Sử dụng dữ liệu lớn để xây dựng chỉ số giá bất động sản tại TP.HCM

Luận văn thạc sĩ nghiên cứu using big data to construct the residential property price index in vietnam the case of ho chi minh, đánh giá hiện trạng, phân tích vấn đề, đề xuất

• Tác giả: Nguyen
• Người hướng dẫn: Vu Hoang Linh
• Trường học: Vietnam Japan University
• Chuyên ngành: Public Policy
• Đề tài: Using Big Data To Construct The Residential Property Price Index In Vietnam: The Case Of Ho Chi Minh City
• Loại tài liệu: Thesis
• Năm xuất bản: 2019
• Địa điểm: Hanoi

Mục lục chi tiết

• 1. CHAPTER 1: INTRODUCTION
• 1.1. Background of the study
• 1.2. Rationale of the study
• 1.3. Aims and objectives of the study
• 1.4. Research instrument
• 1.5. Structure of the study
• 2. CHAPTER 2: LITERATURE REVIEW
• 2.1. The Handbook on Residential Property Price Index
• 2.2. Median/mean transactions price
• 3. CHAPTER 3: DEVELOPING RPPI IN VIETNAM, THE CASE OF HO CHI MINH CITY
• 3.1. The overview of real estate transaction in Vietnam
• 3.2. The data sources on real estate price in Vietnam
• 3.3. Building big data for RPPI calculating
• 3.4. Calculating RPPI for apartment in Ho Chi Minh City
• 4. CHAPTER 4: FINDINGS AND DISCUSSIONS
• 5. CHAPTER 5: POLICY IMPLICATION AND FURTHER STUDY

Tóm tắt

I. Tổng quan về chỉ số giá bất động sản tại TP

Chỉ số giá bất động sản tại TP.HCM là một công cụ quan trọng để theo dõi và phân tích sự biến động của thị trường bất động sản. Việc sử dụng dữ liệu lớn trong việc xây dựng chỉ số này không chỉ giúp cải thiện độ chính xác mà còn cung cấp cái nhìn sâu sắc về xu hướng giá cả. Trong bối cảnh thị trường bất động sản ngày càng phát triển, việc hiểu rõ về chỉ số này trở nên cần thiết hơn bao giờ hết.

1.1. Định nghĩa và vai trò của chỉ số giá bất động sản

Chỉ số giá bất động sản (RPPI) đo lường sự thay đổi giá của các tài sản bất động sản theo thời gian. Nó đóng vai trò quan trọng trong việc cung cấp thông tin cho các nhà đầu tư, nhà hoạch định chính sách và người tiêu dùng về tình hình thị trường.

1.2. Tại sao cần sử dụng dữ liệu lớn trong phân tích giá bất động sản

Dữ liệu lớn cung cấp một lượng thông tin khổng lồ từ nhiều nguồn khác nhau, giúp phân tích chính xác hơn về xu hướng giá cả. Việc áp dụng công nghệ mới trong phân tích dữ liệu giúp cải thiện khả năng dự đoán và ra quyết định.

II. Vấn đề và thách thức trong việc xây dựng chỉ số giá bất động sản

Mặc dù việc xây dựng chỉ số giá bất động sản mang lại nhiều lợi ích, nhưng cũng gặp phải không ít thách thức. Các vấn đề như tính không đồng nhất của bất động sản, sự thiếu hụt dữ liệu và sự biến động của thị trường là những yếu tố cần được xem xét.

2.1. Tính không đồng nhất của bất động sản

Mỗi bất động sản có những đặc điểm riêng biệt như vị trí, kích thước và tiện nghi. Điều này làm cho việc so sánh và phân tích trở nên khó khăn hơn.

2.2. Thiếu hụt dữ liệu và độ tin cậy

Dữ liệu về giao dịch bất động sản thường không đầy đủ và không chính xác, điều này có thể dẫn đến những sai lệch trong việc tính toán chỉ số giá.

III. Phương pháp sử dụng dữ liệu lớn để phân tích chỉ số giá bất động sản

Việc áp dụng các phương pháp phân tích dữ liệu lớn như hồi quy hedonic giúp xây dựng chỉ số giá bất động sản một cách hiệu quả. Các phương pháp này cho phép khai thác thông tin từ nhiều nguồn khác nhau để đưa ra những kết quả chính xác hơn.

