Giới thiệu dự án

Trong tiến trình đổi mới và hội nhập kinh tế quốc tế, Việt Nam đã chuyển mình mạnh mẽ từ một nền kinh tế nông nghiệp thu nhập thấp thành quốc gia có thu nhập trung bình. Động lực trung tâm của quá trình này đến từ việc huy động và mở rộng quy mô vốn đầu tư phát triển, trong đó vốn đầu tư công (Public Investment - GI) giữ vai trò dẫn dắt kết cấu hạ tầng kỹ thuật và xã hội. Theo số liệu thống kê giai đoạn 2010–2020, tỷ lệ tổng vốn đầu tư toàn xã hội so với Tổng sản phẩm quốc nội (GDP) của Việt Nam đạt mức bình quân 40,2%, cao điểm lên tới 42% vào năm 2020. Tuy nhiên, tỷ trọng nợ công tích lũy đến cuối năm 2020 chiếm tới 56,7% GDP (nợ nước ngoài chiếm 44,5% GDP), đặt ra bài toán cấp bách về hiệu quả phân bổ nguồn vốn nhà nước.

Vấn đề cốt lõi (Problem Statement) nằm ở sự hoài nghi mang tính học thuật và thực tiễn về hiệu quả thực sự của đầu tư công: Liệu việc gia tăng đầu tư công có thực sự thúc đẩy tăng trưởng kinh tế bền vững trong dài hạn, hay đang gây ra hiệu ứng lấn át (Crowding-out Effect) đối với khu vực đầu tư tư nhân (Private Investment - PI)? Tình trạng đầu tư dàn trải, phân cấp thiếu đồng bộ giữa các địa phương và sự suy giảm hiệu quả sử dụng vốn (thể hiện qua hệ số ICOR cao) đòi hỏi một đánh giá định lượng chuẩn xác.

Đề tài khóa luận tập trung giải quyết các mục tiêu nghiên cứu cụ thể:

  1. Đánh giá toàn diện thực trạng quy mô, cơ cấu và tốc độ tăng trưởng của vốn đầu tư công tại Việt Nam giai đoạn 2011–2020.
  2. Thiết lập mô hình kinh tế lượng Vector Tự hồi quy (Vector Autoregression - VAR) để lượng hóa tác động của đầu tư công và đầu tư tư nhân tới tăng trưởng GDP giai đoạn 1990–2020.
  3. Kiểm định tính dừng, phân tích quan hệ nhân quả Granger, ước lượng hàm phản ứng xung (Impulse Response Function - IRF) và phân rã phương sai sai số dự báo (Forecast Error Variance Decomposition - FEVD).
  4. Đề xuất hệ thống hàm ý chính sách và giải pháp tái cơ cấu đầu tư công phục vụ Chiến lược phát triển kinh tế - xã hội Việt Nam tầm nhìn 2030–2045.

Phạm vi nghiên cứu sử dụng chuỗi dữ liệu thời gian thứ cấp 31 năm (1990–2020) với dữ liệu từ Tổng cục Thống kê (GSO), Ngân hàng Thế giới (WB) và Quỹ Tiền tệ Quốc tế (IMF). Giới hạn của đề tài nằm ở việc sử dụng dữ liệu chuỗi thời gian theo năm (31 quan sát) do tính sẵn có của số liệu thống kê vĩ mô phân rã tại Việt Nam.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Giai đoạn 2011–2020 chứng kiến sự dịch chuyển rõ nét trong cơ cấu tổng vốn đầu tư toàn xã hội tại Việt Nam. Tỷ trọng vốn đầu tư khu vực Nhà nước đã giảm dần từ 59,8% (năm 2010) xuống còn 34% (năm 2018) và duy trì quanh mức 35–40% giai đoạn 2019–2020. Ngược lại, khu vực ngoài Nhà nước tăng từ 22,6% (2011) lên 35,2% (2020), và khu vực có vốn đầu tư trực tiếp nước ngoài (FDI) tăng từ 17,6% lên 25,8%. Tốc độ tăng trưởng vốn đầu tư công bình quân giai đoạn 2011–2020 đạt 7,6%/năm (theo giá so sánh 1994), thấp hơn đáng kể so với mức tăng 15,7%/năm của khu vực tư nhân và 17,4%/năm của khu vực FDI.

