(i) Tăng trưởng GDP giảm ngay từ thời kỳ 1 dưới tác động của cú sốc giá cả. Tăng trưởng GDP bắt đầu điều chỉnh tăng lên khi CPI tăng lên ở khoảng quý số 3 và biến động tương đối mạnh mẽ dưới tác động của các cú sốc giá cả. Tác động này giảm dần từ quý 12. (ii) Ảnh hưởng của cú sốc trong lãi suất lên tăng trưởng là chưa thực sự rõ nét ở 3 thời kỳ đầu, song cũng là mối tương quan ngược chiều. Lãi suất tăng lên thì tăng trưởng giảm đi và điều này phù hợp với lý thuyết kinh tế do lãi suất là chi phí của vốn vay. Tuy nhiên mức biến động trong tăng trưởng trở nên khá mạnh mẽ từ quý 6 đến quý 10, và sau khoảng 10 quý thì ảnh hưởng này giảm. Như vậy, mức độ ảnh hưởng của cú sốc lãi suất đối với tăng trưởng sẽ giảm dần theo thời gian.
Bảng tiếp cho thấy kết quả phân rã phương sai bằng phương pháp phân rã Cholesky. Tại đây có thể thấy biến động của tăng trưởng kinh tế chịu ảnh hưởng phần lớn từ các cú sốc trong chính nó trong q khứ. Ngay tại thời kỳ đầu tiên, cú sốc từ tăng trưởng chiếm tới 91% mức độ biến động trong nó. Tuy nhiên tỷ trọng của cú sốc này giảm dần từ ngay quý số 2.
Tỷ trọng tác động của thay đổi trong chỉ số giá tiêu dùng đến biến động của tăng trưởng tăng dần, bắt đầu từ quý số 2 và có chiều hướng tiếp tục tăng. Gía cả cũng có tác động ngay tức thì lên sản lượng của quý 1 và tỷ trọng của cú sốc giá cả lên đến biến động tăng trưởng là 8.9%
Tỷ trọng tác động của lãi suất lên đến biến động của tăng trưởng chưa xuất hiện ở thời kỳ số 1 tuy nhiên từ quý 2 trở đi, cú sốc này mạnh dần và có chiếu hướng ngày càng gia tăng trong việc giải thích sự biến động trong tăng trưởng.
Qúy thứ Sai số chuẩn d(CPI) d(GDP growth) d(Interest rate)
1 1.331534 8.852914 91.14709 0 2 1.877328 11.89065 87.29691 0.812441 3 1.973761 11.50411 87.41348 1.082409 4 1.97852 11.48167 75.92158 12.59675 5 1.989758 15.65195 72.66789 11.68016 6 1.993779 14.831 68.89252 16.27649 7 1.996962 18.87789 65.66937 15.45274 8 2.003079 18.95338 64.34839 16.69823 9 2.006727 20.18695 63.42147 16.39158 10 2.009289 20.43009 63.01278 16.55713 11 2.010383 20.72791 62.81689 16.45519 12 2.011342 20.82118 62.6697 16.50912 13 2.011734 20.87055 62.65936 16.47009 14 2.012176 20.87502 62.60409 16.52089 15 2.012308 20.9088 62.58953 16.50168 16 2.012405 20.90422 62.55562 16.54016
Nguồn: Tính tốn với sự trợ giúp của phần mềm Eviews 10
Bảng 28: Phân tích phân rã phương sai của biến động tăng trưởng theo phương pháp Choleski
Có thể kết luận được với mức dự báo tăng trưởng cho 2019Q4 và 2020Q4 như trên, phần lớn các biến động trong tăng trưởng đến từ chính yếu tố tăng trưởng trong quá khứ đồng thời yếu tố giá cả tiêu dùng cũng chiếm một tỉ trong lớn trong sự biến động này. Điều này là tương đối đúng với trường hợp của Việt Nam do tiêu dùng cũng chiếm phần lớn trong quy mô tổng sản phẩm quốc nội của nền kinh tế, đồng thời với mức thu nhập xếp thứ hạng trung bình trên thế giới, hành vi mua sắm của người dân là tương đối nhạy cảm với yếu tố giá cả.
V. Kết quả dự báo
Dựa vào vào quy trình dự báo trong mẫu và các tiêu chí dự báo ta có thể tổng hợp lại thành bảng dưới đây:
Phương pháp san mũ
Winters Mơ hình ARIMA Mơ hình
VAR Mơ hình nhân Mơ hình cộng Mơ hình cộng Mơ hình cộng MAPE 6.938% 3.35 % 13.253% 18.862% 27.605%
Nguồn: Tính tốn với sự trợ giúp của phần mềm Eviews 10
Bảng 29: Bảng so sánh các mơ hình
Với mục tiêu cực tiểu hóa sai số dự báo, nhóm sử dụng kết quả dự báo bằng san mũ Winters mơ hình cộng tính là kết quả dự báo cuối cùng và được trình bày ở Bảng 30
2019Q4 2020Q1 2020Q2 2020Q3 2020Q4
7.652308 6.489006 6.680545 7.262083 7.604391
Nguồn: Nhóm tác giả tính tốn và tổng hợp với sự trợ giúp của Eviews 10
VI. Kết luận
Nhìn chung dự báo tăng trưởng kinh tế hằng quý và hằng năm luôn là một công việc cần thiết giúp các nhà hoạch định chính sách có thể nhìn nhận xu hướng trong tương lai từ đó đưa ra các quyết định có tính hiệu quả và chính xác cao. Tiểu luận này đã góp phần cụ thể hóa cơng tác dự báo tăng trưởng với các phương pháp khác nhau nhằm nâng cao mức độ chặt chẽ và nhất quán của các kết quả dự báo, từ đó đưa ra phương pháp dự báo tối ưu nhất, với sai số dự báo là thấp nhất.
