Giới thiệu dự án
Trong cấu trúc kinh tế vĩ mô hiện đại, mối quan hệ giữa công cụ điều hành của Ngân hàng Trung ương (NHTW) và mục tiêu ổn định giá cả luôn là trọng tâm nghiên cứu hàng đầu. Tại Việt Nam, giai đoạn 2006–2022 chứng kiến những chu kỳ biến động phức tạp của nền kinh tế mở: từ mức lạm phát đỉnh điểm 22,97% (năm 2008) và 23,0% (tháng 9/2011) do tăng trưởng cung tiền M2 nóng vượt 46,12% (năm 2007), đến giai đoạn kiểm soát lạm phát ổn định quanh ngưỡng dưới 4% và mức tăng trưởng GDP ấn tượng đạt 8,02% vào năm 2022.
+----------------------------------------------+
| Ngân hàng Nhà nước Việt Nam (NHNN) |
| - Lãi suất tái cấp vốn (IR) |
| - Tái chiết khấu & Thị trường mở (OMO) |
+----------------------+-----------------------+
|
v
+----------------------------------------------+
| Kênh truyền dẫn thị trường tiền tệ |
| - Lãi suất liên ngân hàng |
| - Chi phí huy động & Cho vay NHTM |
+----------------------+-----------------------+
|
+----------------+----------------+
v v
+-------------------------------+ +-------------------------------+
| Hành vi tiêu dùng & đầu tư | | Chi phí vốn & Tỷ giá hối đoái |
| - Tổng cầu (AD) điều chỉnh | | - Áp lực lạm phát chi phí đẩy |
+---------------+---------------+ +---------------+---------------+
| |
+----------------+----------------+
|
v
+----------------------------------------------+
| Chỉ số giá tiêu dùng CPI (Mục tiêu lạm phát) |
| - Ổn định vĩ mô & Tăng trưởng bền vững |
+----------------------------------------------+
1. Problem Statement & Pain Points
Cơ chế truyền dẫn chính sách tiền tệ (CSTT) qua kênh lãi suất tại các nền kinh tế đang phát triển như Việt Nam thường đối mặt với độ trễ (time-lag) và hiện tượng bất cân xứng thông tin. Việc sử dụng các biện pháp can thiệp hành chính trong quá khứ (như trần lãi suất huy động 14%/năm giai đoạn 2011) từng bộc lộ nhiều bất cập, dẫn đến cuộc đua thanh khoản giữa các Ngân hàng Thương mại (NHTM) và hiện tượng "đô la hóa", "vàng hóa" nền kinh tế. Bài toán đặt ra là cần một mô hình định lượng chuẩn xác để đo lường mức độ, chiều hướng và độ trễ tác động của lãi suất tái cấp vốn đến chỉ số CPI, từ đó tối ưu hóa công tác dự báo và điều hành vĩ mô.
2. Mục tiêu nghiên cứu (Project Objectives)
- Hệ thống hóa cơ sở lý luận: Làm rõ cơ chế truyền dẫn của CSTT, lý thuyết số lượng tiền tệ (Quantity Theory of Money), và khung phân tích Tân Keynes (New Keynesian Framework).
- Đánh giá thực trạng điều hành: Phân tích diễn biến thực thi CSTT của Ngân hàng Nhà nước Việt Nam (NHNN) giai đoạn 2006–2022 gắn liền với các cú sốc vĩ mô (Khủng hoảng tài chính toàn cầu 2008, đại dịch COVID-19).
- Mô hình hóa định lượng: Ứng dụng mô hình Tự hồi quy Vector (Vector Autoregression - VAR) trên chuỗi thời gian 68 quý để lượng hóa tương quan động giữa lãi suất điều hành và lạm phát.
- Khuyến nghị chính sách: Đề xuất lộ trình chuyển đổi từ điều hành qua hạn mức tín dụng sang điều hành qua công cụ gián tiếp (khung hành lang lãi suất).
3. Phương pháp tiếp cận & Kết quả kỳ vọng
- Phương pháp tiếp cận: Kết hợp phân tích định tính lịch sử tiền tệ với mô hình kinh tế lượng chuỗi thời gian đa biến (Multivariate Time Series VAR), sử dụng bộ kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF) và kiểm định nhân quả Granger (Granger Causality Test).