Phương pháp nghiên cứu Ưu điểm chính Nhược điểm / Rủi ro kỹ thuật Mức độ phù hợp với đề tài
Mô hình Hồi quy OLS Cổ điển Đơn giản, dễ ước lượng, giải thích trực tiếp hệ số co giãn. Bỏ qua tính nội sinh giữa các biến vĩ mô, dễ gặp hiện tượng hồi quy giả mạo (Spurious Regression). Thấp (Không phản ánh được tác động động).
Mô hình VECM (Hiệu chỉnh sai số) Tích hợp mối quan hệ đồng liên kết dài hạn và hiệu chỉnh ngắn hạn. Yêu cầu nghiêm ngặt về bậc tích hợp đồng nhất $I(1)$ và sự tồn tại của vector đồng liên kết Johansen. Trung bình (Khó xử lý khi bậc dừng biến thiên).
Mô hình VAR dạng rút gọn (Reduced-form VAR) Coi tất cả các biến là nội sinh, đo lường độ trễ chéo, cung cấp phân tích IRF và FEVD trực quan. Nhạy cảm với việc chọn độ trễ và thứ tự Cholesky của các biến. Tối ưu (Được lựa chọn)

Thiết kế hệ thống

Khung phân tích lý thuyết dựa trên Hàm sản xuất mở rộng tân cổ điển (Cobb-Douglas) và Mô hình tăng trưởng nội sinh của Barro (1990):

$$Y = A \cdot f(K, G, L) = A \cdot K^{\alpha} \cdot G^{\beta} \cdot L^{1-\alpha-\beta}$$

Trong đó:

  • $Y$: Tổng sản lượng thực tế của nền kinh tế (GDP).
  • $K$: Vốn đầu tư của khu vực tư nhân (Private Capital).
  • $G$: Vốn đầu tư của khu vực công (Public Capital).
  • $L$: Lực lượng lao động.
  • $A$: Năng suất các nhân tố tổng hợp (TFP) đại diện cho trình độ công nghệ.

Theo mô hình Barro (1990), tác động của quy mô chính phủ và đầu tư công tới tăng trưởng kinh tế tuân theo dạng đường cong chữ U ngược. Khi tỷ lệ đầu tư công trên GDP nằm dưới ngưỡng tối ưu, vốn công tạo ra ngoại ứng tích cực, bổ sung hạ tầng cho khu vực tư nhân ($\frac{\partial y}{\partial (g/y)} > 0$). Khi vượt quá ngưỡng tối ưu, việc tăng chi tiêu công buộc phải bù đắp bằng thuế cao hơn hoặc vay nợ quá mức, làm méo mó thị trường và gây ra hiệu ứng lấn át đầu tư tư nhân ($\frac{\partial y}{\partial (g/y)} < 0$).

Hệ thống biến số kinh tế lượng được lượng hóa dưới dạng sai phân bậc 1 của logarit tự nhiên nhằm đảm bảo tính dừng:

  • $\text{DGDP}_t = \Delta \ln(\text{GDP}_t) = \ln(\text{GDP}t) - \ln(\text{GDP}{t-1})$: Đại diện cho tốc độ tăng trưởng kinh tế.
  • $\text{DGI}_t = \Delta \ln(\text{GI}_t)$: Biến thiên tỷ lệ vốn đầu tư công trên GDP.
  • $\text{DPI}_t = \Delta \ln(\text{PI}_t)$: Biến thiên tỷ lệ vốn đầu tư tư nhân trên GDP.

Stack công nghệ và công cụ tính toán:

  • Phần mềm kinh tế lượng: EViews 10 Enterprise (sử dụng module VAR estimation, Residual Diagnostics, Impulse Response, Variance Decomposition).
  • Ngôn ngữ bổ trợ: Python 3.10 với thư viện statsmodels.tsa.api.VAR, pandas 2.0, matplotlib 3.7 cho trực quan hóa dữ liệu.

