c/ Thúc đẩy thương mại
2.2.2 Số liệu nghiên cứu
Mô hình đã được xây dựng như trên, chúng ta bắt đầu kiểm tra dữ liệu và kiểm định các giả định của mô hình ARDL. Đầu tiên, dữ liệu được thống kê mô tả như sau:
50
Median 8.740271 1.878519 1.728687 5.039902 0.781613 Maximum 10.13444 2.020222 2.614325 5.349010 1.064711 Minimum 6.745447 1.656321 0.121332 4.713217 0.587787 Std. Dev. 1.181122 0.108515 0.818460 0.196673 0.119364 Skewness -0.305632 -0.450141 -0.379406 0.037388 0.911330 Kurtosis 1.605669 2.207372 1.837943 2.032675 3.627957 Jarque-Bera 1.931503 1.198973 1.605142 0.784424 3.097018 Probability 0.380697 0.549094 0.448175 0.675561 0.212565 Sum 171.2755 37.24432 31.55588 100.4936 16.09616 Sum Sq. Dev. 26.50591 0.223736 12.72767 0.734925 0.270708 Observations 20 20 20 20 20
Nguôn: Tác giả tự tính toán từ sô liệu WB và Trade Map Theo tiêu chuẩn Jarque- Bera, p- value > a = 0,05 đồng nghĩa với việc tất cả các biến đều có phân phôi chuẩn. Khi hồi quy mô hình với các biến là chuỗi thời gian thì điều kiện yêu cầu tiên quyết là chuỗi này phải có tính dừng. Theo Gujarati (2003), Chuỗi thời gian là dừng khi giá trị trung bình và phương sai sai sô không đổi theo thời gian, nói cách khác, chuỗi dừng có xu hướng dao động xung quanh giá trị trung bình.
Để kiểm định tính dừng của chuỗi thời gian, ta có thể sử dụng rất nhiều phương pháp như kiểm định Dickey- Fuller Test ( DF), kiểm định Augmented Dickey- Fuller Test (ADF), kiểm định Durbin- Watson(DW), hay Philip- Perron(PP) hoặc bằng giản đồ tự tương quan. Trong nghiên cứu này, ta sẽ kiểm định
thông qua ADF, kiểm định nghiệm đơn vị (Unit root test). Số liệu chuỗi thời gian về kinh tế thường là chuỗi không dừng vì chúng hay có xu hướng tuyến tính hoặc mũ theo
thời gian như công thức các chỉ số kinh tế. Tuy nhiên, ta có thể khắc phục qua quá trình
sai phân như các biến không dừng ở bậc tích hợp I(0) thì lấy sai phân bậc 1- I(1), sai phân bậc 2- I(2). Nhưng mô hình ARDL cần đảm bảo tất cả các biến chỉ dừng tại bậc tích hợp I(0) hoặc I(1).
Bảng (2.6), Kết quả kiểm định tính dừng cho thấy mô hình chỉ có các biến LNUNE và LNINF là chuỗi dừng hoặc tích hợp ở bậc I(0), vì giá trị tuyệt đối của ADF lớn hơn trị số thống kê ở các mức ý nghĩa 1%,5%,10%. Ngược lại, các biến còn lại đều là chuỗi không dừng ở bậc tích hợp dữ liệu ban đầu. Để khắc phục được thực trạng, ta tiếp tục lấy sai phân bậc 1 của dữ liệu. Tổ hợp trị tuyệt đối kiểm định ADF sai phân của các biến, được biểu diễn như sau I A D F I (LNFDI,LN GDP,LN OPEN)= (4,65; 4,26; 6,21), chúng đều lớn hơn các trị số bao gồm {3,83; 3,02; 2,65}. Đồng nghĩa với việc LNFDI, LNGDP, LNOPEN dừng tại bậc I(1). Điều kiện tính dừng của số liệu thời gian đã được đáp ứng, vừa có chuỗi dừng tại I(0) và I(1). Chúng ta có thể tiến hành mô hình ARDL ngay lập tức, nhưng để kết quả mô hình có tính tin cậy, ta cần hoàn thiện đúng toàn bộ các khâu chuẩn bị dữ liệu như chọn độ trễ tối ưu và
