Dự báo tốc độ tăng trưởng kinh tế Việt Nam: So sánh hiệu quả của mô hình Mạng thần kinh nhân tạo và mô hình Hồi quy tuyến tính truyền thống
MỤC LỤC
PHẦN MỞ ĐẦU
GIỚI THIỆU
Có tất cả 55 mô hình được sử dụng để so sánh hoạt động dự báo với các phương án độ trễ khác nhau, trong đó có 19 mô hình tuyến tính gồm các mô hình tự hồi quy (AR) và mô hình dự báo đơn giản - bước đi ngẫu nhiên, trong bài nghiên cứu này mô hình bước đi ngẫu nhiên phù hợp với dữ liệu lạm phát hơn so với GDP vì ổn định hơn; 21 mô hình Time-varying gồm Time-varying Autoregression (ARTV) hay Logistic Smooth Transition Autoregression (LSTAR); 15 mô hình phi tuyến với các mô hình Mạng thần kinh nhân tạo (ANN). Maasoumi, Khontanzad và Abaye (1994) đã chứng minh chuỗi gồm 14 biến kinh tế vĩ mô như GDP thực, GDP danh nghĩa, thu nhập bình quân đầu người, sản lượng công nghiệp, việc làm, tỷ lệ thất nghiệp, hệ số giảm phát, chỉ số giá tiêu dùng, tiền lương, tiền lương thực, cung tiền, tốc độ lưu thông tiền, lãi suất trái phiếu, giá chứng khoán) của các nước OECD (Tổ chức hợp tác phát triển kinh tế) trong báo cáo chuyên đề của Nelson và Plosser (1982) được dự báo tốt hơn với ANN.
MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO
Đặc điểm của Mạng thần kinh nhân tạo 1. Nơ-ron sinh học
Nơ-ron chỉ hoạt động khi tất cả các tín hiệu mà nó nhận được ở thân bào thông qua các sợi nhánh vượt quá một giá trị ngưỡng hoạt động (threshold) – một giới hạn mà nếu nhỏ hơn giới hạn này thì nơ-ron sẽ không phản ứng với tín hiệu đó, tức là nó sẽ không truyền tín hiệu đó đi mà rơi vào trạng thái nghỉ. Đối với mạng này, tín hiệu đầu ra của một nơ-ron có thể được truyền ngược lại làm tín hiệu vào cho các nơ-ron các lớp trước hoặc truyền cho các nơ-ron trong cùng một lớp với các trọng số kết nối tương ứng, đồng thời chúng có thể kèm theo một độ trễ nhất định.
Huấn luyện Mạng thần kinh nhân tạo 1. Quá trình học của Mạng thần kinh
Công việc huấn luyện có thể diễn ra với cả nghìn vòng lặp, và nó ngừng lại hoặc là khi đạt được số lượng vòng lặp bằng với số vòng lặp được chọn trước, hoặc là khi sai số của Mạng thần kinh (Sai số bình phương trung bình - MSE) được tối thiểu hóa nằm dưới một ngưỡng cho trước, hoặc là khi mạng xuất hiện tình trạng học quá mức và được ngừng lại với thủ tục ngừng đúng lúc. H = H(zj) là hàm kích hoạt tại lớp ẩn, giá trị của hàm này chính là giá trị đầu ra của đơn vị ẩn thứ j. wji là trọng số kết nối giữa lớp đầu vào với lớp ẩn m, n lần lượt là số lượng đơn vị ẩn và đơn vị đầu vào. Như đã trình bày ở trên, các giá trị đầu vào sau khi đưa vào mô hình sẽ được tính tổng có trọng số và thông qua hàm kích hoạt tính giá trị đầu ra. Sau đó, Mạng thần kinh sẽ tính sai số và thực hiện truyền ngược sai số trở lại vào trong Mạng thần kinh nhằm thực hiện việc điều chỉnh trọng số để tối thiểu hóa sai số. Đầu tiên, trọng số kết nối lớp đầu ra và lớp ẩn được điều chỉnh và sau đó là tới các trọng số kết nối lớp đầu vào và lớp ẩn. Trong đó: là tỷ lệ học hỏi hay kích thước bước để điều chỉnh các trọng số kết nối lớp ẩn và lớp đầu ra. Vấn đề ở đây là xác định độ dốc kj). Sau mỗi vòng lặp của quá trình ước lượng các trọng số của mô hình, một cuộc kiểm tra nhỏ trong quá trình huấn luyện được tạo ra bằng cách sử dụng các giá trị biến đầu vào trong dữ liệu phê duyệt để tính toán các giá trị đầu ra tương ứng của mô hình, đối chiếu các giá trị này với các giá trị đầu ra mục tiêu, mô hình tính toán MSE cho dữ liệu phê duyệt.
