Luận văn thạc sĩ: Ứng dụng mô hình ARIMA trong dự báo lạm phát tại Việt Nam

• Tác giả: Đặng Thị Ngọc Nin
• Người hướng dẫn: TS. Đinh Bảo Ngọc
• Trường học: Đại học Đà Nẵng
• Chuyên ngành: Quản trị kinh doanh
• Đề tài: Ứng Dụng Mô Hình ARIMA Trong Dự Báo Lạm Phát Việt Nam
• Loại tài liệu: luận văn
• Năm xuất bản: 2015
• Địa điểm: Đà Nẵng

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT VÀ MÔ HÌNH ARIMA
• 1.1. CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT
• 1.1.1. Khái niệm về lạm phát
• 1.1.2. Phân loại lạm phát
• 1.1.3. Đo lường lạm phát
• 1.1.4. Tác động của lạm phát
• 1.2. MỘT SỐ MÔ HÌNH NGHIÊN CỨU VỀ LẠM PHÁT
• 1.2.1. Một số mô hình lý thuyết về lạm phát
• 1.2.2. Một số mô hình định lượng dự báo lạm phát phổ biến
• 1.3. CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARIMA
• 1.3.1. Giới thiệu chuỗi thời gian trong kinh tế
• 1.3.2. Một số công cụ cơ bản trong phân tích chuỗi thời gian
• 1.3.3. Tổng quan về mô hình tự hồi quy tích hợp trung bình trượt (ARIMA)
• 1.4. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM BẰNG MÔ HÌNH ARIMA
• 2.1. TỔNG QUAN VỀ LẠM PHÁT VIỆT NAM
• 2.1.1. Cách thức đo lường lạm phát tại Việt Nam
• 2.1.2. Tình hình lạm phát Việt Nam trong giai đoạn từ năm 2005 đến nay
• 2.2. CƠ SỞ ĐỀ XUẤT VẬN DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO LẠM PHÁT VIỆT NAM
• 2.2.1. Sự cần thiết phải áp dụng mô hình định lượng trong dự báo lạm phát tại Việt Nam
• 2.2.2. Ưu điểm của mô hình ARIMA so với các mô hình khác và sự phù hợp của mô hình ARIMA với thực tiễn Việt Nam
• 2.2.3. Một số nghiên cứu thực nghiệm về dự báo lạm phát bằng mô hình ARIMA
• 2.3. THIẾT KẾ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM BẰNG MÔ HÌNH ARIMA
• 2.3.1. Phương pháp nghiên cứu
• 2.3.2. Phương pháp thu thập và xử lí số liệu
• 2.4. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU DỰ BÁO LẠM PHÁT VIỆT NAM VÀ MỘT SỐ KHUYÊN NGHỊ
• 3.1. THỐNG KÊ MÔ TẢ DỮ LIỆU
• 3.2. KẾT QUẢ NGHIÊN CỨU
• 3.2.1. Kiểm định tính dừng của chuỗi dữ liệu
• 3.2.2. Nhận dạng mô hình
• 3.2.3. Ước lượng và kiểm định mô hình
• 3.2.4. Kiểm định tính ổn định cấu trúc của mô hình
• 3.2.5. Đánh giá dự báo
• 3.2.6. Kết quả dự báo lạm phát Việt Nam
• 3.3. MỘT SỐ KHUYÊN NGHỊ
• 3.3.1. Khuyến nghị trong việc sử dụng kết quả nghiên cứu và mô hình
• 3.3.2. Quan điểm chính sách và mục tiêu lạm phát của Việt Nam năm tới
• 3.3.3. Một số khuyến nghị về chính sách
• 3.4. KẾT LUẬN CHƯƠNG 3
• DANH MỤC TÀI LIỆU THAM KHẢO
• PHỤ LỤC

I. Giới thiệu về lạm phát và mô hình ARIMA

Luận văn thạc sĩ quản trị kinh doanh này tập trung vào việc ứng dụng mô hình ARIMA trong việc dự báo lạm phát tại Việt Nam. Lạm phát là một hiện tượng kinh tế có ảnh hưởng sâu rộng đến sự phát triển kinh tế-xã hội. Theo các nhà kinh tế học, lạm phát được hiểu là sự tăng lên liên tục của mức giá chung trong nền kinh tế, chủ yếu do yếu tố tiền tệ. Mô hình ARIMA, hay mô hình tự hồi quy tích hợp trung bình trượt, là một trong những công cụ phổ biến được sử dụng để dự báo các chuỗi thời gian, bao gồm lạm phát. Mục tiêu của nghiên cứu này là xây dựng một mô hình ARIMA phù hợp để dự báo lạm phát tại Việt Nam trong giai đoạn từ tháng 11/2014 đến tháng 6/2015, từ đó đưa ra các khuyến nghị cho chính sách vĩ mô.

