ỨNG DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO GIÁ TRỊ SẢN XUẤT NÔNG NGHIỆP HUYỆN QUẢNG TRẠCH

CỤC THỐNG KÊ QUẢNG BÌNH CHI CỤC THỐNG KÊ HUYỆN QUẢNG TRẠCH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC ĐỀ TÀI ỨNG DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO GIÁ TRỊ SẢN XUẤT NÔNG NGHIỆP HUYỆN QUẢNG TRẠCH Người thực hiện: Nguyễn Thị Thu Hiền QUẢNG TRẠCH, 2019 1 ĐẶT VẤN ĐỀ 1.1 SỰ CẦN THIẾT CỦA ĐỀ TÀI NGHIÊN CỨU Quảng Trạch là một huyện phía Bắc của tỉnh Quảng Bình Với cơ cấu ngành nông nghiệp năm 2018 là 23,2% trong toàn bộ các ngành kinh tế Nông nghiệp huyện Quảng Trạch vẫn đang là một thế mạnh của huyện trong những năm qua với tốc độ tăng trưởng khá cao và ổn định, đảm bảo an ninh lương thực và tạo việc làm, thu nhập cho người nông dân, góp phần xóa đói giảm nghèo, phát triển kinh tế - xã hội của Huyện Tuy nhiên, do nhiều yếu tố khách quan và chủ quan nên sản xuất nông nghiệp trên địa bàn huyện còn bộc lộ nhiều hạn chế, đó là: quy mô sản xuất nhỏ, diện tích manh mún, chất lượng sản phẩm thấp, chủ yếu xuất thô, ít có sản phẩm qua chế biến, chưa có thương hiệu, việc áp dụng các tiến bộ kỹ thuật mới, công nghệ tiên tiến vào sản xuất chưa mạnh, năng suất lao động và thu nhập từ nông nghiệp không cao so với các ngành khác, tình trạng nông dân bỏ ruộng, ao, chuồng có xu hướng gia tăng trong những năm gần đây Với mục tiêu tái cơ cấu ngành nông nghiệp, nâng giá trị sản xuất nông nghiệp đến năm 2020 tăng 7,1%/năm (trồng trọt 4 – 5%, chăn nuôi 10%) Từ vài năm trở lại đây, Huyện đã triển khai các nội dung trọng điểm và chú trọng hướng tới phát triển sản xuất nông nghiệp theo hướng công nghệ cao, xây dựng các mô hình điểm, chú trọng xây dựng chuỗi liên kết đối với sản phẩm nông nghiệp Tuy nhiên, mức độ ảnh hưởng của những thay đổi như thế nào đến tăng trưởng nông nghiệp của Huyện cần phải có một độ trễ về thời gian nhất định để kiểm chứng Trong bài viết “Ứng dụng mô hình ARIMA trong dự báo giá trị sản xuất nông nghiệp huyện Quảng Trạch”, tác giả sử dụng mô hình trung bình trượt tích hợp tự hồi quy (ARIMA – Autoregressive Integrated Moving Average) dựa trên dữ liệu chuỗi thời gian dự báo gía trị sản xuất nông nghiệp của huyện để tham mưu cho các lãnh đạo huyện có thêm một minh chứng thực nghiệm làm cơ sở tham khảo nhằm xây dựng các kế hoạch và chính sách nông nghiệp hợp lý 1.2 MỤC TIÊU NGHIÊN CỨU 2 Căn cứ vào những lý do lựa chọn đề tài đã được trình bày nêu trên, tác giả mong muốn thực hiện nghiên cứu này với những mục tiêu chính sau: - Tổng hợp những lý luận cơ bản trong phân tích chuỗi thời gian và khả năng ứng dụng quan trọng của nó trong việc dự báo các biến số kinh tế xã hội - Nghiên cứu chiều hướng vận động của giá trị sản xuất nông nghiệp huyện từ năm 2010 đến năm 2018 - Dự báo giá trị sản xuất nông nghiệp của Huyện trong những năm tiếp