- Kết quả kỳ vọng: Xác lập độ trễ tối ưu ($k = 2$ quý), xác nhận mối quan hệ nhân quả hai chiều với mức ý nghĩa $p < 0,05$, cung cấp tham số chuẩn hóa cho mô hình dự báo kinh tế lượng vĩ mô.
4. Phạm vi và giới hạn (Scope & Limitations)
- Không gian: Nền kinh tế Việt Nam.
- Thời gian: Dữ liệu chuỗi thời gian theo quý từ Quý 1/2006 đến Quý 4/2022 ($N = 68$ quan sát).
- Giới hạn kỹ thuật: Nghiên cứu tập trung vào Lãi suất tái cấp vốn (Refinancing Rate) làm đại diện cho lãi suất điều hành; chưa lượng hóa toàn diện các cú sốc phi đối xứng từ chuỗi cung ứng toàn cầu ngoài biến kiểm soát cán cân thương mại.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Phương pháp nghiên cứu |
Ưu điểm |
Nhược điểm |
Khả năng ứng dụng tại Việt Nam |
| Mô hình OLS cổ điển |
Đơn giản, dễ tính toán tham số. |
Bỏ qua tính nội sinh ($Endogeneity$), độ trễ phản ứng và hiện tượng hồi quy giả mạo ($Spurious\ Regression$). |
Thấp, không phản ánh được tính hai chiều của CSTT. |
| Mô hình VECM |
Xử lý tốt mối quan hệ đồng tích hợp dài hạn giữa các chuỗi $I(1)$. |
Yêu cầu các biến phải có vector đồng tích hợp ($Cointegration$), kém linh hoạt khi có cú sốc ngắn hạn. |
Trung bình, phụ thuộc chặt vào kiểm định Johansen. |
| Mô hình VAR phi cấu trúc (Giải pháp chọn) |
Xem tất cả các biến là nội sinh, phản ánh trọn vẹn tương tác động qua các độ trễ ($Lagged\ dynamics$). |
Yêu cầu số bậc tự do lớn, nhạy cảm với việc lựa chọn độ trễ ($Lag\ selection$). |
Rất cao, tối ưu hóa cho chuỗi dữ liệu vĩ mô theo quý giai đoạn 2006–2022. |
+-------------------------+
| Thu thập dữ liệu |
| 68 Quý (2006 - 2022) |
| Nguồn: GSO, SBV, S&P |
+------------+------------+
|
v
+-------------------------+
| Kiểm định tính dừng |
| ADF Test & PP Test |
+------------+------------+
|
+----------------------+----------------------+
| Sai phân bậc 1 I(1) | Chuỗi dừng I(0)
v v
+---------------------------------------+ +---------------------------------+
| Chuyển đổi dữ liệu chuỗi dừng | | Dữ liệu sẵn sàng |
| D_CPI, D_IR, D_Credit, D_FX, D_GDP, D_TB | | |
+-------------------+-------------------+ +----------------+----------------+
| |
+----------------------+---------------------+
|
v
+-------------------------+
| Lựa chọn độ trễ tối ưu |
| AIC, SC, HQ, FPE, LR |
| Kết quả: Lag = 2 |
+------------+------------+
|
v
+-------------------------+
| Ước lượng mô hình VAR(2)|
| & Granger Causality |
+------------+------------+
|
v
+-------------------------+
| Hàm phản ứng đẩy (IRF) |
| & Phân rã phương sai |
+-------------------------+
Yêu cầu hệ thống phân tích kinh tế lượng (MoSCoW Prioritization)
- Must Have (Bắt buộc): Kiểm định tính dừng nghiệm đơn vị (ADF), kiểm định nhân quả Granger, ước lượng hệ phương trình VAR đa biến, tiêu chuẩn chọn trễ (AIC, SIC/SC, HQ).
- Should Have (Nên có): Phân tích hàm phản ứng xung (Impulse Response Function - IRF), phân rã phương sai sai số dự báo (Forecast Error Variance Decomposition - FEVD).
- Could Have (Có thể mở rộng): Tích hợp mô hình SVAR (Structural VAR) với các ràng buộc cấu trúc ma trận kinh tế học.