3.1. Hồi quy hedonic trong phân tích giá bất động sản

Phương pháp hồi quy hedonic giúp phân tích ảnh hưởng của các yếu tố khác nhau đến giá bất động sản, từ đó xác định giá trị thực của tài sản.

3.2. Xây dựng cơ sở dữ liệu từ quảng cáo bất động sản

Việc thu thập dữ liệu từ các trang web quảng cáo bất động sản giúp tạo ra một cơ sở dữ liệu phong phú, phục vụ cho việc phân tích và tính toán chỉ số giá.

IV. Ứng dụng thực tiễn của chỉ số giá bất động sản tại TP

Chỉ số giá bất động sản không chỉ có giá trị trong việc theo dõi thị trường mà còn hỗ trợ các quyết định đầu tư và hoạch định chính sách. Các nhà đầu tư và nhà quản lý có thể sử dụng chỉ số này để đưa ra các quyết định chiến lược.

4.1. Tác động của chỉ số giá đến quyết định đầu tư

Chỉ số giá bất động sản cung cấp thông tin quan trọng cho các nhà đầu tư trong việc xác định thời điểm mua hoặc bán tài sản.

4.2. Hỗ trợ hoạch định chính sách

Các nhà hoạch định chính sách có thể sử dụng chỉ số giá để điều chỉnh các chính sách liên quan đến thị trường bất động sản, từ đó thúc đẩy sự phát triển bền vững.

V. Kết luận và tương lai của chỉ số giá bất động sản tại TP

Chỉ số giá bất động sản tại TP.HCM có tiềm năng lớn trong việc cải thiện sự minh bạch và hiệu quả của thị trường. Việc áp dụng công nghệ và dữ liệu lớn sẽ tiếp tục đóng vai trò quan trọng trong việc phát triển chỉ số này trong tương lai.

5.1. Tương lai của chỉ số giá bất động sản

Với sự phát triển của công nghệ, chỉ số giá bất động sản sẽ ngày càng chính xác và đáng tin cậy hơn, phục vụ tốt hơn cho nhu cầu của thị trường.

5.2. Khuyến nghị cho nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các phương pháp mới trong việc xây dựng chỉ số giá bất động sản, nhằm đáp ứng nhu cầu ngày càng cao của thị trường.

Nội dung chính

Tổng quan nghiên cứu

Thị trường bất động sản đóng vai trò huyết mạch trong nền kinh tế Việt Nam với quy mô doanh thu hàng năm ước tính đạt từ 12 đến 14 tỷ USD, đóng góp khoảng 6% tổng sản phẩm quốc nội (GDP). Tuy nhiên, công tác theo dõi và quản lý thị trường này đang đối mặt với sự thiếu hụt nghiêm trọng một hệ thống chỉ số giá bất động sản nhà ở (Residential Property Price Index - RPPI) chính thống, kịp thời và đáng tin cậy. Các nguồn dữ liệu hành chính hiện hữu từ cơ quan thuế và văn phòng đăng ký đất đai thường bị sai lệch lớn do tình trạng kê khai giá thấp hơn thực tế từ 2 đến 10 lần nhằm giảm nghĩa vụ thuế, trong bối cảnh hơn 90% giao dịch trên thị trường vẫn thực hiện bằng tiền mặt. Đồng thời, chỉ số do các đơn vị tư vấn tư nhân công bố lại thiếu tính minh bạch về phương pháp luận và nguồn số liệu.

Trước bối cảnh Việt Nam có sự bùng nổ mạnh mẽ về công nghệ số với hơn 64 triệu người dùng internet (chiếm 67% dân số), các nền tảng trực tuyến đã trở thành kênh quảng bá và giao dịch bất động sản chủ lực. Luận văn thạc sĩ chuyên ngành Chính sách công của tác giả Nguyễn Thế Hùng tại Trường Đại học Việt Nhật (Đại học Quốc gia Hà Nội), dưới sự hướng dẫn của Tiến sĩ Vũ Hoàng Linh, tập trung giải quyết bài toán: Xây dựng chỉ số giá bất động sản nhà ở tại Việt Nam thông qua khai thác nguồn Dữ liệu lớn (Big Data) từ các trang tin rao vặt trực tuyến, áp dụng thử nghiệm cho phân khúc căn hộ chung cư tại Thành phố Hồ Chí Minh trong giai đoạn từ tháng 1 năm 2018 đến tháng 8 năm 2018.

