Nghiên cứu mô hình ARIMA và ANN trong dự báo lạm phát tại Việt Nam

Tài liệu nghiên cứu Hcmute mô hình arima và ann trong dự báo lạm phát tại việt nam, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Khắc Hiếu
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kinh Tế
• Đề tài: Mô Hình ARIMA Và ANN Trong Dự Báo Lạm Phát Tại Việt Nam
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2014
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Các yếu tốt tác động đến lạm phát
• 1.2. Các mô hình dự báo lạm phát
• 1.3. Mô hình ARIMA
• 1.4. Mô hình mạng thần kinh nhân tạo
• 1.4.1. Mạng thần kinh con người
• 1.4.2. Mạng thần kinh nhân tạo
• 2. CHƯƠNG 2: DỮ LIỆU NGHIÊN CỨU
• 2.1. Nguồn dữ liệu
• 2.2. Phân tích biến động của dữ liệu
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Ước lượng mô hình ARIMA
• 3.2. Xây dựng mô hình mạng thần kinh nhân tạo
• 3.2.1. Mạng thần kinh nhân tạo với biến giải thích là độ trễ của lạm phát
• 3.2.2. Mô hình ANN với biến giải thích là cung tiền giá đầu và lãi suất
• 3.3. Kết hợp mô hình ARIMA và ANN trong dự báo
• 3.4. So sánh các kết quả dự báo
• 4. CHƯƠNG 4: KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH
• 4.1. Kết luận
• 4.2. Một số gợi ý chính sách
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Dự báo lạm phát Việt Nam Tổng quan và mục tiêu nghiên cứu

Nghiên cứu tập trung vào dự báo lạm phát tại Việt Nam, một vấn đề quan trọng đối với hoạch định chính sách kinh tế vĩ mô. Dự báo kinh tế Việt Nam chính xác là cần thiết cho cả chính phủ và khu vực tư nhân. Bài viết này xem xét hai phương pháp chính: mô hình ARIMA và mô hình ANN. Mục tiêu là so sánh hiệu quả của hai mô hình này, cũng như khả năng kết hợp chúng để đạt được độ chính xác cao hơn. Phân tích chuỗi thời gian là phương pháp cơ bản được sử dụng trong nghiên cứu này. Việc lựa chọn giữa mô hình dự báo lạm phát tuyến tính (ARIMA) và phi tuyến (ANN) phụ thuộc vào bản chất dữ liệu và mục tiêu dự báo. Nghiên cứu cũng xem xét các yếu tố ảnh hưởng đến lạm phát Việt Nam, bao gồm cung tiền, lãi suất, giá dầu, và các yếu tố mùa vụ.

1.1 Khái niệm và tầm quan trọng của dự báo lạm phát

Lạm phát là sự gia tăng mức giá chung của hàng hóa và dịch vụ trong một khoảng thời gian. Chỉ số giá tiêu dùng (CPI) thường được sử dụng để đo lường lạm phát. Dự báo lạm phát ngắn hạn và dự báo lạm phát dài hạn có mục đích và phương pháp khác nhau. Lạm phát và tăng trưởng kinh tế có mối quan hệ phức tạp. Lạm phát cao có thể gây bất ổn kinh tế, trong khi lạm phát thấp và ổn định hỗ trợ tăng trưởng bền vững. Ứng dụng ARIMA trong kinh tế và ứng dụng ANN trong kinh tế giúp cải thiện khả năng dự báo, hỗ trợ ra quyết định chính sách. Hiểu được xu hướng lạm phát Việt Nam là điều cần thiết để phát triển các chính sách kinh tế phù hợp. Giải pháp quản lý lạm phát hiệu quả cần dựa trên các dự báo chính xác và hiểu biết sâu sắc về nguyên nhân gây lạm phát.

1.2 Giới thiệu về mô hình ARIMA và ANN

Mô hình ARIMA là một mô hình chuỗi thời gian tự hồi quy tích phân trung bình động, phù hợp với dữ liệu có tính tự tương quan. Thuật toán ARIMA dựa trên việc mô hình hóa mối quan hệ giữa giá trị hiện tại và các giá trị quá khứ của biến số. Tối ưu hóa mô hình ARIMA đòi hỏi việc chọn các tham số phù hợp. Mô hình ANN (mạng nơ-ron nhân tạo) là một mô hình phi tuyến, dựa trên cấu trúc của hệ thần kinh sinh học. Thuật toán ANN có khả năng học hỏi và thích ứng với dữ liệu phức tạp. Tối ưu hóa mô hình ANN bao gồm việc thiết kế cấu trúc mạng và lựa chọn hàm kích hoạt phù hợp. Học máy dự báo lạm phát là một lĩnh vực đang phát triển mạnh mẽ, sử dụng cả ARIMA và ANN.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu chỉ số giá tiêu dùng Việt Nam (CPI) từ 2004-2013. Phân tích dữ liệu kinh tế được thực hiện để đánh giá tính dừng và tự tương quan của dữ liệu. Thống kê kinh tế được áp dụng để kiểm định giả thuyết và đánh giá mô hình. Mô hình hồi quy được sử dụng để xây dựng mối quan hệ giữa lạm phát và các biến độc lập. Kiểm định mô hình được thực hiện để đảm bảo tính phù hợp và độ tin cậy của kết quả. So sánh ARIMA và ANN được thực hiện dựa trên các tiêu chí đánh giá như RMSE và MAE. Phân tích sai số dự báo giúp đánh giá độ chính xác của mỗi mô hình.