- Won't Have (Chưa thực hiện đợt này): Ước lượng mô hình phi tuyến tính Markov-Switching VAR hoặc Time-Varying Parameter VAR (TVP-VAR).
Thiết kế hệ thống dữ liệu & Tech Stack
+-----------------------------------------------------------------------------------+
| NGHIÊN CỨU KINH TẾ LƯỢNG |
+-----------------------------------------------------------------------------------+
| [Tầng dữ liệu (Data Layer)] |
| - Tổng cục Thống kê (GSO): Chỉ số CPI, Tăng trưởng GDP thực tế |
| - Ngân hàng Nhà nước (SBV): Lãi suất tái cấp vốn (IR), Cung tiền M2, Dự trữ BB |
| - S&P Global Market Intelligence: Tỷ giá USD/VND, Cán cân thương mại |
+-----------------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------------+
| [Tầng xử lý & Phân tích (Analytics Engine)] |
| - EViews 12.0 Enterprise / Stata 17.0 MP (Ước lượng VAR, Diagnostic tests) |
| - Python 3.10.x (Statsmodels 0.14.0, Pandas 2.1.0, NumPy 1.24.0, Matplotlib 3.8) |
+-----------------------------------------------------------------------------------+
|
v
+-----------------------------------------------------------------------------------+
| [Tầng báo cáo & Khuyến nghị (Policy Advisory Output)] |
| - Báo cáo định lượng tương quan đa biến |
| - Ma trận mô phỏng kịch bản CSTT (Scenario Stress Testing) |
+-----------------------------------------------------------------------------------+
Bảng định nghĩa biến và từ điển dữ liệu (Data Dictionary)
| Ký hiệu biến |
Tên biến đầy đủ |
Đơn vị tính |
Nguồn thu thập |
Kỳ vọng tác động đến Lãi suất ($IR$) |
Kỳ vọng tác động đến Lạm phát ($CPI$) |
| CPI |
Chỉ số giá tiêu dùng (Lạm phát) |
% (YoY / QoQ) |
Tổng cục Thống kê (GSO) |
Nội sinh ($+$) |
Nội sinh ($+$) |
| IR |
Lãi suất tái cấp vốn NHNN |
%/năm |
Ngân hàng Nhà nước (SBV) |
Nội sinh ($+$) |
Nội sinh ($-$) |
| Credit |
Tốc độ tăng trưởng tín dụng |
% |
SBV / S&P Global |
$-$ |
$+$ |
| FX |
Tỷ giá hối đoái USD/VND |
VND/USD |
SBV / S&P Global |
$+$ |
$+$ |
| GDP |
Tốc độ tăng trưởng kinh tế |
% |
GSO |
$+$ |
$-$ |
| TB |
Cán cân thương mại |
Triệu USD |
Tổng cục Hải quan / S&P |
$+$ |
$-$ |
Implementation và kết quả
Development Process & Phương trình kinh tế lượng
Khung toán học của hệ phương trình tự hồi quy Vector 6 biến bậc $k$ được thiết lập:
$$INF_t = \alpha_0 + \sum_{i=1}^k \alpha_{1i} INF_{t-i} + \sum_{i=1}^k \alpha_{2i} IR_{t-i} + \sum_{i=1}^k \alpha_{3i} Credit_{t-i} + \sum_{i=1}^k \alpha_{4i} FX_{t-i} + \sum_{i=1}^k \alpha_{5i} GDP_{t-i} + \sum_{i=1}^k \alpha_{6i} TB_{t-i} + \varepsilon_{1t}$$
$$IR_t = \beta_0 + \sum_{i=1}^k \beta_{1i} INF_{t-i} + \sum_{i=1}^k \beta_{2i} IR_{t-i} + \sum_{i=1}^k \beta_{3i} Credit_{t-i} + \sum_{i=1}^k \beta_{4i} FX_{t-i} + \sum_{i=1}^k \beta_{5i} GDP_{t-i} + \sum_{i=1}^k \beta_{6i} TB_{t-i} + \varepsilon_{2t}$$
Trong đó, $\varepsilon_{1t}, \varepsilon_{2t}$ là các nhiễu trắng ngẫu nhiên (white noise) thỏa mãn $E(\varepsilon_t) = 0$ và ma trận hiệp phương sai $\Sigma_{\varepsilon}$ đồng nhất.
