tiểu luận dự báo kinh tế dự báo chỉ số sản xuất công nghiệp ngành khai thác và thu gom than của việt nam giai đoạn 2018 2019 sử dụng mô hình ARIMA

1 Giới thiệu Việt Nam quốc gia thiên nhiên ưu đãi có trữ lượng than lớn chất lượng tương đối tốt Than coi nguồn lượng truyền thống bản, phục vụ cho sản xuất tiêu dùng nước Than ngun liệu cho hầu hết ngành cơng nghiệp quan trọng có ý nghĩa to lớn kinh tế quốc dân ngành công nghiệp điện, sản xuất xi măng, luyện kim, xây dựng, công nghiệp vật liệu, hóa chất, sản xuất phân bón hóa học Ngành công nghiệp khai thác than nước ta có lịch sử 100 năm phát triển, ngày đầu tư vốn kỹ thuật mang lại hiệu kinh tế lớn, đóng góp đáng kể vào GDP nước Có thể thấy tầm quan trọng ngành than việc phát triển ngành công nghiệp khai thác thu gom than ổn định tiền đề để phát triển ngành công nghiệp khác Chỉ số sản xuất công nghiệp hàng tháng (gọi tắt IIP) Tổng cục Thống kê cơng bố tính tốn biến động khối lượng sản xuất bao gồm ngành: khai khoáng; công nghiệp chế biến, chế tạo; sản xuất phân phối điện, khí đốt, nước nóng điều hồ khơng khí; cung cấp nước, hoạt động quản lý xử lý rác thải, nước thải Nhận thấy tầm quan trọng vai trò to lớn ngành khai thác thu gom than kinh tế nước ta, nhóm chúng em định chọn đề tài “Dự báo số sản xuất công nghiệp ngành khai thác thu gom than Việt Nam giai đoạn 2018-2019 sử dụng mơ hình ARIMA” Phương pháp nghiên cứu 2.1 Dữ liệu Số liệu số sản xuất công nghiệp than cứng dùng cho đề tài tổng hợp từ báo cáo Tổng cục thống kê www.gso.gov.vn Số liệu thu thập theo tháng từ tháng 1/2013 đến tháng 12/2017 bao gồm 60 quan sát Chỉ số sản xuất than cứng năm tính so với tháng bình qn năm gốc năm 2010, đơn vị tính % 2.2 Phương pháp nghiên cứu Mơ hình tích hợp trung bình trượt tự hồi quy (mơ hình ARIMA) tích hợp từ q trình: Tự hồi quy (AR) số liệu kinh tế - xã hội, trung bình trượt (MA) phần sai số số liệu (hay phần nhiễu ngẫu nhiên) q trình tích hợp hay sai phân (I) nhằm biến đổi chuỗi không dừng thành chuỗi dừng trước thực thao tác phân tích dự báo khác Bản chất mơ hình ARIMA dự báo giá trị tương lai biến số (biểu thị theo chuỗi thời gian) dựa giá trị khứ sai số ngẫu nhiên Do mơ hình ARIMA thích hợp cho dự báo ngắn hạn Mơ hình ARIMA(p,d,q) có dạng: Yt = + Yt-1+ Yt-2 +……+ pYt-p+ut+ u1+ u2+ + ut-q Một đặc điểm quan trọng liệu chuỗi thời gian kinh tế - xã hội có yếu tố mùa vụ cao, chẳng hạn thực tiễn kinh tế nước ta cho thấy GDP thường tăng cao vào tháng cuối năm, tăng chậm vào tháng đầu năm, Do để dự báo mơ hình ARIMA cho chuỗi có yếu tố mùa vụ, ta có cách làm sau: Cách 1: tách yếu tố mùa vụ khỏi chuỗi ban đầu thành chuỗi Y cho chuỗi Y cộng SA SA dự báo , sau cộng nhân yếu tố mùa vụ lại tùy vào mơ hình nhân hay Cách 2: sử dụng mơ hình SARIMA để ước lượng Ở đây, nhóm chọn cách để dự báo số sản xuất công nghiệp ngành khai thác thu gom than Việt Nam 2.3 Các bước thực 2.3.1 Nhận dạng mô hình Trước hết, cần nhận dạng mơ hình mơ hình cộng tính hay mơ hình nhân tính cách dựa vào đồ thị biến xét Tiếp theo, cần nhận dạng mơ hình mơ hình có yếu tố mùa vụ hay khơng có yếu tố mùa vụ, có yếu tố xu hay khơng có yếu tố xu Nếu mơ hình có yếu tố mùa vụ cần tách yếu tố mùa vụ khỏi mơ hình trước ước lượng phương pháp trung bình động (MA) Nếu mơ hình có yếu tố xu cần tạo biến xu thêm vào mơ hình ước lượng Nhận dạng mơ hình ARIMA(p,d,q) phù hợp cho chuỗi liệu khảo sát, với d bậc sai phân chuỗi liệu, p bậc tự hồi quy q