Chương 1. Tổng quan: Giới thiệu tổng quan về các vấn đề quản lý dân số. Trình bày các nghiên cāu trong n°ớc và ngoài n°ớc liên quan đến dự báo dân số. Nghiên cứu các yêu cầu quản lý dân số và các mô hình dự báo: Các yêu cầu cụ thể về công tác quản lý dân số, các văn bản liên quan.
Nghiên cāu các mô hình dự báo ARIMA th°ờng. Xây dựng hệ thống quản lý và dự báo dân số: Mô tả về dữ liệu và hệ thống quản lý dân số. Āng dụng mô hình ARIMA th°ờng để dự báo biến động dân số Tây Ninh. Kết luận và kiến nghị: Đánh giá kết quả đạt đ°ợc và h°ớng phát triển tiếp theo.
3 CH¯¡NG 1: TàNG QUAN 1.1 Táng quan quÁn lý dân sá Trong ngành khoa học máy tính, các thuật toán máy học nói chung và các mô hình chuỗi thời gian (time series) nói riêng đã đóng góp cho mục đích dự báo xu thế cho các lĩnh vực khác khau, trong đó có dự báo biến động dân số. Trong công tác dân số-kế hoạch hóa gia đình, thì ngoài việc quản lý thông tin, còn có việc dự báo xu thế các biến động nh°: tổng dân, trẻ em sinh ra, theo độ tuổi, theo giới tính, hôn nhân, ly hôn, số dân chuyển đi hay chuyển đến…Những biến động đó đều ảnh h°ởng quan trọng đến chiến l°ợc, kế hoạch phát triển kinh tế xã hội cÿa tỉnh. Vấn đề quản lý dân số cÿa Việt Nam nói chung, cũng nh° tỉnh Tây Ninh nói riêng đ°ợc xác định là mục tiêu chiến l°ợc. Trong đó có các vấn đề trọng tâm nh° nâng cao chất l°ợng nguồn nhân lực, phát triển việc làm có chất l°ợng cao để tận dụng c¡ cấu <dân số vàng=; phát triển hệ thống y tế và giáo dục phù hợp với c¡ cấu dân số thay đổi; dân số già và an sinh xã hội; mất cân bằng giới tính khi sinh và hệ lụy; di dân, đô thị hóa ngày càng mạnh mẽ, yêu cầu t° vấn và khám sāc khỏe tiền hôn nhân và chất l°ợng cuộc sống; tác động kinh tế - xã hội trong thời kỳ māc sinh thấp, gia đình nhỏ, gia đình hạt nhân …Vì vậy cần phải thông tin, giáo dục, tuyên truyền không chỉ cho ng°ời dân mà đặc biệt cần thiết đối với cán bộ, công chāc trong hệ thống chính trị và các nhà hoạch định chính sách, lãnh đạo và quản lý các cấp, các ngành.
Các bảng thống kê dân số cÿa tỉnh Tây Ninh giai đoạn 2010 – 2020.1: Dân sá Tây Ninh phân theo gißi tính và phân theo thành thá, nông thôn (Đ¢n vá: ng°ái) [4] Năm Táng sá Phân theo gißi tính Phân theo thành thá, nông thôn Nam Nā Thành thá Nông thôn 2010 1.2: Tỷ lá tăng dân sá Tây Ninh phân theo gißi tính và phân theo thành thá, nông thôn (Đ¢n vá: %) [4] Năm Táng sá Phân theo gißi tính Phân theo thành thá, nông thôn Nam Nā Thành thá Nông thôn 2010 0.3: C¢ c¿u dân sá Tây Ninh phân theo gißi tính và phân theo thành thá, nông thôn (Đ¢n vá: %) [4] Năm Táng sá Phân theo gißi tính Phân theo thành thá, nông thôn Nam Nā Thành thá Nông thôn 2010 100.2 Dă báo Quy mô, c¡ cấu phân bố dân số tỉnh Tây Ninh đã và đang có xu thế biến đổi nhanh. Để đảm bảo nguyên tắc con ng°ời là trung tâm cÿa phát triển, để kế hoạch có tính thực tiễn, hiệu quả cao thì phải tiến hành dự báo dân số. Trong đó, trọng tâm là tốc độ gia tăng dân số, kế hoạch hóa lao động – việc làm, tận dụng c¡ cấu <dân số vàng=, kế hoạch y tế và giáo dục, nâng cao chất l°ợng nguồn nhân lực, c¡ cấu dân số theo độ tuổi, yếu tố di dân…Do đó, việc xây dựng hệ thống số liệu quản lý dân số đầy đÿ, kịp thời, chính xác và dự báo đáng tin cậy là c¡ sở không thể thiếu cho việc kế hoạch phát triển kinh tế - xã hội cÿa tỉnh. Các công trình nghiên cāu về dự báo dân số có liên quan: - Năm 2017, tác giả Nguyễn Ngọc Thiều có công trình nghiên cāu: <Dự báo phát triển dân số Việt Nam 2017-2026= [2].