Methodology

Quy trình nghiên cứu kinh tế lượng chuỗi thời gian tuân theo cấu trúc 5 giai đoạn:

[Thu thập dữ liệu chuỗi thời gian 1990-2020]
[Kiểm định tính dừng ADF (Augmented Dickey-Fuller)]
[Xác định độ trễ tối ưu qua AIC, SC, HQ, LR, FPE]
[Ước lượng Mô hình VAR(2) & Kiểm định chẩn đoán khuyết tật (LM, White)]

Rủi ro lớn nhất của phương pháp VAR là việc lựa chọn sai độ trễ làm mất bậc tự do hoặc gây hiện tượng tự tương quan chuỗi sai số. Chiến lược xử lý là kết hợp đồng thời 5 tiêu chuẩn thông tin để tìm điểm cân bằng thông tin tối ưu.

Implementation và kết quả

Development process

Cấu trúc đại số ma trận của hệ phương trình $\text{VAR}(p)$ với bậc trễ $p=2$ được thiết lập dưới dạng chuẩn tắc:

$$\begin{bmatrix} \text{DGDP}t \ \text{DGI}t \ \text{DPI}t \end{bmatrix} = \begin{bmatrix} c_1 \ c_2 \ c_3 \end{bmatrix} + \sum{i=1}^2 \begin{bmatrix} \pi{11}^{(i)} & \pi{12}^{(i)} & \pi_{13}^{(i)} \ \pi_{21}^{(i)} & \pi_{22}^{(i)} & \pi_{23}^{(i)} \ \pi_{31}^{(i)} & \pi_{32}^{(i)} & \pi_{33}^{(i)} \end{bmatrix} \begin{bmatrix} \text{DGDP}{t-i} \ \text{DGI}{t-i} \ \text{DPI}{t-i} \end{bmatrix} + \begin{bmatrix} \epsilon{1t} \ \epsilon_{2t} \ \epsilon_{3t} \end{bmatrix}$$

Đoạn mã kịch bản thực thi mô hình hóa bằng cú pháp Python/EViews:

import numpy as np
import pandas as pd
from statsmodels.tsa.api import VAR
from statsmodels.tsa.stattools import adfuller

# 1. Nạp và tiền xử lý dữ liệu chuỗi thời gian vĩ mô 1990-2020
data = pd.read_csv("macro_vietnam_1990_2020.csv", index_col="Year", parse_dates=True)
data["DGDP"] = np.log(data["GDP"]).diff()
data["DGI"] = np.log(data["GI"]).diff()
data["DPI"] = np.log(data["PI"]).diff()
df_var = data[["DGDP", "DGI", "DPI"]].dropna()

# 2. Kiểm định nghiệm đơn vị ADF
for col in df_var.columns:
    result = adfuller(df_var[col])
    print(f"ADF Statistic for {col}: {result[0]:.4f}, p-value: {result[1]:.4f}")

# 3. Lựa chọn độ trễ và khớp mô hình VAR(2)
model = VAR(df_var)
var_results = model.fit(maxlags=2, ic=None)
print(var_results.summary())

# 4. Phân tích hàm phản ứng xung (IRF) với phân rã Cholesky: DGI -> DPI -> DGDP
irf = var_results.irf(periods=10)
fevd = var_results.fevd(periods=10)

Testing và validation

Kiểm định tính dừng (Unit Root Test - ADF)

Kiểm định Augmented Dickey-Fuller được tiến hành trên chuỗi dữ liệu gốc và chuỗi sai phân bậc nhất với giả thuyết $H_0$: Chuỗi dữ liệu chứa nghiệm đơn vị (không dừng).

Chuỗi biến số Thống kê t-ADF Giá trị tới hạn (Critical Value) P-value Bậc tích hợp Kết luận
DGDP -2.790546 -2.967767 (mức 10%) 0.0720 $I(0)$ Bác bỏ $H_0$ ở mức ý nghĩa 10%
DGI -4.366685 -3.679322 (mức 1%) 0.0018 $I(1)$ Bác bỏ $H_0$ ở mức ý nghĩa 1%
DPI -7.500386 -3.679322 (mức 1%) 0.0000 $I(1)$ Bác bỏ $H_0$ ở mức ý nghĩa 1%

Lựa chọn độ trễ tối ưu

Các tiêu chuẩn thông tin đa biến bao gồm Sequential Modified LR Test Statistic, Final Prediction Error (FPE), Akaike Information Criterion (AIC), Schwarz Information Criterion (SC), và Hannan-Quinn Information Criterion (HQ) đều đồng thuận lựa chọn độ trễ tối ưu $p=2$. Kiểm định liên hiệp độ trễ (Lag Exclusion Wald Test) cho $p\text{-value} = 0.005 < 0.01$, khẳng định cấu trúc $\text{VAR}(2)$ hoàn toàn phù hợp.

