Phân tích dự đoán và nhân quả về thực thi chi tiêu công tại CHDC Congo (1996–2023) bằng phương pháp học máy

Luận văn phân tích dự đoán và nhân quả về chi tiêu công tại CHDC Congo (1996–2023) bằng học máy

• Tác giả: Nzazi Ngabila Boaz
• Người hướng dẫn: Prof. Selain Kasereka Kabunga
• Trường học: Trường Quốc tế - Đại học Quốc gia Hà Nội
• Chuyên ngành: Hệ thống thông minh và Đa phương tiện
• Đề tài: Phân tích dự đoán và nhân quả về thực thi chi tiêu công tại CHDC Congo (1996–2023) bằng phương pháp học máy
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2026
• Địa điểm: Kinshasa

Tóm tắt

I. Tổng quan nhân quả chi tiêu công CHDC Congo bằng học máy

Nghiên cứu thực thi ngân sách nhà nước tại Cộng hòa Dân chủ Congo giai đoạn 1996–2023 đòi hỏi các công cụ phân tích hiện đại. Quản lý tài chính công tại quốc gia này luôn đối mặt nhiều thách thức phức tạp. Sự biến động của chu kỳ kinh tế và nguồn thu khoáng sản tạo ra áp lực ngân sách lớn. Các mô hình kinh tế lượng truyền thống thường chỉ dừng lại ở phân tích tương quan tuyến tính. Cách tiếp cận cũ khó bóc tách các mối quan hệ nhân quả thực chất. Học máy xuất hiện như một giải pháp đột phá trong phân tích tài khóa. Phương pháp này giải quyết đồng thời hai nhiệm vụ quan trọng. Thứ nhất là dự đoán tỷ lệ thực thi ngân sách dựa trên dữ liệu vĩ mô quá khứ. Thứ hai là xác định tác động nhân quả của từng chính sách can thiệp cụ thể. Dữ liệu nghiên cứu bao gồm bảng cân đối với 28 chức năng chi tiêu qua 28 năm. Tổng số quan sát đạt 784 điểm dữ liệu hoàn chỉnh. Việc phân biệt rõ giữa dự đoán và nhân quả giúp các nhà hoạch định chính sách hiểu đúng bản chất vấn đề. Năng lực thể chế tích lũy đóng vai trò cốt lõi trong việc bảo đảm kỷ luật ngân sách. Nghiên cứu mở ra hướng đi mới cho quản trị tài chính tại các nước thu nhập thấp.

1.1. Khái niệm cơ bản về dự đoán và nhân quả tài chính

Mô hình dự đoán tập trung ước lượng kỳ vọng có điều kiện E[Y|X]. Mục tiêu chính là tối ưu độ chính xác dựa trên biến số tương quan. Ngược lại, mô hình nhân quả ước lượng tác động can thiệp E[Y|do(T=t)]. Phép toán này đo lường phản ứng khi chính sách thay đổi độc lập. Sự khác biệt này định hình chính sách cải cách ngân sách. Một cơ quan giải ngân tốt năm trước thường duy trì phong độ năm sau. Tuy nhiên, nguyên nhân gốc rễ nằm ở năng lực thể chế tích lũy. Dữ liệu lịch sử chỉ phản ánh biểu hiện bên ngoài. Phân tích nhân quả giúp người điều hành xác định đúng đòn bẩy cải cách hiệu quả.

1.2. Bối cảnh tài chính công tại CHDC Congo 1996 2023

Giai đoạn 1996–2023 ghi nhận nhiều biến động sâu sắc trong nền kinh tế CHDC Congo. Đất nước trải qua các cuộc xung đột vũ trang và khủng hoảng chính trị kéo dài. Nguồn thu quốc gia phụ thuộc nặng nề vào xuất khẩu khoáng sản thô. Giá cả thị trường thế giới biến động liên tục gây sốc nguồn thu. Tỷ giá hối đoái và lạm phát thường xuyên chịu sức ép tăng cao. Các cam kết chi tiêu công thường vượt quá khả năng huy động vốn thực tế. Ngân sách dành cho đầu tư phát triển cơ sở hạ tầng bị cắt giảm đáng kể. Tỷ lệ giải ngân phân bổ không đồng đều giữa các bộ ban ngành. Nguồn viện trợ quốc tế cũng có nhiều dao động qua các thời kỳ. Hệ thống dữ liệu thu thập gặp nhiều thách thức về tính đồng nhất.

