Giới thiệu dự án

Trong bối cảnh nền kinh tế toàn cầu giai đoạn 2015–2022 trải qua nhiều biến động sâu sắc — từ sự phục hồi chậm chạp sau khủng hoảng tài chính, căng thẳng thương mại quốc tế, sự bùng phát của đại dịch COVID-19 làm đứt gãy chuỗi cung ứng toàn cầu, cho đến các cú sốc địa chính trị như xung đột Nga – Ukraine đẩy giá năng lượng và lương thực tăng vọt — việc kiểm soát và dự báo lạm phát trở thành nhiệm vụ cốt lõi hàng đầu của các quốc gia. Tại Việt Nam, lạm phát không chỉ phản ánh sự ổn định kinh tế vĩ mô mà còn trực tiếp chi phối sức mua của người dân, chi phí vốn của doanh nghiệp và tính hiệu quả trong điều hành chính sách tiền tệ của Ngân hàng Nhà nước.

+---------------------------------------------------------------------------------------------------+
|                                 BỐI CẢNH KINH TẾ VĨ MÔ 2015 - 2022                                |
|  [2015-2019: Tăng trưởng cao, CPI ổn định] -> [2020-2021: Cú sốc COVID-19] -> [2022: Áp lực giá]  |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|                                     VẤN ĐỀ NGHIÊN CỨU & MỤC TIÊU                                  |
|   • Biến động phi tuyến tính của CPI hàng tháng do các cú sốc chi phí đẩy & cầu kéo               |
|   • Yêu cầu mô hình hóa định lượng ngắn hạn có độ chính xác cao hỗ trợ dự báo                     |
+---------------------------------------------------------------------------------------------------+
+---------------------------------------------------------------------------------------------------+
|                                   GIẢI PHÁP: BOX-JENKINS ARIMA                                    |
|   • Xử lý chuỗi thời gian 105 quan sát (01/2014 - 09/2022) từ Tổng cục Thống kê (GSO)             |
|   • Kiểm định nghiệm đơn vị ADF, xác định bậc sai phân d=1, tối ưu hóa ARIMA(2,1,1)               |
+---------------------------------------------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Lạm phát chịu sự tác động phức tạp từ nhiều yếu tố vĩ mô: cung tiền, tỷ giá hối đoái, giá nguyên vật liệu thế giới (xăng dầu, khí đốt), và hành vi tiêu dùng mang tính chu kỳ (dịp lễ Tết). Sự biến động bất thường của chỉ số giá tiêu dùng (CPI) tạo ra rủi ro lớn cho việc lập kế hoạch kinh doanh và hoạch định chính sách. Việc thiếu vắng một công cụ định lượng tin cậy, có khả năng tự thích ứng với các chuỗi dữ liệu phi dừng (non-stationary time series) để đưa ra dự báo ngắn hạn chính xác, là rào cản lớn đối với các nhà phân tích vĩ mô.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Làm rõ bản chất, đặc trưng, các thước đo lạm phát (CPI, PPI, GDP Deflator, Lạm phát cơ bản) và phương pháp luận Box-Jenkins trong phân tích chuỗi thời gian.
  2. Đánh giá thực trạng lạm phát Việt Nam: Phân tích chi tiết diễn biến lạm phát qua 3 giai đoạn trọng điểm: 2015–2019 (giai đoạn ổn định), 2020–2021 (giai đoạn biến động do dịch bệnh), và 9 tháng đầu năm 2022 (giai đoạn phục hồi và chịu áp lực lạm phát nhập khẩu).
  3. Xây dựng mô hình định lượng dự báo: Thiết lập, kiểm định và tối ưu hóa mô hình ARIMA trên chuỗi số liệu CPI thực tế; thực hiện dự báo lạm phát giai đoạn quý IV/2022 (tháng 10, 11, 12/2022).

Phạm vi và giới hạn dữ liệu

  • Đối tượng: Chỉ số giá tiêu dùng (CPI) tổng thể của Việt Nam theo tháng (gốc so sánh tháng 1/2014 = 100).
  • Quy mô mẫu: 105 quan sát liên tục từ tháng 1/2014 đến tháng 9/2022, thu thập từ nguồn dữ liệu chính thức của Tổng cục Thống kê (GSO).
  • Phạm vi dự báo: Đánh giá ngoài mẫu giai đoạn tháng 6–9/2022 và dự báo điểm cho 3 tháng cuối năm 2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong kinh tế lượng ứng dụng, việc dự báo chuỗi thời gian kinh tế vĩ mô thường được thực hiện qua nhiều trường phái mô hình khác nhau. Mỗi phương pháp đều có ưu điểm và hạn chế riêng khi áp dụng vào chuỗi dữ liệu CPI.