Ý nghĩa thực tiễn của nghiên cứu được khẳng định qua việc xây dựng một bộ công cụ tính toán tự động với độ bao phủ 77.076 quan sát đã làm sạch, đạt hệ số xác định hiệu chỉnh R² lên tới 0,7233. Kết quả này mở ra giải pháp đột phá giúp các cơ quan quản lý vĩ mô đo lường xung nhịp thị trường với độ trễ gần như bằng không, hỗ trợ hoạch định chính sách tiền tệ và quản trị rủi ro tài chính một cách chuẩn xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được thiết lập dựa trên nền tảng kết hợp giữa kinh tế học bất động sản hiện đại và khoa học dữ liệu. Khung lý thuyết cốt lõi bao gồm:

• Lý thuyết định giá Hedonic (Hedonic Price Theory): Tiếp cận bất động sản như một tổ hợp các đặc tính cấu thành riêng biệt (vị trí địa lý, quy mô diện tích, tiện ích công trình). Giá trị của một căn hộ bằng tổng giá trị biên tiềm ẩn của từng thuộc tính đó. Mô hình toán học dạng bán hàm logarit (Semi-log) giúp tách biệt biến động giá thuần túy ra khỏi sự thay đổi về mặt cơ cấu chất lượng của tài sản giao dịch qua các thời kỳ.
• Chuẩn mực quốc tế về chỉ số giá nhà ở: Dựa trên "Handbook on Residential Property Price Index" được ban hành bởi sự phối hợp của các tổ chức quốc tế hàng đầu gồm Eurostat, Tổ chức Lao động Quốc tế (ILO), Quỹ Tiền tệ Quốc tế (IMF), Tổ chức Hợp tác và Phát triển Kinh tế (OECD), Ủy ban Kinh tế Liên Hợp Quốc về Châu Âu (UNECE) và Ngân hàng Thế giới (WB). Hướng dẫn này chỉ ra rằng 41 trên tổng số 58 quốc gia thành viên thuộc Ngân hàng Thanh toán Quốc tế (BIS) đang áp dụng phương pháp Hedonic để công bố chỉ số RPPI quốc gia.
• Khái niệm và đặc trưng 5V của Dữ liệu lớn: Phân tích nguồn dữ liệu dựa trên 5 chiều kích: Khối lượng (Volume), Tốc độ (Velocity), Đa dạng (Variety), Tính xác thực (Veracity) và Giá trị (Value). Nghiên cứu kế thừa kinh nghiệm từ Ngân hàng Trung ương Indonesia (xử lý 2,2 triệu tin đăng/tháng), Áo và Ireland để chuyển hóa dữ liệu phi cấu trúc trên Internet thành dữ liệu có cấu trúc phục vụ thống kê công.

Phương pháp nghiên cứu

Nghiên cứu ứng dụng phương pháp định lượng thực nghiệm với quy trình kỹ thuật gồm ba bước:

• Nguồn dữ liệu và thu thập: Phát triển công cụ thu thập tự động (Web Crawler) để quét toàn bộ dữ liệu tin đăng căn hộ trên các cổng thông tin bất động sản lớn nhất Việt Nam (batdongsan.vn, alonhadat.vn, nhadat24h.net, diaoconline.vn, muaban.net).
• Cỡ mẫu và phương pháp chọn mẫu: Tổng thể mẫu ban đầu ghi nhận 106.518 tin đăng từ tháng 1/2018 đến tháng 8/2018 tại Thành phố Hồ Chí Minh. Toàn bộ mẫu được chuẩn hóa bằng công nghệ nhận dạng thực thể tên riêng (Named Entity Recognition - NER) và thuật toán chuẩn hóa địa chỉ tiếng Việt để gộp các tin trùng lặp giữa nhiều website. Sau khi loại bỏ các giá trị ngoại lai và giá ảo, tập mẫu phân tích chính thức bao gồm 77.076 quan sát hợp lệ.
• Lý do lựa chọn phương pháp phân tích: Nghiên cứu sử dụng mô hình hồi quy Hedonic biến giả thời gian (Time Dummy Hedonic Regression). Phương pháp này được lựa chọn vì tính ưu việt trong việc xử lý triệt để hiện tượng sai lệch cơ cấu mẫu (compositional change) – hạn chế lớn nhất của phương pháp tính giá trung bình hay trung vị truyền thống. Biến phụ thuộc là logarit tự nhiên của giá niêm yết, các biến giải thích bao gồm diện tích căn hộ (m²), số phòng ngủ, số phòng vệ sinh, biến giả vị trí hành chính 24 quận/huyện và biến giả các mốc thời gian theo từng tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích định lượng từ 77.076 quan sát căn hộ chung cư tại Thành phố Hồ Chí Minh mang lại các kết quả then chốt:

• Độ tin cậy vượt trội của mô hình kinh tế lượng: Mô hình đạt hệ số xác định hiệu chỉnh R² = 0,7233, cho thấy 72,33% sự biến thiên của giá căn hộ được giải thích thỏa đáng bởi các biến số đặc tính và vị trí đưa vào mô hình. Giá trị kiểm định F đạt 6.501 với mức ý nghĩa thống kê p < 0,0001, khẳng định toàn bộ hệ số hồi quy đều đạt độ tin cậy khoa học cao.
• Đặc trưng phân bố của thị trường: Mẫu dữ liệu cho thấy giá rao bán căn hộ trung bình đạt 2.236 triệu VNĐ (mức trung vị là 1.900 triệu VNĐ). Diện tích căn hộ trung bình là 73,8 m² (trung vị là 70 m²), phản ánh cấu trúc sản phẩm phổ biến nhất trên thị trường là căn hộ 2 phòng ngủ và 2 phòng vệ sinh.
• Xu hướng tăng trưởng mạnh nửa đầu năm: Lấy tháng 1/2018 làm mốc cơ sở (100,00 điểm), chỉ số RPPI căn hộ tăng trưởng liên tục trong 6 tháng đầu năm: Tháng 2 đạt 103,86 điểm (tăng 3,86%), tháng 3 đạt 104,89 điểm, tháng 4 đạt 105,61 điểm, tháng 5 đạt 107,61 điểm và chạm đỉnh vào tháng 6 ở mức 112,90 điểm (tăng trưởng tích lũy 12,90% so với đầu kỳ).
• Sự điều chỉnh giảm trong quý 3: Chỉ số giá căn hộ bắt đầu có sự thoái trào nhẹ trong tháng 7 (đạt 112,49 điểm) và tiếp tục giảm về 110,46 điểm vào tháng 8/2018, giảm 2,44 điểm phần trăm so với mức đỉnh tháng 6.

Thảo luận kết quả

Diễn biến của chỉ số RPPI tính toán từ Dữ liệu lớn phản ánh trung thực quy luật vận động của nền kinh tế và thị trường bất động sản Thành phố Hồ Chí Minh năm 2018:

Đà tăng trưởng mạnh mẽ trong 6 tháng đầu năm bắt nguồn từ sự cộng hưởng của nhiều yếu tố vĩ mô. Tăng trưởng tổng sản phẩm trên địa bàn (GRDP) của thành phố trong quý 1 đạt 7,64% và quý 2 đạt 7,27%, trong đó ngành dịch vụ kinh doanh bất động sản tăng trưởng 5,32%. Về mặt cung - cầu, báo cáo của Hiệp hội Bất động sản Thành phố Hồ Chí Minh (HoREA) ghi nhận nguồn cung căn hộ nửa đầu năm 2018 sụt giảm mạnh 45% so với cùng kỳ năm 2017, kết hợp cùng các gói tín dụng ưu đãi từ hệ thống ngân hàng và sự bứt phá của hạ tầng giao thông (tuyến Metro số 1, cao tốc Long Thành - Dầu Giây, Vành đai 2), tạo áp lực đẩy mặt bằng giá căn hộ tăng cao.

Sự sụt giảm trong tháng 7 và tháng 8 năm 2018 phản ánh rất rõ yếu tố văn hóa mùa vụ tại Việt Nam. Giai đoạn này trùng với tháng 7 Âm lịch (tháng Ngâu/tháng Cô hồn), thời điểm tâm lý đại chúng hạn chế tối đa việc mua sắm tài sản có giá trị lớn hoặc ký kết hợp đồng nhà đất, khiến thanh khoản và mức giá kỳ vọng của bên bán hạ nhiệt.

Toàn bộ chuỗi biến động giá này được trình bày trực quan thông qua bảng thống kê mô tả 77.076 bản ghi và biểu đồ đường chuỗi thời gian RPPI từ tháng 1 đến tháng 8/2018. Khi đối chiếu với chỉ số giá bất động sản Savills Property Price Index (SPPI) và báo cáo của Cục Thống kê Thành phố Hồ Chí Minh, quỹ đạo biến động của chỉ số nghiên cứu hoàn toàn tương đồng về xu hướng, nhưng sở hữu ưu thế vượt trội về tính tức thời và chi phí tạo lập dữ liệu thấp.