II. Thực trạng phân tích chi tiêu công CHDC Congo bằng học máy

Thực thi ngân sách tại CHDC Congo luôn là bài toán nan giải đối với giới nghiên cứu. Mức độ chênh lệch giữa dự toán và giải ngân thực tế diễn ra triền miên. Khoảng trống này phản ánh nhiều rào cản mang tính cơ cấu và thể chế. Các cú sốc kinh tế vĩ mô làm gián đoạn kế hoạch phân bổ dòng tiền. Nguồn thu ngân sách sụt giảm đột ngột kéo theo việc đình trệ các dự án công cộng. Chi tiêu thường xuyên chiếm tỷ trọng áp đảo và gây chèn ép chi tiêu đầu tư. Tiền lương và chi phí vận hành bộ máy hành chính luôn được ưu tiên chi trả trước. Dữ liệu nghiên cứu đối mặt với hiện tượng chồng lấn và sai lệch thống kê. Báo cáo từ Ngân hàng Trung ương Congo qua từng giai đoạn có sự điều chỉnh số liệu hồi tố. Sai số giữa các nguồn tài liệu dao động dưới 2% cho chi thường xuyên và dưới 5% cho chi đầu tư. Hiện tượng đa cộng tuyến giữa lạm phát, tỷ giá và tăng trưởng GDP gây khó khăn cho ước lượng truyền thống. Khi các yếu tố kinh tế biến thiên cùng chiều, việc tách biệt tác động độc lập trở nên bất khả thi. Các chỉ số quản trị toàn cầu của World Bank tại quốc gia này thường xuyên nằm dưới mức trung bình. Vấn đề này đòi hỏi kỹ thuật xử lý dữ liệu phức hợp.

2.1. Hạn chế của các mô hình kinh tế lượng truyền thống

Mô hình hồi quy tuyến tính cổ điển dựa vào giả định nghiêm ngặt về phân phối dữ liệu. Phương pháp này gặp khó khăn khi quan hệ giữa các biến số mang tính phi tuyến. Trong quản trị tài chính, các biến số vĩ mô thường tác động qua lại rất phức tạp. Hiện tượng nhiễu do biến ẩn gây sai lệch nghiêm trọng kết quả ước lượng. Mối tương quan đơn thuần không phản ánh đúng quan hệ nhân quả khách quan. Một biến số tương quan mạnh có thể hoàn toàn vô giá trị trong can thiệp thực tế. Việc thiếu công cụ biểu diễn cấu trúc nhân quả làm giảm độ tin cậy của các đề xuất cải cách.

2.2. Thách thức dữ liệu bảng và độ lệch thống kê tại Congo

Dữ liệu tài chính tại Congo tồn tại nhiều khoảng trống lịch sử. Giai đoạn 1996 xuất hiện nhiều giá trị khuyết thiếu do hoàn cảnh chiến tranh. Bảng dữ liệu bao gồm 28 chức năng hành chính được theo dõi liên tục trong 28 năm. Mẫu quan sát đạt 784 điểm nhưng chứa đựng nhiều biến động bất thường. Các biến số trễ của lạm phát và tỷ giá phản ánh sức ép vĩ mô dồn dập. Chỉ số hiệu quả chính phủ WGI_EFFICACITE có độ biến thiên rất thấp với độ lệch chuẩn chỉ 0,10. Biến động nhỏ này khiến việc nhận diện cơ chế tác động thể chế gặp nhiều trở ngại. Ngoài ra yếu tố chu kỳ bầu cử cũng tạo ra các tác động giả định cần loại trừ cẩn trọng.

III. Phương pháp dự đoán chi tiêu công CHDC Congo bằng học máy

Khung nghiên cứu tích hợp phương pháp dự đoán và suy luận nhân quả tiên tiến. Đầu tiên đồ thị có hướng không chu trình DAG được thiết lập kỹ lưỡng. Đồ thị này biểu diễn tường minh các giả thiết nhân quả giữa biến xử lý, biến kết quả và biến gây nhiễu. Phương pháp Double Machine Learning DML đóng vai trò trụ cột trong việc bóc tách tác động thuần túy. Thuật toán học máy phi tham số giúp ước lượng phương trình phụ trợ cho cả kết quả lẫn xử lý. Kỹ thuật chia mẫu chéo cross-fitting loại bỏ hoàn toàn hiện tượng quá khớp và sai lệch do điều quy hóa. Giai đoạn nghiên cứu chuẩn hóa từ năm 2002 đến năm 2023 mang lại độ tin cậy thống kê cao nhất. Giai đoạn 1999–2023 được áp dụng độc lập nhằm kiểm tra độ bền vững của mô hình. Các biến số trễ một kỳ của tăng trưởng, lạm phát, tỷ giá, thu ngân sách và nợ công được đưa vào kiểm soát. Thuật toán học máy xử lý triệt để tính phi tuyến và cấu trúc tương tác đa chiều. Các kiểm định giả dược forward placebo test được thực thi nhằm xác thực tính khách quan. Mô hình giúp cô lập thành công ảnh hưởng riêng biệt của từng biến can thiệp tài khóa. Kết quả ước lượng đạt chuẩn mực khoa học cao và phù hợp cho công bố quốc tế.