2.1 Thu thập và xử lý dữ liệu

Dữ liệu CPI được thu thập từ Tổng cục Thống kê Việt Nam (GSO). Dữ liệu được làm sạch và tiền xử lý để đảm bảo chất lượng. Các biến độc lập được lựa chọn dựa trên lý thuyết kinh tế và các nghiên cứu trước đây. Phân tích biến động của dữ liệu giúp hiểu rõ hơn về xu hướng và tính chu kỳ của lạm phát. Phản ánh chuỗi thời gian trong dữ liệu là rất quan trọng cho việc lựa chọn mô hình phù hợp. Việc lựa chọn khoảng thời gian nghiên cứu (2004-2013) cần được lý giải rõ ràng. Thực nghiệm kinh tế lượng cần được thực hiện một cách cẩn thận và chính xác.

2.2 Xây dựng và đánh giá mô hình

Mô hình ARIMA được ước lượng bằng phương pháp cực đại khả năng. Mô hình ANN được xây dựng với cấu trúc mạng thích hợp và hàm kích hoạt. Hồi quy tuyến tính được sử dụng trong một số trường hợp để so sánh kết quả. Kỹ thuật tối ưu hóa được áp dụng để tìm các tham số tốt nhất cho mỗi mô hình. Kiểm định mô hình bao gồm các kiểm định về tính dừng, tự tương quan và dị thường. So sánh độ chính xác của các mô hình dựa trên các chỉ số RMSE và MAE. Kết hợp ARIMA và ANN có thể tạo ra mô hình dự báo hiệu quả hơn. Deep learning có thể được xem xét trong các nghiên cứu mở rộng.

III. Kết quả và thảo luận

Kết quả nghiên cứu cho thấy mô hình ANN có độ chính xác cao hơn mô hình ARIMA trong dự báo lạm phát ngắn hạn. So sánh độ chính xác ARIMA và ANN được trình bày chi tiết. Phân tích sai số dự báo chỉ ra những điểm mạnh và yếu của từng mô hình. Kết hợp ARIMA và ANN cải thiện đáng kể độ chính xác dự báo. Mô hình tối ưu được xác định dựa trên các chỉ số đánh giá. Ảnh hưởng của các biến độc lập đến lạm phát được phân tích. Chính sách tiền tệ và chính sách tài khóa có thể được điều chỉnh dựa trên kết quả dự báo.

3.1 Kết quả ước lượng mô hình ARIMA

Kết quả ước lượng cho thấy mô hình ARIMA(p,d,q) với các tham số (p,d,q) phù hợp. Các hệ số ước lượng có ý nghĩa thống kê. Kiểm định ACF và PACF giúp xác định thứ tự mô hình. Kiểm định tính dừng của chuỗi thời gian là bước quan trọng trong việc xây dựng mô hình ARIMA. Bảng kết quả ước lượng chi tiết được trình bày. Phân tích chênh lệch giá trị dự báo với giá trị thực tế. Ứng dụng thực tiễn của mô hình ARIMA trong dự báo kinh tế.

3.2 Kết quả ước lượng mô hình ANN

Kết quả cho thấy mô hình ANN với cấu trúc mạng (nút ẩn) phù hợp. Các trọng số được ước lượng bằng thuật toán backpropagation. Mạng nơ-ron nhân tạo được thiết kế để tối ưu hóa độ chính xác dự báo. Hàm kích hoạt phù hợp được lựa chọn để đảm bảo tính phi tuyến của mô hình. Bảng kết quả ước lượng chi tiết của các trọng số và sai số. So sánh hiệu quả dự báo giữa các cấu trúc mạng khác nhau. Ứng dụng thực tiễn của mô hình ANN trong dự báo kinh tế.

3.3 So sánh và đánh giá các mô hình

So sánh ARIMA và ANN dựa trên các chỉ số RMSE và MAE. Mô hình nào có RMSE và MAE nhỏ hơn là mô hình chính xác hơn. Phân tích sai số dự báo của từng mô hình. Đánh giá tổng thể về ưu điểm và nhược điểm của từng phương pháp. Kết luận về mô hình dự báo tối ưu. Thảo luận về các hạn chế của nghiên cứu. Gợi ý cho các nghiên cứu tiếp theo.