Đề xuất và khuyến nghị

Nhằm hoàn thiện hệ thống thông tin thống kê quốc gia và kiểm soát hiệu quả thị trường bất động sản, nghiên cứu đề xuất 4 nhóm giải pháp chiến lược:

• Bổ sung nguồn Dữ liệu lớn vào khung pháp lý thống kê quốc gia: Tổng cục Thống kê và Bộ Kế hoạch và Đầu tư cần tham mưu sửa đổi Luật Thống kê 2015 trước năm 2028, chính thức công nhận Big Data là nguồn thông tin thứ tư bên cạnh báo cáo hành chính, điều tra thống kê và hồ sơ đăng ký. Mục tiêu rút ngắn chu kỳ thu thập và công bố chỉ số kinh tế vĩ mô xuống dưới 15 ngày sau kỳ báo cáo.
• Xây dựng nền tảng tự động hóa thu thập dữ liệu bất động sản diện rộng: Trung tâm Dữ liệu Quốc gia phối hợp cùng các đơn vị chuyên trách công nghệ thông tin phát triển hệ thống Web Crawler và chuẩn hóa dữ liệu tự động trong giai đoạn 2027-2029. Hệ sinh thái này cần đạt công suất xử lý tối thiểu 2.000.000 tin đăng bất động sản mỗi tháng trên phạm vi 63 tỉnh, thành với độ chuẩn xác thuật toán NER đạt trên 95%.
• Hoàn thiện mô hình Hedonic nâng cao cho các đô thị trọng điểm: Ngân hàng Nhà nước Việt Nam cùng Bộ Xây dựng chuẩn hóa việc áp dụng mô hình Semi-log Hedonic vào cuối năm 2028. Mô hình mới cần tích hợp thêm hệ thống thông tin địa lý (GIS) để đo lường khoảng cách đến bệnh viện, trường học, trạm metro, cùng với các biến số về tuổi thọ công trình và phân khúc chất lượng hoàn thiện căn hộ tại Hà Nội, Thành phố Hồ Chí Minh và Đà Nẵng.
• Tăng cường liên thông dữ liệu và minh bạch hóa giao dịch: Bộ Tài chính và Bộ Tư pháp đẩy nhanh tiến độ liên thông dữ liệu công chứng, thuế và thanh toán ngân hàng điện tử trước năm 2029. Biện pháp này hướng tới việc giảm mức chênh lệch giữa giá kê khai thuế và giá trị giao dịch thực tế từ mức 2 đến 10 lần hiện nay xuống dưới 10%, tạo nguồn dữ liệu đối chuẩn tin cậy cho các mô hình Big Data.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng đa tầng cho 4 nhóm đối tượng chính:

• Cơ quan quản lý nhà nước và nhà hoạch định chính sách: Bộ Kế hoạch và Đầu tư, Tổng cục Thống kê, Ngân hàng Nhà nước và Bộ Xây dựng có thể ứng dụng trực tiếp quy trình xử lý Big Data và mô hình Hedonic để thiết lập Chỉ số giá bất động sản nhà ở chính thức, từ đó kiểm soát bong bóng tài sản và điều hành chính sách tiền tệ chủ động.
• Viện nghiên cứu, giảng viên và học viên cao học: Các nhà nghiên cứu thuộc khối ngành Kinh tế học, Chính sách công, Thống kê và Khoa học dữ liệu có thể sử dụng luận văn như tài liệu tham khảo chuẩn mực về phương pháp lượng hóa kinh tế bất động sản và kỹ thuật xử lý dữ liệu phi cấu trúc.
• Tổ chức tài chính, ngân hàng và quỹ đầu tư: Bộ phận quản trị rủi ro tín dụng và định giá tài sản có thể áp dụng thuật toán làm sạch dữ liệu và mô hình hồi quy Hedonic để xây dựng hệ thống định giá tự động (Automated Valuation Model - AVM), tối ưu hóa việc quản lý danh mục tài sản thế chấp trị giá hàng nghìn tỷ đồng.
• Doanh nghiệp công nghệ và chuyên gia phân tích thị trường: Các kỹ sư dữ liệu và chuyên viên nghiên cứu thị trường bất động sản (PropTech) có thể khai thác mã nguồn và quy trình làm sạch thực thể tên riêng tiếng Việt để phát triển các sản phẩm phân tích dữ liệu chuyên sâu theo thời gian thực.