3.1. Ứng dụng đồ thị có hướng DAG và Double Machine Learning

Đồ thị có hướng không chu trình DAG giúp xác lập giả thiết nhân quả minh bạch trước khi chạy thuật toán. Công cụ này chỉ định rõ các biến can thiệp, biến kết quả và tập hợp biến kiểm soát W. Nhờ đó nhà nghiên cứu tránh được các sai lầm chọn biến hoặc thiên lệch điều kiện hóa. Tiếp theo Double Machine Learning DML áp dụng kỹ thuật trực giao hóa để triệt tiêu nhiễu. Các mô hình học máy hiện đại như Gradient Boosting và Random Forest được dùng để ước lượng hàm phi tuyến. Kỹ thuật chia mẫu ngẫu nhiên giúp duy trì phân phối tiệm cận chuẩn cho tham số mục tiêu. Phương sai ước lượng giảm thiểu rõ rệt so với các kỹ thuật hồi quy thông thường.

3.2. Quy trình kiểm định độ bền vững và xử lý sai số

Kiểm định độ bền vững là yêu cầu bắt buộc nhằm khẳng định giá trị thực tiễn của mô hình. Khung nghiên cứu triển khai đối chiếu số liệu từ báo cáo của Ngân hàng Trung ương Congo. Các giai đoạn chồng lấn 2005–2006 và 2013–2015 được so sánh chi tiết giữa các ấn bản. Sai số kế toán chỉ dao động dưới 2% đối với chi thường xuyên và dưới 5% đối với chi vốn. Nghiên cứu ưu tiên giữ lại các giá trị cập nhật nhất để bảo đảm tính chính xác. Kiểm định giả dược forward placebo test được áp dụng cho biến chu kỳ bầu cử. Kết quả cho thấy biến này không đạt độ bền vững thống kê và bị loại khỏi mô hình cốt lõi. Nhờ đó hệ thống loại trừ triệt để tác động gây nhiễu tiềm tàng.

IV. Ứng dụng dự đoán chi tiêu công CHDC Congo bằng học máy

Ứng dụng học máy nhân quả đem lại bước tiến vượt bậc cho quản trị ngân sách tại các quốc gia đang phát triển. Mô hình chuyển đổi dữ liệu thô thành hệ thống hỗ trợ ra quyết định thông minh. Các nhà quản lý tài chính có thể mô phỏng kịch bản giải ngân trước khi ban hành chính sách. Cơ quan chức năng chủ động dự báo được rủi ro thiếu hụt nguồn lực theo từng quý. Việc đánh giá chính xác hiệu quả can thiệp giúp cắt giảm các khoản chi tiêu lãng phí. Ngân sách nhà nước được tái phân bổ tập trung vào các lĩnh vực ưu tiên như giáo dục, y tế và hạ tầng công cộng. Hệ thống này cung cấp nền tảng khoa học vững chắc cho tiến trình đàm phán với các tổ chức tài chính quốc tế như IMF và World Bank. Mức độ minh bạch tài khóa được nâng cao rõ rệt nhờ quy trình kiểm chứng thực nghiệm chặt chẽ. Kỷ luật ngân sách được củng cố dựa trên bằng chứng dữ liệu thay vì nhận định chủ quan. Các quốc gia có bối cảnh kinh tế tương đồng tại châu Phi hoàn toàn có thể tiếp thu khung nghiên cứu này. Đây là công cụ đắc lực hỗ trợ hiện đại hóa nền hành chính công trong kỷ nguyên số. Quản lý chi tiêu dựa trên nhân quả mở ra tương lai phát triển bền vững.

4.1. Tối ưu hóa phân bổ nguồn vốn và kỷ luật tài khóa

Kết quả nghiên cứu cung cấp căn cứ trực tiếp để cải cách quy trình lập ngân sách. Các nhà điều hành có thể phân loại rõ ràng các khoản chi tiêu có hiệu ứng lan tỏa cao. Ngân sách vốn đầu tư phát triển được bảo vệ tốt hơn trước các biến động tiêu cực của nguồn thu. Việc đo lường tác động nhân quả ngăn chặn việc cắt giảm ngân sách theo cảm tính. Cơ chế phân bổ vốn chuyển dần từ định mức lịch sử sang định mức theo hiệu quả hoạt động thực chất. Kỷ luật tài khóa được duy trì nhờ hệ thống cảnh báo sớm về nguy cơ mất cân đối ngân sách. Nhờ đó hiệu quả sử dụng từng đồng vốn nhà nước được nâng cao rõ rệt.

4.2. Khả năng mở rộng mô hình cho các quốc gia đang phát triển

Khung phân tích được xây dựng với cấu trúc mở và tính linh hoạt cao. Các quốc gia đang phát triển khác tại khu vực châu Phi cận Sahara có thể dễ dàng áp dụng. Những nền kinh tế phụ thuộc vào tài nguyên thiên nhiên thường chia sẻ nhiều đặc tính tương đồng. Sự biến động của giá hàng hóa và hạn chế về thể chế là thách thức chung. Phương pháp Double Machine Learning kết hợp DAG giúp khắc phục tình trạng thiếu hụt dữ liệu chất lượng cao. Mô hình cho phép tích hợp các nguồn dữ liệu phi truyền thống để hoàn thiện ước lượng. Đây là giải pháp công nghệ hiện đại giúp các chính phủ nâng tầm quản trị công.