Đề tài nghiên cāu dự đoán phát triển dân số Việt Nam đến 2026, lấy dữ liệu từ https://www.info/ trong khoảng thời gian từ năm 1960 đến 2016 và l°u trữ d°ới dạng excel rồi phân tích và dự đoán dân số trong 10 năm tới. Bằng cách xác định các tham số p, d, q trong mô hình ARIMA, từ đó chọn đ°ợc mô hình ARIMA (2,2,2) là mô hình dự báo cho phát triển dân số Việt Nam trong 10 năm tiếp theo từ 2017 đến 2026. Theo kết quả cÿa dự báo này, đến năm 2024 dân số n°ớc ta v°ợt mốc 100 triệu ng°ời.1: Bi¿u đß dân sá Viát Nam đ°ÿc dă báo giai đo¿n 2017-2026 [2] - Năm 2020, nhóm tác giả Nguyễn Quốc D°¡ng và các cộng sự đã có công trình nghiên cāu: <Āng dụng Shiny kết hợp với mô hình ARIMA để dự báo đại dịch COVID-19= [3]. Trong bài viết này, nhóm tác giả đã sử dụng gói lệnh Shinny (gói lệnh có sẵn trong R) và mô hình ARIMA để xây dựng website nhằm dự báo khuynh h°ớng cÿa đại dịch Covid-19 cho mỗi quốc gia trên thế giới.
Āng dụng Dashboard cập nhật dữ liệu phân tích hàng ngày cÿa đại dịch Covid-19. Āng dụng này gồm có 2 thẻ chính là <Summary= và <Forecast=. + Thẻ <Summary=, tổng quan về tình hình dịch bệnh Covid-19 bằng cách hiển thị các con số thống kê dịch bệnh. Ba hộp thoại trên đầu trang web với 3 màu: vàng, đỏ, xanh lá cây lần l°ợt là số ca nhiễm tích lũy (confirmed), số ca tử vong (deaths), số ca phục hồi tích lũy (recovered) trên toàn thế giới.
Đồng thời, bên d°ới là danh sách hiển thị đầy đÿ thông tin các quốc gia có dịch.2: Th¿ Summary cÿa Dashboard + Thẻ <Forecast=, gói lệnh Shiny và mô hình ARIMA đ°ợc sử dụng để dự báo khuynh h°ớng dịch bệnh Covid-19 cho từng quốc gia cụ thể. Khuynh h°ớng có 3 tùy chọn: số ca nhiễm tích lũy (confirmed), số ca tử vong (deaths), số ca phục hồi tích lũy (recovered).3: Dă báo khuynh h°ßng sá ca nhißm mßi Covid-19 - Năm 2019, Ahmet Tezcan Tekin đã có công trình nghiên cāu: <Machine learning algorithms to foracast population: Turkey example= [10], nghiên cāu đã sử dụng các thuật toán máy học: LightGBM, Holt-Winters, ARIMA và Prophet để dự đoán dân số: ví dụ cụ thể ở Thổ Nhỉ Kỳ. Các mô hình thuật toán đã đào tạo với dữ liệu từ năm 1960 đến 2017 và đ°ợc thử nghiệm so sánh với tổng số dân vào năm 2017. Trong quá trình nghiên cāu, 4 thuật toán đã đ°ợc so sánh và đánh giá dựa vào tiêu chí công cụ đo l°ờng RMSE và MAPE.