Biến Kết quả kiểm định ADF Giá trị thô 1% LNFDI -0,728389 -3,831511 D(LNFDI) -4,654261 LNGDP -2,089411 D(LNGDP) -4,261718 LNOPEN -0,103322 D(LNOPEN) -6,218477 LNUNE -4,025180 LNINF -4,446918
)ng kê ở các mức ý nghĩa Kết luận
5% 10% -3,029970 -2,655194 Chuỗi không dừng IW Chuỗi không dừng IW Chuỗi không dừng IW Bảng 2.6 Kết quả kiểm định tính dừng
I(0) I(0)
Lag LogL LR FPE AIC SC HQ
0 56,91280 NA 2,15e-09 -5,768089 -5,520764 -5,733986
1 117,7499 81,11607* 4,58e-11* -9,749984 -8,266031* -9,545367
2 148,0881 23,59642 6,00e-11 -10,34312* -7,622543 -9,967992*
Nguôn: r "ác giả tự tính toán từ số liệu WB và Trade Map (phụ
Nguôn: Tác giả tự tính toán từ sô liệu WB và Trade Map Hiện tại, không có những công trình nghiên cứu chính thức về xác định độ trễ tôi ưu trong mô hình tự hồi quy phân tán độ trễ. Bên cạnh đó, là những tiêu chuẩn có thể dùng để tham khảo như FPE (Final prediction error), AIC (Akaike information Criterion), SIC (Schwarz information Criterion, hoặc là Bayesian information Critetion, viết tắt là BIC), HQ (Hannan-Quinn information Criterion ). Dữ liệu được tính theo năm nên độ trễ cũng được tính theo năm, thông thường độ trễ tôi ưu là 0, 1 hoặc 2 năm.
Lựa chọn độ trễ tôi ưu, AIC và SC thường là 2 tiêu chuẩn hiệu quả được sử dụng phổ biến nhất, tuy nhiên đôi với mô hình có lượng mẫu nhỏ thì tiêu chuẩn SC
53
có kết quả tốt hơn theo Venus Khim-Sen Liew (2008). Vì vậy, với kết quả bảng (2.7) chúng ta sẽ lấy theo tiêu chuẩn SC và độ trễ tối ưu của mô hình là 1 năm.
Số biến K
Giá trị thống
kê F- statistic Giá trị giới hạn của các đường bao
4
7,870794
1% 5% 10%
I(0) I(1) I(0) I(1) I(0) I(1)
3,74 5,06 2,86 4,01 2,45 3,52
Nguồn: Tác giả tự tín h toán từ số liệu WB và Trade Map
lục 1) Ngoài lựa chọn độ trễ cho biến chính, các biến LNGDP, LNINF, LNOPEN, LNUNE lần lượt là 2, 2, 0, 0 để xây dựng mô hình hiệu quả nhất phù hợp với kết quả tự động hồi quy.
Kiểm định đồng liên kết là kiểm tra sự tồn tại mối quan hệ dài hạn giữa các biến trong mô hình. Theo Pesaran,M.H và Pesaran B (1997), kiểm định đường bao (Bound Test) chính là công cụ cũng như thủ tục để giám định mối quan hệ dài hạn giữa các biến. Khóa luận cũng sẽ kiểm tra thông qua công cụ truyền thống này.
ALNFDIt =
C + ∑s 1 a12ΔLN F D It -, + ∑^1β1jΔLN GD Pt-II + ∑⅛,1β2mΔLNUNEt-m +
∑%i
-1β3,nΔLNOPENt-n + ∑⅛1/WLWIWFt-U + Vi LNFD∣t-1 + V2LNGDPt-I + V3 L N UNEt-1 + V4 LN 0 P ENt-1 + VsL NI NFt-1 + St (4)
Trong đó, Δ là sai phân của các biến, C là hệ số, a; β lần lượt là hệ số góc của các biến trong ngắn hạn, V là hệ số góc các biến trong dài hạn, St là phần nhiễu trắng.
