Cách tiếp cận
Đề tài sử dụng cách tiếp cận vĩ mô nhằm đạt được các mục tiêu nghiên cứu đã đề ra.
Dựa trên các cơ sở lý thuyết nền tảng và nghiên cứu thực nghiệm đã được tiến hành có liên quan đến lĩnh vực nghiên cứu, khung phân tích được đề xuất. Dữ liệu nghiên cứu sẽ được thu thập và quá trình phân tích sẽ được thực hiện. Quá trình nghiên cứu được mô tả cụ thể như sau:
- Đầu tiên, nghiên cứu cần thực hiện tổng quan lý thuyết một cách chặt chẽ nhằm tìm ra (i) lý thuyết về mối quan hệ giữa năng lượng và tăng trưởng kinh tế, (ii) các biến thường được sử dụng trong mô hình nghiên cứu về vấn đề này trên thế giới, và (iii) khoảng trống trong nghiên cứu hàn lâm.
- Sau khi xác định được các yếu tố trên, bước thức hai của nghiên cứu là cần xác định bộ số liệu sẽ sử dụng để đảm bảo tính khả thi của dự án. Nghiên cứu thu
22
thập dữ liệu hằng năm về tăng trưởng kinh tế, phát thải CO2, tiêu thụ năng lượng, tiêu thụ năng lượng tái tạo của Việt Nam, các quốc gia năm trong khu vực Đông Nam Á, hoặc các quốc gia mới nổi tương đồng. Các số liệu này được công bố công khai bởi các tổ chức như Ngân hàng Thế giới, Bộ Nông nghiệp Hoa kỳ, Báo cáo Năng lượng của Tập Đoàn dầu khí Anh quốc, vân vân.
- Thứ 3, nghiên cứu này sử dụng dữ liệu bảng hoặc chuỗi thời gian để tiến hành nghiên cứu. Thứ hai, nghiên cứu cần xác định phương pháp kinh tế lượng phù hợp. Với bộ dữ liệu thu thập được và thông qua tổng quan lý thuyết, nghiên cứu này dự kiến sử dụng các phương pháp kinh tế lượng phù hợp với bộ số liệu (chi tiết từng phương pháp được giải thích cụ thể trong phần tiếp theo), giải quyết các vấn đề tiềm ẩn (nội sinh, tự tương quan, hay phương sai thay đổi…), nhằm đạt được kết quả ước lượng tốt nhất.
- Thứ 4, sau khi đạt được các kết quả thực nghiệm, nghiên cứu cần giải thích, thảo luận và so sánh kết quả của nghiên cứu với các kết quả từ các nghiên cứu trước đây.
- Cuối cùng, nghiên cứu kết luận mối quan hệ giữa năng lượng và tăng trưởng kinh tế tại Việt Nam trong bối cảnh biến đổi khí hậu. Cùng với đó, nghiên cứu đề xuất các giải pháp thúc đẩy tăng trưởng kinh tế từ phát triển năng lượng dự trên toàn bộ các kết quả đạt được.
Phương pháp nghiên cứu
Trong đề tài này, phương pháp nghiên cứu định lượng được sử dụng chủ yếu. Phương pháp thống kê mô tả, phương pháp hồi quy, thiết lập chỉ số sẽ được sử dụng. Chi tiết về mô hình hồi quy sẽ được đề cập bên dưới. Tương ứng với 3 nội dung nghiên cứu cần đạt được trong Dự án này, một số phương pháp nghiên cứu chính có thể được tóm tắt như sau:
23
Nội dung 1: Hệ thống cơ sở lý luận về mối quan hệ giữa năng lượng và tăng trưởng kinh tế.
