Các diễn biến, sự kiện khác nhau trong quá khứ thăng trầm của nền kinh tế quốc gia mà tác giả đề cập ở chương trước đều đã nêu bật lên được chủ đề bài viết. Sự hiện diện của ERPT đến lạm phát tại Việt Nam đã dần trở nên rõ nét hơn. Tuy nhiên, như vậy là vẫn chưa đủ. Q trình phân tích định tính này sẽ khơng được đánh giá cao khi chưa kết hợp cùng các tính tốn, kiểm định chuẩn mực dựa trên những số liệu thực tế để đưa ra kết quả thống kê cụ thể, mang tính thuyết phục. Đồng thời làm sáng tỏ thêm các khía cạnh khác nhau của ERPT đến lạm phát tại Việt Nam chứ không chỉ dừng lại ở mức độ hiểu biết đơn thuần về sự tồn tại của nó. Đó cũng là địi hỏi tất yếu mà cơng tác điều hành vĩ mô đặt ra. Bởi lẽ, mọi biện pháp nói chung cũng như các quyết định liên quan đến quản lý tỷ giá hối đối nói riêng từ cấp lãnh đạo Nhà nước đều sẽ tiềm ẩn rủi ro sai lầm cực kỳ lớn, ảnh hưởng xấu đến tổng thể đời sống xã hội nếu khơng đảm bảo được tính chính xác, phù hợp. Hay nói cách khác, mọi động thái, chính sách đều phải được cân nhắc kỹ lưỡng về “liều lượng”, sức hấp thụ của nền kinh tế dựa trên các hiểu biết chuyên sâu, đầy đủ. Và cụ thể hơn, trong phạm vi bài nghiên cứu này, đó chính là thơng tin về mức độ và độ trễ tác động của tỷ lệ trao đổi giữa các đồng tiền lên tình hình giá cả quốc gia khi có biến động. Hiển nhiên, những điều đó chỉ có thể được thu thập bằng phương pháp định lượng. Do vậy, ở chương này, tác giả sẽ trình bày chi tiết về phương pháp nghiên cứu, mơ hình kinh tế lượng được áp dụng trong bài viết, diễn giải về các biến số tham gia trong q trình kiểm định, lượng hóa ERPT đến lạm phát tại Việt Nam. Bên cạnh đó, cịn cung cấp thơng tin về nguồn dữ liệu và cách thức xử lý. Kế đến sẽ tiến hành phân tích, đánh giá vấn đề từ các kết quả nghiên cứu thu được.
4.2. Mơ hình và phương pháp nghiên cứu: 4.2.1. Mơ hình tự hồi quy vector (VAR):
Xuyên suốt q trình nghiên cứu, khám phá khơng ngừng nghỉ hàng thế kỷ qua, các học giả kinh tế đã tìm ra hàng loạt mối quan hệ giữa các yếu tố, thành phần vi mô và vĩ mô cấu tạo nên hệ thống kinh tế quốc gia. Phần lớn trong đó là các liên hệ đa chiều, là sự tương tác qua lại giữa các biến số với nhau chứ khơng chỉ đơn thuần là quy trình “nguyên nhân-kết quả” một chiều tác động. Tiêu biểu nhất có thể để cập đến chính là mối quan hệ giữa tỷ giá hối đoái và lạm phát quốc gia – chủ đề của bài nghiên cứu này. Tỷ giá được điều chỉnh có thể gây ra nhiều biến động đối với tình hình giá cả trong nước. Tuy nhiên, khi lạm phát có sự thay đổi, nó cũng có tác động ngược trở lại lên tỷ giá. Và trên cơ sở đó mơ hình tự hồi quy vector (Vector Autoregressive Model) viết tắt là VAR ra đời chính là một sự tiến bộ tất yếu của khoa học kinh tế nhằm phục vụ cho nhu cầu kiểm chứng, lượng hóa các mối quan hệ đa chiều ngày càng phổ biến trên thế giới. Đặc biệt rất quen thuộc trong nghiên cứu các vấn đề liên quan đến tiền tệ quốc gia.