Pipeline xử lý và thực thi mô hình (Python/EViews Automation)
import numpy as np
import pandas as pd
from statsmodels.tsa.api import VAR
from statsmodels.tsa.stattools import adfuller, grangercausalitytests
# 1. Tải và chuẩn hóa tập dữ liệu chuỗi thời gian vĩ mô (68 quan sát từ Q1/2006 đến Q4/2022)
df = pd.read_csv("vietnam_macro_2006_2022.csv", parse_dates=["Quarter"], index_col="Quarter")
variables = ["CPI", "IR", "Credit_Growth", "FX_Rate", "GDP_Growth", "Trade_Balance"]
# 2. Kiểm định tính dừng nghiệm đơn vị ADF
def verify_stationarity(data):
stationary_data = pd.DataFrame()
for col in data.columns:
res = adfuller(data[col].dropna())
p_val = res[1]
if p_val > 0.05:
# Lấy sai phân bậc 1 nếu chuỗi không dừng tại mức gốc I(0)
stationary_data[f"D_{col}"] = data[col].diff().dropna()
else:
stationary_data[col] = data[col]
return stationary_data.dropna()
diff_df = verify_stationarity(df[variables])
# 3. Lựa chọn độ trễ và ước lượng mô hình VAR
model = VAR(diff_df)
lag_order_selection = model.select_order(maxlags=4)
print(lag_order_selection.summary())
# Khởi tạo mô hình với độ trễ tối ưu k = 2
var_results = model.fit(maxlags=2, ic="aic")
print(var_results.summary())
# 4. Kiểm định quan hệ nhân quả Granger giữa Lãi suất (D_IR) và Lạm phát (D_CPI)
print("\n--- GRANGER CAUSALITY TEST: D_IR -> D_CPI ---")
gc_cpi = grangercausalitytests(diff_df[["D_CPI", "D_IR"]], maxlag=2, verbose=True)
print("\n--- GRANGER CAUSALITY TEST: D_CPI -> D_IR ---")
gc_ir = grangercausalitytests(diff_df[["D_IR", "D_CPI"]], maxlag=2, verbose=True)
Kiểm định và xác thực thực nghiệm (Testing & Validation)
1. Kiểm định tính dừng Augmented Dickey-Fuller (ADF Test)
| Chuỗi biến số |
Mức ý nghĩa |
Thống kê ADF chuỗi gốc |
P-value ($I(0)$) |
Thống kê ADF sai phân bậc 1 |
P-value ($I(1)$) |
Kết luận trạng thái |
| CPI |
5% |
-3.3284 |
0.0682 |
-4.8912 |
0.0001 |
Dừng ở sai phân bậc 1 $I(1)$ |
| IR |
5% |
-3.3155 |
0.0714 |
-5.1240 |
0.0000 |
Dừng ở sai phân bậc 1 $I(1)$ |
| Credit Growth |
5% |
-2.8941 |
0.1645 |
-4.6732 |
0.0002 |
Dừng ở sai phân bậc 1 $I(1)$ |
| FX Rate |
5% |
-1.9542 |
0.3069 |
-5.8821 |
0.0000 |
Dừng ở sai phân bậc 1 $I(1)$ |
| GDP Growth |
5% |
-3.1205 |
0.0984 |
-6.2104 |
0.0000 |
Dừng ở sai phân bậc 1 $I(1)$ |
| Trade Balance |
5% |
-2.4419 |
0.2215 |
-5.4410 |
0.0000 |
Dừng ở sai phân bậc 1 $I(1)$ |
2. Tiêu chuẩn lựa chọn độ trễ tối ưu (Lag Order Selection)
| Lag ($k$) |
LogL |
LR |
FPE |
AIC |
SC |
HQ |
| 0 |
-214.623 |
NA |
0.00142 |
6.8944 |
7.0981 |
6.9748 |
| 1 |
-142.105 |
128.521 |
0.00031 |
5.2532 |
5.8643 |
5.4944 |
| 2 |
-98.412 |
69.882* |
0.00008* |
4.3254* |
5.3439* |
4.7274* |
| 3 |
-85.120 |
19.144 |
0.00009 |
4.4100 |
5.8359 |
4.9728 |
Ghi chú: Dấu (*) chỉ ra độ trễ được lựa chọn theo tiêu chí tương ứng. Cả 5 tiêu chuẩn (LR, FPE, AIC, SC, HQ) đều đồng thuận lựa chọn $Lag = 2$.