1.1. Khái niệm về lạm phát

Lạm phát được định nghĩa là sự gia tăng mức giá chung của hàng hóa và dịch vụ trong một nền kinh tế. Các nhà kinh tế đã phân loại lạm phát thành nhiều loại khác nhau, bao gồm lạm phát nhẹ, lạm phát vừa phải, lạm phát phi mã và siêu lạm phát. Mỗi loại lạm phát có những tác động khác nhau đến nền kinh tế và xã hội. Khái niệm lạm phát không chỉ đơn thuần là sự tăng giá mà còn liên quan đến sức mua của đồng tiền và các yếu tố tác động bên ngoài như giá nguyên liệu và chi phí sản xuất. Việc hiểu rõ về lạm phát là rất quan trọng để áp dụng các mô hình dự báo chính xác.

1.2. Mô hình ARIMA và ứng dụng trong dự báo lạm phát

Mô hình ARIMA được sử dụng rộng rãi trong phân tích chuỗi thời gian, đặc biệt là trong việc dự báo các chỉ số kinh tế như lạm phát. Mô hình này dựa trên các giá trị trong quá khứ của chính biến cần dự báo. Một trong những lợi thế của mô hình ARIMA là khả năng xử lý các dữ liệu không ổn định và không đồng nhất. Nghiên cứu này sẽ áp dụng phương pháp Box-Jenkins để xây dựng mô hình ARIMA cho lạm phát Việt Nam, từ đó đánh giá độ tin cậy và tính chính xác của dự báo. Việc áp dụng mô hình ARIMA không chỉ giúp đưa ra các dự báo ngắn hạn mà còn cung cấp thông tin hữu ích cho các nhà hoạch định chính sách trong việc kiểm soát lạm phát.

II. Phương pháp nghiên cứu và thiết kế nghiên cứu

Nghiên cứu này sử dụng phương pháp định lượng để xây dựng mô hình ARIMA dự báo lạm phát. Dữ liệu được thu thập từ Tổng cục Thống kê Việt Nam, bao gồm chỉ số giá tiêu dùng (CPI) từ tháng 1/2005 đến tháng 6/2014. Quy trình nghiên cứu bao gồm bốn bước: nhận dạng mô hình, ước lượng mô hình, kiểm tra mô hình và dự báo. Việc áp dụng mô hình ARIMA sẽ giúp xác định các yếu tố tác động đến lạm phát và đưa ra các dự báo chính xác hơn. Kết quả nghiên cứu sẽ được so sánh với các dự báo trước đó để đánh giá tính chính xác của mô hình.

2.1. Quy trình nghiên cứu

Quy trình nghiên cứu bao gồm các bước cụ thể nhằm đảm bảo tính chính xác và độ tin cậy của kết quả dự báo. Đầu tiên, dữ liệu về chỉ số giá tiêu dùng sẽ được thu thập và xử lý. Sau đó, mô hình ARIMA sẽ được nhận dạng và ước lượng dựa trên dữ liệu lịch sử. Tiếp theo, mô hình sẽ được kiểm tra để xác định tính ổn định và độ tin cậy. Cuối cùng, kết quả dự báo sẽ được đánh giá và so sánh với các dự báo thực tế để đưa ra các khuyến nghị chính sách. Quy trình này không chỉ đảm bảo tính khoa học mà còn giúp người đọc hiểu rõ hơn về các bước thực hiện nghiên cứu.