theo 1.3 ĐỐI TƯỢNG NGHIÊN CỨU VÀ PHẠM VI NGHIÊN CỨU Đối tượng nghiên cứu: Đề tài hướng đến đối tượng nghiên cứu là chuỗi thời gian của giá trị sản xuất nông nghiệp huyện Quảng Trạch từ năm 2010 đến năm 2018 Phạm vi nghiên cứu: Đề tài tập trung nghiên cứu diễn biến của giá trị sản xuất nông nghiệp, tìm ra quy luật vận động của chúng trong quá khứ và tiến hành dự báo cho tương lai bằng những mô hình ARIMA khác nhau rồi chọn ra mô hình tối ưu và phù hợp nhất, từ đó suy ra kết quả dự báo cho giá trị sản xuất nông nghiệp những năm tiếp theo Đề tài chỉ nghiên cứu trên dữ liệu quá khứ của giá trị sản xuất nông nghiệp, không sử dụng thêm bất kì số liệu nào khác Đề tài chỉ tập trung phân tích sự vận động của dữ liệu trong quá khứ và dự báo cho tương lai chứ không phân tích cụ thể các nhân tố bên ngoài tác động đến giá trị sản xuất nông nghiệp của huyện 1.4 PHƯƠNG PHÁP NGHIÊN CỨU Cơ sở dữ liệu: Giá trị sản xuất nông nghiệp huyện Quảng Trạch từ năm 2010 đến năm 2018 lấy từ Niên giám thống kê huyện Quảng Trạch qua các năm Phương pháp nghiên cứu: Ứng dụng mô hình dự báo ngắn hạn ARIMA Công cụ xử lý số liệu: Phần mềm Eviews 8.0 1.5 KẾT CẤU BỐ CỤC ĐỀ TÀI 3 Chương 1: Cơ sở lý luận về giá trị sản xuất nông nghiệp và mô hình Arima trong dự báo Chương 2: Thực trạng sản xuất nông nghiệp huyện Quảng Trạch Chương 3: Ứng dụng mô hình Arima trong dự báo giá trị sản xuất nông nghiệp huyện Quảng Trạch Chương 4: Kết luận và kiến nghị 4 CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ GIÁ TRỊ SẢN XUẤT NÔNG NGHIỆP VÀ MÔ HÌNH ARIMA TRONG DỰ BÁO 1.1 CƠ SỞ LÝ LUẬN VỀ GIÁ TRỊ SẢN XUẤT NÔNG NGHIỆP 1.1.1 Phạm vi và nguyên tắc - Ngành nông nghiệp bao gồm các hoạt động: i Trồng trọt ii Chăn nuôi iii Dịch vụ phục vụ cho trồng trọt và chăn nuôi (không bao gồm dịch vụ thú y) iv.Săn bắt, đánh bẫy, thuần dưỡng thú và các dịch vụ có liên quan Hiện nay, do nguồn thông tin còn hạn chế, quy ước chưa tính các hoạt động này - Giá trị sản xuất nông nghiệp tính theo phương pháp tổng mức chu chuyển, nghĩa là được tính trùng sản phẩm giữa trồng trọt, chăn nuôi và dịch vụ nông nghiệp - Giá trị sản xuất, chi phí trung gian và giá trị tăng thêm ngành nông nghiệp được tính thống nhất theo năm dương lịch và theo hai loại giá: giá thực tế và giá so sánh 1.1.2 Nội dung, nguồn thông tin và phương pháp tính chính thức chỉ tiêu giá trị sản xuất nông nghiệp THEO GIÁ THỰC TẾ Giá trị sản xuất ngành nông nghiệp bao gồm: giá trị sản phẩm trồng trọt, giá trị sản phẩm chăn nuôi và giá trị hoạt động dịch vụ nông nghiệp Giá trị sản xuất trồng trọt là giá trị sản phẩm chính và giá trị sản phẩm phụ trồng trọt bao gồm: 5 i Cây lương thực có hạt: Lúa (lúa nước, lúa cạn), ngô (không tính ngô trồng lấy bắp non làm thực phẩm và lấy thân, lá làm thức ăn gia súc, làm nguyên liệu sản xuất….) và cây lương thực có hạt khác (mỳ mạch, cao