHÁT ĐẾN CÁN CÂN THƯƠNG MẠI

Cán cân thương mại là một yếu tố quan trọng để phản ánh hoạt động kinh tế, đặc biệt là ở các nước áp dụng nền kinh tế mở Theo định nghĩa của IMF, cán cân thương mại (TB) là chênh l ch giá tr xu t kh u (X) và giá tr nh p kh u (M) hàng hóa và d ch vệ ị ấ ẩ ị ậ ẩ ị ụ Thâm hụt thương mại có nghĩa là quốc gia đó đang nhập khẩu nhi u hàng hóa và d ch ề ị v ụ hơn xuất khẩu; thặng dư thương mại có nghĩa là ngược lại.

Nền kinh t m tế ở ạo ra động l c cho các bi n kinh tự ế ế vĩ mô, như là trao đổi giá, đặc biệt nghiên cứu các nước áp d ng hệ th ng kinh tế mở (Widiyono & c ng sự, ở ụ ố ộ 2021; Suhadak & Suciany 2020; Kihangire & Mugyenyi 2005; Yiheyis, 1997 và Klau, 1998) M i quan hố ệ nhận quả cũng xuất hi n giệ ữa cán cân thương mại và l m phát ạ (Widiyono & cộng s , 2021) ự

Tỷ l l m phát là phệ ạ ần trăm thay đổi m c giá trong m t th i k nhứ ộ ờ ỳ ất định (IMF, 2022) Hay theo từ điển kinh doanh Oxford, l m phát là sạ ự tăng giá chung trong nền kinh tế và do đó làm giảm giá tr mua c a ti n V i gi thi t hàng hóa giị ủ ề ớ ả ế ữa các nước thay th hoàn h o và s di chuy n ti n t giế ả ự ể ề ệ ữa các nước hoàn toàn t do, l m phát làm ự ạ m t giá ti n tấ ề ệ, thông qua tác động c a giá trủ ị đồng ti n về ới các điều kiện thương mại và s n xuả ất trong nước, dẫn đến s chuyự ển đổi chi tiêu từ hàng hóa nước ngoài sang hàng nội địa, do đó cải thiện cán cân thương mại Tuy nhiên, do cấu trúc có độ trễ ự, s m t giá c a ti n tấ ủ ề ệ được cho là làm xấu đi cán cân thương mại trước và c i thi n nó ả ệ sau đó, tạo ra m t mô hình vộ ới chữ (Bahmani-J Oskooee, 1985)

Khi xem xét mối quan h giệ ữa điều kiện thương mại và cán cân thương mại, phần l n t p trung vào hai khái ni m song sinh vớ ậ ệ ề điều ki n Marshall-Lerner (ML) và hiệ ện tượng Đường cong J Theo điều kiện Marshall-Lerner, sự thành công của việc phá giá đồng tiền ph thu c vào việc liệu tụ ộ ổng độ co giãn của cầu xuất nhập khẩu có vượt quá

1 hay không Những người ủng h cách ti p c n này cho rộ ế ậ ằng điều ki n ML cung cệ ấp cả điều kiện cần và đủ để ải thi c ện cán cân thương mại Tuy nhiên, có những trường hợp trong đó, điều kiện này được đáp ứng nhưng cán cân thương mạ ẫi v n ti p t c xế ụ ấu đi (Bahmani-Oskooee, 1985) Do đó, sự quan tâm chuyển sang theo dõi đường thời gian sau khi có cú s c giố ảm giá đồng ti n (phá giá) cề ủa cán cân thương mạ ứi, t c là hiện tượng Đường cong J

Thuật ngữ Đường cong J được Magee đưa ra lần đầu tiên vào năm 1973, sử dụng để mô tả sự thay đổi theo thời gian của cán cân thương mại, sự mất giá của đồng tiền có thể làm cán cân thương mại lúc đầu xấu đi và sau đó sẽ ần đượ d c c i thiả ện (Bahmani-Oskooee, 1985) Nguyên nhân xu t hiấ ện đường cong chữ J là do có độ trễ v ềthời gian mà người tiêu dùng mà ngườ ải s n xuất thực hiện để điều ch nh theo nh ng ỉ ữ thay đổi về giá tương đối Trong ngắn hạn hiệu ứng giá cả có tính trội hơn hiệu ứng số lượng nên làm xấu đi cán cân thương mại, ngượ ại trong dài, hiệu ứng s c l ốlượng có tính trội hơn hiệu ứng giá cả làm cán cân thương mại được c i thi n (Bahmani-ả ệOskooee & Ratha, 2004) Ngoài ra, s m t giá mang l i s c i thi n lâu dài trong cán ự ấ ạ ự ả ệ cân thương mạ ới điềi v u kiện Marshall-Lerner được đáp ứng, vì độ co giãn ngắn hạn thường nh ỏ hơn độ co giãn dài hạn nên cán cân thương mại có thể không được cải thiện trong ng n h n (Bahmani-Oskooee, 1985) ắ ạ

Hình 1: Hi ệ u ứng đườ ng cong ch J ữ

Nguồn: Tác gi trình bày ả

Tóm l i, theo lý thuy t vạ ế ề cán cân thương mại dựa trên điều ki n Marshall-ệ Lerner và đường cong J thấy rằng, khi lạm phát tăng làm giảm giá trị đồng tiền (phá giá) t o ra s suy gi m trong ng n h n nh t quán v i s c i thi n trong dài h n c a cán ạ ự ả ắ ạ ấ ớ ự ả ệ ạ ủ cân thương mại (Bahmani-Oskooee, 1985) Tính đến thời điểm hiện tại, lý thuyết này vẫn được các nghiên c u vứ ề cán cân thương m i s d ng trong vi c xem xét m i quan ạ ử ụ ệ ố h gi a l m phát, giá trệ ữ ạ ị đồng tiền thương mại và cán cân thương mạ ủi c a m i qu c gia ỗ ố(Widiyono & cộng s , 2021; Suhadak & Suciany 2020; Trang & c ng s , 2021) Vì ự ộ ự thế, trong nghiên c u này, lý thuy t trên giúp dứ ế ự báo cán cân thương mại Vi t Nam ệ năm 2023 trong bối cảnh kiểm soát lạm phát tăng cao trong những năm gần đây.