IV. Kết luận và gợi ý chính sách

Nghiên cứu này cung cấp bằng chứng về hiệu quả của mô hình ANN trong dự báo lạm phát tại Việt Nam. Kết quả dự báo có thể hỗ trợ các nhà hoạch định chính sách trong việc đưa ra các quyết định kịp thời. Dự báo chính sách tiền tệ và dự báo chính sách tài chính cần dựa trên các dự báo lạm phát chính xác. Ảnh hưởng của lạm phát đến nền kinh tế cần được xem xét toàn diện. Nghiên cứu đóng góp vào thực tiễn dự báo kinh tế tại Việt Nam. Gợi ý chính sách để kiểm soát lạm phát được đề xuất.

4.1 Kết luận chính

Mô hình ANN cho kết quả dự báo lạm phát tốt hơn mô hình ARIMA. Kết hợp hai mô hình có thể đem lại hiệu quả cao hơn nữa. Các yếu tố ảnh hưởng đến lạm phát được xác định rõ ràng. Hạn chế của nghiên cứu cần được ghi nhận. Giá trị thực tiễn của nghiên cứu đối với việc hoạch định chính sách. Đóng góp vào lĩnh vực dự báo kinh tế Việt Nam.

4.2 Gợi ý chính sách

Cần có chính sách tiền tệ linh hoạt để kiểm soát lạm phát. Chính sách tài khóa cần hỗ trợ cho chính sách tiền tệ. Cần tăng cường thu thập và xử lý dữ liệu kinh tế. Cần đầu tư nghiên cứu và phát triển các mô hình dự báo hiện đại. Cần nâng cao năng lực dự báo kinh tế cho các cơ quan quản lý. Ảnh hưởng của lạm phát đến nền kinh tế cần được xem xét để đưa ra chính sách hỗ trợ.

Nội dung chính

Tổng quan nghiên cứu

Lạm phát là một trong những chỉ số kinh tế vĩ mô quan trọng, ảnh hưởng trực tiếp đến ổn định kinh tế và chính sách điều hành của Nhà nước. Tại Việt Nam, lạm phát có tính biến động cao theo tháng, đặc biệt trong giai đoạn 2004-2013 với các đợt biến động lớn vào năm 2008 và 2011. Việc dự báo chính xác lạm phát giúp các nhà hoạch định chính sách và doanh nghiệp có cơ sở để xây dựng kế hoạch phù hợp, giảm thiểu rủi ro và tăng hiệu quả kinh tế. Mục tiêu nghiên cứu của luận văn là ứng dụng và so sánh hiệu quả của hai mô hình dự báo phổ biến là ARIMA (Autoregressive Integrated Moving Average) và ANN (Artificial Neural Network) trong dự báo lạm phát tại Việt Nam, đồng thời đề xuất mô hình kết hợp tối ưu nhằm nâng cao độ chính xác dự báo. Nghiên cứu sử dụng dữ liệu lạm phát theo tháng của Việt Nam trong giai đoạn 2004-2013, cùng các biến giải thích như cung tiền, giá dầu và lãi suất cho vay. Ý nghĩa thực tiễn của nghiên cứu là cung cấp công cụ dự báo hỗ trợ ổn định kinh tế vĩ mô, giúp doanh nghiệp và nhà đầu tư có thông tin dự báo chính xác hơn, từ đó nâng cao hiệu quả quản trị và ra quyết định.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: mô hình ARIMA và mạng thần kinh nhân tạo (ANN). Mô hình ARIMA là mô hình chuỗi thời gian tuyến tính, được sử dụng rộng rãi trong dự báo các biến kinh tế có tính dừng hoặc có thể biến đổi thành chuỗi dừng sau sai phân. ARIMA bao gồm ba thành phần chính: AR (tự hồi quy), I (tính dừng) và MA (trung bình trượt). Mô hình này phù hợp với các quan hệ tuyến tính trong dữ liệu.

Mạng thần kinh nhân tạo (ANN) mô phỏng cấu trúc và chức năng của mạng nơ-ron con người, có khả năng mô phỏng các quan hệ phi tuyến phức tạp giữa các biến. ANN gồm các lớp nơ-ron (lớp vào, lớp ẩn, lớp ra) với các hàm kích hoạt như sigmoid hoặc tan-hyperbolic, giúp chuyển đổi tín hiệu đầu vào thành đầu ra phi tuyến. ANN được huấn luyện bằng thuật toán lan truyền ngược (back-propagation) để tối ưu trọng số kết nối, từ đó dự báo biến đầu ra dựa trên dữ liệu quá khứ.

