3 .Xác đị nh và mô tả các bi số
3.4. Xử lý số liệu Error! Bookmark not defined.
3.4.1 Mơ hình hồi quy dữ liệu bảng
Ưu điểm của dữ liệu bảng
Dữ liệu bảng là sự kết hợp của dữ liệu chéo và dữ liệu chuỗi thời gian. Sử dụng dữ liệu bảng có hai ưu điểm lớn như:
Dữ liệu bảng cho các kết quả ước lượng các của tham số trong mơ hình tin cậy hơn; Theo Li và cộng sự (1998), hồi quy dữ liệu chéo đòi hỏi một giả thiết rất hạn chế liên quan đến mối quan hệ giữa những thay đổi riêng của từng quốc gia (từng tỉnh, thành phố) với các biến giải thích trong mơ hình
Dữ liệu bảng cho phép xác định và đo lường tác động mà những tác động này không thể được xác định và đo lường khi sử dụng sử dụng chéo hoặc dữ liệu thời gian. Dữ liệu bảng có thể phát hiện và đo lường tốt hơn các tác động không thể quan sát được trong dữ liệu chuỗi thời gian hay dữ liệu chéo thuần túy. Đồng thời dữ liệu bảng cũng cung cấp một bộ dữ liệu chứa nhiều thơng tin hữu ích hơn, tính biến thiên nhiều hơn, ít hiện tượng đa cộng tuyến giữa các biến hơn, nhiều bậc tự do hơn và hiệu quả cao hơn.
Các mơ hình ước lượng hồi quy dữ liệu bảng
Theo Yaffee (2003), có ba loại mơ hình phổ biến trong các phân tích hồi quy dữ liệu bảng là: (1) Mơ hình hồi quy thuần túy (pooled OLS), (2) Mơ hình các hiệu ứng cố định (FEM) và (3) Mơ hình hiệu ứng ngẫu nhiên (REM).
Mơ hình hồi quy gộp (pooled OLS):
Mơ hình hồi quy thuần túy là mơ hình hồi quy trong đó tất cả các hệ số đều không thay đổi theo thời gian và giữa các cá nhân, không xét đến sự tồn tại của những hiệu ứng đặc thù theo không gian và thời gian của dữ liệu và chạy mơ hình hồi quy theo phương pháp bình thường nhỏ nhất thơng thường (OLS).
𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑀𝑀1 + 𝑀𝑀2 𝑀𝑀1𝑀𝑀𝑀𝑀 + 𝑀𝑀3 𝑀𝑀2𝑀𝑀𝑀𝑀 + 𝑀𝑀𝑀𝑀𝑀𝑀
Tuy nhiên, ràng buộc các hệ số không thay đổi theo thời gian và giữa các cá nhân rất khó xảy ra trong thực tế. Đồng thời nhược điểm lớn nhất của mơ hình này là hệ số Durbin – Watson thường khá nhỏ (bé hơn 1) nên rất dễ xảy ra hiện tượng tự tương quan trong dữ liệu.
Mơ hình các hiệu ứng cố định (FEM)
Mơ hình các hiệu ứng cố định (FEM) khác mơ hình hồi quy gộp (pooled OLS) ở chỗ các hệ số độ dốc không đổi nhưng tung độ gốc thay đổi giữa các cá nhân:
𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑀𝑀1𝑀𝑀 + 𝑀𝑀2 𝑀𝑀1𝑀𝑀𝑀𝑀 + 𝑀𝑀3 𝑀𝑀2𝑀𝑀𝑀𝑀 + 𝑀𝑀𝑀𝑀𝑀𝑀
Giả thiết có sự tương quan giữa phần dư với các biến giải thích.
Hiệu ứng cố định ở đây có nghĩa là mặc dù tung độ gốc có thể khác nhau giữa các cá nhân, nhưng mỗi tung độ gốc của các cá nhân không thay đổi theo thời gian. Điều này có thể được khắc phục bằng cách sử dụng các biến giả tung độ gốc chênh lệch để thay thế các biến bị bỏ qua, nhằm nắm bắt được những đặc điểm riêng biệt theo không gian của các quan sát. Mơ hình này cịn được gọi là mơ hình hồi quy biến giả bình phương nhỏ nhất. FEM có thể kiểm sốt và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) này ra khỏi các biến giải thích để có thể ước lượng những ảnh hưởng thực của các biến giải thích lên biến phụ thuộc.