bậc trung bình trượt Trong đó, giá trị p định dựa vào giản đồ tương quan riêng (PACF) giá trị q xác định dựa vào giản đồ tương quan (ACF) 2.3.2 Ước lượng tham số Tiến hành ước lượng tham số cho mơ hình có khả phù hợp nhận dạng 2.3.3 Kiểm tra mô hình Sau mơ hình vượt qua kiểm định bỏ sót biến, dựa vào giá trị sai số mơ hình để kiểm tra nhiễu trắng Nếu phần dư khơng có tượng tự tương quan 12 bậc liên tiếp nhiễu coi nhiễu trắng Trường hợp mơ hình ước lượng khơng thoả mãn điều kiện nhiễu trắng phải thay đổi mơ hình tiến hành lại bước ước lượng kiểm tra Kết nghiên cứu 3.1 Nhận dạng liệu Để nhận dạng liệu chuỗi Prod, ta sử dụng lệnh: Line Prod Hình 1:Nhận dạng liệu Đồ thị hình có biên độ dao động dường khơng thay đổi, để tiến hành ước lượng ta phải sư dụng mơ hình cộng tính 3.2 Kiểm định tính dừng Chuỗi số liệu sử dụng mơ hình ARIMA giả định chuỗi dừng, vây để dự báo sản lượng khai thác thu gom than cứng Việt Nam mơ hình này, trước tiên ta cần phải kiểm định tính dừng chuỗi liệu nghiên cứu Ta sử dụng kiểm định nghiệm đơn vị “Unit Roots Test” Hình 2:Kết kiểm định Unit Roots Test chuỗi Prod Theo kết có hình cho thấy, chuỗi Prod dừng sai phân bậc khơng có yếu tố xu (do yếu tố Trend có giá trị p-value =0.3742 lớn mức ý nghĩa alpha = 5%) 3.3 Kiểm định tính mùa vụ Để kiểm tra xem chuỗi Prod có tính mùa vụ hay khơng ta sử dụng lệnh Graph Hình 3:Kiểm định tính mùa vụ chuỗi Prod Từ kết hình 3, ta thấy đường màu đỏ (Means by Season) chuỗi có chênh lệch lớn tháng Do chuỗi Prod có chứa yêu tố mùa vụ 3.4 Nhận dạng mơ hình Sau kiểm định chuỗi Prod dừng bậc 1, có yếu tố mùa vụ khơng có yếu tố xu thế, ta tiến hành tách yếu tố mùa vụ khỏi chuỗi phương pháp Moving Average Method với Adjustment Method Multiplicative đặt tên Factors mùa vụ là: s Chuỗi tạo Prodsa Ta bắt đầu xác định mơ hình thơng qua thao tác lập mơ hình Correlogram, thu kết sau: Hình 4: Giản đồ tương quan tương quan riêng PACF ACF Khảo sát ACF hình cho thấy, 12 độ trễ phù hợp Tương tự với khảo sát PACF độ trễ có ý nghĩa thống kê Sau xác định giá trị p, q, ta ước lượng mơ hình theo lệnh: ls d(prodsa) c ar(1) ma(4) ma(12) Thu kết quả: 10 Hình 5: Kết chạy mơ hình Ta thấy giá trị Inverted AR Roots = -.35 Inverted MA Roots=.99, thoả mãn nhỏ 3.5 Kiểm định mô hình bỏ sót biến Sau ước lượng mơ hình, ta tiến hành kiểm định xem mơ hình có bị thiếu biến hay không cách sử dụng kiểm định Ramsay Reset Test 11 Hình 6: Kiểm định Ramsay Reset Test Giá trị p-value lớn mức ý nghĩa alpha 5%, ta khơng bác bỏ giả thuyết Ho ➔ mơ hình khơng bị bỏ sót biến 3.6 Kiểm định nhiễu trắng Ta kiểm định nhiễu trắng cho mô hình kiểm định Serial Correlation LM Test với Lags include =12 12 Hình 7:Kiểm định nhiễu trắng Serial Correlation LM Test Tất giá trị p-value độ trễ từ đến 12 có giá trị lớn mức ý nghĩa alpha 5% Do mơ hình đảm bảo điều kiện nhiễu trắng (khơng có tự tương quan 12 độ trễ liên tiếp) 3.7 Kiểm định phân phối nhiễu Ta sử dụng kiểm định Normally Test Hình 8: Kiểm định Normally Test Giá trị p-value =0.562712 lớn mức ý nghĩa alpha 5%, nhiễu có phân phối chuẩn 13 3.8 Dự Báo Từ kết kiểm định ta kết luận mơ hình thích hợp sử dụng để dự báo Tuy nhiên trước dự báo mẫu, ta tiến hành cắt giai đoạn ngẫu nhiên để kiểm tra độ xác mơ hình dự báo Thực với đoạn 2013m012013m06, thu kết quả: Hình 9: Forecast Prodsaf giai đoạn 2013m01-2013m06 Forecast chuỗi Prodsa giai đoạn 2013m01- 2013m06 có giá trị Mean Abs Percent Error = 3.004753