2.2. Dữ liệu và công cụ nghiên cứu

Dữ liệu được sử dụng trong nghiên cứu này chủ yếu là chỉ số CPI, một chỉ số quan trọng phản ánh lạm phát tại Việt Nam. Dữ liệu được thu thập từ các nguồn chính thức và có độ tin cậy cao. Công cụ hỗ trợ cho nghiên cứu bao gồm phần mềm Excel và Eviews, giúp thực hiện các phân tích thống kê và xây dựng mô hình ARIMA. Việc sử dụng các công cụ này không chỉ giúp tăng cường tính chính xác của nghiên cứu mà còn tiết kiệm thời gian trong quá trình phân tích. Các phương pháp khác như phân tích thống kê mô tả cũng sẽ được áp dụng để làm rõ các vấn đề nghiên cứu.

III. Kết quả nghiên cứu và khuyến nghị

Kết quả nghiên cứu cho thấy mô hình ARIMA có khả năng dự báo lạm phát tại Việt Nam với độ chính xác cao. Các dự báo về lạm phát trong giai đoạn từ tháng 11/2014 đến tháng 6/2015 đã được thực hiện và so sánh với các giá trị thực tế để đánh giá tính chính xác của mô hình. Nghiên cứu cũng đề xuất một số khuyến nghị cho Chính phủ và Ngân hàng Nhà nước trong việc điều hành chính sách vĩ mô nhằm kiểm soát lạm phát ở mức hợp lý.

3.1. Kết quả dự báo lạm phát

Kết quả dự báo cho thấy rằng lạm phát tại Việt Nam trong giai đoạn nghiên cứu có xu hướng tăng nhẹ, tuy nhiên vẫn nằm trong mức kiểm soát. Mô hình ARIMA đã dự đoán chính xác các biến động trong chỉ số CPI, cho thấy tính hiệu quả của mô hình trong việc phân tích và dự báo lạm phát. Các kết quả này có thể hỗ trợ các nhà hoạch định chính sách trong việc đưa ra các quyết định kịp thời nhằm ứng phó với các biến động kinh tế.

3.2. Khuyến nghị chính sách

Dựa trên kết quả nghiên cứu, một số khuyến nghị chính sách được đưa ra nhằm kiểm soát lạm phát hiệu quả hơn. Chính phủ và Ngân hàng Nhà nước cần theo dõi sát sao các chỉ số kinh tế và áp dụng các biện pháp phù hợp để ổn định giá cả. Việc tăng cường thông tin và truyền thông về lạm phát cũng là một yếu tố quan trọng giúp cộng đồng doanh nghiệp và người tiêu dùng có thể chuẩn bị tốt hơn trước những biến động của nền kinh tế. Các khuyến nghị này không chỉ giúp kiểm soát lạm phát mà còn góp phần thúc đẩy sự phát triển kinh tế bền vững tại Việt Nam.

Tổng quan nghiên cứu

Lạm phát là một trong những vấn đề kinh tế vĩ mô quan trọng, ảnh hưởng trực tiếp đến sự ổn định và phát triển kinh tế - xã hội của Việt Nam. Trong giai đoạn từ năm 2005 đến tháng 10/2014, lạm phát Việt Nam có nhiều biến động phức tạp với mức trung bình khoảng 11.34%, trong đó năm 2008 và 2011 ghi nhận mức lạm phát cao đột biến lần lượt là 19.9% và 18.13%. Mục tiêu kiểm soát lạm phát của Chính phủ trong kế hoạch phát triển kinh tế - xã hội năm 2014 và 2015 lần lượt là khoảng 7% và 5%. Tuy nhiên, các dự báo từ các tổ chức quốc tế như Ngân hàng Phát triển Châu Á (ADB) và Ngân hàng Thế giới (WB) cho thấy mức lạm phát năm 2014 dao động trong khoảng 4-6%, phản ánh sự khó khăn trong việc dự báo chính xác diễn biến lạm phát.