Trong phần này, các cơ sở lý luận về mối quan hệ giữa năng lượng và tăng trưởng kinh tế sẽ được tổng hợp và thảo luận. Một cách tổng quát, quan hệ năng lượng-tăng trưởng kinh tế có thể được phân loại như sau:
Không có quan hệ nhân quả (giả thuyết trung lập – neutrality hypothesis)
Quan hệ nhân quả một chiều chạy từ tiêu thụ năng lượng tới tăng trưởng kinh tế (giả thuyết tăng trưởng – growth hypothesis)
Quan hệ nhân quả một chiều chạy từ tiêu thụ năng lượng tới tăng trưởng kinh tế (giả thuyết bảo tồn – conversation hypothesis)
Quan hệ nhân quả hai chiều (giả thuyết phản hồi – feedback hypothesis) Cùng với sự phát triển của các kỹ thuật kinh tế lượng, mối quan hệ năng lượng- tăng trưởng kinh tế cũng thay đổi theo thời gian. Nói cách khác, sự hiểu biết của con người về quan hệ năng lượng-tăng trưởng kinh tế phụ thuộc vào việc áp dụng phương pháp kinh tế lượng. Chính vì thế, trong phần này chúng tôi cũng sẽ cung cấp một bức tranh về các phương pháp kinh tế lượng thường được sử dụng nhiều. Trên cơ sở đó, chúng tôi lựa chọn các biến sẽ được sử dụng trong mô hình thực nghiệm. Đồng thời, chúng tôi đề xuất các mô hình kinh tế lượng tương ứng nhằm lượng hoá mối quan hệ năng lượng-tăng trưởng, một cách phù hợp nhất.
Nội dung 2: Đánh giá mối quan hệ giữa năng lượng và tăng trưởng kinh tế trong bối cảnh biến đổi khí hậu ở Việt Nam.
Nội dung 2.1: Quan hệ nhân quả giữa phát thải CO2, tiêu thụ năng lượng, tiêu thụ năng lượng tái tạo và tăng trưởng kinh tế tại khu vực Đông Nam Á.
Dữ liệu bảng, đặc biệt dữ liệu bảng các quốc gia, thường liên quan tới các vấn đề nghiêm trọng về mặt kỹ thuật như sự phụ thuộc giữa các quan sát chéo trong dữ liệu bảng và giả định hệ số đồng nhất bị vi phạm. Sự phụ thuộc giữa các quan sát chéo trong dữ liệu bảng xảy ra do xu hướng hội nhập kinh tế ngày càng tăng trong khi hệ số không
24
đồng nhất bắt nguồn từ các tính chất đặc thù của từng quốc gia. Ước lượng hồi quy không tính đến các vấn đề này có thể dẫn tới hệ số ước lượng không tin cậy, do đó dẫn tới các kết luận không chính xác. Để đảm bảo kết quả nghiên cứu có độ tin cậy, đầu tiên, nghiên cứu này thực hiện kiểm định sự phụ thuộc giữa các quan sát chéo trong dữ liệu bảng và hệ số không đồng nhất. Thứ hai, nghiên cứu sử dụng các kiểm định nghiệm đơn vị dữ liệu bảng (panel unit root test) và kiểm định đồng liên kết dữ liệu bảng (panel cointegration test) khi cân nhắc đến tính vấn đề phụ thuộc giữa các quan sát chéo trong dữ liệu bảng, để kiểm tra tính dừng và tính đồng liên kết một cách lần lượt. Thứ ba, nếu quan hệ đồng liên kết giữa các biến số được thiết lập, chúng tôi sẽ thực hiện các ước lượng dài hạn thông qua kỹ thuật PMG và kiểm tra quan hệ nhân quả Granger thông qua phương pháp của Dumitrescu & Hurlin (2012).
