Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Cà phê là một trong những ngành hàng nông sản xuất khẩu chủ lực của Việt Nam, đóng góp khoảng 2% GDP cả nước, tạo ra gần 2,5 triệu việc làm và đưa Việt Nam thành quốc gia xuất khẩu cà phê đứng thứ nhất châu Á, thứ hai thế giới. Trong niên vụ 2016-2017, xuất khẩu cà phê cả nước đạt 1,483 triệu tấn với kim ngạch trên 3,4 tỷ USD. Tỉnh Đắk Lắk là vùng trọng điểm khi chiếm 33% diện tích cà phê toàn quốc vào năm 2017 với 203.737 ha (trong đó diện tích cho thu hoạch là 191.483 ha), sản lượng đạt 447.810 tấn và kim ngạch xuất khẩu khoảng 450 triệu USD (chiếm 13,3% kim ngạch xuất khẩu cà phê cả nước và trên 90% kim ngạch xuất khẩu của tỉnh).

Tuy nhiên, sản xuất cà phê tại Đắk Lắk đối mặt với nhiều rủi ro lớn từ thiên tai và biến đổi khí hậu:

  • Niên vụ 2015-2016, hạn hán nghiêm trọng làm gần 48.000 ha cà phê bị chết khô, năng suất giảm 20% so với kế hoạch.
  • Cuối năm 2016, mưa trái mùa làm cà phê ra hoa không đều, quả thối rụng trong thời điểm thu hoạch.
  • Năm 2017, khu vực Tây Nguyên chịu ảnh hưởng kỷ lục của 16 cơn bão (tiêu biểu là bão số 12) làm hư hại cơ sở hạ tầng chế biến, kho lưu trữ và cây trồng.
  • Biến đổi khí hậu gia tăng áp lực sâu bệnh sinh học như bệnh rỉ sắt (La Roya), sâu đục quả và rệp mọt phát triển theo nồng độ CO2 tăng cao.

Mặc dù rủi ro rất lớn, các công cụ chuyển giao rủi ro tài chính như bảo hiểm nông nghiệp tại địa phương còn nhiều hạn chế. Chương trình thí điểm bảo hiểm nông nghiệp giai đoạn 2011-2013 theo mô hình Đối tác công tư (PPP) không áp dụng cho cây cà phê. Nghị định số 58/2018/NĐ-CP đã đưa cà phê vào danh mục hỗ trợ nhưng Quyết định số 22/2019/QĐ-TTg sau đó chỉ hỗ trợ cho hộ nông dân trồng lúa. Chương trình thí điểm bảo hiểm cà phê theo chỉ số lượng mưa của Công ty Bảo Minh (niên vụ 2011-2012) tại Đắk Lắk chỉ thu hút khoảng 60 hộ tham gia trên 50 ha (tổng phí 122 triệu đồng), tương đương 0,025% diện tích cà phê toàn tỉnh, cho thấy sự thiếu hiệu quả của sản phẩm bảo hiểm thời tiết đơn lẻ.

Về mặt học thuật, các nghiên cứu thực nghiệm trong và ngoài nước trước đây về bảo hiểm nông nghiệp thường sử dụng trường phái thống kê Tần số (Cổ điển) với phương pháp chọn mô hình từng bước (Stepwise) hoặc chỉ kiểm định một mô hình chuẩn cố định. Cách tiếp cận này bỏ qua sự không chắc chắn của mô hình (model uncertainty), dẫn đến nguy cơ sai lệch ước lượng. Đồng thời, chưa có công trình nào ứng dụng phương pháp mô hình trung bình Bayesian (Bayesian Model Averaging - BMA) kết hợp hồi quy logistic/probit Bayes để khảo sát quyết định tham gia bảo hiểm cây cà phê theo chỉ số năng suất (Area Yield Index Insurance - AYII) có xét đến đa dạng các nhóm rủi ro (thời tiết, sinh học, kinh tế, lao động). Do đó, việc thực hiện đề tài là cần thiết.

Mục tiêu nghiên cứu

  1. Chọn lựa mô hình nghiên cứu cho đề tài bằng phương pháp mô hình trung bình Bayesian (BMA).
  2. Ước lượng các tham số trong mô hình có biến phụ thuộc nhị phân bằng phương pháp thống kê tần số và thống kê Bayes để so sánh.
  3. Xác định các điểm mới trong mô hình nghiên cứu thông qua các kiểm định.
  4. Xây dựng toán đồ bằng hình thức trực tuyến (online) của mô hình nghiên cứu nhằm dự đoán nhanh khả năng tham gia bảo hiểm của hộ nông dân trồng cà phê.
  5. Đề xuất một số hàm ý chính sách về bảo hiểm cây cà phê theo chỉ số năng suất.