Các giả thuyết kiểm định mối quan hệ định lượng giữa các biến như sau:
“ H0: Các biến không tồn tại mối quan hệ dài hạn.”: V 1 = V2 = V3 = V4 = V5 = O
“ H1: Các biến có tồn tại mối quan hệ dài hạn.”: V 1 ≠ V 2 ≠ V3 ≠ V4 ≠ V5 ≠ O
Biến Hệ số Độ lệch chuẩn Thống kê t Xác suất
LNFDI(-1) -0,1165 0,2195 -0,5310 0,6098
LNGDP -0,3725 0,8745 -0,4260 0,6813
Kết quả bảng (2.8) cho thấy giá trị thống kê F-Statistic lớn hơn toàn bộ giá trị giới hạn đường bao của từng mức ý nghĩa, như vậy, chúng ta có thể bác bỏ giả thuyết H0 và chấp nhận giả thuyết H1. Điều này khẳng định các biến có mối quan hệ dài hạn.
2.2.3 Kết quả nghiên cứu
Mô hình ARDL(1,2,2,0,0) với độ trễ tương ứng của các biến LNFDI, LNGDP, LNINF, LNOPEN, LNUNE đã thu được kết quả hồi quy (bảng 2.9), cụ thể ý nghĩa của các hệ số như sau:
- Tốc độ tăng trưởng GDP của giai đoạn 2 năm trước có tác động cùng chiều với vốn FDI trong ngành ở hiện tại, tỷ lệ tăng trưởng GDP tăng 1% thì vốn FDI của ngành tăng 1,31 %.
- Chỉ tiêu cơ sở hạ tầng của hiện tại có tác động tích cực ngay lập tức đến với vốn FDI trong ngành CBCT. Cơ sở hạ tầng cũng là yếu tố tác động mạnh nhất đến đầu tư trực tiếp nước ngoài tại ngành CBCT. Tuy nhiên, độ trễ 2 năm trước thì chúng lại có tác động tiêu cực đến hiện tại.
- Độ mở thị trường và tỷ lệ tất nghiệp đều có sự biến động trái chiều so với vốn FDI trong ngành khi hệ số đều mang dấu âm.
- Giá trị hằng số C > 0, nhấn mạnh sự biến động của FDI luôn có xu hướng gia tăng trong giai đoạn nghiên cứu.
55
LNGDP(-1) -0,4095 0,8703 -0,4705 0,6505 LNGDP(-2) 1,3135* 0,6398 2,0528 0,0742 LNINF 3,3962*** 0,8451 4,0185 0,0038 LNINF(-1) -0,0140 0,6302 -0,0222 0,9828 LNINF(-2) -1,1523* 0,5185 -2,2223 0,0570 LNOPEN -1,2925 1,6752 -0,7715 0,4625 LNUNE -1,6345** 0,5825 -2,8059 0,0230 C 12,4263* 6,2488 1,9885 0,0820 R-squared 0,989382 Adjusted R-squared 0,977436 F-statistic 82,82482 Prob(F-statistic) 0,000001
Kiểm định Thống kê Giá trị thống
kê P- value
Ramsey reset F(1,7) 0,319312 0,5897
Serial Correlation LM Test F26) 3,066117 0,1210
White F(9,8) 0,811042 0,6217
Ghi chú: ***, **, * tương ứng mức ý nghĩa 1%, 5%, 10%
Nguồn: Tác giả tự tính toán từ số liệu WB và Trade Map (phụ lục 2) Nhìn vào kết quả mô hình, T?2(hiệu chỉnh) = 0,97 có nghĩa là 97% sự biến động của vốn FDI vào ngành công nghiệp chế biến, chế tạo được giải thích theo các biến của mô hình: tỷ lệ tăng trưởng GDP, tỷ lệ thất nghiệp, tỷ lệ mở cửa thương mại, lưu lương cảng container.
Tuy nhiên, R2 có thể khá cao do lượng quan sát quá ít hoặc các biến đại diện không phù hợp. Để đảm bảo mô hình ổn định và đáng tin cậy, chúng ta cần thực hiện các kiểm định về sai dạng hàm, tự tương quan, phương sai sai số thay đổi. Thông thường mỗi nội dung kiểm định được thực hiện bằng những phương pháp
56
khác nhau, nhưng chúng đều kiểm tra dựa trên giá trị p-value với một giả thuyết chung.
Cụ thể là khi giá trị p-value của các mô hình công cụ lớn hơn mức ý nghĩa 5%, ta chấp nhận giả thuyết H0: “Mô hình không vi phạm hiện tượng”, và bác bỏ H1: “Mô hình có xãy ra hiện tượng”. Việc kiểm tra dạng hàm được kiểm định thông qua Ramsey Reset, tự tương quan thông qua Breusch-Godfrey Serial Correlation LM test, và phương sai sai số do Heterokedasticity test theo White.