Tuy nhiên, việc đưa quá nhiều biến giả vào mơ hình có khả năng làm giảm bậc tự do và làm tăng khả năng đa cộng tuyến của mơ hình.
Xét một mối quan hệ kinh tế, với biến phụ thuộc, Y, và hai biến giải thích quan sát được, ��1 và 𝑀𝑀2, và một hoặc nhiều biến khơng quan sát được. Từ đó có dữ liệu bảng cho Y, 𝑀𝑀1 và 𝑀𝑀2 Dữ liệu bảng bao gồm N-đối tượng và T-thời điểm, và vì vậy có NxT quan sát. Mơ hình hồi quy tuyến tính cổ điển khơng có hệ số cắt được xác định bởi:
��𝑀𝑀𝑀𝑀 = ��1 �𝑀𝑀𝑀𝑀𝑀 1 + 𝑀𝑀2 𝑀𝑀𝑀𝑀𝑀𝑀 2 + �𝑀𝑀𝑀𝑀𝑀 với i = 1, 2, …, N và t = 1, 2, …, T
trong đó ��𝑀𝑀𝑀𝑀 là giá trị của Y cho đối tượng i ở thời điểm t; �𝑀𝑀𝑀𝑀𝑀 1 là giá trị của 𝑀𝑀1 cho đối tượng i ở thời điểm t, 𝑀𝑀𝑀𝑀𝑀𝑀2 là giá trị của 𝑀𝑀2, cho đối tượng i ở thời điểm t, và μit là sai số của đối tượng i ở thời điểm t.
Mơ hình hồi quy tác động cố định, là một dạng mở rộng của mơ hình hồi quy tuyến tính cổ điển, được cho bởi:
𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑀𝑀1 𝑀𝑀𝑀𝑀𝑀𝑀 1 + 𝑀𝑀2 𝑀𝑀𝑀𝑀𝑀𝑀 2 + 𝑀𝑀𝑀𝑀 + 𝑀𝑀𝑀𝑀𝑀𝑀
trong đó 𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑀𝑀𝑀𝑀 + 𝑀𝑀𝑀𝑀𝑀𝑀 . Sai số của mơ hình hồi quy tuyến tính cổ điển được tách làm
hai thành phần. Thành phần νi đại diện cho các yếu tố không quan sát được khác nhau giữa các đối tượng nhưng không thay đổi theo thời gian. Thành phần𝑀𝑀𝑀𝑀𝑀𝑀 đại diện cho những yếu tố không quan sát được khác nhau giữa các đối tượng và thay đổi theo thời gian.
Mơ hình các hiệu ứng ngẫu nhiên (REM)
Mơ hình các hiệu ứng ngẫu nhiên (REM) về cơ bản giống với mơ hình các hiệu ứng cố định (FEM), chỉ khác ở chỗ nó có sự ràng buộc trong phần dư: khơng có sự tương quan giữa phần dư và các biến giải thích trong mơ hình. REM xem phần dư (khơng tương quan với biến giải thích) là một biến giải thích mới.
𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑀𝑀1𝑀𝑀 + 𝑀𝑀2 𝑀𝑀1𝑀𝑀𝑀𝑀 + 𝑀𝑀3 𝑀𝑀2𝑀𝑀𝑀𝑀 + 𝑀𝑀𝑀𝑀𝑀𝑀 với 𝑀𝑀1𝑀𝑀 = 𝑀𝑀1 + 𝑀𝑀𝑀𝑀
Trong đó ���� �� = ��𝑀𝑀 + ��𝑀𝑀𝑀𝑀
Các giả định của REM có thể được khái quát như sau: 𝑀𝑀𝑀𝑀 ~ ��(0, ��2)
��𝑀𝑀𝑀𝑀 ~ ��(0, ��2)
Việc lựa chọn mơ hình, mơ hình các hiệu ứng cố định (FEM) hay mơ hình các hiệu ứng ngẫu nhiên (REM) phụ thuộc vào giả định đưa ra về tương quan có thể có giữa phần dư và các biến giải thích.Nếu giả định phần dư và các biến giải thích khơng tương quan, REM là thích hợp.