Trước bối cảnh đó, việc xây dựng một mô hình dự báo lạm phát phù hợp, chính xác và kịp thời là rất cần thiết để hỗ trợ các nhà hoạch định chính sách và doanh nghiệp trong việc lập kế hoạch và ứng phó hiệu quả với biến động giá cả. Luận văn tập trung ứng dụng mô hình ARIMA (Autoregressive Integrated Moving Average) trong dự báo lạm phát Việt Nam, sử dụng dữ liệu chỉ số giá tiêu dùng (CPI) từ tháng 1/2005 đến tháng 6/2014, nhằm dự báo lạm phát trong ngắn hạn từ tháng 11/2014 đến tháng 6/2015. Nghiên cứu không chỉ cung cấp dự báo độc lập mà còn đề xuất các khuyến nghị chính sách nhằm kiểm soát lạm phát hiệu quả, góp phần ổn định kinh tế vĩ mô và phát triển bền vững.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình kinh tế về lạm phát và chuỗi thời gian, cụ thể:

• Khái niệm lạm phát: Lạm phát được định nghĩa là sự gia tăng liên tục của mức giá chung trong nền kinh tế, làm giảm sức mua của đồng tiền. Lạm phát được phân loại theo mức độ (thiểu phát, lạm phát vừa phải, phi mã, siêu lạm phát) và tính chất (cân bằng, không cân bằng).

• Mô hình ARIMA: Mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) là phương pháp dự báo chuỗi thời gian phổ biến, được Box và Jenkins phát triển. Mô hình này kết hợp các thành phần tự hồi quy (AR), tích hợp (I) và trung bình trượt (MA) để mô hình hóa các chuỗi dữ liệu có tính không dừng bằng cách lấy sai phân. ARIMA phù hợp với dữ liệu chuỗi thời gian dừng và có khả năng dự báo ngắn hạn hiệu quả.

• Các khái niệm chính: Chuỗi thời gian, tính dừng của chuỗi, hàm tự tương quan (ACF), hàm tự tương quan riêng phần (PACF), quá trình ngẫu nhiên, sai phân, kiểm định ADF (Augmented Dickey-Fuller) để xác định tính dừng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp Box-Jenkins để xây dựng mô hình ARIMA dự báo lạm phát Việt Nam với các bước chính:

• Thu thập dữ liệu: Dữ liệu chuỗi thời gian chỉ số giá tiêu dùng (CPI) hàng tháng từ tháng 1/2005 đến tháng 6/2014, lấy từ Tổng cục Thống kê Việt Nam.

• Phân tích dữ liệu: Kiểm định tính dừng của chuỗi CPI bằng kiểm định ADF, xác định các thành phần xu hướng và mùa vụ, sử dụng hàm ACF và PACF để nhận dạng mô hình.

• Ước lượng mô hình: Xác định các tham số p, d, q của mô hình ARIMA phù hợp dựa trên kết quả phân tích.

• Kiểm định mô hình: Đánh giá tính ổn định, tính nghịch đảo và phần dư của mô hình để đảm bảo phần dư là nhiễu trắng, không có tự tương quan.

• Dự báo: Sử dụng mô hình ARIMA đã ước lượng để dự báo lạm phát từ tháng 11/2014 đến tháng 6/2015, đồng thời so sánh dự báo với dữ liệu thực tế các tháng 7-10/2014 để đánh giá độ chính xác.

• Công cụ hỗ trợ: Phần mềm Excel và Eviews được sử dụng để xử lý dữ liệu và phân tích mô hình.

Quy trình nghiên cứu được thực hiện trong khoảng thời gian từ năm 2014 đến giữa năm 2015, tập trung vào dữ liệu và dự báo ngắn hạn nhằm phục vụ mục tiêu kiểm soát lạm phát của Chính phủ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Tính dừng của chuỗi CPI: Kiểm định ADF cho thấy chuỗi CPI gốc không dừng, nhưng sau khi lấy sai phân bậc một, chuỗi trở nên dừng với mức ý nghĩa 1%, đảm bảo điều kiện áp dụng mô hình ARIMA.

2. Mô hình ARIMA phù hợp: Mô hình ARIMA(1,1,0)(2,0,2)[12] được xác định là phù hợp nhất với dữ liệu CPI Việt Nam, thể hiện qua các chỉ số kiểm định như AIC, BIC thấp nhất và phần dư là nhiễu trắng.

3. Độ chính xác dự báo: Dự báo lạm phát các tháng 7-10/2014 từ mô hình ARIMA có sai số trung bình tuyệt đối (MAE) khoảng 0.15%, sai số phần trăm trung bình tuyệt đối (MAPE) dưới 1.5%, cho thấy mô hình có độ tin cậy cao trong dự báo ngắn hạn.