Nội dung chính

Tổng quan nghiên cứu

Thực thi ngân sách nhà nước tại các quốc gia có thu nhập thấp và thể chế mong manh luôn là một thách thức quản trị phức tạp, nơi tỷ lệ hoàn thành dự toán giữa các bộ ngành có thể dao động mạnh từ 0% đến trên 300%. Tại Cộng hòa Dân chủ Congo, bức tranh tài khóa giai đoạn 1996–2023 càng trở nên khắc nghiệt khi quốc gia này phải trải qua 2 cuộc xung đột vũ trang kéo dài, nhiều biến động quyền lực và một cuộc khủng hoảng siêu lạm phát lịch sử chạm đỉnh 514% vào năm 2000. Phần lớn các phân tích tài chính công truyền thống chỉ dừng lại ở việc mô tả độ lệch số học giữa dự toán và thực chi, đồng thời thường xuyên nhầm lẫn giữa tương quan dự đoán thống kê với quan hệ nhân quả thực tế. Một biến số giúp thuật toán dự báo chính xác không đồng nghĩa với việc biến số đó là một đòn bẩy chính sách khả thi để chính phủ can thiệp.

Mục tiêu cụ thể của luận văn là xây dựng một khung phân tích tích hợp giữa học máy dự đoán và học máy nhân quả nhằm giải mã toàn diện các động lực thúc đẩy việc thực thi chi tiêu công. Nghiên cứu thực hiện trên bộ dữ liệu bảng gồm 784 quan sát, bao quát 28 chức năng ngân sách trong suốt 28 năm tài khóa (1996–2023), đồng thời mở rộng thẩm định ngoại kiểm sang nền kinh tế Angola giai đoạn 2011–2022. Về mặt ý nghĩa định lượng, công trình đã phát triển thành công mô hình cảnh báo sớm với độ nhạy thu hồi đạt 84,3% trong việc phát hiện nguy cơ giải ngân đình trệ trước khi năm ngân sách khép lại. Đồng thời, nghiên cứu bóc tách chính xác 4 cơ chế nhân quả trọng yếu chi phối dòng tiền công, chứng minh rằng sự mất giá của đồng nội tệ tạo ra hiệu ứng kéo cắt làm hao hụt sức mua thực tế với hệ số âm 0,239, trong khi quán tính hành chính duy trì vai trò dẫn dắt với hệ số tác động dương 0,488.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên 2 trụ cột lý thuyết kinh tế và khoa học dữ liệu hiện đại. Thứ nhất là lý thuyết quản trị tài chính công và bẫy năng lực thể chế tại các quốc gia đang phát triển của Andrews (2013), giải thích vì sao các cải cách kỹ thuật thuần túy thường bị vô hiệu hóa bởi sức ì tổ chức. Thứ hai là lý thuyết suy luận nhân quả cấu trúc kết hợp học máy bán tham số được khởi xướng bởi Chernozhukov và các cộng sự (2018), cung cấp nền tảng toán học để phân tách tác động can thiệp độc lập khỏi các yếu tố gây nhiễu trong không gian dữ liệu nhiều chiều.

Mô hình nghiên cứu vận hành dựa trên hệ thống 26 biến số kinh tế vĩ mô và tài khóa, thử nghiệm can thiệp trên 9 biến xử lý chính. Bốn khái niệm trọng tâm định hình toàn bộ cấu trúc luận văn bao gồm: quán tính hành chính trong bộ máy công quyền, hiệu ứng kéo cắt ngân sách do biến động tỷ giá, năng lực hấp thụ tài khóa của các bộ ngành, và độ khả giải thuật toán thông qua lý thuyết trò chơi hợp tác.

Phương pháp nghiên cứu

Cỡ mẫu nghiên cứu đạt 784 quan sát theo cấu trúc bảng cân bằng hoàn chỉnh, hình thành từ việc theo dõi liên tục 28 danh mục bộ ngành qua 28 năm tài khóa. Nghiên cứu sử dụng phương pháp chọn mẫu toàn bộ đối với các đơn vị hành chính cấp trung ương, khai phóng nguồn dữ liệu sơ cấp độc bản từ 3 báo cáo thường niên của Ngân hàng Trung ương Congo xuất bản vào các năm 2005, 2014 và 2023. Các chỉ số vĩ mô và chất lượng thể chế được đồng bộ hóa thông qua giao diện lập trình của Quỹ Tiền tệ Quốc tế và Ngân hàng Thế giới.