Ƣu điểm và khuyết điểm của mô hình Mạng thần kinh nhân tạo 1.Ƣu điểm
Chính sự phức tạp này mà mô hình thần kinh nhân tạo còn được gọi là “một hộp đen”, mô hình thần kinh nhân tạo sử dụng các giá trị đầu vào để tính toán đầu ra, nhưng người nghiờn cứu khụng hiểu rừ tại sao lại cú một kết quả dự bỏo như vậy. Các nhà nghiên cứu phải tiến hành chọn lựa dạng mạng, các biến đầu vào, thay đổi các giá trị ban đầu của trọng số, số lớp nơ-ron ẩn, số lượng nơ-ron ẩn trong mỗi lớp, dạng hàm truyền, các thông số của mô hình như kích thước bước, động lượng,… để tìm ra mạng có MSE nhỏ nhất. Sau khi tìm được cấu trúc tốt nhất, nhà nghiên cứu phải tiếp tục thực hiện hàng trăm lần bằng cách thay đổi những giá trị ban đầu của các trọng số với hy vọng tìm ra điểm tối thiểu hóa toàn cục.
So sánh mô hình Mạng thần kinh nhân tạo và mô hình Hồi quy tuyến tính Như đã trình bày ở các phần trên, mô hình Hồi quy tuyến tính thể hiện mối quan hệ
Thực tế, thủ tục dừng đúng lúc có thể làm gia tăng tình trạng khít quá mức vì nó yêu cầu mẫu chia làm ba phần, làm cho số lượng quan sát trong tập huấn luyện dùng để ước lượng càng bị giới hạn. Tuy nhiên, có một vài nghiên cứu cho rằng việc dự báo các biến kinh tế vĩ mô cũng có thể đạt được một số thành công nhất định khi sử dụng kích cỡ mẫu tương đối nhỏ. Đặc biệt, khi đặt trong mối liên hệ với các mô hình Hồi quy tuyến tính, mô hình Mạng thần kinh nhân tạo có thể trở nên hiệu quả hơn hay cho kết quả dự báo chính xác hơn.
XÂY DỰNG MÔ HÌNH DỰ BÁO TỐC ĐỘ TĂNG TRƯỞNG TỔNG SẢN PHẨM QUỐC NỘI (GDP) CỦA VIỆT NAM
Dữ liệu
Khan and Senhadji (2000) kiểm nghiệm mối quan hệ giữa lạm phát và tăng trưởng GDP cho các nước công nghiệp và các nước đang phát triển, đối với các nước công nghiệp thì mức lạm phát từ 1% - 3% sẽ làm chậm tốc độ tăng trưởng, còn đối với các nước đang phát triển là từ 7% - 11%. Trong các loại lãi suất, chúng tôi nhận thấy lãi suất liên ngân hàng (VNIBOR) thể hiện tình trạng thanh khoản của các ngân hàng thương mại, tác động đến lãi suất cho vay thực trên thị trường, đồng thời do giới hạn của nguồn dữ liệu khó có thể thu thập lãi suất cho vay thực của các ngân hàng thương mại nên chúng tôi quyết định chọn VNIBOR 1 tháng và VNIBOR 3 tháng đại diện cho lãi suất và cũng kỳ vọng có mối quan hệ ngược chiều với tăng trưởng GDP. Bên cạnh đó, quãng đường vận chuyển còn cho thấy sự mở rộng của mạng lưới lưu thông hàng hóa nên biến khối lượng luân chuyển hàng hóa là một chỉ tiêu đánh giá kép trên sự kết hợp cả chiều dài quãng đường và khối lượng vận chuyển sẽ được đưa vào mô hình cùng với khối lượng vận chuyển nhằm kiểm tra mối quan hệ của chúng với GDP.