Nếu giả định phần dư và các biến giải thích tương quan với nhau, FEM là thích hợp. Xét một mối quan hệ kinh tế bao gồm một biến phụ thuộc, Y, và hai biến giải thích quan sát được, X1 và X2. Dữ liệu bảng gồm có N đối tượng và T thời điểm, và vì vậy có NxT quan sát.
Mơ hình tác động ngẫu nhiên được viết dưới dạng:
��𝑀𝑀𝑀𝑀 = ��1 �𝑀𝑀𝑀𝑀𝑀 1 + �𝑀2 𝑀𝑀𝑀𝑀𝑀𝑀 2 + �𝑀𝑀𝑀 + 𝑀𝑀𝑀𝑀𝑀 với i = 1, 2, …, N và t = 1, 2, …, T
Trong đó, sai số cổ điển được chia làm 2 thành phần. Thành phần νi đại diện cho tất các các yếu tố không quan sát được mà thay đổi giữa các đối tượng nhưng không thay đổi theo thời gian. Thành phần ��𝑀𝑀𝑀𝑀 đại diện cho tất cả các yếu tố không quan sát được mà thay đổi giữa các đối tượng và thời gian. Giả sử rằng vi được cho bởi:
��𝑀𝑀 = ��0 + 𝑀𝑀 𝑀𝑀 với i = 1, 2, …, N
Trong đó, ��� �lại được phân chia làm hai thành phần: i) thành phần bất định ��0, ii) thành phần ngẫu nhiên 𝑀𝑀 𝑀𝑀 .
Giả định rằng, 𝑀𝑀𝑀𝑀 cho mỗi đối tượng được rút ra từ một phân phối xác suất độc lập với giá trị trung bình bằng 0 và phương sai khơng đổi, đó là, E(𝑀𝑀𝑀𝑀 ) = 0, Var(𝑀𝑀𝑀𝑀 ) = 𝑀𝑀2, Cov(𝑀𝑀𝑀𝑀 ,𝑀𝑀𝑀𝑀 ) = 0. N biến ngẫu nhiên 𝑀𝑀𝑀𝑀 được gọi là tác động ngẫu
nhiên (random effects). Mơ hình tác động ngẫu nhiên có thể được viết lại:
𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑀𝑀1𝑀𝑀𝑀𝑀𝑀𝑀 1 + 𝑀2 𝑀𝑀𝑀𝑀𝑀𝑀 2 + 𝑀𝑀𝑀𝑀𝑀 𝑀
Trong đó ��𝑀𝑀𝑀𝑀 = ��𝑀𝑀 + ��𝑀𝑀𝑀𝑀 . Một giả định quan trọng trong mơ hình tác động ngẫu
nhiên là thành phần sai số μit khơng tương quan với bất kì biến giải thích nào trong mơ hình.
Sự lựa chọn giữa mơ hình OLS thuần túy, mơ hình yếu tố cố định và mơ hình yếu tố ngẫu nhiên:
Ước lượng tác động cố định được kiểm chứng bằng kiểm định F với giả thuyết Ho cho rằng tất cả các hệ số ��� �đều bằng 0 (nghĩa là khơng có sự khác biệt giữa các đối tượng hoặc các thời điểm khác nhau). Bác bỏ giả thuyết Ho với mức ý nghĩa
cho trước (sẽ cho thấy ước lượng tác động cố định là phù hợp. Đối với ước lượng tác động ngẫu nhiên, phương pháp nhân tử Lagrange (LM) với kiểm định Breusch- Pagan được sử dụng để kiểm chứng tính phù hợp của ước lượng (Baltagi, 2008 trang 319). Theo đó, giả thuyết Ho cho rằng sai số của ước lượng OLS thuần túy không bao gồm các sai lệch giữa các đối tượng var(𝑀𝑀𝑀𝑀 ) = 0 (hay phương sai giữa các đối tượng hoặc các thời điểm là không đổi). Bác bỏ giả thuyết Ho, cho thấy sai số trong ước lượng có bao gồm cả sự sai lệch giữa các nhóm, và phù hợp với ước lượng tác động ngẫu nhiên.