lương, kê); ii Các loại cây chất bột: Khoai lang, sắn và các cây chất bột khác trồng làm lương thực cho người là chính (không tính các loại trồng chủ yếu để làm thức ăn cho gia súc hoặc nguyên liệu sản xuất); iii Cây rau, đậu các loại; iv Các loại cây nông nghiệp hàng năm và lâu năm; v Các loại cây ăn quả (không bao gồm các loại cây đã tính là cây công nghiệp); vi Cây trồng khác: Cây làm thuốc, cây làm thức ăn gia súc, các loại hoa, cây cảnh; vii Sản phẩm phụ trồng trọt là: Rơm, rạ, bẹ ngô, dây khoai lang, lạc, đỗ… thực tế có thu hoạch và sử dụng; viii Các hoạt động sơ chế nông nghiệp được tính vào giá trị sản lượng trồng trọt (ví dụ như: sấy lúa, cà phê nhân, hồ tiêu hạt khô, cao su mủ khô ) Giá trị sản xuất trồng trọt được tính bằng công thức: Giá trị sản xuất theo giá sản xuất của sản phẩm trồng trọt = Sản lượng sản phẩm sản xuất trong kỳ * Đơn giá sản xuất bình quân trong kỳ Giá trị sản phẩm chăn nuôi bao gồm giá trị sản phẩm chính và giá trị sản phẩm phụ: i Giá trị trọng lượng tăng thêm trong kỳ của gia súc, gia cầm, không bao gồm đàn gia súc cơ bản như nái sinh sản, đực giống, gia súc cày kéo, lấy sữa, lấy lông; ii Giá trị các loại con giống bán ra làm thực phẩm hoặc xuất khẩu ví dụ như lợn sữa; 6 iii Giá trị sản phẩm chăn nuôi không qua giết thịt như: Trứng, sữa… iv Giá trị sản phẩm của các vật nuôi khác như: Mật ong, kén tằm… v Giá trị sản phẩm phụ chăn nuôi gồm: các loại phân gia súc, gia cầm, lông gà, vịt, sừng, da, lông thú…được thu hồi và sử dụng Giá trị sản xuất chăn nuôi được tính theo công thức: Giá trị sản xuất theo giá sản xuất của sản phẩm chăn nuôi = Sản lượng sản phẩm sản xuất trong kỳ * Đơn giá sản xuất bình quân trong kỳ Giá trị các hoạt động dịch vụ phục vụ trồng trọt và chăn nuôi gồm: Giá trị của các hoạt động: Làm đất, thủy lợi (tưới, tiêu nước); ươm, nhân cây, con giống, vận chuyển, chăm sóc, bảo hiểm vật nuôi, cây trồng, phòng trừ dịch bệnh (không tính hoạt động thú y), ra hạt… Giá trị sản xuất hoạt động dịch vụ nông nghiệp chỉ tính cho các đơn vị sản xuất và hộ chuyên doanh dịch vụ Không tính các hoạt động dịch vụ nông nghiệp mang tính chất thời vụ, kiêm nhiệm hoặc tự phục vụ trong quá trình làm đất, gieo trồng, chăm sóc, thu hoạch… của các đơn vị sản xuất kinh doanh và hộ gia đình Giá trị của các hoạt động loại này đã được tính vào hoạt động của trồng trọt hoặc chăn nuôi THEO GIÁ SO SÁNH Phương pháp giảm phát: Giá trị sản xuất năm báo cáo theo giá so sánh = Giá trị sản xuất theo năm báo cáo theo giá thực tế / Chỉ số giá sản xuất bình quân năm báo cáo so với năm gốc Chỉ số giá sản xuất bình quân các sản phẩm nông nghiệp do thống kê Thương mại và Giá cả cung cấp Phương pháp xác định giá trị trực tiếp từ lượng và giá: n GOt:ss = ∑ ¿¿ ) i=1 7 Ở đây: GOt:ss: Giá trị sản xuất nông nghiệp năm t Qit: Sản lượng của sản phẩm i năm t P´ito: Đơn