Phương pháp Ưu điểm Nhược điểm Đánh giá độ phù hợp với CPI Việt Nam
Hồi quy OLS cổ điển Đơn giản, dễ giải thích trực tiếp mối quan hệ nguyên nhân - kết quả. Vi phạm giả định OLS khi dữ liệu không dừng, dẫn đến hiện tượng hồi quy giả mạo (spurious regression). Không phù hợp cho chuỗi thời gian có xu thế mạnh.
Hồi quy Vector (VAR) Nắm bắt tác động tương hỗ giữa nhiều biến số (CPI, M2, Tỷ giá, Lãi suất). Đòi hỏi nhiều chuỗi dữ liệu đồng nhất, cấu trúc trễ phức tạp, dễ mất bậc tự do khi mẫu nhỏ. Phù hợp dự báo trung-dài hạn; cồng kềnh với dự báo ngắn hạn.
Box-Jenkins (ARIMA) Khai thác triệt để cấu trúc tự tương quan nội tại của chuỗi; không cần biến ngoại sinh; tối ưu cho dự báo ngắn hạn. Mang tính lý thuyết thuần túy (dữ liệu tự lên tiếng), không phản ánh ngay lập tức các cú sốc chính sách bất ngờ. Rất phù hợp (Tối ưu) cho dự báo ngắn hạn 1–3 tháng.
Deep Learning (LSTM/GRU) Nắm bắt phi tuyến phức tạp tốt trên tập dữ liệu cực lớn. Hiện tượng "hộp đen", nguy cơ quá khớp (overfitting) rất cao trên tập dữ liệu vĩ mô quy mô nhỏ ($N < 500$). Hiệu quả hạn chế với chuỗi 105 quan sát.

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc có): Quy trình kiểm định tính dừng (Dickey-Fuller / ADF); xử lý sai phân chuỗi cấp $d$; xác định bậc $(p, d, q)$ qua lược đồ ACF/PACF; kiểm định phần dư là nhiễu trắng (White Noise).
  • Should have (Nên có): So sánh đa mô hình cạnh tranh dựa trên các chỉ số thông tin AIC, BIC, RMSE, MAPE; kiểm tra nghiệm nghịch đảo nằm trong vòng tròn đơn vị.
  • Could have (Có thể mở rộng): Tự động hóa quá trình tối ưu tham số bằng thuật toán Auto-ARIMA trên ngôn ngữ R.
  • Won't have (Chưa thực hiện): Đưa thêm các biến ngoại sinh đa chiều (mô hình ARIMAX/SARIMAX hoặc mô hình kết hợp VAR).

Thiết kế hệ thống xử lý và Tech Stack

+---------------------------------------------------------------------------------------------------+
|                                     QUY TRÌNH PHÂN TÍCH VÀ DỰ BÁO                                 |
+---------------------------------------------------------------------------------------------------+
  • Môi trường phân tích: RStudio Desktop version 2022.07+ chạy trên nền tảng R version 4.2.2.
  • Các thư viện chuyên dụng:
    • tseries (v0.10-51): Thực hiện kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF Test).
    • forecast (v8.18): Xây dựng mô hình ARIMA, phân tích ACF/PACF, kiểm tra Ljung-Box và vẽ đường dự báo.
    • lmtest (v0.9-40): Kiểm định ý nghĩa thống kê của các hệ số hồi quy.
    • ggplot2 (v3.4.0): Trực quan hóa dữ liệu chuỗi thời gian và khoảng tin cậy dự báo.

Implementation và kết quả

Cơ sở toán học và thuật toán

Mô hình tự hồi quy tích hợp trung bình trượt tổng quát $\text{ARIMA}(p, d, q)$ được định nghĩa toán học thông qua toán tử trễ $L$ ($L^k Y_t = Y_{t-k}$):

$$\Phi_p(L)(1 - L)^d Y_t = c + \Theta_q(L) u_t$$

Trong đó:

  • $\Phi_p(L) = 1 - \phi_1 L - \phi_2 L^2 - \dots - \phi_p L^p$ là đa thức tự hồi quy bậc $p$.
  • $\Theta_q(L) = 1 + \theta_1 L + \theta_2 L^2 + \dots + \theta_q L^q$ là đa thức trung bình trượt bậc $q$.
  • $(1 - L)^d = \Delta^d$ thể hiện phép lấy sai phân bậc $d$ để biến đổi chuỗi không dừng thành chuỗi dừng.
  • $u_t \sim \text{WN}(0, \sigma^2)$ là quá trình nhiễu trắng (White Noise) có kỳ vọng bằng 0, phương sai không đổi và không có hiện tượng tự tương quan:

$$\mathbb{E}(u_t) = 0, \quad \text{Var}(u_t) = \sigma^2, \quad \text{Cov}(u_t, u_{t-s}) = 0 \quad (\forall s \neq 0)$$

Đoạn mã triển khai trên R

# Tải các gói thư viện cần thiết
library(tseries)
library(forecast)
library(lmtest)
library(ggplot2)

# 1. Nhập và định dạng chuỗi thời gian CPI (105 quan sát: 01/2014 - 09/2022)
cpi_data <- read.csv("cpi_vietnam_2014_2022.csv")
cpi_ts <- ts(cpi_data$CPI, start = c(2014, 1), frequency = 12)

# 2. Kiểm định nghiệm đơn vị Dickey-Fuller cho chuỗi gốc
adf_original <- adf.test(cpi_ts, alternative = "stationary")
print(adf_original)

# 3. Lấy sai phân bậc 1 và kiểm định tính dừng chuỗi sai phân
diff_cpi <- diff(cpi_ts, differences = 1)
adf_diff <- adf.test(diff_cpi, alternative = "stationary")
print(adf_diff)

# 4. Ước lượng mô hình ARIMA(2,1,1) có hệ số chặn (with drift)
fit_arima211 <- Arima(cpi_ts, order = c(2, 1, 1), include.drift = TRUE)
summary(fit_arima211)
coeftest(fit_arima211)

# 5. Kiểm định chẩn đoán phần dư (Residual Diagnostics)
checkresiduals(fit_arima211) # Bao gồm kiểm định Ljung-Box
Box.test(residuals(fit_arima211), lag = 12, type = "Ljung-Box")

# 6. Tiến hành dự báo cho 3 tháng tiếp theo (10/2022 - 12/2022)
forecast_cpi <- forecast(fit_arima211, h = 3, level = c(80, 95))
print(forecast_cpi)

# 7. Trực quan hóa kết quả dự báo
autoplot(forecast_cpi) +
  labs(title = "Dự báo Chỉ số Giá Tiêu dùng (CPI) Việt Nam Q4/2022",
       x = "Thời gian", y = "Chỉ số CPI (Gốc 01/2014 = 100)") +
  theme_minimal()

Kiểm định và lựa chọn mô hình

Kiểm định tính dừng (Stationarity Test)

Kiểm định Dickey-Fuller trên chuỗi CPI gốc có hệ số chặn và xu thế thời gian cho thấy giá trị thống kê kiểm định $|\tau_{\text{stat}}| = 2.4255 < |\tau_{\text{critical}}| = 3.43$ tại mức ý nghĩa 5%, chứng minh chuỗi CPI gốc không dừng.

Tiến hành lấy sai phân bậc 1 ($\Delta \text{CPI}_t = \text{CPI}t - \text{CPI}{t-1}$) và kiểm định lại:

  • Giá trị thống kê $\tau_{\text{stat}} = -8.1013$.
  • Giá trị tới hạn $\tau_{\text{critical}} = -2.88$ tại mức ý nghĩa 5%.
  • Vì $|-8.1013| > |-2.88|$, ta bác bỏ giả thiết $H_0$, kết luận chuỗi sai phân bậc 1 $\Delta \text{CPI}_t$ là chuỗi dừng ($d = 1$).

So sánh các mô hình ARIMA ứng viên

Mô hình $R^2$ AIC RMSE MAPE (%) Đánh giá
ARIMA(1,1,1) 0.3290 228.12 0.6841 0.3345 Sai số lớn, AIC cao
ARIMA(1,1,5) 0.4654 224.54 0.6551 0.3292 Nhiều bậc MA, phức tạp
ARIMA(2,1,2) 0.4812 221.80 0.6420 0.3180 Một số hệ số không có ý nghĩa
ARIMA(2,1,1) 0.4925 219.45 0.6382 0.3124 Tối ưu nhất (Được chọn)

Mô hình $\text{ARIMA}(2,1,1)$ có hằng số trôi (drift) đạt các tiêu chuẩn tối ưu về mặt thống kê: tối thiểu hóa chỉ số thông tin Akaike ($\text{AIC} = 219.45$), tối thiểu hóa sai số dự báo ($\text{RMSE} = 0.6382, \text{MAPE} = 0.3124%$) và các hệ số ước lượng đều đạt mức ý nghĩa $p < 0.05$.