Ba khái niệm chính trong nghiên cứu là:

• Lạm phát theo tháng (IF) được đo bằng chỉ số giá tiêu dùng CPI.
• Các biến giải thích gồm cung tiền (DM2), giá dầu (DOIL) và lãi suất cho vay (R).
• Mô hình kết hợp ARIMA và ANN nhằm tận dụng ưu điểm của cả hai mô hình tuyến tính và phi tuyến.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là dữ liệu thứ cấp thu thập từ Tổng cục Thống kê Việt Nam, Quỹ Tiền tệ Quốc tế (IMF) và Ngân hàng Thế giới (WB), gồm 120 quan sát tháng từ 01/2004 đến 12/2013. Trong đó, 108 quan sát dùng để xây dựng mô hình, 12 quan sát cuối dùng để kiểm định dự báo ngoài mẫu.

Phương pháp phân tích gồm:

• Kiểm định tính dừng chuỗi lạm phát bằng kiểm định Dickey-Fuller và Phillips-Perron.
• Xây dựng mô hình ARIMA với các tham số p, d, q được xác định qua biểu đồ ACF và PACF, ước lượng bằng phần mềm Eviews.
• Xây dựng mô hình ANN với cấu trúc mạng truyền thẳng, một hoặc hai lớp ẩn, sử dụng hàm kích hoạt tan-hyperbolic, dữ liệu được chuẩn hóa theo phân phối chuẩn. Tập dữ liệu được chia ngẫu nhiên thành tập huấn luyện (khoảng 70%) và tập xác nhận (khoảng 30%).
• So sánh hiệu quả dự báo của các mô hình dựa trên các tiêu chí RMSE (Root Mean Square Error), MAE (Mean Absolute Error) và hệ số xác định R² trong và ngoài mẫu.
• Xây dựng mô hình kết hợp ARIMA và ANN bằng cách dự báo lạm phát bằng ARIMA, lấy phần dư làm biến đầu vào cho mô hình ANN để dự báo phần dư, từ đó tổng hợp dự báo cuối cùng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Mô hình ARIMA(13,0,3) được xác định là phù hợp nhất với chuỗi lạm phát tháng tại Việt Nam, với hệ số R² hiệu chỉnh đạt khoảng 0,411, thể hiện khả năng giải thích biến động lạm phát tương đối tốt. Tiêu chí RMSE và MAE trong mẫu lần lượt là 0,00728 và 0,00547, ngoài mẫu là 0,00388 và 0,00300.

2. Mô hình ANN với biến giải thích là các độ trễ của lạm phát (ANN-12-5-1) cho kết quả dự báo trong mẫu tốt hơn ARIMA với R² đạt 70,6%, RMSE 0,00508 và MAE 0,00357. Tuy nhiên, dự báo ngoài mẫu của ANN kém hơn ARIMA với R² chỉ đạt 45,8%.

3. Mô hình ANN mở rộng với các biến giải thích gồm cung tiền, giá dầu, lãi suất và các độ trễ (ANN-10-5-2-1) cho kết quả dự báo trong mẫu tốt nhất với R² đạt 80,6%, RMSE 0,00410 và MAE 0,00287. Dự báo ngoài mẫu của mô hình này cũng cải thiện đáng kể với R² đạt 75%, RMSE 0,00565 và MAE 0,00414.

4. Mô hình kết hợp ARIMA và ANN cho kết quả dự báo tốt nhất cả trong và ngoài mẫu, với RMSE và MAE ngoài mẫu lần lượt là 0,00332 và 0,00257, thấp hơn so với các mô hình riêng lẻ. Điều này chứng tỏ sự kết hợp giữa mô hình tuyến tính và phi tuyến giúp nâng cao độ chính xác dự báo.

Thảo luận kết quả

Kết quả cho thấy mô hình ARIMA phù hợp với các thành phần tuyến tính trong chuỗi lạm phát, trong khi ANN có khả năng bắt được các quan hệ phi tuyến và các ảnh hưởng phức tạp từ các biến giải thích như cung tiền, giá dầu và lãi suất. Việc kết hợp hai mô hình tận dụng ưu điểm của từng mô hình, giảm thiểu sai số dự báo.

Phân tích mức độ quan trọng các biến trong mô hình ANN-10-5-2-1 cho thấy độ trễ bậc 1 của lạm phát có ảnh hưởng lớn nhất, tiếp theo là yếu tố mùa vụ, giá dầu, lãi suất và cung tiền. Điều này phù hợp với các nghiên cứu trước đây và thực tế kinh tế Việt Nam, nơi yếu tố tâm lý và mùa vụ đóng vai trò quan trọng trong biến động giá cả.

So sánh với các nghiên cứu trong khu vực và quốc tế, kết quả tương đồng với các nghiên cứu tại Canada, Mỹ và Pakistan, khẳng định tính ưu việt của mô hình ANN và mô hình kết hợp trong dự báo lạm phát. Việc sử dụng thêm các biến giải thích kinh tế vĩ mô giúp mô hình dự báo sát thực tế hơn.

Dữ liệu được trình bày qua các biểu đồ biến động lạm phát, cung tiền, giá dầu và lãi suất theo tháng, cùng bảng so sánh các tiêu chí đánh giá mô hình giúp minh họa rõ ràng hiệu quả của từng mô hình.