Xây dựng mô hình Hồi quy tuyến tính truyền thống cho dự báo tốc độ tăng trưởng GDP Việt Nam
Điều này có thể được giải thích như sau: ở các nền kinh tế phát triển khi giá trị xuất khẩu tăng lên thể hiện giá trị thặng dư của nền kinh tế gia tăng, năng lực sản xuất xã hội được nâng cao cùng với tiến bộ kỹ thuật tạo nên lợi thế cạnh tranh trên thị trường quốc tế, kết quả sẽ tạo ra động lực thúc đẩy nền kinh tế tăng trưởng. Tuy nhiên, đối với nền kinh tế đang phát triển như Việt Nam, với đặc điểm là hầu hết hàng hóa xuất khẩu là hàng gia công, nguyên liệu thô, giá trị thặng dư thấp, hầu như chỉ hưởng lợi thế về chi phí lao động rẻ, do đó khi giá trị xuất khẩu tăng thì đồng thời chúng ta cũng phải nhập khẩu một lượng lớn nguyên vật liệu, máy móc thiết bị để mở rộng sản xuất, không những thế kinh nghiệm và hiệu quả đầu tư kém càng làm cho vấn đề thâm hụt thương mại trở nên nghiêm trọng mà hệ quả là làm giảm tốc độ tăng trưởng. Trong điều kiện các yếu tố khác không đổi, khi tốc độ tăng trưởng của vốn đầu tư từ ngân sách nhà nước quý hiện tại tăng thêm 1% thì tốc độ tăng trưởng GDP trung bình gia tăng thêm khoảng 0,016149 %.
SƠ LƢỢC QUÁ TRÌNH PHÁT TRIỂN CỦA MẠNG THẦN KINH NHÂN TẠO
Cũng trong thời gian này, Bernard Widrow và Marcian Hoff đã xây dựng Mạng thần kinh tuyến tính thích ứng (Adaptive Linear Neuron – ADALINE) và mở rộng ADALINE với nhiều lớp mạng thành Mạng thần kinh tuyến tính thích ứng đa lớp (Multiple Adaptive Linear Neuron - MADALINE). Đến năm 1982, trong bài báo gửi tới Viện khoa học Quốc gia, thì John Hopfield với sự phõn tớch toỏn học rừ ràng, mạch lạc đó chỉ ra cỏch thức cỏc Mạng thần kinh làm việc và những công việc chúng có thể thực hiện được. Mở rộng nghiên cứu của Hopfield, Rumelhart, Hinton và Williams (1986) đã khám phá thuật toán sai số truyền ngược (Error Backpropagation) để huấn luyện cho Mạng thần kinh đa lớp nhằm giải các bài toán mà Mạng thần kinh truyền thẳng đơn giản nhất không giải quyết được.
CÁC ỨNG DỤNG CỦA MẠNG THẦN KINH NHÂN TẠO
Bằng việc sử dụng phương pháp lớp ẩn- dùng quy tắc dựa trên sự phân loại, mạng thần kinh nhân tạo tự tổ chức học không giám sát hoạt động tốt như mạng thần kinh nhân tạo học có giám sát được huấn luyện để truy cập mức độ rủi ro liên quan với một giao dịch hoặc một tập hợp các giao dịch- để giám sát và phân tích các giao dịch của tài khoản ở các định chế tài chính dựa trên các thông tin có sẵn từ các nguồn khác nhau trong hệ thống tài chính nên giúp giảm bớt khó khăn và chi phí cho việc liên tục giám sát theo thời gian thực hoạt động của tài khoản. Do đó, tác giả sử dụng mẫu dữ liệu gồm các khía cạnh về tuổi tác, thời gian sau khi đột quỵ, sự hồi phục cơ chân, việc điều khiển các cơ vận động khác, mất thị giác, mất cảm giác, sự xao lãng, điểm FIM khi mới nhập viện và sự có mặt của người chăm sóc của 147 bệnh nhân bị đột quỵ từ tháng 10/1990 đến tháng 3/1994 với điểm FIM trong khoảng từ 37 đến 96 làm dữ liệu trong mẫu và 17 bệnh nhân khác được lựa chọn ngẫu nhiên trong khoảng tháng 4/1994 đến tháng 1/1995 làm dữ liệu ngoài mẫu để xây dựng mô hình dự báo nơi xuất viện. Ngân hàng León thuộc Cộng hòa Đô-mi-ni-ca (Dominican Republic) đã sử dụng hệ thống quản trị gian lận thông minh (Neural Fraud Management System) kết hợp mạng thần kinh nhân tạo với thiết bị phát hiện gian lận, hệ thống mô hình hóa tự động và thiết bị phân nhóm giám sát được thiết kế nhằm giúp ngăn chặn, phát hiện và phân tích các gian lận đối với các loại thẻ ngân hàng như: thẻ tín dụng, thẻ ghi nợ và ATM.