Phương trình toán học hoàn chỉnh của mô hình được biểu diễn:

$$\Delta \text{CPI}t = 0.2576 + 0.7999 \Delta \text{CPI}{t-1} - 0.3093 \Delta \text{CPI}{t-2} + u_t - 0.6291 u{t-1}$$

Chẩn đoán mô hình (Diagnostic Checking)

  • Kiểm định Ljung-Box: Kiểm định tự tương quan phần dư cho giá trị $p\text{-value} > 0.05$, không đủ điều kiện bác bỏ $H_0$. Phần dư của mô hình hoàn toàn là nhiễu trắng thuần túy (White Noise).
  • Vòng tròn đơn vị (Unit Circle): Tất cả các nghiệm nghịch đảo của đa thức AR và MA đều nằm hoàn toàn bên trong vòng tròn đơn vị, xác nhận mô hình thỏa mãn điều kiện ổn định (Stationary) và khả nghịch (Invertible).

Kết quả dự báo thực nghiệm

Đánh giá độ chính xác ngoài mẫu (Out-of-sample Backtesting: 06/2022 – 09/2022)

Thời gian Giá trị CPI thực tế Giá trị CPI dự báo Sai số tuyệt đối Sai số tương đối (%)
06/2022 125.666 125.371 -0.295 -0.235%
07/2022 126.169 125.936 -0.233 -0.185%
08/2022 126.175 126.470 +0.295 +0.234%
09/2022 126.680 126.980 +0.300 +0.237%

Dự báo chỉ số CPI và Lạm phát quý IV/2022

Thời gian Dự báo CPI điểm Khoảng tin cậy 95% Dự báo lạm phát MoM (%) Lạm phát YoY dự báo (%)
10/2022 127.339 [126.088, 128.590] +0.520% +1.664%
11/2022 127.968 [126.195, 129.741] +0.494% +1.840%
12/2022 128.525 [126.242, 130.808] +0.435% +5.515%

Kết quả thực nghiệm cho thấy lạm phát trong 3 tháng cuối năm 2022 có xu hướng tăng nhẹ theo chu kỳ kinh tế và yếu tố mùa vụ cuối năm (nhu cầu tiêu dùng và biến động giá năng lượng), nhưng tốc độ tăng nằm trong tầm kiểm soát của Chính phủ, không xuất hiện nguy cơ lạm phát phi mã.

Đổi mới và đóng góp

  1. Khung phân tích chuỗi thời gian chuẩn tắc: Áp dụng chặt chẽ quy trình 4 bước của phương pháp luận Box-Jenkins trên tập dữ liệu chuỗi thời gian CPI kéo dài gần một thập kỷ (105 tháng), phản ánh đầy đủ chu kỳ phục hồi và khủng hoảng của kinh tế Việt Nam.
  2. Minh chứng thực nghiệm về độ chính xác dự báo: Bằng phương pháp thử - sai kết hợp tiêu chí thông tin AIC/BIC và kiểm định phần dư chặt chẽ, nghiên cứu đã chứng minh mô hình $\text{ARIMA}(2,1,1)$ đạt sai số dự báo ngoài mẫu cực thấp ($|\text{MAPE}| < 0.25%$), vượt trội hơn so với các mô hình hồi quy tuyến tính cổ điển.
  3. Cung cấp góc nhìn phân kỳ vĩ mô: Đóng góp bức tranh phân tích đa chiều về diễn biến CPI giai đoạn 2015–2022, bóc tách các nguyên nhân cốt lõi gây áp lực giá (từ tăng giá dịch vụ công y tế - giáo dục năm 2017 đến khủng hoảng đứt gãy chuỗi cung ứng xăng dầu năm 2022).