Kiểm định sự phụ thuộc giữa các quan sát chéo trong dữ liệu bảng
Sự phụ thuộc giữa các quan sát chéo trong dữ liệu bảng là vấn đề phổ biến trong dữ liệu bảng và ước lượng hồi quy không tính đến vấn đề này sẽ đưa ra kết luận không chính xác (Aydin, 2019). Nghiên cứu này sử dụng kiểm định Pesaran CD để kiểm tra vấn đề phụ thuộc giữa các quan sát chéo trong dữ liệu bảng. Thống kê CD được tính như sau:
𝐶𝐷 = √ 2
𝑁(𝑁 − 1)∑ ∑ 𝑇𝑖𝑗𝜌̂𝑖𝑗2
𝑁
𝑗=𝑖+1
→
𝑁−1
𝑖=1
𝑁(0,1)
Trong đó, 𝜌̂𝑖𝑗2 là hệ số tương quan phần dư. N và T lần lượt là số lượng bảng (cross- section dimension) và thời gian (time dimension). Theo định nghĩa, thống kê CD sẽ tiệm cận phân phối chuẩn nếu N và T tiến tới vô cùng.
Kiểm định hệ số không đồng nhất
Bên cạnh kiểm tra sự phụ thuộc giữa các quan sát chéo trong dữ liệu, chúng tôi còn thực hiện kiểm định hệ số không đồng nhất. Trong nghiên cứu này, chúng tôi sử dụng kiểm định của Pesaran & Yamagata (2008) với giả thuyết rỗng là hệ số ước lượng giống nhau giữa các bảng 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑖 = 𝛽. Pesaran & Yamagata (2008) đề xuất hai thống kê bên dưới như sau:
25 𝑆 = ∑(𝛽𝑖 − 𝛽𝑊𝐹𝐸)′
𝑁
𝑖=1
𝜒𝑖′𝑀𝑇𝜒𝑖
𝜎̃𝑖2 (𝛽𝑖− 𝛽𝑊𝐹𝐸)
∆ = √𝑁(𝑁−1𝑆 − 𝑘
√2𝑘 )
Trong đó 𝑆 và ∆ là các kiểm định thống kê, 𝛽𝑖 là hệ số ước lượng theo phương pháp POLS (pooled ordinary least squares), 𝛽𝑊𝐹𝐸 là hệ số ước lượng từ phương pháp WFE (weighted fixed effect pooled estimator), 𝜒𝑖 là ma trận các biến độc lập sau khi được loại bỏ thành phần trung bình, 𝑀𝑇 là ma trận đơn vị (identity matrix), 𝜎̃𝑖2 là ước lượng của 𝜎𝑖2, k là số lượng biến độc lập. Thống kê sau khi được hiệu chỉnh được tính toán như sau:
∆𝑎𝑑𝑗 = √𝑁 ( 𝑁−1𝑆 − 𝑘
√2𝑘(𝑇 − 𝑘 − 1) 𝑇 + 1
)
Kiểm định nghiệm đơn vị dữ liệu bảng
Chúng tôi sử dụng kiểm định nghiệm đơn vị dữ liệu bảng thế hệ thứ hai vốn tính đến vấn đề phụ thuộc giữa các quan sát chéo trong dữ liệu bảng, để kiểm tra tính dừng của các biến. Cụ thể, chúng tôi sử dụng phương pháp CADF (cross-sectionally augmented dickey-fuller) được phát triển bởi Pesaran (2007). Pesaran (2007) đề xuất một thống kê bên dưới như sau:
𝐶𝐼𝑃𝑆 = 𝑁−1∑ 𝐶𝐴𝐷𝐹𝑖
𝑁
𝑖=1
trong đó N là số lượng bảng. Thống kê 𝐶𝐴𝐷𝐹𝑖 có được dựa vào mô hình bên dưới:
∆𝑦𝑖𝑡 = 𝛼𝑖+ 𝛽𝑖𝑦𝑖𝑡−1+ 𝜃𝑖𝑦̅𝑡−1+ ∑ 𝛿𝑖𝑗∆𝑦̅𝑡−𝑗
𝑝
𝑗=0
+ ∑ 𝛾𝑖𝑗∆𝑦𝑖𝑡−𝑗 + 𝜀𝑖𝑡
𝑝
𝑗=0
trong đó ∆𝑦̅𝑡−𝑗 và ∆𝑦𝑖𝑡−𝑗 lần lượt là trung bình chéo của sai phân bậc 1 của y (cross- sectional averages of first differences) và trung bình chéo biến trễ của y (cross-sectional averages of lagged levels of y).