Kiểm định chẩn đoán khuyết tật mô hình

  • Kiểm định tự tương quan (Lagrange Multiplier - LM Test): Tại độ trễ 1, kiểm định cho giá trị $p\text{-value} = 0.8457 > 0.05$. Không thể bác bỏ giả thuyết $H_0$, kết luận mô hình $\text{VAR}(2)$ không bị hiện tượng tự tương quan phần dư.
  • Kiểm định phương sai sai số thay đổi (White Heteroskedasticity Test): Kiểm định White không tích chéo cho giá trị $p\text{-value} = 0.4349 > 0.05$. Kết luận phương sai sai số của các vector nhiễu trắng là đồng đều (Homoskedasticity).

Kết quả đạt được

1. Kết quả kiểm định quan hệ nhân quả Granger

Giả thuyết không ($H_0$) Thống kê Chi-sq P-value Kết luận thực nghiệm
DGI không gây ra DGDP theo nghĩa Granger 0.1989 0.9053 Chấp nhận $H_0$: Đầu tư công không tác động trực tiếp ngắn hạn tới tăng trưởng GDP.
DPI không gây ra DGDP theo nghĩa Granger 9.4215 0.0090 Bác bỏ $H_0$ (mức 1%): Đầu tư tư nhân có tác động nhân quả mạnh mẽ tới tăng trưởng GDP.
DGDP không gây ra DGI theo nghĩa Granger 0.8124 0.6662 Tốc độ tăng trưởng sản lượng không giải thích biến thiên tỷ trọng đầu tư công.

2. Phân tích hàm phản ứng xung (Impulse Response Function - IRF)

Thứ tự phân rã Cholesky được thiết lập theo logic kinh tế: $\text{DGI} \rightarrow \text{DPI} \rightarrow \text{DGDP}$.

  • Phản ứng của DGDP trước cú sốc chuẩn của DGI: Trong năm thứ 1, phản ứng chưa xuất hiện; sang năm thứ 2, tăng trưởng kinh tế bắt đầu có phản ứng dương nhẹ; đạt đỉnh tại năm thứ 3 và giảm dần về mức cân bằng ở năm thứ 4 trở đi.
  • Phản ứng của DGDP trước cú sốc chuẩn của DPI: Biên độ dao động mạnh hơn đáng kể so với vốn công. Tác động lan tỏa dương xuất hiện rõ từ năm thứ 2, có sự điều chỉnh nhẹ ở năm thứ 3 và sau đó duy trì vị thế đóng góp dương ổn định trong dài hạn.

3. Phân rã phương sai sai số dự báo (FEVD) của DGDP

Thời kỳ (Năm) Độ lệch chuẩn (S.E.) Tỷ lệ giải thích bởi DGDP (%) Tỷ lệ giải thích bởi DGI (%) Tỷ lệ giải thích bởi DPI (%)
1 0.0182 100.00% 0.00% 0.00%
2 0.0215 96.42% 1.83% 1.75%
3 0.0248 88.15% 1.05% 10.80%
5 0.0256 87.60% 1.12% 11.28%
10 0.0259 86.95% 1.21% 11.84%

Kết quả định lượng chỉ ra rằng, ngoài biến động tự thân của GDP ($> 86%$), vốn đầu tư tư nhân giải thích hơn $10.8%$ phương sai sai số dự báo của tăng trưởng từ năm thứ 3 trở đi. Trong khi đó, vốn đầu tư công chỉ giải thích một tỷ lệ rất khiêm tốn, dao động quanh ngưỡng $1.0% - 1.2%$. Xét về đóng góp biên, đầu tư tư nhân đóng góp trung bình 0,45 điểm phần trăm vào tăng trưởng GDP, trong khi đầu tư công chỉ đóng góp 0,26 điểm phần trăm.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và đổi mới phương pháp luận cụ thể:

  1. So sánh với nghiên cứu của Tô Trung Thanh (2011): Nghiên cứu của Tô Trung Thanh sử dụng mô hình VECM giai đoạn 1986–2010 kết luận tăng 1% đầu tư công làm giảm trung bình 0,48% đầu tư tư nhân (lấn át mạnh mẽ). Khóa luận này mở rộng dữ liệu đến năm 2020 và chỉ ra rằng trong giai đoạn tái cơ cấu 2011–2020, mức độ lấn át đã giảm bớt, nhưng hiệu quả lan tỏa của đầu tư công vẫn tụt hậu so với khu vực tư nhân.
  2. So sánh với nghiên cứu của Nguyễn Thị Cành và cộng sự (2018): Công trình năm 2018 sử dụng phương pháp đồng liên kết FMOLS và Dynamic OLS bảng chứng minh đầu tư công có tác động dương dài hạn. Khóa luận này bổ sung thêm góc nhìn động học (Dynamic Interactions) qua hàm phản ứng xung, chỉ ra độ trễ tác động thực tế của đầu tư công xuất hiện ở năm thứ 2 đến năm thứ 3 và triệt tiêu nhanh nếu không có sự tiếp ứng của vốn tư nhân.
  3. So sánh với nghiên cứu quốc tế của Ejaz Ghani & Musleh-ud Din (2006) tại Pakistan: Kết quả tại Việt Nam tương đồng với bằng chứng thực nghiệm tại các nền kinh tế đang phát triển ở châu Á, khẳng định động lực tăng trưởng chính nằm ở khu vực tư nhân, trong khi vai trò của vốn công chỉ mang tính xúc tác hạ tầng nền tảng.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở khoa học cho việc hoạch định chính sách kinh tế vĩ mô trong giai đoạn 2022–2030, hướng tới mục tiêu tăng trưởng GDP bình quân 7%/năm và thu nhập bình quân đầu người đạt 7.500 USD vào năm 2030:

                            LỘ TRÌNH ĐIỀU CHỈNH CHÍNH SÁCH ĐẦU TƯ CÔNG
                                     (Giai đoạn 2022 - 2030)
[Tái cơ cấu Danh mục]                [Đổi mới Thể chế & PPP]                  [Kỷ luật Tài khóa & Nợ công]
• Rút lui khỏi dịch vụ               • Hoàn thiện khung pháp lý               • Kiểm soát trần nợ công
  thương mại, khách sạn.               Luật Đầu tư công & PPP.                  dưới 60% GDP.
• Tập trung 4 trụ cột:               • Chuyển từ hàng hóa công thuần          • Xóa bỏ cơ chế "xin - cho"
  Hạ tầng, KH&CN, Nhân lực,            túy sang hàng hóa công không             trong phân bổ vốn ngân sách
  Y tế chuyên sâu.                     thuần túy để thu hút tư nhân.            giữa các địa phương.

1. Định hướng 4 lĩnh vực ưu tiên đầu tư công

  • Hạ tầng giao thông và logistics kỹ thuật: Tập trung dứt điểm các tuyến cao tốc huyết mạch Bắc - Nam, cảng biển nước sâu trung chuyển quốc tế, hệ thống cấp điện và hạ tầng số viễn thông.
  • Khoa học và Công nghệ: Phân bổ vốn mồi cho hoạt động R&D, chuyển giao công nghệ cao phục vụ công nghiệp chế biến sâu, tự động hóa chuỗi giá trị.
  • Đào tạo nguồn nhân lực chất lượng cao: Đầu tư vào hệ thống giáo dục đại học định hướng công nghệ, trường dạy nghề kỹ thuật số theo nhu cầu thị trường.
  • Y tế và phúc lợi an sinh: Mở rộng bệnh viện chuyên khoa tuyến tỉnh/trung ương, bảo đảm y tế dự phòng và hạ tầng nước sạch nông thôn.