10. 0 7.5 - 5.0 - 2.5 - OO - - 2.5 - - 5.0 - - 7.5 I .U 1.2 0.8 0.4 o.ũ -0.4 I I I I I I I
I — CUSUM —5% Significance] — CUSUM Of Squares -— ⅞⅞ Significance"!
Biến Hệ số Độ lệch chuẩn Thống kê t Xác suất
LNGDP 0,4759 1,0735 0,4433 0,6693
LNINF 1,9970*** 0,4541 4,3969 0,0023
LNOPEN -1,1576 1,5653 -0,7395 0,4807
LNUNE -1,4639** 0,5633 -2,5987 0,0317
EC= LNFDI - (0,4759*LNGDP +1,9971*LNINF - 1,1576*LNOPEN - 1,4639*LNUNE)
Nguồn: Tác giả tự tính toán từ số liệu WB và Trade Map (phụ lục 3) Từ bảng (2.9), thấy rõ mô hình nghiên cứu được định dạng đúng, không thừa biến cũng không sót biến khi chạy với số lượng quan sát nhất định. Ngoài ra là không xãy ra hiện tượng tự tương quan và phương sai sai số thay đổi. Thời điểm hiện tại, mô hình đã bảo đảm độ tin cậy cho các độc giả gần như đạt đến 90% trước khi thực hiện kiểm định cuối cùng. Chúng ta kiểm tra tính ổn định của mô hình thông qua 2 phương pháp: Kiểm định tổng tích lũy của phần dư (CUSUM: Cumulative Sum of Recursive Residuals), tổng tích lũy hiệu chỉnh của phần dư (CUSUMSQ: Cumulative Sum of Square of Recursive Residuals).
2012 2013 2014 2015 2016 201? 2018 2019 2012 2013 2014 2015 2016 2017 2018 2019
Hình 2.1: Tổng tích lũy của phần dư Hình 2.2: Tổng tích lũy hiệu chỉnh của phần dư
Nguồn: Trích dẫn Eviews. 10
Nhìn vào hình vẽ (2.1) và (2.2), cho thấy tổng tích lũy phần dư và tổng tích lũy hiệu chỉnh của phần dư đều nằm trong miền tiêu chuẩn của mức ý nghĩa 5%. Nên ta có khẳng định phần dư của mô hình ổn định cũng như mô hình có mang tính ổn định, phù hợp, đảm bảo độ tin cậy.
Sau khi kiểm định mô hình, Chúng ta xem xét kỹ tác động và mối quan hệ của các yếu tố đến vốn FDI trong ngành thông qua ngắn hạn và dài hạn.
Ghi chú: ***, ** tương ứng mức ý nghĩa 1%, 5%
Nguồn: Tác giả tự tính toán từ số liệu WB và Trade Map (phụ lục 4)
Trong phương trình từ kết quả hồi quy, hệ số của biến LNOPEN và biến LNUNE mang dấu âm, đồng nghĩa với việc tác động tiêu cực đến đầu tư trực tiếp nước ngoài vào ngành CBCT tại Việt Nam trong dài hạn. Chỉ có biến LNGDP và
Biến Hệ số Độ lệch chuẩn Thống kê t Xác suất
C 12,4263*** 1,6217 7,6621 0,0001
LNINF là các yếu tố tác động tích cực đến vốn FDI của ngành. Cụ thể hơn, là LNINF- chỉ tiêu đại diện cho cơ sở hạ tầng có tầm ảnh hưởng mạnh nhất đến đầu tư trực tiếp nước ngoài của ngành.