Câu hỏi thường gặp

Tại sao phương pháp hồi quy Hedonic lại vượt trội hơn phương pháp tính giá trung bình hay trung vị?
Phương pháp tính giá trung bình hoặc trung vị dễ bị sai lệch nghiêm trọng do thay đổi cơ cấu giao dịch (chẳng hạn một tháng có nhiều căn hộ cao cấp giao dịch sẽ làm giá trung bình tăng ảo). Mô hình Hedonic bóc tách độc lập giá trị từng đặc tính căn hộ (diện tích, phòng ngủ, vị trí), đo lường mức thay đổi giá thuần khiết với độ tin cậy thể hiện qua R² đạt 0,7233 trên 77.076 quan sát.

Dữ liệu giá rao bán trên internet có phản ánh trung thực giá trị thị trường hay không?
Dù giá rao bán có độ chênh lệch nhất định so với giá chốt thực tế, các bằng chứng kinh tế lượng quốc tế khẳng định xu hướng biến động giá của hai nguồn là hoàn toàn đồng nhất. Trong bối cảnh 90% giao dịch thực tế tại Việt Nam dùng tiền mặt và giá khai thuế bị hạ thấp từ 2 đến 10 lần, dữ liệu rao bán trực tuyến là nguồn thông tin phong phú và kịp thời nhất.

Quy trình tiền xử lý và làm sạch Dữ liệu lớn trong nghiên cứu diễn ra như thế nào?
Từ 106.518 tin đăng thu thập tự động, hệ thống sử dụng thuật toán nhận dạng thực thể tên riêng (NER) và chuẩn hóa địa chỉ tiếng Việt để xóa bỏ các bản ghi trùng lặp giữa nhiều trang web. Tiếp đó, dữ liệu được lọc bỏ các giá trị ngoại lai và giá ảo, giữ lại 77.076 mẫu chuẩn hóa phục vụ phân tích.

Nguyên nhân chính khiến chỉ số giá căn hộ sụt giảm trong tháng 7 và tháng 8 năm 2018 là gì?
Chỉ số RPPI ghi nhận mức điều chỉnh từ đỉnh 112,90 điểm (tháng 6) xuống 110,46 điểm (tháng 8/2018). Nguyên nhân chủ yếu xuất phát từ yếu tố tâm lý văn hóa mùa vụ, khi tháng 7 và tháng 8 Dương lịch trùng với tháng 7 Âm lịch (tháng Ngâu), thời điểm người dân có tâm lý kiêng kỵ giao dịch các tài sản lớn.

Làm thế nào để mở rộng mô hình tính chỉ số giá bất động sản này cho toàn quốc trong tương lai?
Nghiên cứu định hướng tích hợp thêm biến số định vị không gian GIS (khoảng cách đến trung tâm, trạm metro), chất lượng dự án và tuổi thọ công trình. Đồng thời, cần nâng cấp hạ tầng máy tính phân tán để thu thập và xử lý dữ liệu quy mô lớn tại Hà Nội, Đà Nẵng và các vùng kinh tế trọng điểm.

Kết luận

• Xây dựng thành công quy trình ứng dụng Dữ liệu lớn (Big Data) từ các website rao vặt để tính toán chỉ số giá bất động sản nhà ở (RPPI) phân khúc căn hộ tại Thành phố Hồ Chí Minh.
• Ứng dụng mô hình kinh tế lượng Semi-log Hedonic Time Dummy đạt chuẩn mực quốc tế với hệ số xác định hiệu chỉnh R² = 0,7233 trên cỡ mẫu lớn 77.076 quan sát.
• Phản ánh chính xác xu hướng giá căn hộ tăng 12,90% trong 6 tháng đầu năm 2018 trước khi điều chỉnh về mức 110,46 điểm vào tháng 8/2018 do tác động của tính mùa vụ.
• Chứng minh tính khả thi và hiệu quả vượt trội của Big Data trong việc giải quyết bài toán thiếu hụt dữ liệu thống kê bất động sản tại các quốc gia đang phát triển.
• Đề xuất lộ trình thể chế hóa Big Data vào Luật Thống kê và mở rộng ứng dụng định giá đa biến trên phạm vi toàn quốc giai đoạn 2027-2030.