Kiểm định Hausman sẽ được sử dụng để lựa chọn phương pháp ước lượng phù hợp giữa hai phương pháp ước lượng tác động cố định và tác động ngẫu nhiên (Baltagi, 2008 trang 320; Gujarati, 2004 trang 652). Giả thuyết Ho cho rằng khơng có sự tương quan giữa sai số đặc trưng giữa các đối tượng (𝑀𝑀𝑀𝑀 ) với các biến giải thích 𝑀𝑀𝑀𝑀𝑀𝑀 trong mơ hình. Ước lượng yếu tố ngẫu nhiên là hợp lý theo giả thuyết Ho
nhưng lại không phù hợp ở giả thuyết thay thế. Ước lượng yếu tố ngẫu nhiên là hợp lý cho cả giả thuyết Ho và giả thuyết thay thế. Tuy nhiên, trong trường hợp giả thuyết H0 bị bác bỏ thì ước lượng tác động cố định là phù hợp hơn so với ước lượng tác động ngẫu nhiên. Ngược lại, chưa có đủ bằng chứng để bác bỏ Ho nghĩa là không bác bỏ được sự tương quan giữa sai số và các biến giải thích thì ước lượng tác động cố định khơng cịn phù hợp và ước lượng ngẫu nhiên sẽ ưu tiên được sử dụng.
3.4.2 Phương pháp chọn mẫu Heckman
Nếu chỉ thu thập dữ liệu ở những nước Việt Nam có quan hệ ngoại thương thì mơ hình hồi quy khơng phản ánh đúng những nhân tố tác động đến lý do tại sao có những nước khác khơng nhập khẩu cà phê của Việt Nam. Việc bỏ qua nhóm những nước khơng tham gia vào giao dịch ngoại thương với Việt Nam sẽ làm ước lượng tham số hồi quy thu được từ mẫu bị chệch và phản ánh sai mức độ tác động các yếu tố đến khối lượng cà phê xuất khẩu của Việt Nam. Heckman (1979) xem sự xuất hiện của các giá trị không quan sát được của biến trong mơ hình gây ra tình trạng ước lượng chệch và khơng vững giống như nội sinh do bỏ sót biến trong mơ hình. Các giá trị của biến khơng quan sát được xem như một biến tốt bị bỏ sót. Để khắc phục trường hợp này, Heckman (1979) đề xuất khắc phục bằng cách lượng hóa yếu tố bị bỏ sót và đưa các biến này vào mơ hình.
Giả sử xét hàm hồi quy : 𝑀𝑀∗ = ��� � �� + ��𝑀𝑀 chỉ bao gồm những quan sát có giá trị
���� = 1 Mơ hình selection : ��∗ = ��� ��� + ��𝑀𝑀 1 ��ℎ�� ��∗ ≥ 0 2 2 2 Đặt �� = � ∗ với 𝑀𝑀 ~ ��(0, ���� ) và �� ~ 𝑀𝑀�0, ���� � ��ớ�� 𝑀𝑀𝑀𝑀 = 1 0 ��ℎ�� ��𝑀𝑀 < 0
Hệ số tương quan giữa 𝑀𝑀 𝑀𝑀à 𝑀𝑀 là 𝑀𝑀𝑀𝑀𝑀𝑀 . Nếu µ và 𝑀𝑀 khơng tương quan thì ước lượng
thu đươc từ mơ hình OLS là ước lượng chệch. Tuy nhiên µ và 𝑀𝑀 có thể tương quan với nhau (𝑀𝑀𝑀𝑀𝑀𝑀 ≠ 0) khi đó ước lượng sẽ bi chệch. Sự chệch này do mẫu gây ra, và
là hiện tượng ước lượng chệch do chọn mẫu. Trong nghiên cứu mẫu thường được chọn ứng với 𝑀𝑀∗
≥ 0 tức E = 1
