Dự báo tăng trưởng và lạm phát

Trong phần này chúng tôi thực hiện dự báo tăng trưởng và lạm phát thông qua các mô hình định lượng. Việc dự báo được thực hiện dựa trên các kĩ thuật từđơn giản, như các mô hình

đơn chuỗi ARMA, đến các kĩ thuật hiện đại hơn như mô hình véc-tơ tự hồi quy (VAR). Trước

tiên, để tiện theo dõi, các kĩ thuật dự báo này sẽđược thảo luận một cách vắn tắt, sau đó kết quả

dự báo của mỗi phương pháp sẽđược trình bày.

5.1 Phương pháp đơn chuỗi – mô hình ARMA (Autoregressive Moving Average)

Mô hình ARMA, hay còn gọi là Mô hình Tự hồi quy Trung bình Trượt, là kĩ thuật dự báo các giá trị trong tương lai của một đơn chuỗi dựa trên các giá trị trong quá khứ của chính nó.

Phương pháp này thường được áp dụng cho những dự báo ngắn hạn và khảnăng dự báo của nó sẽ tốt hơn khi chuỗi số liệu đủ dài (> 40 quan sát) có sựổn định theo thời gian.

Điều kiện áp dụng phương pháp ARMA là chuỗi số phải có tính dừng, tức là chuỗi số có trung bình và phương sai tương đối cốđịnh theo thời gian. Nếu chuỗi số thể hiện xu hướng hoặc

có dao động (tăng dần hoặc giảm dần) thì nó được coi là có tính không dừng. Khi đó, chúng ta

cần loại bỏcác đặc tính này bằng cách lấy sai phân hoặc sử dụng các phương pháp lọc (ví dụnhư phương pháp lọc HP) để làm cho chuỗi số trở nên có tính dừng.

Mô hình ARMA cố gắng mô tả sự biến đổi của một chuỗi số dừng theo một hàm số của các thành phần “tự hồi quy” (AR) và “trung bình trượt” (MA). Một mô hình ARMA(p,q) tổng quát cho chuỗi sốytbất kì có thểđược biểu diễn như sau:

1 1 2 2 1 1 2 2 ... ... t t t p t p t t t q t q y y y y u u u u                        , (1.4)

trong đó các bậc trễ củayt, còn được gọi là các thành phần AR, phản ánh mối quan hệ của ytvới

các giá trị trong quá khứ của chính nó. Độ lớn của các tham số 1, 2,…p cho biết mức độ tương quan của các giá trị này. Trong khi đó, ut, còn được gọi là các thành phần MA, là sai số

của mô hình. Các tham số 1, 2,…p phản ánh mối quan hệ giữaytvới các sai số ngẫu nhiên xảy ra ở hiện tại cũng như trong quá khứ.

Nhiệm vụ chính của chúng ta là đi tìm các bậc trễ p và q phù hợp cho mô hình ARMA thông qua các hàm tự tương quan và tương quan riêng như đề xuất bởi Box-Jenkins (1976), sau

đó kiểm tra tính phù hợp của chúng trong mô hình ước lượng. Các kiểm định sau ước lượng, ví

dụ như kiểm định tự tương quan và phương sai sai số thay đổi, cũng được thực hiện để xác định tính đúng đắn của mô hình. Sau cùng, việc dự báo các giá trị tương lai củaytsẽ được thực hiện

40

thì các giá trị dự báo này sẽ càng kém chính xác và hội tụ về giá trị trung bình (giá trị kì vọng

không điều kiện) của chuỗi số.

5.2 Phương pháp đa chudiễn như sau: đổi của một chuư, các bc b

Mô hình véc-tơ tự hồi quy, thường gọi tắt là VAR, là một trong những mô hình được sử

dụng phổ biến nhất trong phân tích thực nghiệm vĩ mô. Phương pháp VAR, lần đầu tiên được xây dựng bởi Sims (1980, 1986) và Bernanke (1986), dựa trên số liệu quá khứ của nền kinh tế, có thểđo lường được sự phản ứng và dao động của các biến số kinh tế vĩ mô đối với mỗi cú sốc tài khoá, tiền tệ và các cú sốc ngoại sinh khác. Đồng thời, nó có thểđưa ra được các dự báo một cách khá chính xác miễn là mô hình được xây dựng dựa trên các lý thuyết kinh tế hợp lý. Nội dung của phương pháp này có thểđược mô tả một cách vắn tắt như sau.