Câu hỏi nghiên cứu

  1. Những mô hình nào sẽ được chọn bằng phương pháp BMA? Trong các biến có ý nghĩa thống kê của những mô hình đó thì có biến mới nào được chọn?
  2. Ước lượng các tham số trong mô hình có biến phụ thuộc nhị phân bằng thống kê tần số và thống kê Bayes có sự khác biệt như thế nào?
  3. Xây dựng toán đồ trực tuyến với mô hình nghiên cứu hộ nông dân sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất sẽ giúp dự đoán nhanh việc sẵn lòng tham gia bảo hiểm của hộ nông dân tỉnh Đắk Lắk như thế nào?
  4. Những gợi ý chính sách nào nhằm nâng cao số lượng hộ nông dân tỉnh Đắk Lắk sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Phương pháp mô hình trung bình Bayesian (BMA) trong thống kê Bayes; các yếu tố tác động đến sự sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất của hộ nông dân tỉnh Đắk Lắk.
  • Đối tượng khảo sát: Hộ nông dân trực tiếp sản xuất cà phê tại tỉnh Đắk Lắk.
  • Phạm vi nội dung: Ứng dụng BMA cho mô hình có biến phụ thuộc nhị phân.
  • Phạm vi không gian: Tỉnh Đắk Lắk.
  • Phạm vi thời gian: Dữ liệu thu thập cho niên vụ cà phê 2016-2017.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước trong và ngoài nước

Tác giả hệ thống hóa các nghiên cứu liên quan theo hai nhóm chính:

1. Ứng dụng phương pháp mô hình trung bình Bayesian (BMA) trong kinh tế và các lĩnh vực khác

Phương pháp BMA đã được chứng minh hiệu quả trong việc giải quyết tính không chắc chắn của mô hình, xử lý đa cộng tuyến và nâng cao độ chính xác dự báo (Raftery, 1995; Madigan và Raftery, 1994). BMA đã được áp dụng trong nhiều nghiên cứu kinh tế:

STT Tác giả và năm Vấn đề nghiên cứu Số biến độc lập thu thập Số biến độc lập BMA chọn
1 Maltritz, D. và Molchanov, A. (2013) Phân tích các yếu tố quyết định chênh lệch lợi suất trái phiếu 34 5
2 Georg Man (2015) Sự phát triển và cạnh tranh của các quốc gia 31 4
3 Vương Minh Giang và Nguyễn Thanh Thiên (2017) Mô hình chấm điểm rủi ro tín dụng cho doanh nghiệp vừa và nhỏ tại Việt Nam 22 5
4 Ali, A. và Ali, S. (2020) Xu hướng tìm hiểu phương pháp quản lý và tác động đối với kết quả doanh nghiệp ở thị trường mới nổi 45 10
5 Gernát, P. và cộng sự (2020) Sự biến động của khu vực tài chính Hoa Kỳ 29 7

Ngoài kinh tế, BMA còn được áp dụng trong năng lượng (Zhang và Yang, 2015), kỹ thuật dòng chảy (Notaro và cộng sự, 2016), dự đoán năng suất cây trồng (Huang và cộng sự, 2017), y học ung thư (S. Klijn và cộng sự, 2019) và ô nhiễm không khí PM2.5 (Yanlai Zhou và cộng sự, 2020). Tuy nhiên, chưa có nghiên cứu nào ứng dụng BMA vào lĩnh vực bảo hiểm cây trồng.

2. Các nghiên cứu thực nghiệm về sự sẵn lòng tham gia bảo hiểm nông nghiệp

  • Nghiên cứu quốc tế:

    • Sherrick và cộng sự (2004): Khảo sát 868 nông dân trồng ngô và đậu tại Hoa Kỳ, dùng hồi quy logistic nhị phân và đa thức, chỉ ra diện tích, tỷ lệ nợ/tài sản và xác suất nhận bồi thường tác động tích cực đến việc tham gia bảo hiểm.
    • Sarris và cộng sự (2006): Khảo sát 957 hộ tại Kilimanjaro và 892 hộ tại Ruvuma (Tanzania), áp dụng phương pháp định giá ngẫu nhiên (Contingent Valuation - CV) và hồi quy probit, xác định học vấn, thu nhập bình quân và tiếp cận tín dụng tác động tích cực đến việc mua bảo hiểm thời tiết.
    • Kong và cộng sự (2011): Khảo sát 890 hộ tại Thiểm Tây và Cam Túc (Trung Quốc), chỉ ra rủi ro hạn hán và gió lớn thúc đẩy nhu cầu, nhưng mức phí bảo hiểm cao là rào cản chính.
    • Aidoo, Mensah và cộng sự (2014): Nghiên cứu 120 nông dân tại Ghana bằng hồi quy logistic và OLS, tìm thấy tuổi, quyền sở hữu đất, học vấn và tiết kiệm chi phối mức độ sẵn lòng chi trả phí.
    • Danso-Abbeam và cộng sự (2014): Khảo sát 201 hộ trồng ca cao tại Ghana bằng mô hình rào cản kép (double-hurdle với probit và truncated regression), cho thấy 57,71% sẵn lòng tham gia bảo hiểm giá.
    • Abraham Falola và cộng sự (2014): Nghiên cứu 120 nông dân ca cao tại Ondo State (Nigeria) bằng mô hình probit, chỉ ra học vấn và khuyến nông tác động thuận chiều, trong khi tuổi tác và thu nhập trang trại tác động ngược chiều.
    • Liesivaara và Myyrä (2014): Nghiên cứu 965 mẫu tại Phần Lan bằng hồi quy logistic, xác định nông dân trẻ và diện tích đất lớn có xác suất tham gia bảo hiểm cao hơn.
    • Lin và cộng sự (2015): Nghiên cứu 134 nông dân tại Hải Nam (Trung Quốc) bằng probit, nhận thấy rủi ro sâu bệnh và niềm tin vào công ty bảo hiểm tác động đến quyết định mua bảo hiểm chỉ số thời tiết (WII).
    • Arshad và cộng sự (2015): Khảo sát tại Pakistan cho thấy tỷ lệ sẵn lòng tham gia bảo hiểm lũ lụt/hạn hán chỉ đạt khoảng 30% do hạn chế tài chính.
    • Yakubu BalmaIssaka và cộng sự (2016): Khảo sát 100 hộ trồng ngô tại Ghana bằng hồi quy logistic, ghi nhận 41% không sẵn lòng tham gia do thiếu thông tin và hạn chế tiếp cận tín dụng.
    • Elvis Dartey Okoffo và cộng sự (2016): Áp dụng double-hurdle (probit và Tobit) cho 240 hộ ca cao tại Ghana, ghi nhận 85,4% hộ sẵn lòng tham gia bảo hiểm nhưng chỉ 6,83% chấp nhận mức phí tối đa.
    • Fonta và cộng sự (2018), Yanuarti và cộng sự (2019): Khảo sát sự sẵn lòng tham gia bảo hiểm cây trồng tại Burkina Faso và bảo hiểm lúa tại Indonesia.

  • Nghiên cứu trong nước:

    • Nguyễn Quốc Nghi và cộng sự (2013): Đánh giá nhu cầu bảo hiểm thanh long tại Chợ Gạo, Tiền Giang.
    • Phạm Lê Thông (2013), Lương Thị Ngọc Hà (2014), Nguyễn Duy Chinh và cộng sự (2016): Nghiên cứu sự sẵn lòng tham gia bảo hiểm cây lúa tại Đồng bằng sông Cửu Long và các tỉnh phía Bắc.

Khoảng trống nghiên cứu

  1. Các nghiên cứu trước đây chủ yếu dựa vào mô hình hồi quy truyền thống đơn lẻ hoặc phương pháp Stepwise, chưa xử lý được sự không chắc chắn của mô hình khi lựa chọn biến giải thích.
  2. Thiếu vắng các nghiên cứu ứng dụng phương pháp BMA kết hợp hồi quy logistic/probit theo trường phái Bayes trong lĩnh vực bảo hiểm nông nghiệp.
  3. Chưa có nghiên cứu chuyên sâu xem xét đồng thời tác động của 4 nhóm rủi ro tổng thể (thời tiết, sinh học, kinh tế, lao động) đến sự sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất tại vùng Tây Nguyên (cụ thể là Đắk Lắk).
  4. Chưa có công cụ toán đồ trực tuyến nào được phát triển để dự đoán xác suất tham gia bảo hiểm của nông hộ phục vụ cho công tác quản trị và thẩm định chính sách.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Luận án kết hợp các nền tảng lý thuyết sau:

1. Lý thuyết thống kê Bayes và suy luận Bayes

Khác với trường phái tần số (xem tham số là cố định), trường phái Bayes (Thomas Bayes, 1763; Howson, 1989; Gelman và cộng sự, 2013; Nguyễn Văn Tuấn, 2017) coi tham số là một biến ngẫu nhiên có phân phối xác suất riêng:

$$P(\theta | D) = \frac{P(D | \theta) P(\theta)}{P(D)} \propto P(\theta) P(D | \theta)$$

Suy luận Bayes tích hợp 3 thành phần thông tin: Thông tin hậu định (Posterior) = Thông tin tiền định (Prior) $\times$ Thông tin từ dữ liệu hiện có (Likelihood).