Theo Green (2003), các biến này có thể được ước lượng thơng qua tỷ lệ Mill nghịch đảo. Tỷ lệ Mill nghịch đảo, được đặt theo tên của John P. Mills, cho biết tỷ lệ giữa hàm mật độ xác suất so với hàm phân phối tích lũy của một phân phối. Tỷ lệ này được xây dựng dựa trên tính chất sau đây của hàm phân phối chuẩn:
𝑀
Nếu 𝑀𝑀 ~ ��(��, ��2) thì ��(𝑀𝑀|𝑀𝑀 > ��) = 𝑀𝑀 + 𝑀𝑀 (�� −�� ) ∅ �� 1− ∅���−�� � ��
Áp dụng cơng thức trên để tính ��(��� �|��𝑀𝑀 > −��𝑀𝑀 ��) với 𝑀𝑀 ~ ��(0, ��2). Ta có: ∅(−��� � �𝑀) ∅(𝑀𝑀𝑀𝑀 𝑀𝑀) ��(��𝑀𝑀 |𝑀𝑀𝑀𝑀 > −��𝑀𝑀 𝑀𝑀) = ��𝑀𝑀 (−𝑀𝑀𝑀𝑀 𝑀𝑀) = 1 − ��(−�� ��) = 𝑀𝑀(𝑀𝑀 𝑀𝑀) � � � � Ta lại có : ������ = ������ (��,�� ) �� 𝑀𝑀 =>��𝑀𝑀 𝑀𝑀𝑀𝑀 ��𝑀𝑀𝑀𝑀 = ������(��, ��) �� �� Khi đó ��(��𝑀𝑀 |��𝑀𝑀 > −��𝑀𝑀 𝑀𝑀) = ���� 𝑀𝑀𝑀𝑀𝑀𝑀 ��𝑀𝑀 (−��𝑀𝑀 ��) = ���� 𝑀𝑀𝑀𝑀 (−𝑀𝑀𝑀𝑀 𝑀𝑀) = ���� ∅(− �� � ��� ) 1− �� (−��� ���)
Phương trình hồi quy sẽ trở thành : �𝑀(��� �|𝑀𝑀𝑀𝑀 = 1) = �𝑀𝑀𝑀 �� + 𝑀𝑀𝑀𝑀 𝑀𝑀(−�� 𝑀𝑀 𝑀𝑀)
Hay : 𝑀𝑀 𝑀𝑀 = ��𝑀𝑀 �� + 𝑀𝑀�� ��(−𝑀𝑀𝑀𝑀 𝑀𝑀) + ��𝑀𝑀 với ��� �thỏa mãn các giả thiết hồi quy cổ điển. Từ đó, để tìm ra ��(−��𝑀𝑀 ��) và ước lượng khơng chệch cho ��tiến hành hồi quy hiệu
chỉnh chệch do chọn mẫu theo 2 bước đề xuất của Heckman :
Bước 1: Ước lượng hồi quy Probit với biến phụ thuộc E để thu được ước lượng của 𝑀𝑀. Với mỗi quan sát trong mẫu tính tỉ lệ :
� ∅(��� � ���)
�𝑀𝑀𝑀 =
�𝑀(�� 𝑀𝑀�) �
Bước 2 : Hồi quy �� 𝑀𝑀 theo X và 𝑀𝑀𝑀𝑀 bằng OLS để thu được ước lượng 𝑀𝑀 cần tìm.
Như vậy, nghiên cứu sẽ sử dụng mơ hình Heckman hai bước để ước lượng với dạng sau :
Mô
hình Heckman hai bước : Mô hình hồi quy : � ������������������� = ��1 + 𝑀𝑀2𝑀𝑀������������ � ��� + 𝑀𝑀3𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 ∗ 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 + 𝑀𝑀4ln (���� 𝑀𝑀𝑀𝑀𝑀𝑀 ) + �𝑀5� ������ �𝑀𝑀� ��� + 𝑀𝑀6 ln (�����������������(𝑀) + 𝑀𝑀7 � �������𝑀𝑀𝑀𝑀 ∗ 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀���� + 𝑀𝑀8 ����� � + 9������ + ��1 � �
Mô
hình selection :
γ0 + 𝑀𝑀1ln ((((((((((((((( 𝑀𝑀𝑀𝑀𝑀𝑀 ) + 𝑀𝑀2ln ((((((((((((((( 𝑀𝑀𝑀𝑀𝑀𝑀 ) + 𝑀𝑀3 𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 + 𝑀𝑀1 > 0
Dựa trên lý thuyết của Heckman, mơ hình ước lượng chệch sẽ bao gồm các biến ngoại sinh. Trong nghiên cứu sử dụng ba biến ngoại sinh : dân số của Việt Nam ở năm t, diện tích đất trồng cà phê của Việt Nam ở năm t, và khoảng cách địa lý từ thủ đô Hà Nội của Việt Nam đến thủ đơ quốc gia i. Trong mơ hình hồi quy các biến dân số của Việt Nam, diện tích đất trồng cà phê khơng đổi cho các quốc gia ở mỗi năm, còn biến khoảng cách địa lý không đổi qua thời gian. Trong nghiên cứu này, lựa chọn ba biến trên để làm biến ngoại sinh cho mơ hình Heckman.