26 Kiểm định đồng liên kết dữ liệu bảng
Để kiểm tra sự tồn tại mối quan hệ cân bằng dài hạn giữa các biến số, chúng tôi sử dụng kiểm định đồng liên kết dữ liệu bảng được phát triển bởi Westerlund (2007). Lợi thế của phương pháp này là vấn đề phụ thuộc giữa các quan sát chéo trong dữ liệu bảng được tính đến. Westerlund đề xuất mô hình nghiên cứu như sau:
∆𝑦𝑖𝑡 = 𝑐𝑖 + 𝛼𝑖(𝑦𝑖𝑡−1 − 𝛽𝑖𝑥𝑖𝑡−1) + ∑ 𝛼1𝑖∆𝑦𝑖𝑡−𝑘
𝑝
𝑘=1
+ ∑ 𝛽1𝑖∆𝑥𝑖𝑡−𝑚+ 𝜀𝑖𝑡
𝑝
𝑚=1
trong đó 𝛼𝑖 tốc độ điều chỉnh về vị trí cân bằng. Westerlund đề nghị giả thuyết rỗng là 𝛼𝑖 = 0 cho tất cả các bảng trong khi giả thuyết thay thế là 𝛼𝑖 < 1 đối với ít nhất một bảng. Nếu giả thuyết rỗng bị loại bỏ thì mối quan hệ cân bằng dài hạn giữa các biến tồn tại.
Kiểm định quan hệ nhân quả Granger
Nghiên cứu được tiếp tục bởi kiểm định quan hệ nhân quả Granger. Để kiểm tra chiều hướng tác động, nghiên cứu sử dụng kỹ thuật kiểm định được đề xuất bởi Dumitrescu và Hurlin (2012). Lợi thế của phương pháp này là vấn đề phụ thuộc giữa các quan sát chéo trong dữ liệu được tính đến. Các tác giả đề xuất mô hình nghiên cứu như sau:
𝑦𝑖𝑡 = 𝛼𝑖+ ∑ 𝜃𝑖𝑚𝑦𝑖𝑡−𝑚+
𝑀
𝑚=1
∑ 𝛿𝑖𝑚𝑥𝑖𝑡−𝑚+ 𝜀𝑖𝑡
𝑀
𝑚=1
trong đó 𝜃𝑖 và 𝛿𝑖 lần lượt là vector hệ số hồi quy của độ trễ biến phụ thuộc và biến giải thích. Một thành phần quan trọng của kiểm định là 𝛿𝑖. Giả thuyết rỗng của kiểm định là không có quan hệ nhân quả Granger trong khi giả thuyết thay thế là quan hệ nhân quả Granger tồn tại ít nhất trong một bảng. Các giả thuyết có thể được diễn giải theo một cách khác như sau:
𝐻𝑜: ∀ 𝑚 ∶ 𝛿𝑖𝑚 = 0 𝐻𝛼: ∃ 𝑚 ∶ 𝛿𝑖𝑚 ≠ 0
27
Nội dung 2.2: Thiết lập chỉ số thay đổi theo thời gian đo lường mức chuyển giao biến động giữa tăng trưởng kinh tế, mức sử dụng năng lượng và mức thải khí CO2
Mặc dù mối quan hệ giữa các biến được nghiên cứu (kinh tế, mức sử dụng năng lượng và mức thải khí CO2, mức sử dụng năng lượng tái tạo) đã được phân tích nhiều từ góc độ tương tác 2 chiều của mức độ (level) cho mỗi cặp biến (thông qua các công cụ phổ biến như phân tích nhân quả Granger, phân tích đồng liên kết (co-integration analysis) hay phân tích xung nhịp (Impulse response analysis) như phân tích ở nội dung thứ nhất. Rất ít nghiên cứu hiện hữu quan tâm đến tương tác 2 chiều của độ biến thiên (volatility) cho các cặp biến.