2. Mô hình hồi quy với biến phụ thuộc nhị phân

Biến phụ thuộc $Y_i \in {0, 1}$ ($Y_i = 1$: sẵn lòng tham gia; $Y_i = 0$: không sẵn lòng). Luận án phân tích hạn chế của mô hình xác suất tuyến tính (LPM) do Gujarati (2011) và Hanck cùng cộng sự (2020) chỉ ra (xác suất ước lượng có thể nằm ngoài khoảng $[0, 1]$, sai số có phương sai thay đổi). Do đó, hai dạng mô hình phi tuyến được sử dụng:

  • Mô hình Probit: $P(Y=1|X) = \Phi(X\beta) = \int_{-\infty}^{X\beta} \frac{1}{\sqrt{2\pi}} e^{-\frac{z^2}{2}} dz$
  • Mô hình Logistic: $P(Y=1|X) = \Lambda(X\beta) = \frac{e^{X\beta}}{1 + e^{X\beta}}$

Theo Gelman và Hill (2007), Kor và cộng sự (2019), Workie và Belay (2019), hồi quy logistic Bayes và probit Bayes kết hợp phân phối tiền định và hàm hợp lý để suy diễn phân phối hậu định của các hệ số $\beta$, định lượng độ không chắc chắn tốt hơn ước lượng điểm của phương pháp MLE truyền thống.

3. Phương pháp Mô hình Trung bình Bayesian (BMA)

BMA (Raftery, 1995; Viallefont và cộng sự, 2001; Wang và cộng sự, 2004) tính toán phân phối hậu định của đại lượng quan tâm $\Delta$ qua tập hợp $K$ mô hình $M = {M_1, M_2, ..., M_K}$:

$$P(\Delta | D) = \sum_{k=1}^K P(\Delta | M_k, D) P(M_k | D)$$

Trong đó, xác suất hậu định của mô hình $M_k$ được tính qua chỉ số Schwarz BIC (Raftery, 1999):

$$P(M_k | D) = \frac{P(D | M_k) P(M_k)}{\sum_{l=1}^K P(D | M_l) P(M_l)}$$

Thuật toán sử dụng cửa sổ Occam (Occam's Window - Madigan và Raftery, 1994) với ngưỡng cắt $C = 20$ để loại bỏ các mô hình kém hiệu quả. Tiêu chuẩn đánh giá xác suất hậu định của biến $P(\beta_j \neq 0 | D)$ theo Kass và Raftery (1995) gồm:

  • $< 50%$: Bằng chứng chống lại tác động.
  • $50% - 75%$: Bằng chứng yếu.
  • $75% - 95%$: Bằng chứng tích cực.
  • $95% - 99%$: Bằng chứng mạnh mẽ.
  • $> 99%$: Bằng chứng rất mạnh mẽ.

4. Lý thuyết hành vi và nhận thức rủi ro

  • Lý thuyết hành động hợp lý (TRA - Ajzen và Fishbein, 1975, 2005): Giải thích ý định hành vi dựa trên niềm tin và thái độ.
  • Lý thuyết hành vi sẵn lòng (Gibbons và cộng sự, 1998; Pomery và cộng sự, 2009; Gerrard và cộng sự, 2006): Phù hợp để nghiên cứu các quyết định trong bối cảnh đối tượng chưa có nhiều kinh nghiệm thực tế với sản phẩm mới (bảo hiểm chỉ số năng suất cà phê).
  • Lý thuyết nhận thức rủi ro (TPR - Bauer, 1960; Jaffee và cộng sự, 2010; Ray, 2001): Cấu trúc rủi ro nông nghiệp gồm xác suất tổn thất và mức độ thiệt hại chủ quan.
  • Lý thuyết ý định và sẵn lòng tham gia (Bandura, 1986; Conner và Armitage, 1998; Katona, 1951; Garedew và cộng sự, 2020).

5. Lý thuyết phân loại bảo hiểm cây trồng

Căn cứ theo Mahul và Stutley (2010), Iturrioz Ramiro (2009), và Nghị định 58/2018/NĐ-CP, bảo hiểm cây trồng gồm 2 nhóm chính:

  • Bảo hiểm truyền thống: Bảo hiểm theo tên rủi ro (NPCI), Bảo hiểm đa rủi ro năng suất (MPCI), Bảo hiểm doanh thu mùa màng (CRI).
  • Bảo hiểm chỉ số: Bảo hiểm theo chỉ số năng suất khu vực (AYII), Bảo hiểm theo chỉ số thời tiết (WII), Bảo hiểm theo chỉ số viễn thám/NDVI (NDVI/SI). Luận án xác định AYII là hình thức phù hợp nhất cho cây cà phê Đắk Lắk nhờ khắc phục được rủi ro đạo đức, chi phí thẩm định thấp và tận dụng được chuỗi dữ liệu năng suất lịch sử sẵn có của địa phương.