D Ữ LIỆ U

Phương pháp thu thập và nguồn số liệu

Nghiên c u dứ ự báo cán cân thương mạ ủi c a Việt Nam hàng tháng, được th c hi n trên ự ệ b sộ ố liệu về Cán cân thương mại (Balance of Trade, BOT) và Ch s giá tiêu dùng ỉ ố (Consummer Price Index, CPI), được thu thập hàng tháng từ Tổng cục Thống kê (GSO) trong giai đoạn t ừ năm 2010 đến năm 2022

Cụ thể, nghiên c u s d ng b sứ ử ụ ộ ố liệu giai đoạn 2010 – 2022 để ước lượng các tham s trong mô hình h i quy, tố ồ ừ đó đưa ra các dự báo BOT hàng tháng trong năm

2023 bằng các phương pháp dự báo khác nhau Đặc bi t, trong mô hình vec- t hệ tơ ự ồi quy (Vector Autoregressions, VAR), nghiên c u s d ng dứ ử ụ ữ liệu của cán cân thương m i và lạ ạm phát hàng tháng để ự d báo ngoài mẫu cho cán cân thương mại các tháng tiếp theo, trong đó lạm phát hàng tháng được tính bởi chỉ số giá tiêu dùng hàng tháng so với tháng trước

Tỷ l lệ ạm phát thường được đo bằng ch s giá tiêu dùng vỉ ố ới phương trình sau (IMF, 2014):

Tuy nhiên, dữ liệu CPI được s d ng trong nghiên là ch s giá tiêu dùng hàng ử ụ ỉ ố tháng so với tháng trước nên bi n s l m phát ế ố ạ được s d ng ử ụ (Inflation, INF) được tính theo công thức sau:

Biến số Đơn vị Giải thích

BOT Tỷ USD Cán cân thương mại

INF % Tỷ l l m phát so vệ ạ ới tháng trước

Nguồn: Tác gi t ng hợp ả ổ

Sau khi thu th p b s u và thậ ộ ốliệ ực hiện tính toán, nhóm thu được bảng mô t ả thống kê biến BOT và INF thông qua các phần mềm thống kê như sau

B ả ng 2: Mô t ả th ố ng kê bi ế n s ố

Biến số S quan sát ố Giá trị trung bình Sai số chu n ẩ Giá trị nh nhỏ ất

Nguồn: Tác gi tính toán, sử d ng ph n mềm STATA ả ụ ầ

Từ b ng mô tả ả thống kê bi n, ta thế ấy cán cân thương mại được thể hiện qua biến bot có giá tr trung bình là 0.218 tị ỷ USD, trong đó cán cân thương mại thặng dư lớn nhất đạt 4.986 tỷ USD và cán cân thương mại thâm h t l n nhụ ớ ất ở mức -2.095 t USD ỷ Độ lệch chuẩn biến bot giữa các quan sát là 1.249 t USD và tổng giá tr cán cân ỷ ị thương mại là 33.98 tỷ USD cho thấy mức biến động giữa các quan sát là khá lớn

Mô tả tương quan biến s ố

B ả ng 3: Ma tr ận tương quan biế n s ố

Nguồn: Tác gi tính toán, sử d ng ph n mềm STATA ả ụ ầ

Tương quan giữa hai biến BOT và INF là tương quan âm, với mức độ tương quan th p, chấ ỉ ở mức -0.28 nên có th k t lu n r ng không có hiể ế ậ ằ ện tượng tương quan quá cao gi a hai bi n này ữ ế

Phương pháp tự tương quan và tự tương quan riêng phần của chuỗi

Kết quả mô t t ả ự tương quan (ACF) và tự tương quan riêng phần (PACF) của chuỗi BOT và INF được trình bày như sau

B ả ng 4: Gi ản đồ ự tương quan và tương quan riêng phầ t n bi n BOT ế

Partial Correlation AC PAC Q-Stat Prob |*** | |*** | 1 0.393 0.393 24.558 0.000

Nguồn: Tác gi tính toán, sử d ng ph n mềm EVIEWS ả ụ ầ

Từ giản đồ ự tương quan trên, có thể thấy các giá tr c a h s t ị ủ ệ ố tương quan giữa các b c không quá cao, các h sậ ệ ố tương quan đều có ý nghĩa thống kê Điều này đồng nghĩa với việc chuỗi có xu thế tăng nhưng không rõ ràng, phù hợp với nhận xét của nhóm theo đồ thị mô tả bên dưới Hệ số tự tương quan bằng 0 tại 12 b c (nghiên cứu ậ l y 12 bấ ậc trễ vì xem xét d u tháng), v y nên chu i có tính d ng ữliệ ậ ỗ ừ

Theo giá tr h s tị ệ ố ự tương quan riêng phần, ta th y các h sấ ệ ố có xu hướng khác 0 cho đến độ trễ 2 hoặc 12 và bằng 0 ngay sau đó, vậy 𝑝 ∈ {2; 12} Tương tự với hệ số tự tương quan, các hệ ố có xu hướng khác 0 cho đến độ trễ s 5, 12 ho c 14 và b ng 0 ặ ằ ngay sau đó, vậy 𝑞 ∈ {5; 12 14; }