Do vây, nội dung thứ 2 của đề tài tập trung vào mức độ chuyển giao độ biến thiên sẽ cho phép xác định biến nào (hay khu vực nào) hàm chứa rủi ro lớn nhất (khi có khủng hoảng kinh tế) và khả năng lây lan (contagion) sang các khu vực khác như thế nào. Cách tiếp cận từ mô hình Panel VAR cũng được áp dụng trong nội dung này. Tuy nhiên, các vector thành phần của 𝒙𝑐𝑡 bao gồm tăng trưởng kinh tế, chỉ số tài chính, mức sử dụng năng lượng và mức thải khí CO2. Độ mở thương mại có thể được cân nhắc để đưa vào mô hình tùy theo đặc tính của mẫu nghiên cứu dù biến này được sử dụng rộng rãi bởi nhiều nhà nghiên cứu.
Nhằm đạt được mục tiêu nghiên cứu, chúng tôi sử dụng các công cụ hiện đại nhất trong phân tích kinh tế lượng chuỗi thời gian, bao gồm “Tự hồi quy vector dạng bảng”
(Panel-VAR) (Abrigo and Love, 2015), “phân tích phân rã phương sai” (Impulse Response Functions - IRFs) và “Phân tách phương sai sai số dự báo” (Forecast Error Variance Decomposition – FEVD). Công cụ xử lý nội sinh đi kèm là “Phương pháp mô-men tổng quát hệ thống” (System GMM) bởi Arellano và Bond (1991) vì sử dụng mô hình hồi quy cố định (fixed effects model) trong đó có sự xuất hiện của biến trễ biến phụ thuộc sẽ tạo ra các hệ số ước lượng sai lệch. Mô hình Panel VAR cho phép đưa ra kết quả khái quát cho tất cả các quốc gia bằng cách tính đến các nhân tố đặc thù quốc gia (country fixed effects) (Ouyang & Li, 2018). FEVD cho phép tính toán mức độ tác động của độ biến thiên của từng biến lên tất cả các biến còn lại (và ngược lại).
28
Đầu tiên, xem xét hệ thống tự hồi quy vector N-biến (N-variable VAR):
𝒙𝑐𝑡 = ∑ Φ𝑐,ℎ
𝑝𝑐 ℎ=1
𝒙𝑐,𝑡−ℎ+ 𝛾𝑐 + 𝜺𝑐𝑡 (𝑐 = 1, … , 𝐶; 𝑡 = 1, … , 𝑇)
cho C quốc gia trong T năm, với 𝜺 ~(0, 𝚺) là 1 vector gồm các nhiễu có phân bố độc lập và giống nhau và 𝚺 là ma trận phương sai-hiệp phương sai.
Dạng trung bình dịch chuyển (moving average) của hệ thống này là 𝒙𝑐𝑡 = ∑ 𝑨𝑐𝑖
∞ 𝑖=0
𝜺𝑐,𝑡−𝑖
với 𝑨𝑐𝑖 là các ma trận vuông bậc N.
Thứ hai, dựa trên mô hình Panel VAR, chúng tôi thực hiện phân tách phương sại của các biến quan tâm. Trong nội dung 1 này, chúng tôi xem xét tác động của 5 biến:
tăng trưởng kinh tế, mức sử dụng năng lượng và mức thải khí CO2, dân số và mức sử dụng năng lượng tái tạo.
Các ma trận này là thành tố quan trọng để xây dựng các phân tách phương sai (FEVD), kí hiệu là:
𝜃𝑖𝑗𝑔(𝐻) =𝜎𝑗𝑗
−1∑𝐻−1ℎ=0(𝒆𝑖′𝑨ℎ𝚺 𝒆j)2
∑𝐻−1ℎ=0(𝒆𝑖′𝑨ℎ𝚺 𝑨ℎ′𝒆j) .
Giá trị của 𝜃𝑖𝑗𝑔(𝐻) cho biết trong phương sai sai số tại giai đoạn H (năm) khi dự báo giá trị của biến 𝑥𝑐𝑖 có bao nhiêu phần là do ảnh hưởng từ biến 𝑥𝑐𝑗.