VAR là một hệ phương trình mà trong đó mỗi biến số được giải thích bởi một lượng hữu hạn biến trễ của chính nó và các biến số cịn lại được đề cập trong mơ hình (tức là với một độ trễ xác định). Qua đó thể hiện được tác động của các biến ngoại sinh lên biến nội sinh ở thời điểm đương thời cũng như trong giai đoạn kế tiếp ở tương lai (Nguyễn Quang Dong và Nguyễn Thị Minh, 2013).
Giả sử, vấn đề nghiên cứu gồm có hai biến số A và B với độ trễ được xác định là 1 kỳ. Khi đó hệ phương trình của mơ hình VAR bậc 1 hay VAR (1) sẽ được biểu diễn như sau:
{Yt = a10 + a11∗Yt − 1 + a12∗Zt − 1 + uYt
Zt = a20 + a21∗Yt − 1 + a22∗Zt − 1 + uZt (1) Trong đó uYt và uZt là các nhiễu trắng.
Hay: Y = A0 + A1*Yt-1 + ut (3)
Tương tự như vậy đối với mơ hình VAR bậc p hay VAR (p):
Y = A0 + A1*Yt-1 + A2*Yt-2 + … + Ap*Yt-p+ ut (*) 4.2.2. Mơ hình VAR cấu trúc hay SVAR:
Mặc dù hàm chứa nhiều ưu điểm nổi bật, vượt trội trong phân tích kinh tế song mơ hình VAR đơi khi lại khơng phải là một sự lựa chọn hợp lý. Ngun nhân là vì trên thực tế có tồn tại những mối quan hệ kinh tế mà biến nội sinh vừa phụ thuộc vào các biến quá khứ vừa phụ thuộc vào các biến hiện tại hay biến đương thời. Ví dụ như đầu tư thời điểm t (It) phụ thuộc vào các mức lãi suất trong quá khứ (rt-1, rt-2, rt-3,…) nhưng đồng thời cũng phụ thuộc vào tình hình lãi suất ở hiện tại (rt). Như vậy, mơ hình VAR trong những trường hợp này sẽ khơng cịn bám sát vấn đề trong thực tế, ảnh hướng đáng kể đến tính chính xác của các kết quả ước lượng. Trên cơ sở đó, mơ hình VAR cấu trúc (Structural VAR) hay còn gọi là SVAR đã ra đời, giải quyết sự bất cập của mơ hình VAR bằng cách đưa thêm các biến đương thời vào hệ phương trình (Jan, 2001; Lutz, 2011).
Trở lại với giả định trước, cũng xét hai biến A và B với độ trễ là 1 kỳ. Nhưng khi này mơ hình SVAR được áp dụng, ta sẽ có được hệ phương trình sau đây:
{Yt = a10+a11∗Zt+a12∗Yt − 1 + a13∗Zt − 1 + uYt
Zt = a20+a21∗Yt+a22∗Yt − 1 + a23∗Zt − 1 + uZt (4) Trong đó Yt và Zt được gọi là các biến đương thời.
Viết dưới dạng ma trận: [ 1 −a11 −a21 1 ]*[Y t Zt] = [a10 a20] + [a12 a13 a22 a23]*[Yt − 1 Zt − 1] + [uYt uZt] (5)
Hay: A1*Y = A0 + A2Yt-1 + ut (6)
Tương tự như vậy đối với các mơ hình SVAR bậc p hay SVAR (p).