Phương pháp nghiên cứu

Luận án áp dụng thiết kế nghiên cứu hỗn hợp (Creswell, 2014):

  • Nghiên cứu định tính: Thực hiện qua thảo luận nhóm, phỏng vấn chuyên sâu tay đôi và hội thảo khoa học với các nhà khoa học, chuyên gia ngân hàng, chuyên gia bảo hiểm, cán bộ kỹ thuật cây cà phê và các hộ nông dân trồng cà phê tại Đắk Lắk nhằm hiệu chỉnh thang đo và các biến nghiên cứu.
  • Nghiên cứu định lượng:
    • Quy mô khảo sát ban đầu: 500 hộ nông dân.
    • Cỡ mẫu thực tế thu được: 480 quan sát hợp lệ do Cục Thống kê tỉnh Đắk Lắk thu thập tại niên vụ 2016-2017.
    • Công cụ xử lý: Phần mềm thống kê R.
    • Quy trình phân tích dữ liệu:
      1. So sánh lựa chọn mô hình qua BMA theo hồi quy logistic và BMA theo hồi quy probit.
      2. Phân chia tập dữ liệu ngẫu nhiên thành hai phần: Tập huấn luyện (Training set) để ước lượng tham số và Tập kiểm tra (Testing set) để đánh giá độ chính xác và kiểm định mô hình.
      3. Ước lượng và so sánh kết quả giữa hồi quy logistic Tần số (Cổ điển) và hồi quy logistic Bayes.
      4. Xây dựng toán đồ trực tuyến (online nomogram) hỗ trợ tính toán xác suất tham gia bảo hiểm.

Nội dung chính theo từng chương

Chương 1: Giới thiệu vấn đề nghiên cứu

Chương này thiết lập bối cảnh thực tiễn của ngành cà phê Việt Nam và tỉnh Đắk Lắk; phân tích các hiểm họa thiên tai (hạn hán 2015-2016, bão số 12 năm 2017, biến đổi khí hậu) gây thiệt hại cho năng suất nông hộ; đánh giá các chương trình bảo hiểm thí điểm trước đây (Bảo Minh 2011-2012, chương trình thí điểm quốc gia PPP, Nghị định 58/2018/NĐ-CP, Quyết định 22/2019/QĐ-TTg). Chương 1 cũng trình bày 5 mục tiêu nghiên cứu, 4 câu hỏi nghiên cứu, đối tượng, phạm vi thời gian (niên vụ 2016-2017), phương pháp nghiên cứu hỗn hợp và nêu tóm tắt 5 đóng góp mới của luận án.

Chương 2: Cơ sở lý thuyết và tổng quan các nghiên cứu liên quan

Chương 2 gồm 9 phần chính:

  • Trình bày định lý Bayes, suy luận Bayes và phân phối hậu định (Thomas Bayes, 1763; Gelman và cộng sự, 2013; Nguyễn Văn Tuấn, 2017).
  • Phân tích cơ sở toán học của mô hình hồi quy nhị phân: LPM, Probit, Logistic, Logistic Bayes và Probit Bayes (Gujarati, 2011; Hanck và cộng sự, 2020; Workie và Belay, 2019).
  • Trình bày chi tiết giải thuật BMA, tích phân hợp lý, chỉ số BIC và kỹ thuật chọn lọc qua Occam's Window ($C=20$) (Madigan và Raftery, 1994; Raftery, 1995; Kass và Raftery, 1995).
  • Điểm lại các công trình ứng dụng BMA trong kinh tế học và tài chính (Maltritz và Molchanov, 2013; Georg Man, 2015; Vương Minh Giang và Nguyễn Thanh Thiên, 2017; Ali và Ali, 2020; Gernát và cộng sự, 2020).
  • Hệ thống hóa các lý thuyết hành vi: TRA (Ajzen và Fishbein, 1975), Lý thuyết hành vi sẵn lòng (Pomery và cộng sự, 2009), Lý thuyết nhận thức rủi ro TPR (Bauer, 1960; Ray, 2001).
  • Trình bày bản chất kinh tế của bảo hiểm nông nghiệp, so sánh 6 loại hình bảo hiểm cây trồng truyền thống và chỉ số (Iturrioz Ramiro, 2009; Mahul và Stutley, 2010; World Bank, 2011, 2012, 2015a).
  • Điểm luận các nghiên cứu thực nghiệm trong nước và quốc tế về nhu cầu và sự sẵn lòng chi trả bảo hiểm cây trồng.
  • Xác định khoảng trống nghiên cứu và thiết lập khung phân tích cho đề tài.