Đề xuất và khuyến nghị

1. Áp dụng mô hình kết hợp ARIMA và ANN trong dự báo lạm phát nhằm nâng cao độ chính xác dự báo, giúp các nhà hoạch định chính sách có cơ sở vững chắc để điều chỉnh chính sách tiền tệ và tài khóa. Thời gian áp dụng: ngay trong các kỳ dự báo hàng tháng/quý. Chủ thể thực hiện: Ngân hàng Nhà nước và các viện nghiên cứu kinh tế.

2. Sử dụng mô hình ANN với các biến giải thích kinh tế vĩ mô khi có thêm dữ liệu về cung tiền, giá dầu, lãi suất để dự báo lạm phát và các biến số kinh tế khác. Điều này giúp dự báo phản ánh đầy đủ các yếu tố ảnh hưởng phi tuyến. Thời gian áp dụng: dài hạn, đồng bộ với việc thu thập dữ liệu. Chủ thể thực hiện: Trung tâm dự báo kinh tế, các doanh nghiệp lớn.

3. Ổn định yếu tố tâm lý và mùa vụ trong nền kinh tế thông qua các chương trình bình ổn giá, kiểm soát giá cả dịp lễ tết nhằm giảm biến động giá không hợp lý. Thời gian áp dụng: trước và trong các dịp lễ tết hàng năm. Chủ thể thực hiện: Bộ Công Thương, Sở Công Thương các địa phương.

4. Phối hợp chính sách tiền tệ và tài khóa để kiểm soát cung tiền và lãi suất, từ đó kiềm chế lạm phát hiệu quả hơn. Cần xây dựng các kịch bản điều chỉnh linh hoạt dựa trên dự báo mô hình. Thời gian áp dụng: liên tục theo chu kỳ điều hành chính sách. Chủ thể thực hiện: Chính phủ, Ngân hàng Nhà nước, Bộ Tài chính.

Đối tượng nên tham khảo luận văn

1. Các nhà hoạch định chính sách tiền tệ và tài khóa: Sử dụng kết quả dự báo để xây dựng các chính sách ổn định kinh tế vĩ mô, kiểm soát lạm phát hiệu quả.

2. Các viện nghiên cứu kinh tế và trường đại học: Tham khảo phương pháp luận và kết quả nghiên cứu để phát triển các mô hình dự báo kinh tế phù hợp với điều kiện Việt Nam.

3. Doanh nghiệp và nhà đầu tư: Ứng dụng mô hình dự báo để đánh giá rủi ro lạm phát, từ đó điều chỉnh chiến lược kinh doanh và đầu tư.

4. Các tổ chức tài chính và ngân hàng: Sử dụng mô hình dự báo để quản lý rủi ro tín dụng, định giá sản phẩm tài chính và hoạch định chiến lược kinh doanh.

Câu hỏi thường gặp

1. Mô hình ARIMA và ANN khác nhau như thế nào trong dự báo lạm phát?
ARIMA là mô hình tuyến tính, phù hợp với dữ liệu có quan hệ tuyến tính và tính dừng. ANN có khả năng mô phỏng quan hệ phi tuyến phức tạp, thích hợp với dữ liệu có tính phi tuyến và nhiều biến giải thích. Kết hợp hai mô hình giúp tận dụng ưu điểm của cả hai.

2. Tại sao cần kết hợp mô hình ARIMA và ANN?
Mô hình ARIMA bắt được xu hướng tuyến tính, còn ANN xử lý tốt các quan hệ phi tuyến và biến động phức tạp. Kết hợp giúp giảm sai số dự báo, nâng cao độ chính xác hơn so với dùng riêng lẻ.

3. Các biến giải thích nào ảnh hưởng lớn đến lạm phát tại Việt Nam?
Độ trễ bậc 1 của lạm phát, yếu tố mùa vụ, giá dầu thế giới, lãi suất cho vay và cung tiền là các biến có ảnh hưởng quan trọng, được xác định qua mô hình ANN.

4. Dữ liệu nghiên cứu được thu thập từ đâu và trong khoảng thời gian nào?
Dữ liệu lạm phát theo tháng từ 01/2004 đến 12/2013, cùng các biến giải thích từ IMF và Ngân hàng Thế giới, tổng cộng 120 quan sát.

5. Mô hình dự báo này có thể áp dụng cho các biến kinh tế khác không?
Có, mô hình ANN và ARIMA có thể được điều chỉnh và áp dụng cho nhiều biến kinh tế vĩ mô khác như GDP, lãi suất, tỷ giá, giúp nâng cao hiệu quả dự báo trong các lĩnh vực khác nhau.