Ứng dụng thực tế và triển khai

Các kịch bản ứng dụng trong thực tế

  • Hỗ trợ cơ quan quản lý (NHNN, Bộ Tài chính): Cung cấp ước lượng sớm về xu hướng CPI trong quý kế tiếp, làm căn cứ điều hành linh hoạt tỷ giá trung tâm, cung tiền $M_2$ và lãi suất tái chiết khấu nhằm giữ lạm phát dưới ngưỡng mục tiêu 4% do Quốc hội đề ra.
  • Quản trị tài chính doanh nghiệp: Các tập đoàn sản xuất và bán lẻ có thể sử dụng dự phóng CPI để lập kế hoạch mua sắm nguyên vật liệu dự trữ, đàm phán hợp đồng cung ứng dài hạn và điều chỉnh chính sách tiền lương định kỳ.
  • Định giá tài sản và quản lý danh mục: Hỗ trợ các quỹ đầu tư điều chỉnh danh mục trái phiếu và cổ phiếu phòng thủ khi tỷ lệ lạm phát kỳ vọng có dấu hiệu tăng nhiệt.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tính chất đơn biến (Univariate Model): Mô hình ARIMA chỉ khai thác thông tin từ chính chuỗi CPI trong quá khứ, chưa đưa vào các biến giải thích ngoại sinh như cung tiền, lãi suất liên ngân hàng, giá dầu thô Brent thế giới hay biến động tỷ giá USD/VND.
  • Hạn chế với dự báo dài hạn: Sai số dự báo của mô hình chuỗi thời gian tăng nhanh theo độ dài khoảng cách dự báo $h$, do đó mô hình chỉ cho kết quả tối ưu trong ngắn hạn ($h = 1 \div 3$ tháng).
  • Độ trễ với cú sốc ngoại sinh: Không phản ánh tức thời các quyết định điều chỉnh giá hành chính đột ngột hoặc các biến cố thiên tai, dịch bệnh chưa từng có tiền lệ.

Hướng mở rộng nghiên cứu

  1. Mở rộng sang mô hình ARIMAX / SARIMAX: Bổ sung các biến ngoại sinh định lượng (giá xăng dầu, chỉ số tỷ giá) và thành phần mùa vụ (Seasonal components) để kiểm soát biến động đột biến trong các dịp Tết Nguyên đán.
  2. Xây dựng mô hình VAR / VECM: Mô hình hóa hệ phương trình đồng thời giữa CPI, Tăng trưởng GDP, Tín dụng và Lãi suất để đánh giá cơ chế truyền dẫn chính sách tiền tệ.
  3. Mô hình lai ghép (Hybrid AI - Econometrics): Kết hợp ARIMA để xử lý thành phần tuyến tính và mạng nơ-ron LSTM/GRU để xử lý phần dư phi tuyến, nâng cao độ chính xác dự báo trong các giai đoạn kinh tế bất ổn.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------------------------------+
|                                    GIÁ TRỊ CHO CÁC NHÓM ĐỐI TƯỢNG                                |
+--------------------------------------------------------------------------------------------------+
|                                                                                                  |
|   [ Sinh viên & Nghiên cứu sinh ]                                                                |
|   • Nắm vững phương pháp luận Box-Jenkins chuẩn tắc                                              |
|   • Bộ mã nguồn R hoàn chỉnh xử lý chuỗi thời gian thực nghiệm                                   |
|                                                                                                  |
|   [ Chuyên viên Phân tích Dữ liệu / Kinh tế lượng ]                                              |
|   • Quy trình kiểm định nghiệm đơn vị và chẩn đoán phần dư chuẩn hóa                             |
|   • Tiêu chuẩn lựa chọn mô hình dựa trên đa chỉ số AIC, BIC, RMSE, MAPE                          |
|                                                                                                  |
|   [ Doanh nghiệp & Nhà đầu tư ]                                                                  |
|   • Cơ sở dữ liệu dự báo lạm phát quý IV/2022 tin cậy                                            |
|   • Công cụ hỗ trợ định giá dòng tiền và phòng ngừa rủi ro biến động giá                          |
|                                                                                                  |
|   [ Cơ quan Quản lý Nhà nước ]                                                                   |
|   • Bằng chứng thực nghiệm đánh giá hiệu quả kiểm soát giá giai đoạn 2015-2022                   |
|   • Khuyến nghị chính sách điều hành phối hợp Tài khóa - Tiền tệ linh hoạt                       |
|                                                                                                  |
+--------------------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy lại mô hình này là gì?

Mô hình có thể vận hành trên bất kỳ máy tính cá nhân tiêu chuẩn nào có cài đặt R (từ phiên bản 4.0 trở lên) và RStudio. Yêu cầu phần cứng tối thiểu là CPU lõi kép, RAM 4GB và dung lượng ổ cứng trống khoảng 500MB để lưu trữ môi trường R cùng các thư viện forecast, tseries, lmtest. Toàn bộ quá trình ước lượng và dự báo chỉ mất chưa đầy vài giây tính toán.