3. Kết quả kiểm định nhân quả Granger (Granger Causality Test)
| Cặp giả thuyết $H_0$ |
Giá trị $\chi^2$ (Wald Stat) |
Bậc tự do ($df$) |
P-value |
Quyết định thống kê |
| Lãi suất ($D_IR$) không gây ra Lạm phát ($D_CPI$) |
12.842 |
2 |
0.0016 |
Bác bỏ $H_0$ ở mức 1% (Có tác động nhân quả) |
| Lạm phát ($D_CPI$) không gây ra Lãi suất ($D_IR$) |
8.915 |
2 |
0.0116 |
Bác bỏ $H_0$ ở mức 5% (Có tác động nhân quả) |
Kết quả đạt được
- Lượng hóa thành công mối quan hệ hai chiều: Kiểm định Granger chứng minh tồn tại tương tác nhân quả phản hồi (feedback mechanism) giữa lãi suất tái cấp vốn và chỉ số CPI tại Việt Nam. Khi lạm phát tăng, NHNN phản ứng bằng cách nâng lãi suất điều hành sau 1–2 quý; ngược lại, việc điều chỉnh lãi suất tạo ra hiệu ứng kiềm chế áp lực lạm phát rõ rệt từ quý thứ 2 trở đi.
- Khắc phục hiện tượng trễ điều hành: Xác định rõ biên độ truyền dẫn lãi suất từ thị trường cấp 1 (NHNN với NHTM) sang thị trường cấp 2 (NHTM với nền kinh tế) có độ trễ hiệu lực từ 3 đến 6 tháng.
Đổi mới và đóng góp
Nghiên cứu mang lại những đóng góp học thuật và giá trị ứng dụng thực tiễn vượt trội so với các công trình trước đây:
| Tiêu chí so sánh |
Nghiên cứu Karahan & Yilgör (2017) |
Nghiên cứu Ndiweni & cộng sự (2018) |
Nghiên cứu của đề tài (Lê Phúc Hoàn, 2023) |
| Bối cảnh kinh tế |
Thổ Nhĩ Kỳ (Kinh tế mới nổi Châu Âu - Trung Đông) |
Zimbabwe (Nền kinh tế siêu lạm phát Châu Phi) |
Việt Nam (Nền kinh tế chuyển đổi có độ mở thương mại >180% GDP) |
| Quy mô mô hình |
Mô hình VAR 2 biến đơn giản ($IR, INF$) |
Hồi quy OLS và phân tích tĩnh |
Mô hình VAR 6 biến tích hợp Tín dụng, Tỷ giá, GDP, Cán cân TM |
| Xử lý chuỗi thời gian |
Chuỗi năm ngắn hạn |
Chuỗi tháng giai đoạn 2009–2019 |
Chuỗi quý chuẩn hóa 68 quan sát (2006–2022) bao quát 3 chu kỳ vĩ mô |
| Độ chính xác & Kiểm định |
Thiếu kiểm soát biến ngoại thương |
Rủi ro thiên lệch biến bị bỏ sót ($Omitted\ variable\ bias$) |
Hệ thống kiểm định đa tầng (ADF, Granger, AIC/SC/HQ đồng thuận $k=2$) |
Đóng góp kỹ thuật và chuyên môn
- Bổ sung chiều sâu cơ chế: Bổ sung các biến số kiểm soát đặc thù của Việt Nam như tốc độ tăng trưởng tín dụng và tỷ giá USD/VND giúp giảm thiểu sai số dự báo của phương trình lạm phát hơn 24% so với mô hình VAR 2 biến truyền thống.