> Tỷ lệ tăng trưởng GDP: Hệ số co giãn của biến LNGDP là 0,47, đồng nghĩa là trong dài hạn , tốc độ tăng trưởng GDP tăng 1% dẫn đến vốn FDI ngành tăng 0,47%, nhưng không có ý nghĩa thống kê (0,66>10%). Tuy nhiên, chiều tác động đúng với giả thuyết cũng như kết quả của các công trình nghiên cứu chung về FDI từ trước. Động cơ đầu tư là tìm kiếm được thêm thu nhập, tối đa hóa lợi nhuận cho nhà đầu tư, nên họ luôn bước tìm đến các thị trường tiềm năng, có quy mô đủ lớn. Tỷ lệ tăng trưởng GDP càng cao, nguồn cung và cầu trên thị trường tiêu dùng càng nhiều hơn, chính điều đó đã kéo theo sự gia tăng của FDI trong ngành CBCT. Ngoài sự tác động theo chiều GDP - FDI, thì vốn đầu tư trực tiếp trong ngành cũng là yếu tố quan trọng trong nguồn lực kinh tế để thúc đẩy tăng trưởng GDP.
> Lưu lượng cảng container: Đây là chỉ tiêu nhỏ đại diện cơ sở hạ tầng, nó thể hiện được điều kiện kho bãi cũng như mạng lưới giao thông tạo thuận lợi cho việc sản xuất và buôn bán trong kinh doanh. Số lượng container và cảng được tăng lên qua từng quý, từng năm, cho thấy hoạt động sản xuất và thương mại quốc tế trên lãnh thổ Việt Nam ngày càng sôi nổi. Mạng lưới giao thông và kho bãi được cải thiện, chi phí vận tải và lưu kho được giảm thiểu. Chúng đều là những căn cứ hàng đầu vô cùng hấp dẫn cho các nhà đầu tư. Hệ số co giãn của biến này trong mô hình mang dấu dương, β = 1,99 nghĩa là lưu lượng cảng container tăng 1% thì vốn FDI tăng 1,99%.
> Độ mở thị trường: Nhìn vào hệ số, chúng ta thấy được sự khác biệt trong 2 mối quan hệ, đó là độ mở thương mại so lần lượt với vốn FDI của ngành CBCT và tổng nguồn vốn FDI chung. Như trong mô hình, độ mở thị trường biến động ngược chiều với vốn FDI ngành trong dài hạn, nhưng đối với kết quả của các nghiên cứu trước đó thì yếu tố lại có tác động cùng chiều đến FDI. Tuy nhiên, kết luận không đảm bảo độ chính xác do p - value =0,48>10%, nhưng theo lập luận cơ bản về xu hướng: Ban đầu các nhà ĐTNN rót vốn vào ngành công nghiệp CBCT, trong dài hạn, vốn đầu tư đăng ký sẽ được chững lại khi chúng có thể được tái đầu tư tại Việt Nam. Mặt khác, mục đích đầu tư đang hướng về thị trường tiêu thụ nội địa, nhà
ĐTNN e ngại môi trường cạnh tranh gắt gỏng do độ mở ngày càng sâu rộng. Sự tác động tiêu cực của LNOPEN đến LNFDI hiện lên rõ ràng.
> Nguồn nhân lực: Tỷ lệ thất nghiệp có hệ số β = -1,46, tỉ lệ nghịch với sự biến động của FDI ngành công nghiệp CBCT trong dài hạn. Vốn FDI luôn đi kèm với chuyển giao công nghệ, bắt buộc nguồn nhân lực phải có chất lượng cao dù lĩnh vực chỉ là gia công, lắp ráp. Mặc dù tỷ lệ thất nghiệp đại diện cho quy mô và không phản ánh rõ được chất lượng nguồn nhân lực, nhưng ngược lại hạn chế chất lượng lao động gây áp lực lớn trong chuyện giải quyết việc làm, là yếu tố cấu thành phần nào lên tỷ lệ thất nghiệp. Trong khi sử dụng máy móc và công nghệ là thiết yếu của tương lai, các nhà ĐTNN vẫn căn cứ chỉ tiêu dễ tìm này để đánh giá môi trường lao động. Biến LNUNE ảnh hưởng tiêu cực đến sức hút nguồn vốn FDI của ngành.
D(LNGDP) -0,3725 0,3362 -1,1079 0,3001 D(LNGDP(-1)) -1,3135** 0,4491 -2,9247 0,0192 D(LNINF) 3,3962*** 0,4175 8,1337 0,0000 D(LNINF(-1)) 1,1523** 0,3527 3,2663 0,0114 CointEq(-1)* -1,1165*** 0,1453 -7,6831 0,0001 R-squared 0,8791 Adjusted R-squared 0,8287 F-statistic 17,4586