2. Mở rộng mô hình Đối tác Công - Tư (Public-Private Partnerships - PPP)

Áp dụng bài học thành công từ Hàn Quốc: Nhà nước chỉ đóng vai trò bảo lãnh, tạo quỹ đất sạch và chia sẻ rủi ro doanh thu; trao quyền vận hành và công nghệ cho khu vực tư nhân. Chuyển đổi linh hoạt từ hàng hóa công thuần túy sang hàng hóa công không thuần túy có thu phí hợp lý để giảm áp lực ngân sách nhà nước.

3. Nâng cao kỷ luật quản lý nợ công và chất lượng quy hoạch vùng

Chấm dứt triệt để tình trạng đầu tư manh mún, phân tán do phân cấp hành chính quá mức (hiện tượng mỗi tỉnh đều xây cảng biển, sân bay riêng). Áp dụng quy hoạch vùng tích hợp dựa trên lợi thế so sánh địa kinh tế, kiểm soát chặt trần nợ công không vượt quá 60% GDP.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Kích thước mẫu quan sát: Dữ liệu chuỗi thời gian năm gồm 31 quan sát (1990–2020) ở mức vừa đủ để ước lượng VAR(2), nhưng làm giảm số bậc tự do khi mở rộng thêm các biến kiểm soát (như lạm phát, độ mở thương mại, tỷ giá).
  • Độ phân giải số liệu: Sự thiếu nhất quán trong chuẩn phân loại thống kê tài chính công qua các thời kỳ Luật Đầu tư công (2013, 2019) có thể tạo ra sai số đo lường nhất định.
  • Độ nhạy của thứ tự Cholesky: Hàm phản ứng xung phụ thuộc một phần vào giả định thứ tự tác động giữa các biến vĩ mô.

Hướng phát triển của đề tài

  • Mở rộng mô hình sang dữ liệu quý (Quarterly VAR) hoặc mô hình Vector Tự hồi quy Cấu trúc (Structural VAR - SVAR) với các ràng buộc lý thuyết kinh tế chặt chẽ hơn.
  • Ứng dụng kỹ thuật bảng động (Panel VAR / System GMM) trên dữ liệu cấp độ 63 tỉnh/thành phố để đánh giá hiệu ứng lan tỏa không gian (Spatial Spillovers) của đầu tư công.
  • Tích hợp các mô hình phi tuyến tính như Threshold VAR hoặc Markov-Switching VAR để kiểm tra tính bất đối xứng của đầu tư công qua các chu kỳ khủng hoảng và phục hồi kinh tế.

Đối tượng hưởng lợi

                                  ĐỐI TƯỢNG HƯỞNG LỢI DỰ ÁN
[Cơ quan Quản lý]  [Khu vực Tư nhân]   [Cộng đồng Nghiên cứu] [Sinh viên Kinh tế]   [Xã hội & Dân sinh]
Bộ KH&ĐT, Bộ Tài   Doanh nghiệp PPP,   Học giả Kinh tế lượng,  Tài liệu tham khảo    Hưởng lợi từ hạ tầng
chính: Căn cứ tái  Nhà đầu tư: Dự báo  Viện nghiên cứu vĩ mô:  chuyên sâu về VAR     đồng bộ, giảm lãng
cơ cấu vốn công.   chi phí cơ hội vốn. Khung phương pháp luận. và EViews 10.         phí ngân sách.
  • Nhà hoạch định chính sách (Bộ Kế hoạch & Đầu tư, Bộ Tài chính): Có cơ sở định lượng để cắt giảm tỷ trọng đầu tư công trong các ngành thương mại thuần túy, tối ưu hóa danh mục đầu tư trung hạn.
  • Cộng đồng Doanh nghiệp và Nhà đầu tư tư nhân: Nhận diện cơ hội tiếp cận thị trường thông qua các dự án PPP, giảm thiểu rủi ro bị chèn lấn nguồn vốn tín dụng.
  • Nhà nghiên cứu và Giảng viên Kinh tế lượng: Sở hữu tài liệu tham khảo chi tiết về quy trình kiểm định chuỗi thời gian, xử lý mô hình VAR đa biến và kiểm định khuyết tật mô hình.
  • Sinh viên chuyên ngành Kinh tế học: Khung mẫu hoàn chỉnh cho khóa luận nghiên cứu ứng dụng định lượng từ lý thuyết Barro đến ước lượng thực nghiệm trên EViews.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để nhân bản mô hình VAR này là gì?