Kết luận

• Mô hình ARIMA(13,0,3) và ANN-10-5-2-1 đều có khả năng dự báo lạm phát tại Việt Nam với độ chính xác cao, trong đó mô hình ANN thể hiện ưu thế khi có thêm các biến giải thích kinh tế.
• Mô hình kết hợp ARIMA và ANN cho kết quả dự báo tốt nhất, giảm thiểu sai số dự báo trong và ngoài mẫu.
• Các yếu tố quan trọng ảnh hưởng đến lạm phát gồm độ trễ lạm phát, yếu tố mùa vụ, giá dầu, lãi suất và cung tiền.
• Đề xuất áp dụng mô hình kết hợp trong dự báo lạm phát để hỗ trợ hoạch định chính sách và quản trị kinh tế.
• Nghiên cứu mở ra hướng phát triển mô hình dự báo kinh tế vĩ mô tích hợp, đồng thời khuyến nghị nghiên cứu thêm về tác động của thiên tai và các biến kinh tế khác trong tương lai.

Các bước tiếp theo bao gồm triển khai áp dụng mô hình trong thực tế dự báo kinh tế, mở rộng nghiên cứu với dữ liệu cập nhật và bổ sung các biến giải thích mới nhằm nâng cao độ chính xác và tính ứng dụng của mô hình. Đề nghị các nhà nghiên cứu, nhà hoạch định chính sách và doanh nghiệp quan tâm áp dụng và phát triển mô hình dự báo này để nâng cao hiệu quả quản lý kinh tế.

Trích đoạn nội dung tài liệu

MỞ ĐẦU: Tổng quan các nghiên cứu trƣớc Dự báo các biến số kinh tế là vấn đề mà các nhà kinh tế và các nhà hoạchđịnh chính sách đều quan tâm khi lập kế hoạch cho đơn vị của mình. Kết quả dự báo càng chính xác thì kế hoạch lập ra sẽ càng khả thi. Có nhiều mô hình khác nhau đƣợcứng dụng trong việc dự báo. Các mô hình này có thể chia ra làm 2 dạngđó là môhình kinh tế lƣợng và mô hình mạng thần kinh nhân tạo.

Mỗi mô hình dự báo đều cóƣu và nhƣợcđiểm riêng. Đối vớimô hình hình kinh tế lƣợng, mô hìnhARIMA đƣợc xem là một sự lựa chọn tốt. Theo Khashei & Bijari (2011) mô hìnhARIMA phù hợp cho việc dự báo đối với những quan hệ tuyến tính. Còn đối với các mối quan hệ phi tuyến, mô hìnhARIMA không phải là sự lựa chọn tốt.

Mô hình mạng thần kinh nhân tạo (ANN) đƣợc đặt nền móng vào đầu những năm 1940 nhƣng chỉ thực sự phát triển vào những năm 1990 khi khoa học máy tính phát triển. Tại Việt Nam, Lê Đạt Chí (2010) đãứng dụng mô hình ANN vào dự báo giá chứng khoán vàđã thu đƣợc những kết quả khả quan. Theo Zhang (2003) thì mô hình ANN phù hợp cho việc dự báo những quan hệ phi tuyến. Tuy nhiên, đối với những biến số kinh tế, giá trị hiện tại của chúng thƣờng có quan hệ vừa có quan hệ tuyến tính vừa có quan hệ phi tuyến đối với giá trị của chúng trong quá khứ.

Chính vì vậy nếu ta chỉ sử dụng mô hìnhARIMA hoặc ANN để dự báo những biến số này thì kết quả vẫn thực sự chƣa hoàn hảo(Duzgun, 2010). Bài viết này nhằm nghiên cứu khả năng kết hợp của mô hìnhARIMA và mô hình ANN trong dự báo lạm phát theo tháng tại Việt Nam từđóđƣa ra một số kiến nghị liên quan đến việcứng dụng của các mô hình. Mục tiêu nghiên cứu  Tìm hiểu lý thuyết mô hìnhARIMA và ANN  Thu thập dữ liệu lạm phát của Việt Nam và những biến số giải thích có liên quan đến mô hình  Ứng dụng mô hình ARIMA và ANN vào dự báo lạm phát cho Việt Nam Trang 1 Luan van  Tìm mô hình dự báo lạm phát tối ƣu cho Việt Nam  Đƣa ra một số gợiý chính sách Phạm vi nghiên cứu  Đề tài giới hạn trong việc sử dụng mô hình ARIMA và ANN trong việc dự báo lạm phát. Dữ liệu cho dự báo lạm phát đƣợc sử dụng từ 2004-2013  Đề tài đƣợc thực hiện từ tháng 12-2013 đến tháng 11-2014.

 Đề tài đƣợc thực hiện tại khoa kinh tế đại học Sƣ Phạm Kỹ Thuật Tp.HCM, các số liệu đƣợc thu thập là dữ liệu thứ cấp về các thông số kinh tế vĩ mô của Việt Nam. Ý nghĩa thực tiễn Đề tài nhằmứng dụng mạng thần kinh nhân tạo (đƣợcứng dụng rộng rãi trong kỹ thuật) và mô hìnhARIMA vào dự báo lạm phát tại Việt Nam. Đềđài cũng nhằm so sánh hiệu quả dự báo của mô hình ANN vàARIMA cũng nhƣ mô hình hỗn hợp nhằm tìm ra mô hình dự báo tốt nhất cho Việt Nam. Mô hình dự báo sẽ là một công cụ hỗ trợ cho các nhà hoạchđịnh chính sách trong việcổnđịnh kinh tế vĩ mô và kiềm chế lạm phát.

