phân tích nhân tố ảnh hưởng đến xuất khẩu chè và nông sản
1.3.1. Tổng quan về việc xây dựng mơ hình trọng lực trongphân tích nhân tố ảnh hưởng đến xuất khẩu chè và nơng sản phân tích nhân tố ảnh hưởng đến xuất khẩu chè và nông sản
Là một mơ hình được đánh giá cao trong nghiên cứu thương mại quốc tế, mơ hình trọng lực đã được sử dụng trong hàng nghìn bài báo nghiên cứu trong các lĩnh vực thương mại. Theo thống kê trong tài liệu [56], từ năm 1999 đến 2012 có 65 nghiên cứu ứng dụng mơ hình trọng lực trong xây dựng mơ hình nhân tố ảnh hưởng tới xuất khẩu. Trong đó, có 4 nghiên cứu ứng dụng mơ hình này trong phân tích nhân tố ảnh hưởng tới xuất khẩu nơng sản. Khơng có nghiên cứu nào ứng dụng mơ hình này trong phân tích nhân tố ảnh hưởng tới xuất khẩu chè. Ở phụ lục 1 của luận án này, tác giả thống kê sơ bộ 34 nghiên cứu ứng dụng trọng lực. Trong đó có 9 nghiên cứu ứng dụng mơ hình này đối nhằm phân tích các nhân tố ảnh hưởng đến xuất khẩu chè, 25 nghiên cứu nhằm phân tích các nhân tố ảnh hưởng tới các loại nơng sản khác.
Mặc dù nó là một nền tảng hấp dẫn đối với các nhà nghiên cứu thương mại quốc tế, nhưng việc sử dụng mơ hình này khơng phải là khơng có cạm bẫy tiềm ẩn. Trong việc xây dựng mơ hình, vấn đề đặc biệt quan trọng ảnh hưởng đến độ chính xác và tin cậy của mơ hình này đó là lựa chọn biến đưa vào mơ hình [31]. Việc lựa chọn các biến giải thích là một vấn đề nan giải trong kinh tế lượng [9]. Theo tài liệu ([57], trang 331) đã phát biểu rằng: “Việc lựa chọn các phương trình
hồi quy nên dựa trên các cân nhắc lý thuyết kinh tế cũng như dựa trên bằng chứng thống kê”. Tài liệu [58] cũng gợi ý rằng các biến bị bỏ qua có thể dẫn đến các kết luận sai lệch và sai lệch trong các ước lượng của mơ hình kinh tế lượng. Do đó, để đặc tả mơ hình chính xác, các dạng chức năng và lựa chọn bộ hồi quy cần được xem xét thực hiện nhất quán theo nền tảng lý luận mà nghiên cứu lựa chọn.
Về dữ liệu nghiên cứu, các nhà nghiên cứu có thể lựa chọn giữa dữ liệu chéo, dữ liệu thời gian hoặc dữ liệu bảng. Ước tính bằng dữ liệu bảng của phương trình hấp dẫn đã được đề xuất đầu tiên bởi Mátyás (1997) được cho là có nhiều ưu điểm hơn so với các dạng dữ liệu khác [59]. Thứ nhất, kích thước mẫu lớn hơn nhiều so với các nghiên cứu chéo hoặc theo thời gian làm tăng độ chính xác của các ước tính hồi quy. Thứ hai, nó có thể tránh được các vấn đề sai lệch và không đồng nhất của biến bị bỏ sót thường nảy sinh trong các cuộc điều tra cắt ngang. Việc bỏ sót các biến quan trọng có thể dẫn đến kết quả sai lệch và kết luận sai lệch [60][61][62]. Thứ ba, tránh được các vấn đề về phương sai thay đổi và đa cộng tuyến trong dữ liệu chéo [47][61][62]. Thứ tư, giúp xác định đầy đủ hơn những khác biệt riêng lẻ giữa các quốc gia và các cặp quốc gia so với dữ liệu chéo, cũng như để theo dõi của những thay đổi trong thương mại quốc tế [59]. Do đó, các nhà nghiên cứu được đề nghị áp dụng dữ liệu bảng để ước tính mơ hình trọng lực của thương mại quốc tế [63][64][65]. Trên thực tế, việc lựa chọn dữ liệu nghiên cứu còn tùy thuộc vào mục tiêu nghiên cứu, mức độ khả thi trong thu thập dữ liệu và khả năng xử lý dữ liệu, tuy nhiên dữ liệu bảng vẫn chiếm ưu thế cao hơn trong nghiên cứu thực nghiệm những năm gần đây. Trong số 60 nghiên cứu được thống kê thì chỉ có 9/60 nghiên cứu sử dụng dữ liệu chéo. Còn lại, phần lớn các nghiên cứu đều đồng thuận và sử dụng dữ liệu bảng làm dữ liệu nghiên cứu.