Giả sử nền kinh tếđược mô tả bởi một hệcác phương trình đồng thời tuyến tính phản ánh sựtương tác động giữa các chuỗi số kinh tế vĩ mô như sau:

( )

t t t

Ax C L x B , (1.5)

trong đó xt là véctơ gồm k biến số nội sinh chuỗi thời gian, ởđây có thể bao gồm các biến tăng trưởng kinh tế, tỉ lệ lạm phát, tỉ giá hối đoái, tốc độtăng cung tiền, tốc độtăng đầu tư công,…; A là ma trận vuông phản ánh các tác động tức thời giữa các biến; C là véctơ các biến ngoại sinh;

) (L

 là ma trận đa thức trễ, tức là (L)1L2L2...L, t là véctơ các cú sốc cấu trúc với E(t)0, E(ts') Ik khi s = t và E(ts')0 khi s ≠ t và; B là ma trận vuông phản ánh mối quan hệ tức thời có thể có giữa các cú sốc cấu trúc với các biến số kinh tế vĩ mô. Phương trình (1.5) được gọi là mô hình VAR dạng cấu trúc. (adsbygoogle = window.adsbygoogle || []).push({});

Ma trận A và B được xây dựng dựa trên các lý thuyết kinh tế. Nhân cả hai vế (1.5) với 1  A chúng ta có: ( ) t t t x   L x u , (1.6) trong đó  1

 A và ut là véctơ sai sốước lượng được từ số liệu thực tế, thoả mãn các điều kiện E(ut)0, E(utu's)u với s = t và E(utus')0 với s ≠ t. Phương trình (1.6) được gọi là mô hình VAR dạng rút gọn. Mối quan hệ giữa các cú sốc cấu trúc trong phương trình (1.5) và sai sốước lượng được trong phương trình (1.6) được thể hiện qua phương trình sau:

t t Au B . (1.7) Do vậy, 1 1 ' ' u A BB A    , (1.8)

trong đó ma trận sai số u có thểtính được từ số liệu thực tế, ' 1 1 T t u t t u u T       .

41

Mục đích chính của phương pháp VAR là phải ước lượng được các tham số trong hai ma trận A và B để từđó có thể xác định được ảnh hưởng của các cú sốc cơ cấu, t, đến các biến số

trong nền kinh tế. Điều này có thể dễdàng đạt được qua phương trình (1.8) nhờ phương pháp

ML (Maximum Likelihood), miễn là chúng ta áp dụng đủ các ràng buộc cần thiết phù hợp về mặt lý thuyết kinh tếđối với các tham số trong hai ma trận A và B. Sau khi mô hình được ước lượng, ngoài việc đo lường phản ứng của các biến theo mỗi cú sốc qua các hàm phản ứng và đánh giá

vai trò của mỗi cú sốc đối với sự dao động của các biến thông qua phân rã phương sai sai số dự

báo, chúng ta có thểđưa ra các dự báo dựa trên mối quan hệđộng giữa các biến trong mô hình.

5.3 Ước lượng và dự báo

Chúng tôi sử dụng hai chuỗi số liệu tăng trưởng và lạm phát trung bình so với cùng kì

năm trước đểước lượng hai mô hình ARMA và VAR. Các chuỗi số liệu có tần suất theo quý và

được hiệu chỉnh yếu tố mùa vụtheo phương pháp Census X12. Đểđảm bảo các chuối số liệu có tính dừng chúng tôi sử dụng phương pháp lọc HP (Hodrick-Prescott filter). Thành phần chu kì của chuỗi sẽđược sử dụng đểước lượng các mô hình ARMA và VAR. Các thành phần xu hướng và yếu tố mùa vụđược lưu lại để tính toán kết quả dự báo cuối cùng sau này.