4. Dự báo lạm phát ngắn hạn: Lạm phát dự báo từ tháng 11/2014 đến tháng 6/2015 duy trì ở mức thấp, trung bình khoảng 0.3% mỗi tháng, phù hợp với xu hướng giảm lạm phát đã quan sát trong 10 tháng đầu năm 2014 (lạm phát 0.36%).

Thảo luận kết quả

Kết quả nghiên cứu cho thấy mô hình ARIMA là công cụ hiệu quả trong dự báo lạm phát ngắn hạn tại Việt Nam, phù hợp với đặc điểm chuỗi thời gian CPI có tính không dừng và có yếu tố mùa vụ. Việc lựa chọn mô hình ARIMA(1,1,0)(2,0,2)[12] phản ánh sự kết hợp giữa các yếu tố tự hồi quy và trung bình trượt theo mùa, giúp mô hình bắt kịp các biến động phức tạp của lạm phát.

So sánh với các nghiên cứu trước đây và dự báo của các tổ chức quốc tế, mô hình ARIMA cung cấp dự báo độc lập với sai số thấp, góp phần nâng cao độ tin cậy cho các quyết định chính sách. Dữ liệu dự báo có thể được trình bày qua biểu đồ đường thể hiện diễn biến CPI thực tế và dự báo, cùng bảng số liệu sai số dự báo để minh họa độ chính xác.

Tuy nhiên, mô hình ARIMA chỉ sử dụng dữ liệu quá khứ của CPI mà không xét đến các biến kinh tế vĩ mô khác như cung tiền, lãi suất hay giá nhiên liệu, do đó có thể hạn chế trong dự báo dài hạn hoặc khi có các cú sốc kinh tế lớn. Việc kết hợp mô hình ARIMA với các mô hình nhân quả hoặc mạng nơ-ron có thể là hướng nghiên cứu tiếp theo để nâng cao hiệu quả dự báo.

Đề xuất và khuyến nghị

1. Áp dụng mô hình ARIMA trong dự báo lạm phát ngắn hạn: Các cơ quan quản lý như Ngân hàng Nhà nước và Bộ Kế hoạch và Đầu tư nên sử dụng mô hình ARIMA làm công cụ hỗ trợ dự báo lạm phát hàng tháng, giúp kịp thời điều chỉnh chính sách tiền tệ và tài khóa nhằm kiểm soát lạm phát trong khoảng 6-12 tháng tới.

2. Tăng cường thu thập và cập nhật dữ liệu: Cần duy trì và nâng cao chất lượng dữ liệu CPI hàng tháng, đồng thời mở rộng thu thập các biến kinh tế liên quan để phục vụ cho việc xây dựng các mô hình dự báo đa biến, nâng cao độ chính xác và khả năng dự báo dài hạn.

3. Đào tạo và nâng cao năng lực phân tích mô hình: Tổ chức các khóa đào tạo chuyên sâu về mô hình ARIMA và các kỹ thuật phân tích chuỗi thời gian cho cán bộ các cơ quan quản lý kinh tế nhằm nâng cao năng lực dự báo và phân tích kinh tế vĩ mô.

4. Kết hợp dự báo mô hình ARIMA với các mô hình khác: Khuyến nghị nghiên cứu và áp dụng kết hợp mô hình ARIMA với mô hình nhân quả hoặc mạng nơ-ron nhân tạo để dự báo lạm phát, đặc biệt trong các giai đoạn có biến động kinh tế phức tạp hoặc các cú sốc bên ngoài.

Đối tượng nên tham khảo luận văn

1. Các nhà hoạch định chính sách kinh tế vĩ mô: Luận văn cung cấp công cụ dự báo lạm phát chính xác, giúp họ đưa ra các quyết định điều hành tiền tệ và tài khóa phù hợp nhằm ổn định kinh tế.

2. Các chuyên gia và nhà nghiên cứu kinh tế: Tài liệu hệ thống hóa lý thuyết về lạm phát và mô hình ARIMA, đồng thời cung cấp quy trình xây dựng và kiểm định mô hình dự báo chuỗi thời gian, hữu ích cho nghiên cứu và giảng dạy.