Về phương pháp ước lượng, các nhà phân tích và nhà kinh tế học khác nhau đã sử dụng các phương pháp khác nhau để đạt được mục tiêu nghiên cứu của họ. Khơng có sự đồng thuận thống nhất về đặc điểm kinh tế lượng của mơ hình trọng lực [65][66][67][68]. Có nhiều phương pháp ước lượng khác nhau đã được sử dụng để ước lượng mơ hình này như phương pháp bình phương nhỏ nhất (Ordinary least squares - OLS), mơ hình hiệu ứng cố định (Fixed Effect Model - FE), mơ hình hiệu ứng ngẫu nhiên (Random Effect Mode – RE), mơ hình chọn mẫu Heckman, phương pháp ước lượng tối đa hóa khả năng (Poisson Pseudo Maximum Likelihood - PPML), phương pháp chọn mẫu Heckman.
Phương pháp đơn giản nhất là ước tính bằng cách sử dụng OLS. Phương pháp này có thể kết hợp dữ liệu mặt cắt ngang và chuỗi thời gian với nhau để đạt được ước tính của β bằng cách giảm thiểu tổng sai số bình phương. Tuy nhiên,
phương pháp ước tính này có thể dẫn đến ước tính khơng nhất qn của các tham số [31]. Trong khi đó, Baier và Bergstrand khuyến nghị rằng ước tính hiệu ứng cố định là một phương pháp gần đúng [69]. Tuy nhiên, một trong những hạn chế của mơ hình hiệu ứng hiệu ứng cố định là sự loại bỏ các nhân tố không thay đổi theo thời gian như khoảng cách, ngôn ngữ, biên giới chung. ra khỏi ước lượng. Để khắc phục vấn đề này, một số bài viết sử dụng hiệu ứng ngẫu nhiên hoặc công cụ ước lượng của Hausman và Taylor. Cheng và Wall (2005) [70] đã đề xuất một phương pháp để ước tính các biến bất biến thời gian bằng cách sử dụng các hiệu ứng riêng lẻ. Trong mơ hình hiệu ứng cố định, các hiệu ứng riêng lẻ theo quốc gia bao gồm tất cả các nhân tố không đổi theo thời gian như: địa điểm, ngơn ngữ, văn hóa và các rào cản thương mại khác. Đầu tiên, mơ hình được ước lượng bằng cách sử dụng cơng cụ ước tính hiệu ứng cố định, sau đó theo Cheng và Wall (2005) để ước tính hồi quy bổ sung của các hiệu ứng cặp quốc gia ước tính đối với các biến bất biến thời gian để tìm ra tầm quan trọng của các biến này trong các hiệu ứng cố định. Một cách tiếp cận khác áp dụng cho dữ liệu bảng ước tính là ước tính hiệu ứng ngẫu nhiên. Hiệu ứng ngẫu nhiên coi hệ số chặn là một biến ngẫu nhiên và các cá thể có trong mẫu được rút ra từ một quần thể lớn hơn.
Quá trình thực nghiệm về việc áp dụng mơ hình trọng lực khơng đưa ra câu trả lời rõ ràng về phương pháp ước lượng nào được ước tính, hiệu ứng ngẫu nhiên hoặc cố định sẽ cho kết quả hiệu quả hơn. Tuy nhiên, ngoài các vấn đề trên, việc ước tính mơ hình trọng lực cấu trúc cịn khó khăn khi giá trị của một biến cụ thể (ví dụ: dịng giao dịch) bằng khơng. Khi đó, logarit của 0 khơng tồn tại. Có một số giải pháp được đề xuất: Thứ nhất, thêm một giá trị nhỏ vào dữ liệu trước khi chuyển đổi logarit. Tuy nhiên, các giá trị khác nhau có thể dẫn đến các kết quả khác nhau [71]. Thứ hai, loại bỏ các quan sát bằng 0 khỏi mẫu. Đây là một giải pháp khá đơn giản, tuy nhiên, nếu các quan sát bằng 0 chiếm tỷ lệ lớn hơn trong tổng số các quan sát, mơ hình trọng lực sẽ bị thiếu độ mạnh. Và quan trọng hơn, mơ hình mất thơng tin quan trọng. Một số lớn các nghiên cứu đã đề xuất các mơ hình PPML và chọn mẫu Heckman để đảm bảo tính chắc chắn của các kết quả hoặc ước tính khi có dịng chảy thương mại bằng khơng Yotov và cộng sự (2016) [1], Sherpherd và cộng sự (2019) [31], Álvarez và cộng sự (2019) [72]. Cho tới nay, phương pháp ước lượng mơ hình trọng lực vẫn là một đề tài hấp dẫn được nhiều nhà kinh tế lượng quan tâm. Tuy nhiên, vẫn khơng có phương pháp nào được khẳng định sẽ phù hợp nhất cho mọi mơ hình nghiên cứu.