B ả ng 5: Gi ản đồ ự tương quan và tương quan riêng phầ t n bi n INF ế

Partial Correlation AC PAC Q-Stat Prob |***** | |***** | 1 0.630 0.630 63.018 0.000

Với bi n INF, giế ản đồ ự tương quan và tương quan riêng phần đượ t c trình bày cũng cho th y không có tự ấ tương quan và tương quan riêng phầ ớn t i bậc 12

Hình 2: Gi ản đồ ự tương quan và tương quan riêng phầ n c ủ t a chu ỗ i BOT và INF

Nguồn: Tác gi trình bày, sử d ng ph n mềm R ả ụ ầ

Phương pháp hồi quy bình phương nhỏ nhất thông thường

Nghiên cứu th c hi n hự ệ ồi quy bình phương nhỏ nhất thông thường giữa biến BOT và INF nh m xem xét chiằ ều tương quan giữa hai biến s này ố

B ả ng 6: K ế t qu ả ồ h i quy OLS cho BOT và CPI Kích cỡ m u: 2010M01 2022M12 ẫ

Hệ s ố xác định R 2 0.078476 Akaike info criterion 3.219344

Hệ s ố xác định hi u ch nh Adj Rệ ỉ 2 0.072492 Schwarz criterion 3.258444 Sai s c a hố ủ ồi quy 1.202454 Hannan-Quinn criter 3.235225 Tổng bình phương phần dư (SSR) 222.6679 Durbin-Watson stat 1.251693 Log likelihood -249.1088

Kết qu h i quy cho th y r ng h sả ồ ấ ằ ệ ố ước lượng cho bi n INF khi BOT là biế ến phụ thuộc có ý nghĩa thống kê mở ức 1% và mang tác động ngược chi u Có th nói ề ể rằng bi n INF là m t ch s tế ộ ỉ ố ốt để ước lượng BOT trong giai đoạn 2010-2022 Tác động ngược chiều cho thấy rằng trong mô hình hồi quy này, việc tăng lạm phát, INF lên 1% làm gi m 0.553 tả ỷ USD cán cân thương mại, BOT Điều này phần nào được giải thích bằng lý thuy t (Bahmani-Oskooee Ratha, 2004) ế &

Nghiên cứu s dử ụng phương pháp đồ nh m xem xét bi n BOT và bi n INF thị ằ ế ế mang đặc đ ểi m là cộng tính hay nhân tính

Hình 3: Chu i Balance of Trade (BOT) ỗ

Nguồn: Tác gi trình bày, sử d ng ph n mềm EVIEWS ả ụ ầ

Hình 4: Chu ỗ i Inflation (INF) Nguồn: Tác gi trình bày, sử d ng ph n mềm EVIEWS ả ụ ầ

Từ đồ thị mô t hai chu i dả ỗ ữ liệu BOT và INF, ta có th k t lu n r ng c hai ể ế ậ ằ ả chuỗi này đều mang đặc điểm nhân tính bởi sự thay đổi không cố định theo thời gian Trong đó, biến BOT có đặc điểm nhân tính tăng dần trong giai đoạn 2010-2022 Ngược lại, biến INF lại có đặc điểm nhân tính giảm d n trong cùng th i k ầ ờ ỳ

Kiểm tra tính dừng c a chu i ủ ỗ

Kiểm định tính dừng của chuỗi là rất quan trọng trong phân tích dữ liệu chuỗi thời gian (Mushtaq, 2011) Nghiên cứu sử dụng phương pháp kiểm định Dickey-Fuller tăng cường nhằm kiểm định giả thuyết nghiệm đơn vị của cả hai biến BOT và INF

B ả ng 7: Ki ểm đị nh nghi ệm đơn vị (Augemented Dickey-Fuller)

Lag Length: 1 (Tự ng dđộ – ựa trên SIC, maxlag)

H0: Biến có nghiệm đơn vị

Kết quả được trình bày cho thấy giá tr p-value cị ủa cả hai bi n BOT và INF trong ế điểm định này đều có ý nghĩa ở mức 1% Vì thế, bác b giả thuyết không, nói cách ỏ khác, c ả hai chuôi BOT và INF đều là chu i d ng ỗ ừ

PHẦN 4 PHƯƠNG PHÁP DỰ BÁO

4.1 Phương pháp Autoregressi Moving Average (ve ARMA)

Phương pháp ARMA phù hợp với các dự báo ngắn và trung hạn và cho các chuỗi dữ liệu có tính d ng ừ Phương pháp này gồm hai thành ph n chính bao g m AR ầ ồ (Autoregressions, t h i quy) và MA (Moving Average, thành phự ồ ần trung bình trượt).