- Dân số của Việt Nam ở năm t (POPvn): đại diện cho khả năng sản xuất hàng hóa của một quốc gia . Trong nghiên cứu của Martínez -Zarzoso và Felicitas Nowak-Lehmann D.(2003) chỉ ra tác động ngược chiều của dân số đến xuất khẩu. Tuy nhiên trong nghiên cứu của K .Doanh Nguyen và Yoon Heo (2009)
, H.Mkael Sandberg (2004) thì dân số và xuất khẩu có mối quan hệ cùng chiều. Yếu tố dân số của một nước với quy mô dân số , tỷ lệ phân chia dân số theo độ tuổi, giới tính, tỷ lệ lao động, trình độ văn hóa cũng tạo nên cung lao động khác nhau cho mỗi ngành.
- Khoảng cách địa lý từ Việt Nam đến quốc gia i (Distance) : Trong rất nhiều nghiên cứu thực nghiệm của các tác giả như Blomqvist (2004) ở Singapore và Montanari (2005) ở Balkans, Céline Carrer (2003), Đào Ngọc Tiến (2009) cho rằng yếu tố khoảng cách địa lý thực sự có ảnh hưởng đáng kể đến luồng thương mại giữa các quốc gia . Yếu tố này ảnh hưởng đến cước phí vận chuyển, rủi ro trong q trình vận chuyển , phương thức vận chuyển . Trong nghiên cứu của Nguyễn Thanh Thủy và Jean -Louis Arcand (2009) chỉ ra yếu tố khoảng cách có tác động tiêu cực đến xuất khẩu nhóm hàng đồng nhất. - Diện tích đất trồng cà phê của Việt Nam (LANvn) : đại diện cho khả năng
lượng cà phê càng nhiều, khả năng cung ứng cà phê lớn hơn để đầy mạnh xuất khẩu.
Kết
luận chương 3 : chương 3 đã khái quát tồn bơ kỹ thuật phân tích kinh tế lượng được áp dụng trong nghiên cứu. Chương 3 cũng đồng thời đưa ra mơ hình kinh tế lượng phù hợp với bộ dữ liệu thu thập được từ các nguồn. Các biến chính trong mơ hình bao gồm : GDP nước nhập khẩu, dân số nước nhập khẩu, độ mở của nền kinh tế, khoảng cách kinh tế và giá cà phê xuất khẩu.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1Thực trạng xuất khẩu cà phê của Việt Nam trong giai đoạn 2003-2013
4.1.1 Quy mô và tốc độ tăng trưởng
Bảng 4.1Diện tích đất trồng cà phê qua cácnăm năm Đơn vị tính : 1000 ha Năm 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 Cả nước 509.9 496.8 497.4 462.2 478.5 495.0 501.1 508.5 586 623 635 Trung du và miền núi phía Bắc 3.7 3.5 3.4 2.8 7.3 4.4 5.1 6.7 8.95 11 14.8 Bắc Trung Bộ và duyên hải miền Trung 15.4 14.4 11 10 10.1 9.8 10.4 10.3 10.28 10.1 10.1 Tây Nguyên 440.4 434.3 445.8 449.4 461.1 480.8 485.6 491.5 526.7 559.3 566 Đông Nam Bộ 50.4 44.6 37.2 34.8 34.2 35.9 38.9 41.3 40.05 42.6 44.5 Nguồn : Tổng cục Thống kê
Theo số liệu của Bộ NN&PTNT, diện tích đất trồng cà phê của Việt Nam tăng mạnh tại các khu vực chính qua các năm, diện tích đất trồng cà phê đến năm 2013 là