- Chứng minh thực nghiệm về tính lưỡng dụng của CSTT: Làm rõ giai đoạn "tăng trưởng nóng" 2006–2008 khi tăng trưởng tín dụng vượt 50% là nguyên nhân kích hoạt lạm phát cầu kéo, trong khi giai đoạn 2020–2022 CSTT nới lỏng linh hoạt đã hỗ trợ GDP phục hồi 8,02% mà vẫn kiểm soát được lạm phát dưới mục tiêu Quốc hội giao.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong điều hành CSTT
[Bối cảnh kinh tế: Áp lực lạm phát toàn cầu & Biến động tỷ giá]
|
v
[Mô phỏng mô hình VAR: Kích hoạt tăng 100 bps Lãi suất tái cấp vốn]
|
+-----------------------------------+
| |
v v
[Ngắn hạn (Quý t+1 đến t+2)] [Trung hạn (Quý t+3 đến t+4)]
- Lãi suất LNH tăng ngay lập tức - Tín dụng hạ nhiệt 2.5 - 3.2%
- Áp lực tỷ giá USD/VND hạ nhiệt - Chỉ số CPI giảm 0.45 - 0.70%
- Chi phí vốn vay doanh nghiệp tăng - Kỳ vọng lạm phát ổn định vững chắc
Lộ trình chính sách đề xuất (Implementation Roadmap)
2023 - 2024: Chuẩn hóa công cụ định lượng
2024 - 2025: Tối ưu hóa kênh truyền dẫn
2025+: Áp dụng khuôn khổ lạm phát mục tiêu (Inflation Targeting Framework)
Hạn chế và hướng phát triển
1. Hạn chế nghiên cứu (Acknowledged Limitations)
- Tần suất dữ liệu: Nghiên cứu sử dụng chuỗi dữ liệu theo quý ($N = 68$). Dù đảm bảo bậc tự do cho mô hình VAR(2), tần suất quý có thể làm mờ một số phản ứng tức thì của thị trường tiền tệ trong vòng vài tuần.
- Tính phi tuyến tính: Mô hình VAR tuyến tính chưa phản ánh triệt để các phản ứng phi đối xứng (asymmetric effects) khi NHTW tăng lãi suất so với khi giảm lãi suất trong các chu kỳ kinh tế khác nhau.
2. Hướng phát triển tiếp theo (Future Enhancements)
- Mở rộng ứng dụng mô hình SVAR (Structural VAR) có áp đặt các ràng buộc lý thuyết kinh tế vĩ mô ngắn hạn và dài hạn (Blanchard-Quah decomposition).
- Nâng cấp lên mô hình TVP-SV-VAR (Time-Varying Parameter VAR with Stochastic Volatility) để kiểm tra sự thay đổi trong cấu trúc truyền dẫn CSTT theo thời gian thực.
- Mở rộng tập dữ liệu sang tần suất tháng kết hợp kỹ thuật Nowcasting cho chỉ số CPI và chỉ số sản xuất công nghiệp (IIP).
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Cung cấp tài liệu mẫu mực về phương pháp nghiên cứu định lượng kinh tế lượng ứng dụng, cách xử lý chuỗi thời gian không dừng và quy trình ước lượng VAR chuẩn tắc.
- Chuyên viên phân tích vĩ mô (Macro Analysts) & Khối Nghiên cứu (R&D) tại các Định chế tài chính: Sở hữu bộ tham số và độ trễ thực nghiệm để xây dựng mô hình dự báo lợi suất trái phiếu, lãi suất liên ngân hàng và xu hướng lạm phát.
- Cơ quan quản lý & Nhà hoạch định chính sách (NHNN, Bộ Tài chính): Cung cấp bằng chứng thực nghiệm độc lập hỗ trợ quá trình tham vấn chính sách, nâng cao hiệu lực phối hợp giữa chính sách tiền tệ và chính sách tài khóa.
- Cộng đồng Nghiên cứu & Giảng viên: Khung phân tích mở rộng 6 biến làm nền tảng tham khảo cho các bài báo khoa học trên các tạp chí chuyên ngành Tài chính - Ngân hàng.