Kết quả dự báo đối với thành phần chu kì của tăng trưởng và lạm phát ở mỗi mô hình

được trình bày trong Hình 1.13(a)-(b). Mỗi mô hình ARMA và VAR cho kết quả dự báo chu kì

tăng trưởng và chu kì lạm phát khá khác nhau về giá trị, tuy nhiên chúng đều cho thấy trong năm

2013 nền kinh tế khởi động ởđiểm đáy chu kì sau đó tăng dần qua mỗi quý của năm. Điều này hàm ý, thời điểm cuối năm 2012 có thểlà đáy của lạm phát và đỉnh của tăng trưởng trong ngắn hạn. Kết quả dự báo trung bình là trung bình cộng của các giá trị dự báo ở mỗi mô hình ARMA và VAR.16

Sau khi dự báo thành phần chu kì của các biến, chúng tôi thực hiện việc đưa trở lại các

thành xu hướng dài hạn và mùa vụ của tăng trưởng và lạm phát trong kết quả dự báo cuối cùng. Quy luật mùa vụ được giả định là không thay đổi so với năm 2012. Tăng trưởng thường thấp nhất vào quý 1, khi sản xuất bịgián đoạn ở kì nghỉ Tết dài ngày và do tính mùa vụ trong sản xuất nông nghiệp, sau đó tăng dần theo các quý của năm. Trong khi đó, lạm phát lại thường tăng cao

nhất vào quý đầu và quý cuối của năm và thấp ở những thời điểm giữa năm.

Thành phần dài hạn của tăng trưởng, hay còn gọi là xu hướng tăng trưởng tiềm năng, được quyết định bởi năng lực sản xuất của nền kinh tế thông qua các yếu tốnhư tiến bộ công nghệ, tích luỹ vốn con người, vốn sản xuất, cải cách thể chế,… Thành phần này được cho là sẽ không có thay đổi đột biến trong năm 2013 và vẫn trong xu hướng giảm dần. Chúng tôi giảđịnh rằng thành phần này tiếp tục có tốc độ giảm bằng với tốc độ giảm trung bình của 3 năm gần đây. Trong khi đó, thành phần xu hướng dài hạn của lạm phát được quyết định bởi tốc độ tăng tổng

42

phương tiện thanh toán trong nền kinh tế. Với tăng trưởng cung tiền của năm 2012 là 22,4%, và

nếu con sốnày được tiếp tục duy trì ở mức xấp xỉ20% cho năm 2013, thì nhiều khảnăng thành

phần dài hạn của lạm phát sẽ chấm dứt xu hướng giảm và dao động quanh mức 12% như ở thời

điểm cuối năm 2012.

Hình 1.13: Kết quả dựbáo tăng trưởng và lạm phát 2013

Nguồn: Tính toán của tác giả (adsbygoogle = window.adsbygoogle || []).push({});

Kết quả dự báo cuối cùng đối với tăng trưởng và lạm phát được trình bày trong Bảng

1.13(d). Tăng trưởng cảnăm 2013 dự kiến sẽở mức 4,89% trong khi đó lạm phát trung bình cả năm sẽlà 9,0%. Lưu ý rằng, kết quả dựbáo tăng trưởng dựa trên giảđịnh, do giới hạn ngân sách, Chính phủ Việt Nam không thực hiện bất kì gói kích cầu lớn nào trong năm 2013 nhằm thúc đẩy

tăng trưởng. Trong khi đó, dự báo về lạm phát dựa trên giảđịnh tăng trưởng cung tiền được tiếp tục duy trì như hiện nay, quanh mức 20%. Nếu tăng trưởng cung tiền lệch xa con số này, giá trị

dự báo lạm phát sẽ tựđộng thay đổi theo. Ngoài ra, các dự báo không tính đến các cú sốc ngoại sinh bất thường vềgiá xăng dầu, giá các nguyên vật liệu và giá hàng hoá cơ bản trong nước cũng như trên thế giới. Đồng thời, các dự báo cũng dựa trên giảđịnh trong năm 2013 Việt Nam vẫn

chưa có những chuyển biến thực sự nào vềcơ cấu nền kinh tế do quá trình tái cấu trúc và xử lý nợ xấu vẫn diễn ra một cách chậm chạp. Khi các cú sốc giá cả diễn ra hoặc khi có những thay đổi bất thường về chính sách, kết quả dự báo sẽ tự động tăng/giảm theo chiều hướng tác động của các cú sốc hoặc thay đổi chính sách đó.