Cần cài đặt phần mềm EViews (phiên bản 10 trở lên), Stata (phiên bản 15 trở lên) hoặc môi trường Python 3.8+ có cài gói statsmodels. Bộ dữ liệu cần tối thiểu 30 quan sát chuỗi thời gian liên tục cho các biến GDP, Đầu tư công và Đầu tư tư nhân theo giá cố định hoặc tỷ lệ phần trăm GDP.

2. Tại sao nghiên cứu lại chọn mô hình VAR thay vì mô hình VECM?

Kiểm định tính dừng ADF cho thấy các biến có bậc tích hợp không hoàn toàn đồng nhất ở cùng mức ý nghĩa khắt khe ($DGDP$ dừng ở mức 10% trong khi $DGI, DPI$ dừng ở mức 1%). Mô hình VAR dạng rút gọn trên chuỗi sai phân bậc nhất đảm bảo tính ổn định của hệ thống mà không phụ thuộc vào điều kiện khắt khe về quan hệ đồng liên kết dài hạn Johansen.

3. Thứ tự biến trong phân tích phân rã Cholesky được xác định như thế nào?

Thứ tự phân rã được xác lập dựa trên độ trễ phản ứng của chính sách kinh tế: $\text{DGI} \rightarrow \text{DPI} \rightarrow \text{DGDP}$. Biến chính sách đầu tư công (DGI) được xem là có tính quyết định ngoại sinh trước, tác động tiếp theo tới hành vi của khu vực đầu tư tư nhân (DPI), và cuối cùng hai dòng vốn này tổng hòa tác động lên tăng trưởng GDP.

4. Kết quả nghiên cứu có đồng nghĩa với việc Việt Nam nên cắt giảm mạnh đầu tư công?

Không. Kết quả chỉ ra rằng đầu tư công không nên mở rộng dàn trải vào các ngành sản xuất kinh doanh thương mại thông thường. Vốn công cần đóng vai trò vốn mồi tập trung vào kết cấu hạ tầng then chốt, khoa học công nghệ và y tế giáo dục nhằm tạo ngoại ứng tích cực thúc đẩy đầu tư tư nhân phát triển.

5. Làm thế nào để giải quyết tình trạng đầu tư công dàn trải giữa các địa phương?

Cần xóa bỏ cơ chế cấp phát ngân sách mang tính bình quân; áp dụng cơ chế đấu thầu công khai và đánh giá hiệu quả kinh tế - xã hội dựa trên chỉ số phân tích chi phí - lợi ích (Cost-Benefit Analysis - CBA). Các dự án quy mô lớn phải được phê duyệt và giám sát tập trung ở cấp Trung ương để tránh trùng lặp hạ tầng kỹ thuật giữa các tỉnh lân cận.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, kết hợp nhuần nhuyễn giữa cơ sở lý thuyết kinh tế học vĩ mô và phương pháp kinh tế lượng chuỗi thời gian hiện đại. Thông qua việc phân tích thực trạng giai đoạn 2011–2020 và ước lượng mô hình $\text{VAR}(2)$ giai đoạn 1990–2020, nghiên cứu đã chứng minh bằng thực nghiệm: khu vực đầu tư tư nhân là động lực tăng trưởng then chốt (giải thích tới $10,8%$ biến động GDP và đóng góp 0,45 điểm phần trăm tăng trưởng), trong khi vốn đầu tư công chỉ đóng góp ở mức khiêm tốn (0,26 điểm phần trăm) và không có tác động trực tiếp ngắn hạn.

Những phát hiện này nhấn mạnh yêu cầu tất yếu đối với Việt Nam trong việc chuyển đổi mô hình tăng trưởng từ chiều rộng dựa vào tích lũy vốn sang chiều sâu dựa trên năng suất và đổi mới sáng tạo. Tinh giản quy mô đầu tư công, tái cơ cấu danh mục vốn nhà nước vào 4 trụ cột chiến lược và đẩy mạnh hợp tác công tư (PPP) chính là chìa khóa then chốt để xây dựng nền kinh tế tự chủ, thịnh vượng và bền vững trong kỷ nguyên mới.