Mô hình ARMA (p,q) v i AR(p) là mô hình tớ ự tương quan bậc p và MA(q) là mô hình trung bình trượt bậc q có dạng như sau

Trong đó: 𝑌𝑖: chu i d ng t i b c dỗ ừ ạ ậ ; 𝑢𝑡: nhi u tr ngễ ắ ; 𝑝 là độ trễ ủ c a mô hình t ự tương quan; 𝑞là độ trễ của mô hình tự tương quan và 𝜙𝑖, 𝜃𝑗 là các h sệ ố ước lượng Để thực hi n dệ ự báo theo phương pháp ARMA, Box – Jenkins đã đưa ra tổ ợp các bước h bao gồm: Bước 1: Tìm b c p c a mô hình AR qua giậ ủ ản đồ tương quan riêng phần (PACF) và b c q c a mô hình MA qua giậ ủ ản đồ ự tương quan (ACF); t Bước 2: Ước lượng mô hình ARMA bằng phương pháp Ordinary Least Square; Bước 3: Kiểm tra mô hình và các điều kiện giả định của mô hình và Bước 4: Dự báo theo mô hình thu Đố ới v i dữ liệu cán cân thương mại c a Viủ ệt Nam được thu thập theo tháng trong ph m vi 2010 2022 vạ – ới 156 quan sát và độ dài d báo ng n nên có thự ắ ể thực hi n d ệ ự báo theo phương pháp ARMA Cụ thể, chuỗi dữ liệu của nhóm có chuỗi dừng tại bậc trễ 0; AR(p) ∈ {2; 5; 12} và MA(q) ∈ {3; 5; 12} Sau khi xem xét các ch s RMSE, ỉ ố MAE, MAPE c a các mô hình ủ ARMA(p,q), nghiên c u l a ch n mô hình h i quy và ứ ự ọ ồ kiểm định mô hình như sau

Phương pháp Vector Autoregressions (VAR)

Phương pháp dự báo tiếp theo mà nghiên cứu sử dụng để dự báo cán cân thương m i Viạ ệt Nam năm 2023 là mô hình vec-tơ tự ồ h i quy (Vector Autoregressions, VAR) Phần ti p theo nghiên c u trình bày lế ứ ần lượt các bước ước lượng VAR v i bi n ph ớ ế ụ thuộc cần dự báo là cán cân thương mại (BOT) và biến độc lập, lạm phát (INF) theo Stock và Watson (2001)

Bảng 9: Các tiêu chí l a ch n b c tr trong mô hình VARự ọ ậ ễ trình bày các tiêu chí lựa chọn bậc trễ cho mô hình VAR v i bi n BOT và bi n INF Theo ớ ế ế Khim-Sen (2004), b c tr cậ ễ ủa mô hình VAR đượ ực l a ch n d a trên các tiêu chí bao g m LR, FPE, AIC ọ ự ồ và HQ Theo đó, bậc trễ nào được chấp nhận bởi nhiều tiêu chí nhất thì nên được sử dụng trong mô hình VAR Tuy nhiên, tiêu chí thường được xem xét nhiều hơn là AIC và SC

Vì dữ liệu được s d ng thu th p theo tháng, vì th nghiên cử ụ ậ ế ứu xem xét cho đến b c trậ ễ thứ 12 K t qu cho th y b ng b c trế ả ấ ằ ậ ễ thứ 1 và b c trậ ễ thứ 3 của ước lượng đều đáp ứng hai tiêu chí Cụ thể, bậc trễ 1 đáp ứng tiêu chí SC và HQ, trong khi đó, bậc trễ

3 đáp ứng tiêu chí AIC và SC Sau khi ước lượng với cả hai bậc trễ trên, nghiên cứu lựa chọn bậc trễ 3 vì vượt qua các kiểm định hậu ước lượng, ngược lại, bậc tr 1 không ễ vượt qua kiểm định hậu ước lượng (trong đó có kiểm định nhân quả Granger)

B ả ng 9: Các tiêu chí l a ch ự ọ n b ậ c tr trong mô hình VAR ễ

Biến ngo i sinh: H sạ ệ ố chặn (C)

* bi u thể ị thứ ự độ t trễ được chọn theo tiêu chí

LR: sequential modified LR test statistic (each test at 5% level)

Kiểm định tính ổn định

Hình 4: Kiểm định tính ổn định (Vòng tròn nghi m nghệ ịch đảo AR) cho mô hình VAR trình bày vòng tròn đơn vị tự hồi quy cho kiểm định tính ổn định của mô hình VAR cho bi n BOT và INF N u t t c các nghi m nghế ế ấ ả ệ ịch đảo của đa thức AR đặc trưng có mô đun nhỏ hơn 1 và nằm trong vòng tròn đơn vị thì ước lượng VAR là ổn định (Sims, Stock và Watson, 1990)

Kết qu cho th y r ng t t c các nghi m nghả ấ ằ ấ ả ệ ịch đảo của đa thức AR trong mô hình VAR cho biến BOT và INF đều bé hơn 1 và nằm trong vòng tròn đơn vị Nghiên cứu kết luận rằng ước lượng VAR cho biến BOT và INF trong giai đoạn 2010-2022 là

Inverse Roots of AR Characteristic Polynom

Hình 6: Ki ểm đị nh tính ổ n đ ị nh (Vòng tròn nghi ệm đả o AR), mô hình VAR

Kiểm định tự tương quan

Bảng 10: Kiểm định tự tương quan Portmanteau cho mô hình VAR trình bày kiểm định tự tương quan bằng phương pháp Portmanteau cho mô hình VAR với biến BOT và INF C t (5) th hi n giá tr p-values c a kiộ ể ệ ị ủ ểm định này t b c 4 t i b c 12 vì ừ ậ ớ ậ nghiên c u l a ch n b c tr b ng 3 v i giứ ự ọ ậ ễ ằ ớ ả thuyết không là không t n t i tồ ạ ự tương quan phần dư cho tớ ậi b c trễ h (Hatemi-J, 2004)

Kết qu cho th y r ng có thả ấ ằ ể chấp nh n gi thuy t không t t c các bậ ả ế ở ấ ả ậc được trình bày ở trên Nói cách khác, mô hình không có hiện tượng t ự tương quan

B ả ng 10: Ki ểm đị nh t ự tương quan Portmanteau, mô hình VAR

H0: Không tồn t i t ạ ự tương quan phần dư cho tới bậc trễ h

* Kiểm định ch có giá tr vỉ ị ới bậc tr lễ ớn hơn bậc trễ ủ c a VAR

Trong đó: df là bậc tự do c a phân ph i chi-square (xủ ố ấp x ỉ).