3. Doanh nghiệp và nhà đầu tư: Dự báo lạm phát giúp các doanh nghiệp và nhà đầu tư đánh giá rủi ro về biến động giá cả, từ đó xây dựng chiến lược kinh doanh và đầu tư hiệu quả.

4. Sinh viên và học viên cao học ngành Tài chính - Ngân hàng, Kinh tế: Luận văn là tài liệu tham khảo thực tiễn về ứng dụng mô hình ARIMA trong dự báo kinh tế, giúp nâng cao kiến thức và kỹ năng phân tích dữ liệu chuỗi thời gian.

Câu hỏi thường gặp

1. Mô hình ARIMA là gì và tại sao được chọn để dự báo lạm phát?
   Mô hình ARIMA là mô hình dự báo chuỗi thời gian kết hợp tự hồi quy, tích hợp và trung bình trượt, phù hợp với dữ liệu không dừng như CPI. Nó được chọn vì khả năng dự báo ngắn hạn chính xác và đơn giản, chỉ sử dụng dữ liệu quá khứ của biến dự báo.

2. Dữ liệu nào được sử dụng để xây dựng mô hình ARIMA trong nghiên cứu này?
   Dữ liệu là chỉ số giá tiêu dùng (CPI) hàng tháng của Việt Nam từ tháng 1/2005 đến tháng 6/2014, lấy từ Tổng cục Thống kê Việt Nam, phản ánh mức độ lạm phát trong nước.

3. Làm thế nào để kiểm định tính dừng của chuỗi thời gian?
   Kiểm định ADF (Augmented Dickey-Fuller) được sử dụng để xác định chuỗi có tính dừng hay không. Nếu chuỗi không dừng, cần lấy sai phân để biến đổi thành chuỗi dừng trước khi xây dựng mô hình ARIMA.

4. Độ chính xác của mô hình ARIMA trong dự báo lạm phát như thế nào?
   Mô hình ARIMA trong nghiên cứu có sai số trung bình tuyệt đối (MAE) khoảng 0.15% và sai số phần trăm trung bình tuyệt đối (MAPE) dưới 1.5% khi dự báo các tháng 7-10/2014, cho thấy độ tin cậy cao trong dự báo ngắn hạn.

5. Các cơ quan quản lý có thể ứng dụng kết quả nghiên cứu này như thế nào?
   Các cơ quan như Ngân hàng Nhà nước và Bộ Kế hoạch và Đầu tư có thể sử dụng mô hình ARIMA để dự báo lạm phát hàng tháng, từ đó điều chỉnh chính sách tiền tệ và tài khóa kịp thời nhằm kiểm soát lạm phát và ổn định kinh tế vĩ mô.

Kết luận

• Lạm phát Việt Nam giai đoạn 2005-2014 có nhiều biến động phức tạp, đòi hỏi dự báo chính xác để hỗ trợ chính sách kinh tế.
• Mô hình ARIMA(1,1,0)(2,0,2)[12] được xây dựng và kiểm định phù hợp với dữ liệu CPI Việt Nam, có khả năng dự báo ngắn hạn hiệu quả.
• Dự báo lạm phát từ tháng 11/2014 đến tháng 6/2015 duy trì ở mức thấp, phù hợp với xu hướng thực tế.
• Nghiên cứu đề xuất áp dụng mô hình ARIMA trong dự báo lạm phát, đồng thời khuyến nghị nâng cao chất lượng dữ liệu và kết hợp với các mô hình khác để tăng độ chính xác.
• Các nhà hoạch định chính sách, doanh nghiệp và nhà nghiên cứu được khuyến khích sử dụng kết quả nghiên cứu để nâng cao hiệu quả quản lý và ra quyết định.

Tiếp theo, cần triển khai áp dụng mô hình ARIMA trong thực tế dự báo kinh tế vĩ mô, đồng thời nghiên cứu mở rộng mô hình đa biến và tích hợp các phương pháp dự báo hiện đại nhằm nâng cao độ tin cậy và khả năng dự báo dài hạn. Đề nghị các cơ quan liên quan phối hợp tổ chức đào tạo và cập nhật công nghệ phân tích dữ liệu để phát huy tối đa hiệu quả của mô hình.