Chương 3: Phương pháp nghiên cứu

Chương này mô tả thiết kế nghiên cứu kết hợp định tính và định lượng:

  • Quy trình thảo luận nhóm chuyên gia và hội thảo để sàng lọc danh mục biến giải thích ban đầu.
  • Quy trình thu thập dữ liệu thứ cấp và sơ cấp từ 480 hộ nông dân trồng cà phê do Cục Thống kê tỉnh Đắk Lắk tiến hành.
  • Xây dựng quy trình ước lượng BMA trên R, quy tắc phân chia mẫu (tập huấn luyện và tập kiểm tra) để kiểm soát hiện tượng quá khớp (overfitting).
  • Thiết lập quy trình so sánh đối sánh giữa ước lượng MLE tần số và ước lượng MCMC Bayes.
  • Thiết kế thuật toán xây dựng toán đồ (nomogram) trực tuyến.

Chương 4: Kết quả nghiên cứu

Chương này trình bày toàn bộ kết quả phân tích định lượng:

  • Thống kê mô tả đặc điểm kinh tế - xã hội, nhân khẩu học và mức độ tiếp xúc rủi ro của 480 hộ nông dân trồng cà phê tại Đắk Lắk.
  • Kết quả chạy mô hình BMA theo hồi quy logistic và BMA theo hồi quy probit, xác định danh sách các mô hình tối ưu có xác suất hậu định cao nhất trong Occam's Window.
  • Nhận diện các biến có xác suất tác động hậu định đạt ý nghĩa thống kê cao ($P(\beta_j \neq 0 | D) > 50%$).
  • Kết quả ước lượng tham số trên tập huấn luyện và kiểm định độ chính xác dự báo trên tập kiểm tra.
  • Bảng so sánh kết quả ước lượng giữa hồi quy logistic Tần số và hồi quy logistic Bayes (hệ số hồi quy, sai số chuẩn, khoảng tin cậy/khoảng tin cậy hậu định).
  • Trình bày cấu trúc toán đồ trực tuyến và hướng dẫn sử dụng toán đồ để tính nhanh xác suất sẵn lòng tham gia bảo hiểm của nông hộ theo các đặc tính đầu vào cụ thể.

Chương 5: Kết luận và hàm ý chính sách

  • Tổng hợp các phát hiện chính từ kết quả nghiên cứu định lượng của đề tài.
  • Trình bày hàm ý lý thuyết về việc áp dụng phương pháp BMA và thống kê Bayes trong nghiên cứu kinh tế lượng ứng dụng.
  • Đề xuất các gợi ý chính sách và hàm ý quản trị dành cho cơ quan quản lý nhà nước, các doanh nghiệp bảo hiểm phi nhân thọ và các ngân hàng thương mại nhằm phát triển sản phẩm bảo hiểm cây cà phê theo chỉ số năng suất tại Đắk Lắk.
  • Nêu rõ các giới hạn của đề tài và đề xuất các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý thuyết

  1. Làm rõ ưu điểm phương pháp luận của BMA: Luận án chứng minh ưu thế của phương pháp BMA (theo cả hồi quy logistic và probit) trong việc xử lý triệt để sự không chắc chắn của mô hình và kiểm tra tính đa cộng tuyến so với phương pháp Stepwise truyền thống, giúp chọn lọc tập hợp mô hình phù hợp nhất với dữ liệu thực nghiệm.
  2. Kỹ thuật tách mẫu trong ước lượng Bayes: Áp dụng quy trình tách dữ liệu ngẫu nhiên thành tập huấn luyện (training set) và tập kiểm tra (testing set) cho mô hình hồi quy nhị phân Bayes, nâng cao độ tin cậy và kiểm chứng được năng lực dự báo của mô hình.
  3. So sánh trường phái Tần số và Bayes: Cung cấp đối chiếu thực nghiệm toàn diện giữa ước lượng MLE tần số và ước lượng phân phối hậu định Bayes cho biến phụ thuộc nhị phân trong nghiên cứu hành vi nông hộ.
  4. Xây dựng khung mô hình đặc thù: Thiết lập mô hình hồi quy chuyên biệt giải thích sự sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất (AYII) tích hợp các nhóm biến rủi ro đặc thù (thời tiết, sinh học, kinh tế, lao động).

Đóng góp mới về mặt thực tiễn

  1. Xác định các yếu tố trọng yếu: Xác định chính xác các biến có xác suất hậu định cao ảnh hưởng đến quyết định tham gia bảo hiểm của nông dân Đắk Lắk, cung cấp bằng chứng định lượng cho thị trường bảo hiểm nông nghiệp.
  2. Cung cấp dữ liệu thực chứng: Hỗ trợ các cơ quan hoạch định chính sách nông nghiệp, Bộ Tài chính, các công ty bảo hiểm và ngân hàng thương mại có cơ sở thực tế để thiết kế hợp đồng bảo hiểm cây cà phê theo chỉ số năng suất phù hợp với điều kiện kinh tế hộ.
  3. Phát triển toán đồ trực tuyến (Online Nomogram): Xây dựng thành công công cụ toán đồ trực tuyến, cho phép người dùng (cán bộ tín dụng, nhân viên bảo hiểm, nhà quản lý) nhập các thông số của nông hộ để dự đoán nhanh xác suất sẵn lòng tham gia bảo hiểm cây cà phê.
  4. Tài liệu tham khảo chuyên ngành: Cung cấp tài liệu tham khảo phương pháp luận cho giảng viên, học viên cao học và nghiên cứu sinh chuyên ngành Thống kê, Kinh tế nông nghiệp và Tài chính - Bảo hiểm.