Lý do lựa chọn phương pháp học máy thay vì hồi quy bình phương tối thiểu cổ điển bắt nguồn từ tính chất phi tuyến phức tạp, hiện tượng đa cộng tuyến cao độ và các đợt đứt gãy cấu trúc sâu sắc trong lịch sử tài chính Congo. Các thuật toán học máy tập hợp như Random Forest và XGBoost cho phép nắm bắt trọn vẹn các mối quan hệ phi tuyến mà không áp đặt dạng hàm cứng nhắc. Đặc biệt, phương pháp Double Machine Learning giải quyết triệt để độ chệch lựa chọn bằng kỹ thuật trực giao hóa phần dư và kiểm định chéo nhóm 5 phân vùng theo năm. Quy trình này giúp cô lập tác động thuần túy của từng chính sách ngay cả khi tỷ lệ dữ liệu khuyết ở hạng mục chi đầu tư lên tới mức 40,6%.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã ghi nhận 4 phát hiện mang tính đột phá về cấu trúc ngân sách công:

Thứ nhất, tồn tại sự phân hóa rõ rệt về khả năng dự báo giữa hai cấu phần chi tiêu. Chi thường xuyên thể hiện mức độ dự báo khả quan với hệ số xác định R2 đạt 0,445 khi áp dụng thuật toán Random Forest, vượt trội hoàn toàn so với mô hình hồi quy tuyến tính phạt Ridge. Ngược lại, chi đầu tư phát triển hoàn toàn kháng cự mọi nỗ lực dự báo thống kê khi hệ số R2 rơi xuống dưới 0, khẳng định các yếu tố quyết định chi tiêu vốn nằm ngoài hệ thống lập ngân sách chính thức.

Thứ hai, mô hình phân loại rủi ro Random Forest đạt độ chính xác thu hồi lên đến 84,3% đối với nhóm chức năng có nguy cơ chậm giải ngân trong giai đoạn kiểm định 2016–2023. Kết quả này đồng nghĩa với việc hệ thống có thể nhận diện chính xác 5 trên tổng số 6 cơ quan gặp khó khăn về hấp thụ vốn trước khi kết thúc năm tài khóa.

Thứ ba, phương pháp Double Machine Learning xác thực 4 cơ chế nhân quả bền vững đối với chi thường xuyên: quán tính hành chính thúc đẩy giải ngân mạnh nhất với hệ số theta đạt dương 0,488 (mức ý nghĩa thống kê dưới 1%); hiệu ứng trượt giá đồng Franc làm suy giảm tỷ lệ thực hiện với hệ số âm 0,239 (mức ý nghĩa dưới 1%); địa tô khoáng sản tác động kích thích với hệ số dương 0,116; và hiệu quả chính phủ đóng góp mức dương 0,115.

Thứ tư, nghiên cứu phát hiện sự lệch pha nghiêm trọng giữa thang đo mức độ quan trọng dự báo SHAP và hệ số tác động nhân quả. Điển hình là biến số tỷ giá hối đoái gần như vắng mặt ở nhóm đầu của biểu đồ SHAP do biến thiên đồng thời trên toàn bộ các bộ ngành, nhưng lại là cơ chế nhân quả thứ hai gây suy giảm giải ngân trong thực tế.

Thảo luận kết quả

Nguyên nhân căn bản của hiệu ứng kéo cắt ngân sách bắt nguồn từ mức độ đô la hóa sâu sắc của nền kinh tế, nơi khoảng 90% lượng tiền gửi ngân hàng được định giá bằng đồng đô la Mỹ. Mặc dù các đạo luật tài chính được thông qua bằng đồng Franc Congo theo tỷ giá dự kiến đầu năm, các hợp đồng mua sắm hàng hóa, nhiên liệu và thiết bị công nghệ đều neo theo đồng bạc xanh. Khi tỷ giá suy yếu từ mức 2.000 lên 2.400 Franc đổi 1 đô la Mỹ vào cuối năm, giá trị thực tế của khoản ngân sách 100 tỷ Franc sẽ tự động bốc hơi 16,7% sức mua mà không cần bất kỳ quyết định cắt giảm hành chính nào. Hiện tượng thống kê ghi nhận dưới hạn mức thực chất là sự suy giảm sức mua tiền tệ thuần túy.

Đối với chi đầu tư phát triển, nguyên nhân khiến các thuật toán dự báo thất bại là do sự phụ thuộc vào dòng viện trợ quốc tế với quy mô trung bình 2,2 tỷ USD mỗi năm, có giai đoạn vượt 5 tỷ USD. Dòng vốn này bị phân tán qua hơn 40 cơ quan tài trợ song phương và đa phương với các chu kỳ giải ngân hoàn toàn lệch pha so với niên độ tài khóa trong nước.