A1*Y = A0 + A2Yt-1 + A3*Yt-2 + … + Ap+1*Yt-p+ ut (**)
Thế nhưng, nếu để SVAR ở dạng này, công tác ước lượng sẽ gặp rất nhiều khó khăn vì vậy mơ hình cần được biến đổi về dạng đơn giản (reduced form SVAR). Để đơn
giản, tác giả sẽ xem xét trở lại (6) (mơ hình 2 biến với độ trễ 1 kỳ). Để đưa về dạng đơn giản, cần tiến hành nhân hai vế của cho A1-1 là mà trận nghịch đảo của A1. Khi đó:
Y = A1-1*A0 + A1-1*A2*Yt-1 + A1-1*ut (7)
Thay thế bằng ký hiệu mới, đơn giản hơn, ta được:
Y = B0 + B1*Yt-1 + 𝜺t (8)
Như vậy, sau khi biến đổi về dạng đơn giản, SVAR lại trở thành mơ hình VAR ban đầu, thuận lợi hơn trong việc tính tốn. Tuy nhiên, một vấn đề khác lại nảy sinh là lúc này thành phần ngẫu nhiên của mơ hình mà cụ thể là 𝜺t trong (8) được tính bằng tích
số giữa A1-1 và ut, hay nói cách khác nó khơng cịn là những cú sốc nguyên thủy ban đầu
trong (4), (5) và (6). Do vậy địi hỏi phải có phương pháp bóc tách các cú sốc trong q trình mơ hình hóa để tìm lại tác động thật sự của mỗi cú sốc lên từng biến số trong mô hình SVAR. Nói về vấn đề bóc tách, hiện nay tồn tại khá nhiều phương pháp nhưng tất cả tụ chung lại được quy về hai nhóm chính đó là bóc tách đệ quy và bóc tách bất đệ
quy.
Quy trình bóc tách đệ quy được đề cập đầu tiên bởi Christopher Sims (1980). Theo đó, ơng này đề nghị nên đưa ra các giả định về tính chất phụ thuộc đương thời của các biến số trong mơ hình để từ đó biến đổi ma trận A1 trong (5) về dạng ma trận tam giác. Tức là, giả sử mơ hình đang nghiên cứu có hai biến Yt và Zt với độ trễ 1 kỳ, tác giả sẽ cho rằng vào bất kỳ thời điểm t nào, biến Yt sẽ phụ thuộc vào chính nó ở q khứ và biến
Zt ở quá khứ cũng như hiện tại. Trong khi đó Zt lại khơng phụ thuộc Yt mà chỉ phụ thuộc
vào chính nó ở q khứ. Điều đó nghĩa là tác giả đã ngầm áp đặt cho –a21 = 0. Từ đó làm giảm bớt số tham số cần phải ước lượng trong mơ hình. Cách làm cũng tương tự như vậy đối với mơ hình SVAR với các độ trễ lớn hơn (Christopher, 1980). Phương pháp này đơn giản nhưng hàm chứa hạn chế rất lớn. Đó là việc áp đặt mang tính đệ quy này quá cứng nhắc, bất biến, phụ thuộc nhiều vào trình tự sắp xếp các biến trong mơ hình, trình
kinh tế-xã hội, giảm tính chính xác của mơ hình. Đây chính là tiền đề cho sự ra đời của kỹ thuật bóc tách bất đệ quy.
Quy trình bóc tách bất đệ quy vẫn nhằm mục đích đưa ra các hạn chế xác định cụ thể làm giảm bớt các tham số cần ước lượng trong mơ hình SVAR. Tuy nhiên, quy trình này khơng phải là một sự áp đặt thiếu thực tế, mang nặng tính chủ quan như quy trình bóc tách đệ quy. Nó chủ yếu dựa vào các lý thuyết học thuật, các kết quả nghiên cứu thực nghiệm về sự tương tác giữa các biến số kinh tế đã được thế giới công nhận. Từ đó đưa ra quyết định về cấu trúc tương tác giữa các thành phần hay cú sốc trong mơ hình một cách hợp lý hơn. Từ đó vừa làm giảm bớt số lượng các tham số cần tính tốn vừa nâng cao tính chính xác của mơ hình ước lượng. Tóm lại là vẫn tiến hành áp đặt giá trị 0 cho vài tham số nhưng không theo một quy tắc cố định nào mà thay đổi tùy theo tính chất của các đối tượng nghiên cứu. Đồng thời cũng không hề phụ thuộc vào thứ tự sắp đặt các biến số (Ben, 1986; Christopher, 1986).