Hình 5: Tự tương quan biến s vố ới ngưỡng sai số chuẩn 2 (x p xấ ỉ) thể hi n t ệ ự tương quan trong các biến BOT và INF được sử dụng trong mô hình VAR với ngưỡng sai số chuẩn x p x b ng 2 N u t t c giá trấ ỉ ằ ế ấ ả ị tương quan tương tác giữa bi n trong mô ế hình và v i chính nó nớ ằm bên dưới giá trị ngưỡng sai số chuẩn b ng 2 thì có th kằ ể ết luận r ng các bi n trong mô hình không có tằ ế ự tương quan chéo (Sims, Stock và Watson, 1990)

Kết qu cho th y r ng không có tả ấ ằ ự tương quan chéo trong ước lượng VAR vì tất cả chỉ s tố ự tương quan của biến BOT và INF trong mô hình này đều đạt dưới ngưỡng sai số chuẩn b ng 2 Kằ ết luận r ng mô hình không có hiằ ện tượng t ự tương quan

Cor(INF,INF(-i)) Autocorrelations with Approximate 2 Std.Err Bounds

Hình 7: T ự tương quan biế n s ố ớ ngưỡ ng sai s chu n 2 (x p x ) v i ố ẩ ấ ỉ

Kiểm định tương quan chuỗi

Bảng 11: Kiểm định tương quan chuỗi (LaGrange-Mutiplier) cho mô hình VAR thể hi n kiệ ểm định tương quan chuỗi (serial correlation) bằng phương pháp LaGrange- Mutiplier cho mô hình VAR với bi n BOT và bi n INF t i b c tr bế ế ạ ậ ễ ằng 3 Tương tự như các kiểm định được trình bày ở trên, nghiên cứu chọn xem xét kiểm định này tại b c tr b ng 12 vì dậ ễ ằ ữ liệu c a nghiên củ ứu được thu th p theo tháng C t (7) trình bày ậ ộ giá tr p-values cho kiị ểm định này v i gi thuy t r ng không t n tớ ả ế ằ ồ ại tương quan chuỗi tại bậc trễ h

Kết qu cho th y không t n tả ấ ồ ại tương quan chuỗi trong mô hình VAR cho biến BOT và INF trong t t c các b c tr v i giá tr p-values cao, ngo i tr b c tr b ng 8 ấ ả ậ ễ ớ ị ạ ừ ậ ễ ằ và bằng 12 Trong đó, bậc tr b ng 8 có giá tr p-values là 0.0228 hay 2.28% và b c tr ễ ằ ị ậ ễ b ng 12 là 0.0036 hay 0.36%, bác b giằ ỏ ả thuyết không t i mạ ức ý nghĩa lần lượt là 5% và 1% Tuy nhiên, k t qu này là có thế ả ể chấp nhận được (Stock and Watson, 2001) T ừ đó, nghiên cứu kết luận rằng mô hình VAR cho biến BOT và INF không tồn tại tương quan chu ỗi.

B ả ng 11: Ki ểm định tương quan chuỗ i (LaGrange-Mutiplier), mô hình VAR

H0: Không tồn tại tương quan chuỗi t i bạ ậc tr h ễ

Kiểm định nhân qu Granger ả

Bảng 12: Kiểm định nhân qu Granger/ngo i sinh kh i Wald cho mô hình VARả ạ ố trình bày k t qu kiế ả ểm định nhân qu Granger cho hai bi n BOT và INF trong mô hình ả ế VAR N u bác b gi thuyế ỏ ả ết không, có nghĩa là biến độ ậc l p không giúp dự đoán được bi n ph thuế ụ ộc (Granger, 1969)

Kết qu t i C t (4) là giá tr p-values c a F-ả ạ ộ ị ủ statistics cho giả thuyết không rằng các b h s quan h gi a hai bi n b ng không K t qu kiộ ệ ố ệ ữ ế ằ ế ả ểm định cho th y INF có th ấ ể giúp d báo BOT t i mự ạ ức ý nghĩa 10% (giá trị p-values là 0.0587, hay 5.87%) Tuy nhiên, ở chiều ngược l i, BOT không giúp dạ ự đoán INF (giá trị p-values đạt 0.3960, hay 39.6%) vì ch p nh n gi ấ ậ ảthuyết không

Có th k t lu n r ng có m i quan h nhân qu Granger m t chiể ế ậ ằ ố ệ ả ộ ều cho tác động của lạm phát (INF) lên đến cán cân thương mại (BOT) c a Viủ ệt Nam trong giai đoạn 2010-2022 Vì th , vi c nghiên c u s d ng biế ệ ứ ử ụ ến INF để ự đoán cho BOT trong mô d hình VAR cho d ự báo cán cân thương mại Việt Nam năm 2023 là phù hợp.