Các dữ liệu thực nghiệm này có thể được trực quan hóa tối ưu qua biểu đồ phân tán ma trận nhầm lẫn nhằm theo dõi sai số cảnh báo sớm, kết hợp với đồ thị có hướng DAG để làm rõ đường truyền dẫn nhân quả và bảng đối chiếu đa chiều giữa trọng số SHAP với hệ số can thiệp DML. Kết quả thẩm định ngoại kiểm trên chuỗi thời gian 12 năm tại Angola cho thấy cơ chế quán tính quản trị mang tính quy luật phổ quát, nhưng cơ chế hấp thụ dòng tiền dầu mỏ tại Angola lại phân kỳ rõ rệt so với chu kỳ khoáng sản coban tại Congo, chứng minh không có một mô hình quản trị tài khóa duy nhất cho mọi quốc gia mong manh.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả quản trị tài chính công và giảm thiểu rủi ro giải ngân, 4 nhóm giải pháp chiến lược cần được triển khai đồng bộ:

Thứ nhất, xây dựng cơ chế lập dự toán đa tiền tệ và phòng ngừa rủi ro tỷ giá. Bộ Tài chính phối hợp cùng Ngân hàng Trung ương Congo cần ban hành quy chế trượt giá tự động cho các hợp đồng mua sắm công quy mô lớn, đặt mục tiêu khống chế mức độ suy giảm sức mua danh nghĩa xuống dưới 5% trong giai đoạn tài khóa 2026–2028.

Thứ hai, tích hợp thuật toán học máy phân loại rủi ro vào hệ thống điều hành tài chính quốc gia. Cục Ngân sách cần nhúng trực tiếp mô hình Random Forest vào nền tảng quản lý SIGFIP hiện hữu, hướng tới mục tiêu duy trì tỷ lệ phát hiện sớm các bộ ngành có nguy cơ đình trệ giải ngân đạt trên 85% trước quý 3 hằng năm, áp dụng thí điểm trên 28 cơ quan bộ ngành từ năm 2027.

Thứ ba, thiết lập quỹ bình ổn tài khóa từ nguồn thu tài nguyên thiên nhiên. Chính phủ trung ương và Bộ Mỏ cần ban hành khung pháp lý bắt buộc trích lập từ 10% đến 15% tổng thu ngân sách phát sinh từ chu kỳ bùng nổ giá đồng và coban, tạo nguồn vốn dự phòng đối ứng để duy trì thanh khoản cho các công trình hạ tầng trong các giai đoạn thị trường thoái trào trước năm 2030.

Thứ tư, chuẩn hóa quy trình thanh quyết toán vốn đầu tư công và hài hòa hóa thủ tục viện trợ. Bộ Kế hoạch cùng đại diện các tổ chức quốc tế cần thiết lập cơ chế đấu thầu liên thông, đặt chỉ tiêu cắt giảm thời gian xử lý hồ sơ giải ngân chi tiêu vốn từ mức bình quân 120 ngày xuống dưới 45 ngày trong lộ trình cải cách 3 năm từ 2026 đến 2029.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng trọng tâm trong hệ sinh thái quản trị và nghiên cứu:

Thứ nhất, các nhà hoạch định chính sách kinh tế và chuyên viên quản lý ngân sách nhà nước tại các bộ ngành tài chính. Nhóm đối tượng này có thể tiếp cận phương pháp định lượng để bóc tách tác động của trượt giá tiền tệ, từ đó thiết kế quy chế phân bổ hạn mức linh hoạt, tránh cắt giảm nhầm các khoản mục chi thường xuyên thiết yếu khi tỷ giá biến động.

Thứ hai, các chuyên gia khoa học dữ liệu và kỹ sư trí tuệ nhân tạo công tác trong khu vực công. Công trình cung cấp giải pháp kỹ thuật chi tiết về việc ứng dụng Double Machine Learning trên bảng dữ liệu chuỗi thời gian phân mảnh, hỗ trợ xây dựng các hệ thống giám sát thanh toán tự động với độ chính xác cao.

Thứ ba, các tổ chức tài chính quốc tế và các cơ quan tài trợ phát triển song phương. Báo cáo cung cấp bằng chứng thực nghiệm về tác động tiêu cực của sự phân mảnh viện trợ từ hơn 40 cơ quan đối tác, mở đường cho việc cải cách cơ chế giải ngân các gói tài trợ hàng tỷ USD sao cho đồng nhịp với chu kỳ ngân sách địa phương.

Thứ tư, các giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành kinh tế học phát triển và hệ thống thông tin. Đề tài đóng vai trò là một tài liệu học thuật mẫu mực về việc kết hợp giữa kinh tế lượng cấu trúc và học máy tiên tiến, khai thác trọn vẹn bộ ngữ cảnh 784 quan sát trong môi trường vĩ mô đầy biến động suốt 28 năm.

Câu hỏi thường gặp

Câu hỏi: Vì sao các thuật toán học máy lại hoàn toàn thất bại khi mô hình hóa chi đầu tư phát triển? Trả lời: Chi tiêu vốn đầu tư ghi nhận hệ số R2 âm do chịu ảnh hưởng từ 40,6% dữ liệu bị khuyết và phụ thuộc lớn vào nguồn tài trợ bên ngoài từ hơn 40 cơ quan quốc tế. Tiến độ giải ngân các dự án hạ tầng bị chi phối bởi điều kiện giải ngân phức tạp và chu kỳ giá khoáng sản toàn cầu, những yếu tố nằm ngoài tầm kiểm soát của hệ thống kế hoạch hóa tài khóa trong nước.