4.2.3. Hàm phản ứng xung (IRF) và phân rã phương sai (Variance Decomposition):
Phối hợp cùng mơ hình VAR hay SVAR trong phân tích định lượng cịn có hàm phản ứng xung (Impulse Response Function) viết tắt là IRF nhằm mục đích xem xét, đánh giá tính hiệu lực của từng cú sốc đến mỗi biến số trong mơ hình. Hay nói cách khác, qua khảo sát đồ thị của hàm phản ứng xung, ta sẽ biết được một cú sốc giả định với mức độ nào đó (ví dụ: một độ lệch chuẩn), khởi phát ở thời điểm t bất kỳ sẽ tác động mạnh như thế nào? tích cực hay tiêu cực đến từng biến số? và ảnh hưởng của cú sốc sẽ được kéo dài bao lâu sau đó? (Nguyễn Quang Dong và Nguyễn Thị Minh, 2013).
Và nếu như hàm phản ứng xung (IRF) thể hiện được tác động riêng lẻ của mỗi cú sốc đến từng biến số thì kỹ thuật phân rã phương sai (Variance Decomposition) sẽ mang đến góc nhìn bao qt hơn, cho thấy sự phối hợp tạo ra hiệu ứng chung và mức độ đóng góp của từng cú sốc, thành phần có trong mơ hình đối với sự biến động của mỗi biến số (Nguyễn Quang Dong và Nguyễn Thị Minh, 2013).
Từ những hiểu biết về hai dạng mơ hình VAR và SVAR kết hợp với việc lược khảo các cơng trình nghiên cứu trước đây, tác giả đã cân nhắc và đưa ra quyết định chọn mơ hình VAR để lượng hóa ERPT đến lạm phát tại Việt Nam. Vì bất chấp những hạn chế về mặt lý thuyết so với SVAR, mơ hình này vẫn có tính phổ biến cao, được ứng dụng rộng rãi trong cơng tác số hóa và phân tích các vấn đề tài chính tiền tệ nói chung cũng như ERPT đến lạm phát nói riêng hiện nay. Bên cạnh đó, độ chính xác và tính hiệu quả cũng đã được kiểm chứng và chấp nhận bởi rất nhiều học giả kinh tế khác nhau trên thế giới.
4.3. Quy trình ứng dụng mơ hình VAR:
Để tính tốn, kiểm định và phân tích được bản chất của vấn đề ERPT đến lạm phát tại Việt Nam thơng qua mơ hình kinh tế lượng VAR, tác giả sẽ triển khai lần lượt các bước quy trình sau đây:
Bước 1: Kiểm tra tính dừng của các chuỗi số liệu đã thu thập được bằng kiểm định
nghiệm đơn vị Augmented Dickey-Fuller. Trong trường hợp các chuỗi dữ liệu khơng thỏa mãn tính dừng, tác giả sẽ thực hiện thao tác lấy sai phân của các chuỗi thời gian ở các bậc khác nhau và lần lượt đánh giá lại tính dừng.
Bước 2: sau khi các chuỗi thời gian đạt được tính dừng, việc lựa chọn độ trễ phù
hợp sẽ được tiến hành. Trong đó các tiêu chuẩn kiểm định LR, FPE, AIC, HQIC và SBIC đều sẽ được tác giả cân nhắc, xem xét và đánh giá để quyết định mức độ trễ phù hợp với vấn đề nghiên cứu cũng như tình hình kinh tế Việt Nam.
Bước 3: triển khai ước lượng mơ hình VAR với mức độ trễ phù hợp đã lựa chọn.