B ả ng 12: Ki ểm đị nh nhân qu Granger/ngo ả ạ i sinh kh ố i Wald, mô hình VAR Kích cỡ m u: 2010M01 2022M12 ẫ

H0: Biến độc lập không phải là nhân quả Granger của biến ph thu c ụ ộ

PHẦN 5 KẾT QUẢ DỰ BÁO VÀ THẢO LU N Ậ

Đánh giá phương pháp dự báo

Bảng 13: Các ch s c a mô hình d báo VAR ỉ ố ủ ự thể hi n các ch sệ ỉ ố để đánh giá mô hình d báo VAR ự Để đánh giá sự phù h p c a mô hình h i quy, nhiợ ủ ồ ều thước đo được s ử dụng như RMSE, MAE, MAPE, Theil Trong đó, căn bậc hai sai số bình phương (Root Mean Square Error - RMSE) là thước đo sai số mô hình; Sai số tuyệt đối trung bình (Mean Absolute Error - MAE) là thức đo tuyệt đố ề ệi v hi u su t c a mô hình hấ ủ ồi quy; Sai s phố ần trăm tuyệt đối trung bình (Mean Absolute Percentage Error - MAPE) là thước đo hiệu suất cho mô hình hồi, là cách giải thích trực quan về sai số tương đối;

Hệ s bố ất đẳng thức Theil (Theil inequality coefficient)dùng để xem xét khác bi t giệ ữa k t qu mô ph ng và k t qu tham chi uế ả ỏ ế ả ế , để xem xét hi u qu c a mô hình (Song & ệ ả ủ cộng s , 2013 Chicco ự ; & cộng s , 2021ự )

B ả ng : 13 Các ch s c a mô hình d báo VAR ỉ ố ủ ự

(6) Theil VAR 156 1.215069 0.933536 358.8810 0.772040 RMSE: Root Mean Square Error

MAPE: Mean Absolute Percentage Error

Dựa vào k t qu t b ng trên, mô hình VAR v i các sai s d a báo (RMSE, ế ả ừ ả ớ ố ự MAE, Theil) nhỏ được xem mô hình dự báo được chọn là hi u qu ệ ả

5.2 K ế t qu ả ự d báo và th o lu n ả ậ

Cuối cùng, nghiên cứu sử dụng mô hình VAR để ự báo cán cân thương mại của d Việt Nam năm 2023, tức là 12 tháng tiếp theo tính từ tháng 12 năm 2022 có trong m u K t qu cho th y r ng biẫ ế ả ấ ằ ến BOT, đại diện cho cán cân thương mại Vi t Nam ệ giảm trong những tháng tới của năm 2023

Forecasting values of BOT by VAR

Hình 8: D ự báo cán cân thương mạ i Vi ệt Nam năm 2023, mô hình VAR

Mặt khác, đố ới v i chu i INF, th hi n t l l m phát, nghiên c u cho th y k t qu ỗ ể ệ ỷ ệ ạ ứ ấ ế ả d báo r ng l m phát sự ằ ạ ẽ tăng trong thời gian t i Cớ ụ thể, ch s giá tiêu dùng so v i k ỉ ố ớ ỳ trước hàng tháng tăng lên và tăng nhanh hơn vào các tháng cuối năm Kết quả này đúng với những dự báo được trình bày trong những báo cáo về triển vọng kinh tế Việt Nam năm 2023 (ADB, 2023)

INF INF_VAR Forecasting values for INF by VAR

Hình 9: D báo t l l m phát Vi ự ỷ ệ ạ ệt Nam năm 2023, mô hình VAR

Kết qu mô hình phù h p v i nh ng d báo do T ng c c thả ợ ớ ữ ự ổ ụ ống kê đưa ra vào tháng 7 năm nay Khi mà CPI bình quân 7 tháng năm 2023 chỉ tăng 3.12% so với cùng kỳ năm 2022; lạm phát cơ bản tăng 4.65% so với cùng kỳ năm trước; tuy nhiên, tốc độ tăng CPI bình quân các tháng có xu hướng giảm Lạm phát tăng có thể được giải thích b i giá hàng hóa trên thở ị trường qu c tố ế đang chịu ảnh hưởng b i các nhân t kinh tở ố ế, chính tr , c nh tranh chiị ạ ến lược giữa các nướ ớn và xung độc l t Nga – Ukraine (GSO, 2023) Lạm phát gia tăng gây khó khăn trong việc ổn định kinh tế vĩ mô, ổn định th ị trường ngoại h i, từ ố đó ảnh hưởng đến cán cân thương mại quốc gia

Trong khi, k t qu d báo cho th y s gi m liên t c cế ả ự ấ ự ả ụ ủa cán cân thương mại trong năm 2023, thì theo báo cáo thực tế của Tổng cục Thống kế trong quý I năm nay: xu t kh u hàng hóa và d ch v gi m 8,33%; nh p kh u gi m lên t i 10,52%, t c là cán ấ ẩ ị ụ ả ậ ẩ ả ớ ứ cân thương mạ ẫn đang tăng (GSO, 2023) Điềi v u này có thể gi i thích bởi sự truyền ả t i phả ản ứng c a Cán cân ủ thương mại khi nh n cú s c t Lậ ố ừ ạm phát và chính nó đã được nghiên cứu xem xét phần trên Kết quả cho thấy khi có cú sở ốc tăng từ cán cân thương mại làm chính nó tăng vào tháng đầu tiên, biến động vào 2 tháng tiếp theo và gi m d n v 0 t tháng th 4 Troả ầ ề ừ ứ ng khi đó, cú sốc t lừ ạm phát đến Cán cân thương mại được th hi n là hi u ể ệ ệ ứng đường cong J, đáng chú ý là tồn tại 2 đường cong J trong c ng n h n và dài hả ắ ạ ạn Điều này th hi n s nh y c m cể ệ ự ạ ả ủa cán cân thương mại đố ới v i lạm phát, hay cũng có thể do độ trễ bởi chính sách t giá c nh mà Việt Nam ỷ ố đị đang áp dụng

Tóm l i, nghiên c u dạ ứ ự báo xu hướng gi m cả ủa cán cân thương mại trong năm

2023 dưới tác động của sự gia tăng lạm phát hiện nay Tuy nhiên, khi xem xét kịch bản truyền t i ph n ả ả ứng cán cân thương mại b i l m phát và chính nó, k t quở ạ ế ả chỉ ra r ng ằ lạm phát tăng làm giảm giá trị đồng ti nề , làm cho cán cân thương mại ban đầu giảm nhưng sẽ có sự cải thiện sau đó.