Kiến nghị và giải pháp đề xuất

  • Hoàn thiện khung chính sách hỗ trợ phí bảo hiểm nông nghiệp cho cây cà phê theo tinh thần Nghị định 58/2018/NĐ-CP và mở rộng phạm vi đối tượng thụ hưởng ngoài cây lúa.
  • Doanh nghiệp bảo hiểm cần ưu tiên triển khai sản phẩm bảo hiểm theo chỉ số năng suất khu vực (AYII) thay vì bảo hiểm truyền thống hay bảo hiểm lượng mưa đơn lẻ, nhằm giảm thiểu chi phí giám định và rủi ro đạo đức.
  • Tích hợp bảo hiểm nông nghiệp với hoạt động cấp tín dụng của các ngân hàng thương mại tại Tây Nguyên, xem hợp đồng bảo hiểm như một biện pháp bảo đảm tiền vay bổ sung.
  • Tăng cường tuyên truyền, phổ biến thông tin và đào tạo kiến thức quản trị rủi ro cho các hộ nông dân trồng cà phê tại địa bàn tỉnh Đắk Lắk.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Phạm vi dữ liệu khảo sát giới hạn trong 480 quan sát tại một địa bàn hành chính là tỉnh Đắk Lắk.
  • Khung thời gian thu thập dữ liệu tập trung trong niên vụ cà phê 2016-2017, chưa phản ánh được toàn bộ chuỗi biến động thời gian qua nhiều năm.
  • Nghiên cứu tập trung vào cây cà phê vối (Robusta) - đối tượng sản xuất chính tại Đắk Lắk, chưa mở rộng ra các loại cây công nghiệp lâu năm khác.

Hướng nghiên cứu tiếp theo

  • Mở rộng phạm vi không gian khảo sát sang các tỉnh khác trong vùng Tây Nguyên (Gia Lai, Lâm Đồng, Đắk Nông, Kon Tum) hoặc các vùng chuyên canh cà phê khác trên cả nước.
  • Ứng dụng BMA và hồi quy Bayes trên các chuỗi dữ liệu bảng (panel data) theo dõi hộ nông dân qua nhiều niên vụ liên tiếp để đánh giá biến động hành vi theo thời gian.
  • Mở rộng ứng dụng phương pháp BMA cho các sản phẩm bảo hiểm nông nghiệp khác như bảo hiểm hồ tiêu, cao su, điều hoặc bảo hiểm vật nuôi.

Giá trị tham khảo

Luận án có giá trị tham khảo chuyên môn đối với các nhóm đối tượng sau:

  • Nghiên cứu sinh và Giảng viên chuyên ngành Thống kê, Kinh tế lượng, Kinh tế nông nghiệp: Tham khảo quy trình ứng dụng phương pháp mô hình trung bình Bayesian (BMA), kỹ thuật tính toán BIC, tiêu chuẩn Occam's Window, hồi quy logistic/probit Bayes và quy trình tách tập dữ liệu để đánh giá mô hình.
  • Cơ quan quản lý nhà nước và Nhà hoạch định chính sách: Tham khảo cơ sở lý luận và thực chứng về bảo hiểm chỉ số năng suất (AYII) để xây dựng các văn bản hướng dẫn thi hành chính sách bảo hiểm nông nghiệp, quy định mức trợ cấp phí bảo hiểm hợp lý.
  • Doanh nghiệp bảo hiểm phi nhân thọ: Tham khảo cấu trúc các yếu tố rủi ro và toán đồ trực tuyến để định phí, thiết kế sản phẩm bảo hiểm chỉ số năng suất cà phê phù hợp với thị trường Tây Nguyên.
  • Ngân hàng thương mại và Tổ chức tín dụng vi mô: Sử dụng kết quả và công cụ toán đồ trực tuyến để đánh giá rủi ro tín dụng nông nghiệp, kết hợp gói vay sản xuất cà phê với sản phẩm bảo hiểm chỉ số.

Câu hỏi thường gặp

1. Tại sao luận án lựa chọn bảo hiểm theo chỉ số năng suất khu vực (AYII) thay vì bảo hiểm truyền thống hay bảo hiểm theo chỉ số thời tiết (WII) cho cây cà phê Đắk Lắk?