Câu hỏi thường gặp (FAQ)
1. Tại sao đề tài lựa chọn Lãi suất tái cấp vốn thay vì Lãi suất cơ bản hay Lãi suất tái chiết khấu?
Lãi suất tái cấp vốn (Refinancing Rate) là công cụ chủ đạo được NHNN sử dụng liên tục và xuyên suốt để cấp vốn ngắn hạn, bơm thanh khoản cho hệ thống NHTM trong suốt giai đoạn 2006–2022. Trong khi đó, Lãi suất cơ bản (Base Rate) hầu như không thay đổi sau năm 2010 và không còn đóng vai trò định hướng thị trường.
2. Mô hình xử lý hiện tượng chuỗi thời gian vĩ mô không dừng ($Non-stationary$) như thế nào?
Toàn bộ 6 chuỗi dữ liệu được kiểm định nghiệm đơn vị ADF. Khi phát hiện các chuỗi gốc đều không dừng ở mức $I(0)$ nhưng dừng ở sai phân bậc một $I(1)$ tại mức ý nghĩa 5%, nghiên cứu đã lấy sai phân bậc 1 đồng loạt ($D_CPI, D_IR, D_Credit, D_FX, D_GDP, D_TB$) trước khi đưa vào hệ phương trình VAR để triệt tiêu hoàn toàn rủi ro hồi quy giả mạo.
3. Độ trễ 2 quý ($Lag = 2$) mang ý nghĩa thực tiễn gì trong công tác điều hành CSTT?
Độ trễ 2 quý (tương đương 6 tháng) phản ánh khoảng thời gian cần thiết để một quyết định thay đổi lãi suất của NHNN lan tỏa qua hệ thống ngân hàng thương mại, tác động đến quyết định vay vốn, tiêu dùng, đầu tư của doanh nghiệp và hộ gia đình, từ đó điều chỉnh áp lực tổng cầu và giá cả thị trường.
4. Tại sao giai đoạn 2008 và 2011 lạm phát tại Việt Nam lại tăng cao đột biến vượt 20%?
Lạm phát đỉnh điểm trong giai đoạn này là sự cộng hưởng của ba yếu tố: (i) Cung tiền M2 và tín dụng tăng trưởng quá nóng trong nhiều năm liên tiếp (M2 tăng 46,12% năm 2007; tín dụng tăng 50%); (ii) Áp lực chi phí đẩy từ giá nguyên liệu, năng lượng toàn cầu tăng vọt nhập khẩu vào nền kinh tế gia công; (iii) Biện pháp can thiệp mua vào ngoại tệ khối lượng lớn bơm tiền đồng ra lưu thông mà chưa kịp vô hiệu hóa (sterilization) đồng bộ.
5. Kết quả kiểm định Granger hai chiều giữa lãi suất và lạm phát nói lên điều gì?
Kết quả này khẳng định cơ chế tương tác đa chiều: NHNN không chỉ điều chỉnh lãi suất một cách bị động để chạy theo lạm phát, mà việc điều chỉnh lãi suất chủ động thực sự là một công cụ có hiệu lực thực tế để uốn nắn và định hướng quỹ đạo lạm phát trong nền kinh tế Việt Nam.
Kết luận
Công trình khóa luận tốt nghiệp của tác giả Lê Phúc Hoàn (Học viện Ngân hàng) đã giải quyết trọn vẹn bài toán học thuật và thực tiễn về mối quan hệ giữa lãi suất điều hành và lạm phát tại Việt Nam giai đoạn 2006–2022. Bằng việc ứng dụng phương pháp kinh tế lượng hiện đại thông qua mô hình VAR 6 biến và kiểm định nhân quả Granger trên 68 quan sát theo quý, nghiên cứu đã chứng minh bằng chứng thực nghiệm vững chắc về hiệu lực truyền dẫn của lãi suất tái cấp vốn tới chỉ số giá tiêu dùng CPI với độ trễ tối ưu 2 quý ($p < 0,05$).
Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà hoạch định chính sách tại Ngân hàng Nhà nước trong việc hoàn thiện khung khổ điều hành chính sách tiền tệ gián tiếp, từng bước chuyển đổi sang cơ chế điều hành theo lạm phát mục tiêu, bảo đảm hài hòa giữa mục tiêu kiểm soát lạm phát và thúc đẩy tăng trưởng kinh tế bền vững trong kỷ nguyên mới.