5.3 Truy ề n t ả i cú s c/k ch b n ố ị ả Đồng th i, nghiên cứu sử d ng hàm truyền tải-phản ờ ụ ứng (Impulse-Response functions) nhằm xem xét hành vi của cán cân thương mại Vi t Nam (BOT) khi nh n ệ ậ cú s c t chính nó và t l m phát (INF) Hàm truy n t i-ph n ng cho phép chúng ta ố ừ ừ ạ ề ả ả ứ quan sát thay đổi theo thời gian (giá trị hiện tại và tương lai) của các biến trong mô hình khi các bi n còn lế ại tăng một đơn vị trong giá trị hiện t i c a m t trong nh ng sai ạ ủ ộ ữ s cố ủa ước lượng VAR Hay nói cách khác, nó tr l i câu h i rả ờ ỏ ằng tác động c a mủ ột đơn vị sốc của biến BOT lên chính nó và biến INF lên BOT như thế nào (Inoue và Kilian, 2013)

Hình 10: Truy n t i cú s c t BOT và INFề ả ố ừ đến BOT, theo tr t t bi n Cholesky ậ ự ế Decomposition, thể hi n sệ ự thay đổ ủi c a chu i BOT khi nh n cú sỗ ậ ốc từ ự tăng lên của s chính nó và INF trong 24 tháng sau đó Đầu tiên, xem xét phản ứng c a BOT nủ ếu BOT tăng một đơn vị sốc, có thể th y rằng BOT lập tấ ức tăng 1.1 đơn vị (tỷ USD), tăng cao nhất vào tháng đầu tiên Giá tr này gi m m nh tháng thị ả ạ ở ứ 2 sau, đạt 0.3 đơn vị Sau đó, giá trị phản ứng này có dấu hiệu tăng ở tháng thứ 3 nhưng không đáng kể, rồi giảm d n t tháng thầ ừ ứ 4 để ề v 0 Ti p theo, nế ếu INF thay đổi một đơn vị, ph n ng c a BOT ả ứ ủ có thể được gi i thích b ng lý thuyả ằ ết được trình bày trên (Bahmani-ở Oskooee, 1985; Bahmani-Oskooee & Ratha, 2004) Khi lạm phát tăng, ban đầu, cán cân thương mại gi m do thâm hả ụt thương mại vì điều kiện thương mại xấu đi nhưng có sự ả c i thi n sau ệ đó

Response of BOT to Innovations using Cholesky (d.f adjusted) Factors

Hình 10: Truy n t i cú s ề ả ố c t ừ BOT và INF đế n BOT

Kết qu c a cú sả ủ ốc INF đến BOT được gi i thích bả ởi đường cong J, xu t hi n do ấ ệ trong ng n h n hi u ng giá c có tính trắ ạ ệ ứ ả ội hơn hiệ ứu ng số lượng nên làm xấu đi cán cân thương mại Ngược lại, trong dài hạn, hiệu ứng số lượng lại có tính trội hơn hiệu ứng giá cả, làm cán cân thương mạ ải c i thiện Có th thấy rằng khi INF tăng một đơn ể v sị ốc, ban đầu, BOT gi m nhả ẹ vào tháng đầu tiên, nhưng lại tăng đáng kể vào tháng thứ hai Điều này cho thấy rằng hiệu ứng số lượng đã lấn át hiệu ứng giá cả từ tháng thứ 2 Tuy nhiên, phản ứng c a BOT t tháng thủ ừ ứ 3 đến tháng th 5 là gi m, do hiứ ả ệu ứng giá cả ấ l n át, và sau đó hồi phục t tháng th 5 vềừ ứ sau đó Có thể k t lu n r ng kết ế ậ ằ qu này là phù h p v i lý thuy t b i ta có thả ợ ớ ế ở ể thấy được hiệu ứng giá c luôn x y ra ả ả trước hiệu ứng số lượng khi INF tác động một đơn vị sốc lên BOT, làm BOT luôn giảm và tăng lạ ồ ồi i r i h phục ở ả c hai kỳ chữ J được trình bày Tuy nhiên, có hai điều cần lưu ý khi xem xét tác động của cú sốc lạm phát đến cán cân thương mại Việt Nam trong hai năm tiếp theo Thứ nhất, tồn tại hai đường cong J thay vì một, điều này cho thấy rằng tác động c a lủ ạm phát đến cán cân thương mại Vi t Nam trong th i gian tệ ờ ới là nh y c m và không ạ ả ổn định Th hai, hi u ng giá c lứ ệ ứ ả ớn hơn hiệ ứu ng số lượng, có th thể ấy r ng hiằ ệu ứng số lượng làm tăng cán cân lên xấp xỉ 0.1 đơn vị vào tháng thứ 3 nhưng lại giảm đột ngột xuống lớn hơn 0.2 đơn vị sau đó.