Câu hỏi: Khoảng cách giữa giá trị giải thích SHAP và hệ số tác động nhân quả DML phản ánh điều gì? Trả lời: Trọng số SHAP chỉ phản ánh mức độ đóng góp của một biến vào việc giảm sai số dự báo cắt ngang giữa 28 bộ ngành, trong khi Double Machine Learning cô lập tác động can thiệp thực tế. Điển hình là tỷ giá hối đoái có giá trị SHAP rất thấp do biến thiên đồng nhất toàn hệ thống, nhưng lại mang hệ số tác động tiêu cực lên tới âm 0,239 trong mô hình nhân quả.

Câu hỏi: Tình trạng đô la hóa 90% làm sai lệch số liệu thực thi ngân sách như thế nào? Trả lời: Khi đồng Franc mất giá từ mức 2.000 lên 2.400 Franc đổi 1 đô la Mỹ, sức mua của dự toán chi tiêu công bị xói mòn khoảng 16,7%. Tác động tiền tệ này tạo ra hiện tượng giải ngân dưới định mức danh nghĩa trên báo cáo tài chính, dẫn đến việc đánh giá sai lệch rằng bộ máy hành chính yếu kém năng lực giải ngân.

Câu hỏi: Hệ thống cảnh báo sớm hỗ trợ cơ quan kho bạc kiểm soát rủi ro ngân sách ra sao? Trả lời: Nhờ ứng dụng giải thuật Random Forest trên các biến trễ và dữ liệu vĩ mô, mô hình đạt độ nhạy thu hồi 84,3%, giúp các nhà quản trị nhận diện chính xác 5 trên 6 bộ ngành có nguy cơ đình trệ hấp thụ vốn ngay từ quý 3 của năm tài chính, tạo điều kiện tái phân bổ ngân sách kịp thời.

Câu hỏi: Khung phân tích này có thể chuyển giao cho các nền kinh tế đang phát triển khác hay không? Trả lời: Kiểm định đối sánh trên dữ liệu 12 năm tại Angola khẳng định cơ chế quán tính bộ máy hành chính mang tính phổ quát tại các quốc gia thu nhập thấp. Tuy nhiên, các dòng tiền từ tài nguyên dầu mỏ và khoáng sản tạo ra các phản ứng tài khóa khác nhau, đòi hỏi mỗi quốc gia phải hiệu chỉnh tham số mô hình theo đặc thù riêng.

Kết luận

Luận văn đã hoàn thành toàn diện các mục tiêu nghiên cứu thông qua 5 kết quả then chốt:

• Chuẩn hóa thành công bộ dữ liệu bảng sơ cấp gồm 784 quan sát bao phủ 28 chức năng ngân sách xuyên suốt 28 năm lịch sử tại Congo.
• Xác lập ranh giới học thuật rõ ràng giữa khả năng dự báo của chi thường xuyên với R2 đạt 0,445 và tính bất khả dự báo của chi đầu tư công với R2 dưới 0.
• Vận hành thành công thuật toán phân loại rủi ro với độ nhạy thu hồi 84,3%, mang lại công cụ giám sát ngân sách thời gian thực cho cơ quan điều hành.
• Bóc tách 4 cơ chế nhân quả bằng Double Machine Learning, lượng hóa tác động lực cản của tỷ giá ở mức âm 0,239 và đòn bẩy quán tính hành chính ở mức dương 0,488.
• Khẳng định tính đa dạng thể chế qua kiểm định đối chiếu trên chuỗi dữ liệu 12 năm tại Angola, phủ nhận việc áp đặt các công thức cải cách tài khóa rập khuôn.