Với đặc tính là chuỗi dữ liệu theo q có yếu tố mùa vụ và là chuỗi không dừng, các phương pháp bóc tách yếu tố mùa vụ, sử dụng sai phân được thực hiện nhằm biến đổi chuỗi sao cho phù hợp với yêu cầu của từng phương pháp dự báo. Ba phương pháp được sử dụng để dự báo tăng trưởng kinh tế bao gồm: (1) San mũ Winters, (2) Mơ hình ARIMA và (3) Mơ hình VAR. Cả 3 phương pháp đều cho thấy những ưu điểm trong việc dự báo tăng trưởng, đặc biệt mơ hình VAR có q trình sử dụng kỹ thuật mơ hình chuẩn xác, với nhiều kiểm định được sử dụng như: Kiểm định tính dừng, kiểm định độ trễ, kiểm định phần dư nhiễu trắng, kiểm định nhân quả giữa các biến nội sinh, kiểm định Wald, phân rã Choleski... Điều này đã khẳng định mơ hình VAR là một cơng cụ hữu hiệu và đáng tin cậy để dự báo tăng trưởng cũng như ứng dụng trong phân tích chính sách. Qua q trình thực hiện dự báo với cả 3 mơ hình, kết quả dự báo tăng trưởng kinh tế đều cho thấy mức tăng trưởng ở các quý từ Qúy 4 năm 2019 đến Qúy 4 năm 2020 ở mức dao động trong khoảng 6.4 – 7.8%, và nhóm tiểu luận nhận thấy mức tăng trưởng này là mục tiêu tương đối hợp lý và tiềm năng đối với bối cảnh kinh tế hiện này của Việt Nam. Thông qua việc đánh giá sai số của các mơ hình, nhóm đưa ra kết luận đó là mơ hình San mũ Winters đem tới chất lượng dự báo tốt hơn so với các mơ hình cịn lại, tuy nhiên để kết quả thực sự khách quan và chính xác, cũng như có nhiều hàm ý chính sách hơn, nhiều lớp mơ hình dự báo khác nhau cần được áp dụng để có được kịch bản tốt nhất cho nền kinh tế trong thời gian tới.
Qua q trình dự báo, có thể thấy tăng trưởng kinh tế phụ thuộc phần nhiều vào bản thân cơ cấu của các ngành trong nền kinh tế, đồng thời là các yếu tố như giá cả, lạm phát và tỷ giá. Vì vậy, Việt Nam trong thời gian tới để có thể đạt được mức tăng trưởng ấn tượng hơn, việc đảm bảo tốt cơ cấu ngành trong nền kinh tế là một điều quan trọng, đồng thời chất
lượng của môi trường kinh doanh và thị trường tiêu dùng cũng cần được nâng cao hơn nữa. Quan trọng hơn cả các chính sách bình ổn giá cả cũng cần được giữ vững nhằm hạn chế những tác động xấu từ khu vực tiêu dùng đến tăng trưởng kinh tế. Đồng thời, các chính sách tiền tệ cũng cần đảm bảo hoạt động một cách linh hoạt, hiệu quả với những cú sốc từ bên ngoài nền kinh tế. Điều này càng giữ một vai trò quan trọng hơn trong bối cảnh hội nhập kinh tế toàn cầu sâu và rộng của Việt Nam.
Với những ý nghĩa to lớn của việc dự báo tăng trưởng kinh tế mang lại, có thể thấy hoạt động dự báo cho không chỉ tăng trưởng mà các biến số khác trong nền kinh tế cũng cần được nâng cao, đặc biệt các phương pháp dự báo, bộ dữ liệu cũng cần được cập nhật hơn để đảm bảo cho chất lượng dự báo được chính xác hơn.
VII. Tài liệu tham khảo
Chen, S.–S. (2010). DSGE models and central bank policy making: A critical review. Department of economics national Taiwan university, National Taiwan University. Del Negro, M. and Schorfheide, F. (2004), Priors from General Equilibrium Models for VARS*. International Economic Review, 45: 643-673. doi:10.1111/j.1468-
2354.2004.00139.x
Del Negro, M., & Schorfheide, F. (2009). Inflation dynamics in a small openeconomy model under inflation targeting: Some evidence from Chile. Federal Reserve
Bank of New York Staff Reports, No. 329
Chen, S.–S. (2010). DSGE models and central bank policy making: A critical review. Department of economics national Taiwan university, National Taiwan University. Del Negro, M., & Schorfheide, F. (2009). Inflation dynamics in a small openeconomy model under inflation targeting: Some evidence from Chile. Federal Reserve
Bank of New York Staff Reports, No. 329
Nguyễn Quang Dong, Nguyễn Thị Minh (2012). Giáo trình Kinh tế lượng, NXB Đại học Kinh tế Quốc dân.
Nguyễn Thị Thu Trang (2017). Sử dụng mơ hình ARIMA và VAR dự báo lạm phát tại Việt Nam < https://bitlylink.com/YModL> , Xem 12/12/2019
Nguyễn Đức Trung (2017). Mơ hình dự báo cho nền kinh tế nhỏ và mở của Việt Nam: Phương pháp tiếp cận: BVAR-DSGE. Tạp chí Phát triển Kinh tế, 28(10), 05–38