Đề tài cũng giúpích cho những doanh nghiệp và những nhà đầu từ riêng rẽ, giúp họ có đƣợc những công cụ hữuích hơn trong việc dự báo những biến số kinh tế trong tƣơng lai Bố cục đề tài Nội dung của đề tài bao gồm 4 chƣơng: Chƣơng 1: Cơ sở lý thuyết Trình bày tóm tắt các nghiên cứu có liên quan, các lý thuyếtnền tảng cho việc nghiên cứu của đề tài.Đó là lý thuyết về lạm phát, lý thuyết về mạng thần kinh nhân tạo và lý thuyết về mô hìnhARIMA. Chƣơng 2: Phƣơng pháp nghiên cứu Phƣơng phátđịnh lƣợng trong dự báo đƣợc sử dụng, mà tiêu tiểu là mô hình mạng thần kinh nhân tạo và mô hìnhARIMA. Chƣơng này cũng trình bày về Trang 2 Luan van cách vận hành của mạng thần kinh nhân tạo và cách thiết lập một mạng thần kinh phù hợp với yêu cầu đặt ra. Chƣơng 3: Kết quả nghiên cứu Các kết quả nghiên cứu về mô hình ANN vàARIMA sẽ đƣợc trình bày.

Đồng thời tác giả cũng so sánh hiệu quả dự báo của các mô hình thông qua các tiêu chỉ RMSE và MAE. Chƣơng 4: Kết luận và kiến nghị Các kết luận đƣợc rút ra và một số đề xuất của tác giả liên quan đến đề tài. Trang 3 Luan van CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 Lạm phát “Lạm phát là tình trạng mức giá chung của nền kinh tế tăng lên trong một khoảng thời gian nhất định” (Nguyễn Nhƣ Ý, 2007, trang 75). Lạm phát theo năm đƣợc tính theo công thức: 𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −1 𝐿ạ𝑚𝑝ℎá𝑡 = 𝐶ℎỉ𝑠ố𝑔𝑖á𝑛ă𝑚𝑡 −1 Chỉ số giá thƣờng đƣợc dùng tính lạm phát là chỉ số giá tiêu dùng CPI.

Karl Marx nghiên cứu về chế độ bản vị vàng đã khẳng định: việc phát hành tiền giấy phải đƣợc giới hạn trong số lƣợng vàng nhất định đại diện tiền giấy. Nếu không đảm bảo điều này, một khi lƣợng tiền giấy vƣợt quá mức giới hạn này thì tiền giấy sẽ mất dần giấy trị làm gia tăng mức giá chung của tất cả các loại hàng hóa và tình trạng lạm phát xuất hiện. Theo đó, lạm phát, dƣới quan điềm của Karl Marx, đƣợc định nghĩa nhƣ sau: lạm phát là việc các kênh, các luồng lƣu thông tràn đầy những tờ giấy bạc dƣ thừa dẫn đến sự tăng vọt trong mức giá chung. Milton Friendman cũng từng phát biểu về lạm phát khi bàn về vấn đề lƣu thông tiền tề: lạm phát ở mọi lúc mọi nơi đều là hiện tƣợng của lƣu thông tiền tệ.

Lạm phát xuất hiện và chỉ xuất hiện khi nào số lƣợng tiền trong lƣu thông tăng nhanh hơn so với sản xuất. Tuy nhiên, John Keynes với thuyết cầu của mình cho rằng nguồn gốc sâu xa của lạm phát là sự biến động cung cầu. Khi cung đã vƣợt xa cầu thì sản xuất sẽ đình đốn, nền kinh tế bị suy giảm. Lúc đó, Nhà Nƣớc buộc phải tung ra các khoản chi tiêu, đầu tƣ công lớn, tăng cƣờng các chính sách tín dụng nhằm kéo mức cầu của cả nền kinh tế về cân bằng và vƣợt qua tổng cung.

Lúc này, lạm phát đã xuất hiện. Trong trƣờng hợp nền kinh tế phát triển hiệu quả, áp dụng những tiến bộ khoa học kỹ thuật, cơ cấu kinh tế đƣợc đổi mới thành công; lạm phát này có tác dụng thúc đẩy sản xuất. Ngƣợc lại, lạm phát, theo Keynes, đã không còn là động lực phát triển của nền kinh tế. Trang 4 Luan van Nhìn chung, dƣới bất kỳ quan điểm nào lạm phát cũng đƣợc đặc trƣng bởi 3 điểm chính yếu sau:  Sự gia tăng quá mức của lƣợng tiền trong lƣu thông.