Thêm vào đó, phân tích phân rã phương sai dựa trên phân tách Cholesky cho phép chung tôi xem xét phản ứng tích lũy của biến phân tích đối với phản ứng của biến phản ứng. Do vậy, phương pháp này cung cấp những dữ kiện bổ sung về các cú sốc bên ngoài gây ra bởi biến phân tích đối với biến phản ứng.
Thứ ba, chúng tôi xem xét mối quan hệ nhân quả của các biến trong mô hình là tăng trưởng kinh tế, mức sử dụng năng lượng và mức thải khí CO2, dân số và mức sử dụng năng lượng tái tạo. Phân tích tác động nhân quả sẽ mang lại kết quả về mối quan hệ thuận chiều, ngược chiều hay tương hỗ lẫn nhau trong mối quan hệ phức tạp của các biến trong mô hình. Xác định được nguồn gốc của các mối quan hệ này sẽ cung cấp thông tin quan trọng trong hàm ý chính sách.
29
Phương pháp kiểm định nhân quả truyền thống thường dựa trên giả định rằng có sự đồng nhất của hệ số chặn trong các tham số ước tính. Giả định này dường như rất cứng nhắc và phổ biến trong phương thức kiểm định nhân quả thông thường (Granger, 2003). Khi hệ số chặn đồng nhất không thể hiện được các đặc điểm riêng biệt của quốc gia, điều này dẫn đến sự không đồng nhất của tham số ước tính (Breiting, 2005). Các nhà nghiên cứu đi đến giải pháp là nới lỏng giả định về sự thống nhất của hệ số chặn.
Dumitrescu và Hurlin (2012), gọi tắt là kiểm định nhân quả DH, xây dựng một phương pháp kiểm định nhân quả có hiệu quả hơn. Kiểm định nhân quả này sự dụng thống kê Wald trung bình, chuẩn hóa để kiểm định giả thuyết các biến trong mô hình là không tồn tại mối quan hệ nhân quả giữa 2 biến quan tâm trong dữ liệu bảng không đồng nhất. Dựa trên điểm mạnh của kiểm định DH, chúng tôi áp dụng trong nghiên cứu.
Nội dung 2.3: Cấu trúc năng lượng tối ưu để đồng thời đạt được các mục tiêu kinh tế, môi trường và năng lượng
Để xác định cấu trúc năng lượng nhằm thỏa mãn đồng thời hai mục tiêu về suy thoái môi trường và tăng trưởng kinh tế, nhóm nghiên cứu xây dựng mô hình bao gồm hai phần ứng với hai mục tiêu kể trên: (i) mục tiêu về suy thoái môi trường và (ii) tăng trưởng.
- Mục tiêu đầu tiên, tập trung vào mục tiêu về môi trường, xếp hạng 5 nguồn năng lượng dựa trên mức độ phát thải khí CO2
- Mục tiêu thứ hai, với mục tiêu năng lượng như trên, xếp hạng 5 nguồn năng lượng (than, khí gas, dầu, thủy điện, và năng lượng tái tạo) dựa trên ảnh hưởng của từng loại đến nền kinh tế.
Đề kết hợp thứ hạng của cả 2 mục tiêu kể trên, chúng tôi phát triển một phương pháp ra quyết định đa mục tiêu sử dụng năm nguồn năng lượng bao gồm (than, khí gas, dầu, thủy điện và năng lượng tái tạo) và 2 mục tiêu (mục tiêu về môi trường và mục tiêu kinh tế). Phương pháp chia điểm có trọng số là một trong những kỹ thuật phổ biến trong việc tiến hành ra quyết định. Kết quả của khung phân tích này là thứ bậc của các loại năng lượng từ thấp đến cao theo thứ tự ưu tiên của 2 mục tiêu: (i) Việc sử dụng loại năng lượng nào ít gây ảnh hường đến chất lượng mối trường thông qua việc