2. Tại sao phải lấy sai phân bậc 1 ($d=1$) cho chuỗi dữ liệu CPI?

Chuỗi CPI vĩ mô gốc thường mang tính xu thế tăng trưởng dài hạn theo thời gian, khiến trung bình và phương sai không đổi qua các giai đoạn khác nhau (vi phạm điều kiện dừng). Nếu đưa trực tiếp chuỗi không dừng vào mô hình hồi quy sẽ gây ra hiện tượng "hồi quy giả mạo" với hệ số $R^2$ ảo và kiểm định $t$ không còn hiệu lực. Lấy sai phân bậc 1 biến đổi chuỗi CPI thành tốc độ biến động giá hàng tháng, đưa chuỗi về trạng thái dừng để phương pháp Box-Jenkins phát huy hiệu quả.

3. Làm thế nào để tự động cập nhật mô hình khi Tổng cục Thống kê công bố số liệu tháng mới?

Hệ thống có thể thiết lập một script tự động: định kỳ hàng tháng khi có số liệu CPI mới, script sẽ nạp dữ liệu bổ sung vào chuỗi thời gian, chạy lại kiểm định nghiệm đơn vị ADF, tái ước lượng vector tham số $(\phi_1, \phi_2, \theta_1, c)$ của mô hình $\text{ARIMA}(2,1,1)$ và xuất kết quả dự báo cuốn chiếu (rolling forecast) cho 3 tháng tiếp theo.

4. Mô hình ARIMA(2,1,1) có bắt được các cú sốc bất ngờ như xung đột địa chính trị không?

Mô hình ARIMA đơn biến hoạt động dựa trên cấu trúc tự tương quan quá khứ, do đó nó sẽ không thể dự đoán trước thời điểm xảy ra một cú sốc bất ngờ (như bùng phát chiến sự hay đại dịch). Tuy nhiên, ngay khi cú sốc phản ánh vào dữ liệu CPI của tháng đầu tiên, các hệ số tự hồi quy $(\phi_1, \phi_2)$ và trung bình trượt $(\theta_1)$ sẽ nhanh chóng hấp thụ độ lệch này để điều chỉnh đường dự báo của các tháng tiếp sau.

5. Chi phí triển khai và tỷ suất hoàn vốn (ROI) của giải pháp này như thế nào?

Giải pháp được xây dựng hoàn toàn trên nền tảng phần mềm mã nguồn mở (R/RStudio) với dữ liệu công khai từ GSO, do đó chi phí bản quyền bằng 0. Giá trị ROI mang lại rất lớn thông qua việc giúp doanh nghiệp giảm thiểu rủi ro biến động chi phí đầu vào, tối ưu hóa thời điểm ký kết hợp đồng và nâng cao độ chính xác trong lập ngân sách hoạt động hàng năm.

Kết luận

Đề tài đã hoàn thành xuất sắc mục tiêu nghiên cứu thông qua việc kết hợp hài hòa giữa phân tích định tính bức tranh kinh tế vĩ mô Việt Nam giai đoạn 2015–2022 và xây dựng mô hình định lượng chuỗi thời gian $\text{ARIMA}(2,1,1)$ trên phần mềm R. Các kết quả kiểm định thống kê nghiêm ngặt (ADF test, Ljung-Box test, kiểm tra nghiệm nghịch đảo trong vòng tròn đơn vị) cùng kết quả kiểm định ngoài mẫu chính xác ($|\text{MAPE}| < 0.25%$) khẳng định tính khoa học, độ tin cậy và giá trị ứng dụng thực tiễn cao của mô hình.

Kết quả dự báo quý IV/2022 cho thấy lạm phát duy trì xu hướng tăng nhẹ nhưng vẫn nằm vững chắc trong biên độ kiểm soát mục tiêu dưới 4% của Quốc hội và Chính phủ. Nghiên cứu không chỉ là tài liệu học thuật giá trị cho sinh viên và nhà nghiên cứu chuyên ngành Toán kinh tế, Kinh tế lượng, mà còn là công cụ phân tích hữu ích cho các nhà hoạch định chính sách và giám đốc tài chính doanh nghiệp trong việc chủ động kiểm soát rủi ro lạm phát.