Response of BOT to INF Innovation using Cholesky (d.f adjusted) Factors

Hình 11: Truy n t i cú s ề ả ố c t ừ INF đế n BOT

PHẦN 6 KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH

Nghiên c u này d báo cán cân ứ ự thương mại Việt Nam năm 2023 bằng phương pháp ARMA và phương pháp VAR cùng chỉ số lạm phát nhằm xem xét phản ứng của cán cân thương mại Việt Nam trong điều kiện kinh tế thi u ế ổn định như hiện tại Kết quả nghiên c u ch ra rứ ỉ ằng cán cân thương mạ ẽi s giảm nhưng không thâm hụt vào năm

2023 Cụ thể, cán cân thương mại gi m mả ạnh vào đầu năm 2023 ừ, t 1.8 t USD vào ỷ tháng 12 năm 2022 xuống còn gần 1 tỷ USD vào tháng 1 năm 2023, và giảm dần sau đó trong năm này Kết quả này đồng nhất với những báo cáo triển vọng kinh tế khác Ngoài ra, nghiên cứu cũng đồng th i cho thờ ấy được phản ứng của cán cân thương mại khi nhận được cú s c t l m phát ố ừ ạ Giả thuyết về đường cong chữ J được khẳng định khi nhận được cú tăng c a lủ ạm phát, cán cân thương mạ ủi c a Việt Nam ban đầu giảm nhưng sau đó tăng lại xấp xỉ 1 tỷ USD giao động trong ước lượng của chúng tôi Nhưng sau đó, phản ứng của cán cân thương mại lại giảm mạnh do hiệu ứng giá cả lấn át trở lại rồi hồi phục dần để ề giao độ v ng bằng 0 đơn vị u gsa ần 2 năm tính từ khi xuất hi n cú sệ ốc.

Nghiên c u th c hiứ ự ện hai phương pháp dự báo bao g m ARMA và VAR cho ồ biến BOT, đại diện cho cán cân thương mại Việt Nam trong giai đoạn 2010-2022 với d ữliệu tháng Sau đó, phương pháp VAR đã được l a chự ọn vì mô hình này là phù h p, ợ vượt qua các kiểm định về tự tương quan, tương quan chuỗi, tính ổn định và nhân quả Granger Ngược lại, mô hình ARMA không được s dử ụng vì không vượt qua các kiểm định mà nghiên cứu đề xuất V mề ặt phương pháp, kết quả nghiên cứu cho thấy rằng mô hình VAR có điểm vượt trội hơn so với mô hình ARMA trong dự báo các chỉ số vĩ

Về m t lý thuy t, nghiên cặ ế ứu đã khẳng định tác động c a lủ ạm phát đến cán cân thương mại được nêu lên trong lý thuyết về đường cong chữ J Nghiên c u cho thấy ứ rằng hiệu ứng giá c và hi u ng sả ệ ứ ố lượng là có được kiểm chứng thực nghiệm với dữ liệu ởViệt Nam giai đoạn 2010-2022

Về m t th c nghiặ ự ệm, đứng trước tình hình kinh tếthế giới đang đứng trước tình trạng kh ng ho ng do nhi u lý do khác nhau, vi c nghiên c u d báo cho cán cân ủ ả ề ệ ứ ự thương mại Việt Nam cho thấy rằng cán cân thương mại Việt Nam có bị tác động bởi kinh tế thếgiới trong thời điểm hi n t i nói chung, và tình tr ng lệ ạ ạ ạm phát tăng cao nói riêng Từ đó, nghiên cứu đưa ra hàm ý chính sách rằng Vi t Nam c n ph i có nh ng ệ ầ ả ữ bi n pháp cệ ụ thể để thúc đẩy thương mại qu c t , nh t là trong b i cố ế ấ ố ảnh bình thường hóa c a hủ ậu đạ ịi d ch Covid-19 Việc tăng cường thương mại qu c t là m t bi n pháp ố ế ộ ệ tốt để ả gi m bớt nguy cơ giảm hay tệ hơn là thâm hụt cán cân thương mại ngay c khi ả lạm phát có nguy cơ tăng cao.

Akinsola, F.A and Odhiambo, N.M (2017) ‘Inflation and Economic Growth: a Review of The International Literature’, Comparative Economic Research Central and Eastern Europe, 20(3), 41 56 –

Bahmani-Oskooee, M (1985) ‘Devaluation and the J-Curve: Some Evidence from LDCs’, The Review of Economics and Statistics, 67(3), 500 504 –

Bahmani-Oskooee, M., & Ratha, A (2004) The J-curve: a literature review ‘ ’ Applied economics, 36(13), 1377-1398

Box, G.E.P & Pierce, D.A (1970) ‘Distribution of Residual Autocorrelations in Autoregressive-Integrated Moving Average Time Series Models’, Journal of the American Statistical Association, 65(332), 1509 1526 –

Chicco, D., Warrens, M J., & Jurman, G (2021) The coefficient of determination R-‘ squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation’, PeerJ Computer Science 7, , e623

Granger, C W (1969) ‘Investigating causal relations by econometric models and cross-spectral methods , ’ Econometrica: journal of the Econometric Society, 424-438

Hatemi-J, A (2004) ‘Multivariate tests for autocorrelation in the stable and unstable VAR models , ’ Economic Modelling, 21(4), 661 683 –

Inoue, A & Kilian, L (2013) Inference on impulse response functions in structural ‘ VAR models , ’ Journal of Econometrics, 177(1), 1 13 –

Tiêu đề	Dự Báo Cán Cân Thương Mại Việt Nam Năm 2023: Một Ứng Dụng Của Mô Hình VEC-Tơ Tự Hồi Quy
Trường học	Trường Đại Học Ngoại Thương
Chuyên ngành	Dự Báo Trong Kinh Tế Và Kinh Doanh
Thể loại	Báo Cáo Giữa Kỳ
Năm xuất bản	2023
Thành phố	Hà Nội

Định dạng
Số trang	31
Dung lượng	4,1 MB