+ Khi so sánh hiệu suất cÿa 4 mô hình, thấy rằng thuật toán: Holt-Winters, ARIMA và Prophet cho kết quả chính xác h¡n thuật toán LightGBM.4: So sánh k¿t quÁ hiáu su¿t cÿa 4 thuÁt toán CPU Times Model Version RMSE MAPE (sec) LightGBM All Data Set 25098273,89 7,490% 650 LightGBM Filtered Data Set 30830492,06 7,480% 450 Holt Winters Population Data 157461,34 0,080% 42 ARIMA Population Data 136570,57 0,100% 43 Prophet Population Data 2427166,07 1,430% 86 Last Year Population Data 11555505,55 1,530% 0 Population 8 + Kết quả cũng chỉ ra rằng, mô hình ARIMA và Holt-Winters cho kết quả tốt h¡n các thuật toán còn lại, đặc biệt là ARIMA.5: Dă đoán dân sá Thá Nhĩ Kỳ qua so sánh các thuÁt toán Population Prediction Models RMSE MAPE % for 2017 LightGBM 6718648,60 8,3208% 87463669 Holt Winters 8360,00 0,0104% 80753380 ARIMA 6434,02 0,0080% 80751454 Prophet 813871,04 1,0100% 79931150 Cohort Component 427708,00 0,5297% 80317312 Turkstat’s Prediction 979008,00 1,2125% 79766012 Turkey’s Population in 2017 80745020 - <Precision, bias, and uncertainty for state population forecasts: an exploratory analysis of time series models= [11]. Bài báo nghiên cāu về độ chính xác, độ lệch, không chắc chắn cho dự báo dân số thông qua phân tích các mô hình chuỗi thời gian. Trong nghiên cāu này, tác giả sử dụng 6 mô hình cÿa thuật toán ARIMA bao gồm: (1,1,0), (0,1,1), (2,2,0), (0,2,1), (0,2,2) a, ln (0,1,1) để dự báo cho 4 tiểu bang ở Hoa Kỳ, dữ liệu thu thập từ năm 1900 đến 2000 và đánh giá kết quả độ chính xác cÿa các mô hình dự báo. Đối với, 2 mô hình tăng tr°ởng tuyến tính đó là mô hình 1 (ARIMA (1,1,0)) và mô hình 2 (ARIMA (0,1,1)), thì 10 năm dữ liệu là khoảng thời gian đÿ đÿ để đ°a ra dự báo chính xác (MAPE nhỏ nhất).
Đối với, 2 mô hình tăng tr°ởng phi tuyến đó là mô hình 3 (ARIMA (2,2,0)) và mô hình 4 (ARIMA (0,2,1)) thì 10 năm dữ liệu là ch°a đÿ để dự báo chính xác, mà cần khoảng thời gian dài h¡n mới thể hiện đ°ợc tính °u việt cÿa 2 mô hình này. Đối với, mô hình 6 (ARIMA (0,2,2)) và mô hình 7 (ARIMA ln (0,1,1)) cũng là mô hình phi 9 tuyến tính, nh°ng gần giống với mô hình 1 và 2. Kết quả, để giải quyết sai sót có thể xảy ra, tác giả đã phát triển thêm mô hình thā 7 dựa trên mô hình riêng lẻ tốt nhất – xác định bằng cách phân tích các hàm tự t°¡ng quan và tự t°¡ng quan một phần. Ashek Al Naim và các cộng sự đã có công trình nghiên cāu: <Time series model building and forecasting population of Bangladesh= [12].
Đề tài nghiên cāu xây dựng mô hình ARIMA với GARCH, tập dữ liệu từ năm 1960 đến 2018 từ nguồn (https://data.org/country/bangladesh) và dự báo dân số cÿa n°ớc Bangladesk đến năm 2030. ARIMA (1,0,1) là mô hình cuối cùng để dự báo, và tác giả cho thấy rằng đây là mô hình ổn định cho dự báo t°¡ng lai.6: K¿t quÁ dă báo dân sá Bangladesh đ¿n năm 2030 Year Population Year Population 2020 165792485.2 Trong nhiều nghiên cāu, đặc biệt các nghiên cāu [2],[10],[11],[12] có liên quan đến dữ liệu dự báo về dân số, thì nhận thấy mô hình ARIMA đã đ°ợc nhiều bài báo nghiên cāu và cho thấy mô hình này t°¡ng đối ổn định cho dự báo t°¡ng lai. Mặc dù ARIMA là thuật toán ch°a đÿ mạnh nh° các thuật toán LSTM sau này tuy nhiên với bài toán dự báo dân số cũng đã đÿ. Nh° vậy, trong ch°¡ng 1 đã giới thiệu tổng quan về công tác dân số và các công trình nghiên cāu liên quan tới dự báo dân số.
Trong nhiều công trình nghiên 10 cāu về dự báo, cho thấy mô hình ARIMA cho kết quả ổn định. Nên ch°¡ng tiếp theo (ch°¡ng 2) tiếp tục nghiên cāu các yêu cầu về quản lý dân số, các mô hình dự báo về chuỗi thời gian và mô hình dự báo ARIMA. 11 CH¯¡NG 2: NGHIÊN CĀU CÁC YÊU CÀU QUÀN LÝ DÂN Sà VÀ CÁC MÔ HÌNH DĂ BÁO Hiện nay, việc quản lý dân số ở tỉnh Tây Ninh là rất quan trọng, có nhiều ý nghĩa đến tình hình phát triển kinh tế - xã hội.