 Dẫn đến sự mất giá của đồng tiền.  Từ đó, khiến cho giá cả các loại mặt hàng tăng cao.2 Các yếu tốt tác động đến lạm phát Trong cuốn “The general theory of employment, interest and momey” Keynes (1936)khẳng định: trong dài hạn lạm phát chịu tác động trực tiếp từ cung tiền, còn trong ngắn hạn lạm phát chịu tác động bởi tổng cung và tổng cầu. Có nhiều yếu tố tác động làm dịch chuyển tổng cung và tổng cầu. Sau đây chúng ta sẽ xem xét một số yếu tố tác động đến tổng cung và tổng cầu từ đó tác động đến lạm phát.

Cung tiền Khi cung tiền tăng, ngƣời dân sẽ có nhiều tiền dƣ thừa hơn và do đó họ sẽ có nhu cầu tiêu thụ nhiều hàng hoá và dịch vụ hơn, do đó đƣờng tổng cầu sẽ dịch chuyển sang phải từ đó làm cho mức giá chung tăng lên. Các kết quả nghiên cứu thực nghiệm đều khẳng định cung tiền là yếu tố có tác động đến lạm phát, tiêu biểu là nghiên cứu của Sử Đình Thành (2012) vàPhạm Thị Thu Trang (2009). Các nghiên cứu này đều kết luận cung tiền cóảnh hƣởng tích cực đến lạm phát. Hình vẽ sau nói lên mối liên hệ giữa lạm phát và cung tiền theo năm của Việt Nam.

Hình 1: Mối liên hệ giữa lạm phát và cung tiền của Việt Nam Trang 5 Luan van Nguồn: Ngân hàng phát triển châu Á (ADB) Từ biểu đồ trên ta thấy, lạm phát và cung tiền có xu hƣớng biến đổi cùng nhau, đặc biệt là trong giai đoạn lạm phát cao trƣớc năm 1990. Mức độ thay đổi của cung tiền trung bình cao hơn lạm phát từ 10-20%. Lãi suất Cũng theo Keynes (1936), trong ngắn hạn lãi suất thay đổi để điều chỉnh cung và cầu về tiền tệ. Cung và cầu về tiền tệ sẽ tác động đến tiết kiệm và đầu tƣ, từ đó tác động đến tổng cầu và làm thay đổi mức giá chung của nên kinh tế.

Theo nghiên cứu của Nguyễn Trọng Hoài (2010), thì ngân hàng có thể vận dụng luật Taylor để ấn định một mức lãi suất mà ở đó nền kinh tế có thể đạt đƣợc sản lƣợng mục tiêu và lạm phát mục tiêu. Do đó, lãi suất là yếu tố có tác động đến mức giá chung của nền kinh tế. Tuy nhiên tại Việt Nam, ngân hàng trung ƣơng vẫn chƣa vận dụng nguyên tắc này mà chủ yếu là điều chỉnh lãi suất để đạt đƣợc mức lạm phát mục tiêu. Mức sản lƣợng mục tiêu có thể điểu chỉnh thông qua đầu tƣ.

Mùa vụ Lạm phát tại Việt Nam đƣợc thu thập theo tháng và theo năm. Lạm phát đƣợc thu thập theo tháng thƣờng mang tính mùa. Tại Việt Nam, giá cả vào những tháng Tết thƣờng cao hơn những tháng khác do nhu cầu mua sắm và đi lại tăng cao. Biểu đồ Trang 6 Luan van lạm phát theo tháng sau đây cho ta thấy tính mùa vụ của lạm phát.

Đỉnh của lạm phát thƣờng rơi vào tháng 1 và tháng 2 còn đáy thƣờng rơi vào tháng 3 trong năm. Hình 2: Lạm phát theo tháng của Việt Nam Nguồn: Tổng cục thống kê (GSO) Sau năm 2007, lạm phát có những diễn biến bất thƣờng do chịu ảnh hƣởng của suy thoái kinh tế thế giới cũng nhƣ sự gia tăng cung tiền quá mức của chính phủ. Tuy nhiên, lạm phát vẫn có xu hƣớng cao hơn vào những tháng Tết. Do khoản thời gian này không phản ảnh đƣợc tính mùa vụ rõ ràng nên tác giả không đƣa vào trong đồ thị này.

Giá dầu thế giới Xăng dầu luôn chiếm một tỷ trọng lớn trong chi phí sản xuất của các doanh nghiệp. Do đó, việc biến động giá xăng dầu sẽ dẫn đến chi phí sản xuất và dẫn đến biến động giá bán đầu ra. Theo nghiên cứu của Portes (2012) tại Trung Mỹ và Caribbe, thì giá xăng dầu không chỉ ảnh hƣởng đến lạm phát mà còn ảnh hƣởng đến một số biến số vĩ mô khác.