Với kết quả có được sau q trình lượng hóa, tác giả sẽ xem xét hệ số R2 và R2 hiệu chỉnh của từng phương trình trong mơ hình đồng thời sử dụng kiểm định nhân quả Granger để có cái nhìn ban đầu về khả năng giải thích của các biến độc lập đối với các biến phụ thuộc.
Bước 5: phân tích cụ thể, lượng hóa sự tương tác qua lại giữa các biến số bằng hàm
phản ứng xung (IRF) và phân rã phương sai (Variance Decomposition).
4.4. Kiểm định và phân tích ERPT đến lạm phát tại Việt Nam bằng mơ hình VAR:
4.4.1. Các biến số trong mơ hình VAR:
Dựa trên nền tảng của những cơng trình nghiên cứu trước đây, tác giả đã quyết định phân tích, đánh giá ERPT đến lạm phát tại Việt Nam bằng dữ liệu tháng của 7 biến số kinh tế vĩ mô bao gồm: giá dầu, sản lượng quốc gia, cung tiền, lãi suất, giá tiêu dùng,
giá nhập khẩu và tỷ giá hối đoái danh nghĩa đa phương (NEER) giai đoạn từ tháng 1
năm 2004 đến tháng 12 năm 2014 với tổng cộng 132 quan sát cho mỗi biến số. Trong đó:
4.4.1.1. Giá dầu (Oil price/Commodity price):
Giá dầu (thế giới) được sử dụng ở dạng chỉ số được đưa vào để gắn kết Việt Nam với phần còn lại của nền kinh tế thế giới trong vấn đề ERPT đến lạm phát. Qua đó giúp mơ hình bám sát thực tế, phù hợp với bối cảnh mở cửa hội nhập tồn diện, hướng theo xu thế tồn cầu hóa hiện nay. Năm gốc được chọn là 2010. Chuỗi số liệu gốc được tác giả thu thập trên trang web của Quỹ tiền tệ quốc tế (www.imf.org).
4.4.1.2. Sản lượng (Output):
Sản lượng trong bài nghiên cứu này thực chất là lỗ hổng sản lượng (output gap) được tính bằng đơn vị %, thể hiện mức độ chệnh lệch giữa sản lượng thực tế và sản lượng tiềm năng của quốc gia. Tuy nhiên do những hạn chế về nguồn số liệu trong giai đoạn nghiên cứu, tác giả đã sử dụng sản lượng công nghiệp cùng phương pháp lọc Hodrick- Prescott filter (nhằm tìm ra những giá trị đại diện cho các mức sản lượng tiềm năng từng thời kỳ) như một giải pháp thay thế để xây dựng nên chuỗi thời gian của biến này. Chuỗi số liệu gốc của sản lượng công nghiệp được tác giả thu thập trên trang web của Tổng Cục Thống kê Việt Nam (www.gso.gov.vn), đơn vị tính là tỷ VND.
Cung tiền được hiểu theo nghĩa rộng bao hàm cả tín tệ trong lưu thơng và tiền gửi thanh toán tại các ngân hàng hay nói cách khác là M2. Ở đây cũng xin được nói thêm rằng: tác giả đã cân nhắc đến việc sử dụng cung tiền M1. Tuy nhiên, trong các mơ hình VAR thử nghiệm có sử dụng M1 đại diện cho cung tiền (thay vì là M2), kết quả ước lượng lại khơng thực sự tốt để phân tích ERPT. Các chuỗi số liệu gốc được tác giả thu thập trên trang web của Quỹ tiền tệ quốc tế (www.imf.org), đơn vị tính là nghìn tỷ VND.
4.4.1.4. Lãi suất (Interest rate):
Lãi suất được sử dụng là lãi suất cho vay của các NHTM. Chính xác hơn, đây là giá trị trung bình của lãi suất cho vay các khoản vốn lưu động ngắn hạn tại 4 NHTM thuộc sở hữu Nhà nước. Như đã trình bày ở chương 2 của bài viết này: đối với những