Theo phân tích từ Mahul và Stutley (2010) cùng World Bank (2011, 2012, 2015a), bảo hiểm truyền thống (NPCI, MPCI) đòi hỏi chi phí đánh giá tổn thất thực địa rất cao và dễ phát sinh rủi ro đạo đức. Bảo hiểm thời tiết (WII) có hạn chế là mối tương quan giữa bồi thường theo chỉ số thời tiết và thiệt hại thực tế của nông dân chỉ đạt khoảng 14% (theo World Bank). Trong khi đó, AYII bồi thường dựa trên năng suất trung bình thực tế của cả khu vực, bao quát được nhiều hiểm họa (thời tiết, sâu bệnh), hạn chế rủi ro đạo đức, có phí bảo hiểm thấp hơn và phù hợp với Đắk Lắk do địa phương có bề dày canh tác và hệ thống dữ liệu năng suất lịch sử đáng tin cậy.

2. Ưu điểm nổi bật của phương pháp BMA so với phương pháp Stepwise truyền thống là gì?

Phương pháp Stepwise truyền thống chỉ dựa trên tiêu chí AIC/p-value để chọn ra một mô hình đơn lẻ, dễ dẫn đến hiện tượng thiếu ổn định tập biến giải thích và độ chệch ước lượng khi số lượng biến lớn (Gary Smith, 2018). Ngược lại, BMA (Raftery, 1995) xem xét toàn bộ không gian mô hình có thể có ($2^p$ mô hình), sử dụng tiêu chuẩn BIC và xác suất hậu định để chọn tập mô hình tối ưu qua cửa sổ Occam, tính toán trọng số trung bình cho các tham số, qua đó xử lý được sự không chắc chắn của mô hình và kiểm tra hiện tượng đa cộng tuyến (Steven S. Henley và cộng sự, 2020).

3. Quy mô và nguồn gốc bộ dữ liệu định lượng được sử dụng trong luận án?

Dữ liệu nghiên cứu định lượng gồm mẫu 480 quan sát hợp lệ (thu về từ 500 phiếu khảo sát hộ nông dân sản xuất cà phê tại tỉnh Đắk Lắk) do Cục Thống kê tỉnh Đắk Lắk thực hiện thu thập cho niên vụ cà phê 2016-2017.

4. Bốn nhóm yếu tố rủi ro chính được tác giả tổng hợp để phân tích hành vi tham gia bảo hiểm của nông hộ là gì?

Dựa trên cơ sở lý thuyết rủi ro nông nghiệp (Ray, 2001; Jaffee và cộng sự, 2010; Choudhary và cộng sự, 2015) và nghiên cứu thực tế tại Đắk Lắk, luận án tổng hợp 4 nhóm rủi ro:

  • Rủi ro thời tiết (hạn hán, mưa trái mùa, bão lũ).
  • Rủi ro sinh học (dịch hại, nấm bệnh như La Roya, sâu đục quả, rệp mọt).
  • Rủi ro kinh tế (biến động giá phân bón, vật tư đầu vào, thị trường tiêu thụ).
  • Rủi ro lao động (thiếu hụt và biến động chi phí nhân công thu hái).

5. Toán đồ trực tuyến (Online Nomogram) trong luận án phục vụ mục đích gì?

Toán đồ trực tuyến là công cụ tính toán mô phỏng được xây dựng từ kết quả hồi quy mô hình nghiên cứu tối ưu. Công cụ này cho phép người sử dụng (cán bộ bảo hiểm, chuyên viên tín dụng ngân hàng, nhà quản lý) nhập các đặc trưng cụ thể của một nông hộ (nhân khẩu, quy mô trang trại, mức độ tiếp xúc rủi ro) để tính toán và dự đoán nhanh xác suất sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất của hộ đó.

Kết luận

Luận án của tác giả Lê Đình Thắng đã giải quyết khoảng trống về phương pháp luận khi ứng dụng thành công phương pháp mô hình trung bình Bayesian (BMA) và hồi quy Bayes trong phân tích sự sẵn lòng tham gia bảo hiểm nông nghiệp tại Việt Nam. Công trình đã chứng minh tính ưu việt của cách tiếp cận Bayes trong việc khắc phục sự không chắc chắn của mô hình so với thống kê tần số cổ điển, đồng thời xác định rõ các yếu tố chi phối quyết định mua bảo hiểm chỉ số năng suất (AYII) của 480 hộ nông dân trồng cà phê tại tỉnh Đắk Lắk trong niên vụ 2016-2017. Bên cạnh các đóng góp học thuật, việc phát triển công cụ toán đồ trực tuyến và đề xuất các giải pháp liên kết bảo hiểm - tín dụng mang lại giá trị thực tiễn phục vụ cho cơ quan quản lý, doanh nghiệp bảo hiểm và các tổ chức tín dụng trong chiến lược quản trị rủi ro nông nghiệp bền vững.