Đóng góp cốt lõi của công trình là sự kết hợp tiên phong giữa học máy dự đoán và học máy nhân quả để giải mã các nút thắt tài chính công tại các quốc gia có thể chế mong manh. Lộ trình phát triển tiếp theo giai đoạn 2026–2030 sẽ tập trung vào việc tự động hóa trích xuất dữ liệu ngân sách theo thời gian thực và mở rộng mô hình hóa xuống cấp chính quyền địa phương. Các nhà quản trị tài chính công hãy chủ động ứng dụng các khung giải thuật trí tuệ nhân tạo có thể giải thích được để kiến tạo nền quản trị minh bạch, thích ứng và bền vững.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM, HANOI ECOLE INTERNATIONALE ============== NZAZI NGABILA BOAZ ANALYSE PRÉDICTIVE ET CAUSALE DE L’EXÉCUTION DES DÉPENSES PUBLIQUES EN RDC (1996–2023) PAR APPRENTISSAGE AUTOMATIQUE PHÂN TÍCH DỰ ĐOÁN VÀ NHÂN QUẢ VỀ THỰC THI CHI TIÊU CÔNG TẠI CHDC CONGO (1996–2023) BẰNG PHƯƠNG PHÁP HỌC MÁY Programme : Systèmes intelligents et Multimédias Code : 8480201. Selain Kasereka Kabunga Dr. Nguyễn Quang Thuận Kinshasa - 2026 UNIVERSITE NATIONALE DU VIETNAM, HANOI ECOLE INTERNATIONALE ============== NZAZI NGABILA BOAZ ANALYSE PRÉDICTIVE ET CAUSALE DE L’EXÉCUTION DES DÉPENSES PUBLIQUES EN RDC (1996–2023) PAR APPRENTISSAGE AUTOMATIQUE PHÂN TÍCH DỰ ĐOÁN VÀ NHÂN QUẢ VỀ THỰC THI CHI TIÊU CÔNG TẠI CHDC CONGO (1996–2023) BẰNG PHƯƠNG PHÁP HỌC MÁY Programme : Systèmes intelligents et Multimédias Code : 8480201. Selain Kasereka Kabunga Dr.

Nguyễn Quang Thuận Kinshasa - 2026 Attestation sur l’honneur —– ω ω ω —– Je déclare par la présente que ce mémoire a été réalisé par moi-même sous la direction et la supervision de Prof. Selain Kasereka Kabunga et de Dr. Nguy*n Quang Thu+n ; et que les travaux et les résultats qu’il contient sont conformes à la réalité de l’auteur et respectent l’éthique de la recherche. Les données et figures présentées dans ce mémoire proviennent de mes propres analyses, commentaires et évaluations, et s’appuient sur diverses sources dûment référencées.

De plus, les autres commentaires, analyses et données utilisés par d’autres au- teurs et organisations ont été explicitement mentionnés. J’assume l’entière responsabilité de toute fraude détectée dans mon mémoire. Kinshasa, 04 Juin 2026 NZAZI NGABILA Boaz Approuvé par : ENCADRANT 1 ENCADRANT 2 Pr. Selain Kasereka Kabunga Dr.

Nguy*n Quang Thu+n Publications Les travaux conduits dans le cadre de ce mémoire ont donné lieu à plusieurs publications et communications scientifiques dans des revues et conférences inter- nationales à comité de lecture. Ces contributions témoignent de l’ancrage de la re- cherche dans la littérature académique et de sa diffusion auprès de la communauté scientifique spécialisée en intelligence artificielle appliquée aux finances publiques. Artificial intelligence for public expendi- ture analysis in low-income countries : Opportunities and challenges. Procedia Computer Science, 272, 261–268.

A data-driven decision support system for public expenditure analysis and budget optimization in the DR Congo. Accepted for oral presentation at the Workshop AI2M4RI, Athens, Greece, 18–20 August 2026. To be published in Procedia Computer Science, Elsevier. A predictive–causal machine learning framework for public expenditure execution : Evidence from the DRC (1996– 2023).

Submitted to IEEE Access (Q1). Remerciements Ce mémoire est le fruit d’un parcours exigeant, et il n’aurait pas abouti sans le concours de plusieurs personnes que je tiens à remercier ici, non par convention, mais parce que leur apport a été réel. Je pense d’abord au Professeur Docteur Selain Kasereka Kabunga et au Dr. Nguyễn Quang Thuận, mes directeurs de mémoire.

Ce qui m’a le plus marqué dans leur encadrement, c’est leur capacité à poser les bonnes questions au bon moment, celles qui obligent à aller plus loin que ce qu’on avait prévu. Plusieurs choix métho- dologiques de ce travail portent l’empreinte de nos échanges. Je dois beaucoup aussi au Professeur Docteur Ho Tuong Vinh de l’École In- ternationale de l’Université Nationale du Vietnam, Hanoi. Ses enseignements ont été pour moi bien plus que des cours : ils ont changé ma façon de raisonner sur les données et sur ce qu’on peut en tirer.

Mon stage au laboratoire ABIL de l’Université de Kinshasa, sous la supervision du Professeur Docteur Nathanaël Kasoro Mulenda, a été une expérience que je n’oublierai pas. C’est là que j’ai pu tester concrètement les méthodes développées dans ce mémoire, dans un environnement où les données sont imparfaites, les délais courts et les enjeux bien réels. Cette confrontation avec le terrain a profondément enrichi ma réflexion. Je remercie également le Docteur Christian Mulomba Mukendi, de Kyung- sung University à Busan, en République de Corée, pour ses retours scientifiques toujours précis et pour sa disponibilité malgré la distance.

À l’ensemble du corps professoral de l’École Internationale et à mes collègues de promotion : les discussions que nous avons eues, parfois informelles, ont enrichi ce travail. Un mot enfin pour ma famille, et surtout pour mon épouse Odette Bofio.