giá bình quân của sản phẩm i năm t0 n: Số sản phẩm nông nghiệp t: Năm báo cáo t0: Năm gốc so sánh 1.1.3 Nguồn thông tin và phương pháp ước tính THEO GIÁ SO SÁNH Giá trị sản xuất được tính theo công thức: n GOt:ss = ∑ (Qi,t × P´i,¿¿¿) ¿ i=1 Ở đây: GOt:ss: Ước tính giá trị sản xuất nông nghiệp năm t Qi,t: Ước tính sản lượng trong kỳ của sản phẩm i năm t P´ito: Đơn giá sản xuất bình quân của sản phẩm i năm gốc t0 n: Số lượng sản phẩm nông nghiệp t: Năm ước tính Ước tính sản lượng sản xuất các sản phẩm nông nghiệp: sử dụng số liệu của thống kê Nông nghiệp Đơn giá sản xuất bình quân năm gốc của các sản phẩm nông nghiệp: sử dụng đơn giá sản xuất bình quân của năm gốc THEO GIÁ THỰC TẾ 8 Ước tính giá trị sản xuất theo giá thực tế của sản xuất nông nghiệp bằng cách: lấy giá trị sản xuất theo giá so sánh năm ước tính của các nhóm sản phẩm chủ yếu nhân với (×) chỉ số giá sản xuất bình quân các nhóm sản phẩm chủ yếu của năm ước tính so với năm gốc Tuy nhiên trong thực tế, đến thời điểm ước tính thì chỉ số giá này chưa có, vì vậy khi ước tính có thể phải sử dụng chỉ số giá chín tháng đầu năm ước tính so với chín tháng đầu năm gốc để tính và điều chỉnh khi có thông tin đầy đủ hơn 1.2 CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARIMA TRONG DỰ BÁO 1.2.1 Giới thiệu về mô hình Arima Hiện nay có nhiều phương pháp dự báo khác nhau để dự báo các chỉ tiêu kinh tế như: mô hình véc tơ tự hồi quy (VAR – Vector Autoregressive Models); mô hình véc tơ hiệu chỉnh sai số (VCEM - Vector Error Correction Models); Mô hình trung bình trượt tích hợp tự hồi quy (ARIMA- Autoregressive Integrated Moving Average) Mô hình ARIMA không sử dụng các biến độc lập X1, X2, X3… để giải thích cho biến phụ thuộc Y cần nghiên cứu, mà mô hình ARIMA sử dụng chính các giá trị trong quá khứ của Y để giải thích cho bản thân biến Y ở hiện tại Mô hình ARIMA không dựa vào một mô hình giả định nào, mà mô hình ARIMA cụ thể sẽ được xác định dựa trên việc phân tích dữ liệu nghiên cứu từng trường hợp cụ thể Theo Nguyễn Quang Dong-Nguyễn Thị Minh (2013): “Mô hình ARIMA đôi khi còn được gọi là mô hình lý thuyết mới vì nó không dựa trên bất kỳ một lý thuyết kinh tế nào” Chính vì vậy, phương pháp dự báo bằng mô hình ARIMA có được tính linh hoạt và tiết kiệm hơn so với một số phương pháp khác, đồng thời tính hiệu quả của mô hình ARIMA trong công tác dự báo cũng đã được thực tế chứng minh Tất cả những đặc tính ấy đã mang đến cho mô hình ARIMA một vị thế nhất định trong lĩnh vực nghiên cứu định lượng và ngày càng trở nên thông dụng hơn Việc ứng dụng mô hình ARIMA để dự báo tăng trưởng kinh tế đã được sử dụng rộng rãi từ những năm 1970 và những năm gần đây mô hình ARIMA vẫn còn được các nhà nghiên cứu sử dụng để dự báo tăng trưởng kinh tế của một số quốc gia như trong các nghiên cứu của Wang và cộng sự (2012); Tao Wang (2016); Musundi Sammy 9 Wabomba và cộng sự (2016); Annie Uwimana và cộng sự (2018); John Bosco Nnyanzi - Nickolas Kilimani (2018) Mô hình ARIMA lần đầu tiên được giới thiệu bởi Box & Jenkin (1970) Mô hình ARIMA được kết hợp bởi 3 thành phần chính: tự hồi quy (AR- Autoregressive), tính dừng của chuỗi thời gian (I - Integrated) và trung bình trượt (MA - Moving Average) Đối với thành phần MA (q), có dạng (1.01): Yt = µ + γ0µt + γ1µt-1+ γ2µt-2+ …+ γqµt-q (1.01) Trong đó Yt là chuỗi cần dự báo, µt là sai số của mô hình Đối với thành phần AR (p), mối quan hệ giữa giá trị hiện tại và quá khứ được thể hiện qua (1.02): Yt = β0 + β1Yt-1 + β2Yt-2 +…+ βpYt-p (1.02) Kết hợp (1.01) và (1.02) sẽ hình thành nên mô hình ARIMA (p, q) dạng (1.03): Yt = β0 + β1Yt-1 + β2Yt-2 +…+ βpYt-p + γ0µt + γ1µt-1+ γ2µt-2+ …+ γqµt-q (1.03) 1.2.2 Quy trình nghiên cứu mô hình ARIMA Theo Gujarati (2004), mô hình ARIMA được ước lượng thông qua 4 bước chính: nhận dạng mô hình, ước lượng các tham số của mô hình, kiểm định mô hình, và dự báo - Nhận dạng mô hình: Đầu tiên, tác giả phải nhận dạng 3 thành phần (p, d, q) của mô hình ARIMA (p, d, q), với d là bậc sai phân của chuỗi thời gian được khảo sát, p là bậc tự hồi qui và q là bậc trung bình trượt Thành phần d của mô hình được nhận dạng thông qua kiểm định tính dừng của chuỗi thời gian Để kiểm định tính dừng của chuỗi trong nghiên cứu này sử dụng kiểm định Dickey – fuller Sau khi kiểm định tính dừng, tiến hành xác định p và q dựa vào đồ thị SPACF và SACF 10 + Chọn giá trị của p nếu đồ thị SPACF có giá trị cao tại độ trễ 1,2…p và giảm nhiều sau p và dạng hàm SAC giảm dần + Chọn giá trị của q nếu đồ thị SACF có giá trị cao tại độ trễ 1,2…p và giảm nhiều sau q và dạng hàm SPAC giảm dần - Ước lượng các tham số của mô hình: Các tham số của mô hình trong nghiên cứu này được ước lượng bằng phần mềm Eview Quá trình lựa chọn mô hình là quá trình thực nghiệm và so sánh các chỉ tiêu: Hệ số xác định hiệu chỉnh, AIC và Schwarz cho đến khi chọn được mô hình tốt nhất cho việc dự báo - Kiểm định mô hình: Để đảm bảo mô hình phù hợp, sai số của mô hình phải là nhiễu trắng (white noise) và được xác định bằng biểu đồ tương quan ACF hoặc kiểm định Breusch- Godfrey kiểm tra tính tự tương quan của sai số Đối với phương sai sai số thay đổi, có thể sử dụng kiểm định White hoặc ARCH - Dự báo bằng mô hình ARIMA: Mô hình ARIMA là mô hình hợp lý để dự báo ngắn hạn, trong một số trường hợp kết quả dự báo thu được từ phương pháp mô hình ARIMA có độ tin cậy cao hơn so với một số phương pháp khác Sử dụng mô hình ARIMA ước lượng để tiến hành xác định giá trị dự báo và khoảng tin cậy cho dự báo với độ tin cậy 95% và k= 1.96 để dự báo điểm (1.04) hoặc khoảng theo (1.05): + Dự báo điểm: Y^ t=^β0+ ^β1Y t−1+…+ ^βp Y t−p+ γ^ 0 μt+ γ^ 1 μt−1+ …+γ^ q μt−q (1.04) + Dự báo khoảng: Y^ t – kσ (εt)