(b) Dự báo thành phần chu kì của lạm phát

ARMA VAR Trung bình

Giá trị  Giá trị  Giá trị 

2013Q1 -3,39 1,21 -5,49 1,15 -4,44 1,18 2013Q2 -2,87 2,10 -3,48 2,07 -3,18 2,08 2013Q3 -2,69 2,46 -1,89 2,47 -2,29 2,46 2013Q4 -0,80 2,41 0,59 2,55 -0,11 2,48 (d) Kết quả cuối cùng Tăng trưởng Lạm phát 2013Q1 3,55 8,00 2013Q2 4,26 8,64 2013Q3 5,33 9,21 2013Q4 5,86 10,13 Cả năm 4,89 9,00 (c) Các thành phần xu hướng và mùa vụ Tăng trưởng Lạm phát

Xu hướng Mùa vụ Xu hướng Mùa vụ

2013Q1 4.87 -0,89 12,00 0,44

2013Q2 4.76 -0,40 12,00 -0,19

2013Q3 4.65 0,39 12,00 -0,50

2013Q4 4.54 0,90 12,00 0,24

(a) Dự báo thành phần chu kì của tăng trưởng

ARMA VAR Trung bình

Giá trị  Giá trị  Giá trị 

2013Q1 -0,43 0,37 -0,44 0,33 -0,43 0,35

2013Q2 -0,35 0,51 0,13 0,38 -0,11 0,44

2013Q3 -0,14 0,61 0,73 0,48 0,29 0,55

43

Tài liệu tham khảo

Bộ Tài chính (2010). Bản tin NợNước ngoài số 7;

BộTài chính (2012). Đề án tái cơ cấu DNNN giai đoạn 2011–2015, trọng tâm là các tập đoàn

kinh tế, tổng công ty nhà nước của Bộ Tài chính trình Chính phủ tháng 5/2012;

Bộ tài chính (2012). Quyết toán và Dựtoán Ngân sách Nhà nước các năm 2003–2012;

Bernanke, Ben S. (1986). Alternative Exploration of the Money-Income Correlation. Carnegie Rochester Conference Series in Public Policy 25; 49-100;

Box, George E. P. and Jenkins, Gwilym M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day;

Chính phủ (2012). Báo cáo về tình hình nợ công – 305/BC-CP năm 2012; EViews 7 User’s Guide, 1994–2009 Quantitative Micro Software, LLC;

Phạm Thế Anh (2009). Các nhân tố quyết định lạm phát ở Việt Nam. Tạp chí Kinh tế Phát triển, số 150, tháng 12/2009; (adsbygoogle = window.adsbygoogle || []).push({});

Phạm Thế Anh (2011). Lạm phát và các quy tắc chính sách tiền tệ ở Việt Nam. Tạp chí Tài chính, số 2 (556);

Phạm Thế Anh (2011). Public Debt in Vietnam: Risks and Challenges. Journal of Economics and Development, Dec, 2012.;

Phạm Thế Anh và các cộng sự (2012). Quản lý nợ công và tính bền vững ở Việt Nam: Quá khứ, hiện tại và tương lai. Dự án nghiên cứu của Uỷ ban Kinh tế Quốc hội năm 2012.;

Sims, C. A. (1980). Macroeconomics and Reality. Econometrica 48; 1-48;

Sims, C. A. (1986). Are Forecasting Models Usable for Policy Analysis? Federal Reserve Bank of Minneapolis, Quarterly Review 10; 2-16;

44

CHƯƠNG 2

LẠM PHÁT VÀ TĂNG TRƯỞNG KINH TẾ VIỆT NAM:

KÍCH CẦU HAY CẢI THIỆN TỔNG CUNG TIỀM NĂNG?