Luận văn của tác giả Nguyễn Thế Hùng là bước tiến tiên phong đặt nền móng cho việc ứng dụng khoa học dữ liệu vào thống kê công tại Việt Nam. Các nhà nghiên cứu, chuyên gia hoạch định chính sách và kỹ sư công nghệ được khuyến khích tiếp tục phát triển mô hình này sang phân khúc nhà ở liền thổ và bất động sản thương mại trong các giai đoạn tiếp theo.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI VIETNAM JAPAN UNIVERSITY NGUYEN THE HUNG USING BIG DATA TO CONSTRUCT THE RESIDENTIAL PROPERTY PRICE INDEX IN VIETNAM: THE CASE OF HO CHI MINH CITY MAJOR: PUBLIC POLICY CODE: ………………… RESEARCH SUPERVISORS: Dr. Vu Hoang Linh Hanoi, 2019 LUAN VAN CHAT LUONG download : add [e-mail] TABLE OF CONTENTS DECLARATION .v LIST OF ABBREVIATIONS .vi LIST OF AND FIGURES AND TABLE. viii CHAPTER 1 INTRODUCTION. Background of the study.

Rationale of the study. Aims and objectives of the study. Structure of the study .7 CHAPTER 2 LITERATURE REVIEW. The Handbook on Residential Property Price Index.

Median/mean transactions price. Stratification or Mix adjustment. The previous residential property price indexes. RPPI of Ireland .12 i LUAN VAN CHAT LUONG download : add luanvanchat@agmail.

RPPI of Austria. RPPI of Malta. RPPI of Thailand. RPPI of Indonesia.

RPPI of Savills Vietnam .17 CHAPTER 3 DEVELOPING RPPI IN VIETNAM, THE CASE OF HO CHI MINH CITY 19 3. The overview of real estate transaction in Vietnam. The data sources on real estate price in Vietnam. Building big data for RPPI calculating.

Calculating RPPI for apartment in Ho Chi Minh City .26 CHAPTER 4 FINDINGS AND DISCUSSIONS .34 CHAPTER 5 POLICY IMPLICATION AND FURTHER STUDY .40 ii LUAN VAN CHAT LUONG download : add [e-mail] DECLARATION I certify that I myself write this thesis entitled “Using big data to construct the residential property price index in Vietnam: The case of Ho Chi Minh City”. It is not a plagiarism or made by others. Anything related to others‟ works is written in quotation, the sources of which are listed on the list of references. If then the pronouncement proves wrong, I am ready to accept any academic punishment, including the withdrawal or cancellation of my academic degree.

Signature iii LUAN VAN CHAT LUONG download : add [e-mail] ACKNOWLEDGEMENTS No one can achieve anything without the help of others. This thesis could not be completed without priceless assistances of many people. I would like to express my gratitude to all of them. Firstly of all, I would like to express my deepest thanks of gratitude to my respectable supervisor, Dr.

Vu Hoang Linh for his friendly and sympathetic assistance and dedicated involvement throughout the process of this thesis. With profound knowledge and experience, he helped me improving my research. Without his instructions, the thesis would be undone. Secondly, I would also like to be grateful to all my dear professors, JICA experts in Vietnam Japan University who conveyed to me numerous courses and knowledge and classmates of the Master of Public Policy, for their helpful as well as practical suggestions.

I will keep in mind all the memories that we had during my time at Vietnam Japan University. Last but not least, I also own a great debt of gratitude to my family and friends for their immeasurable support bot all my degree and in this arduous process of this study. iv LUAN VAN CHAT LUONG download : add [e-mail] ABSTRACT Calculating real estate price index is one of the major challenges for statistical agencies around the world. However, the need for tools to monitor the real estate market is essential from all levels from micro to macro management.

Therefore, statistical agencies of some countries in the world and some real estate companies like Savill Vietnam have built their own methods based on their actual conditions to calculate this index. Thus, it might be impossible to compare the results. Recently, international statistical organizations have jointly published a manual to guide the general methodology for calculating this indicator. In addition, the development of information technology has also brought many new tools to serve economic management including big data sources.

This study attempts to develop the residential property price index (RPPI) in Vietnam with specific in the apartment market in Ho Chi Minh City using big data from property advertisement web portals as a prototype. The hedonic regression method is used to calculate this index.