Giới thiệu dự án

Trong bối cảnh toàn cầu hóa và biến đổi khí hậu diễn biến phức tạp, mối quan hệ giữa tăng trưởng kinh tế, tiêu thụ năng lượng và phát thải khí nhà kính trở thành tâm điểm của kinh tế học phát triển. Theo số liệu từ Cơ quan Thông tin Năng lượng Hoa Kỳ (EIA), mức tiêu thụ năng lượng toàn cầu dự kiến tăng 54% vào năm 2025 so với năm 2001, trong đó phần lớn áp lực gia tăng tập trung tại các nền kinh tế đang phát triển. Báo cáo của Hội nghị Thượng đỉnh Thích ứng Khí hậu (CAS) ghi nhận trong 20 năm qua, thiên tai cực đoan đã gây ra gần 480.000 ca tử vong và thiệt hại kinh tế ước tính 2,56 nghìn tỷ USD (tính theo sức mua tương đương - PPP). Đáng chú ý, 8 trong số 10 quốc gia chịu ảnh hưởng nặng nề nhất thuộc nhóm các nước có thu nhập trung bình thấp (Lower-Middle-Income Countries - LMICs).

                      KHUNG PHÂN TÍCH HIỆU QUẢ HAI GIAI ĐOẠN
               
  [Đầu vào GĐ 1]                                                     [Đầu ra GĐ 2]
  - Vốn ngành điện (K1)   +-------------------+    Điện năng (E)    +-------------------+    - Tổng sản phẩm
  - Lao động điện (L1)   |   GIAI ĐOẠN 1:    |-------------------->|   GIAI ĐOẠN 2:    |      quốc nội (GDP)
  - Nhiên liệu thô (F1)  | SẢN XUẤT ĐIỆN NĂNG|                     | HOẠT ĐỘNG KINH TẾ |
                         +-------------------+                     +-------------------+
                                   |                                         |
                                   v                                         v
                            [Đầu ra phụ: CO2]                         [Đầu ra phụ: CO2]

Vấn đề nghiên cứu (Problem Statement)

Các quốc gia thu nhập trung bình thấp đối mặt với "bộ ba bất khả thi" trong phát triển: vừa phải duy trì tốc độ công nghiệp hóa nhanh để vượt qua bẫy thu nhập trung bình, vừa chịu áp lực thâm hụt năng lượng nghiêm trọng, vừa phải thực hiện cam kết cắt giảm phát thải $CO_2$. Các nghiên cứu truyền thống thường xem toàn bộ nền kinh tế như một "hộp đen" (black box) khi áp dụng mô hình phân tích bao bọc dữ liệu (Data Envelopment Analysis - DEA) một giai đoạn. Cách tiếp cận này bỏ qua quy trình chuyển hóa trung gian: từ các nguồn lực ban đầu (vốn, lao động, tài nguyên) chuyển thành năng lượng điện, sau đó điện năng kết hợp với các nguồn lực vĩ mô khác mới tạo ra Tổng sản phẩm quốc nội (Gross Domestic Product - GDP).

Mục tiêu nghiên cứu (Project Objectives)

  1. Hệ thống hóa cơ sở lý luận: Xây dựng khung phân tích đo lường hiệu quả sản xuất và hiệu quả năng lượng đa tầng, tích hợp đồng thời đầu ra mong muốn (GDP, sản lượng điện) và đầu ra không mong muốn ($CO_2$).
  2. Đo lường định lượng: Áp dụng mô hình DEA hai giai đoạn mở rộng (Extended Two-Stage DEA) để tính toán điểm hiệu quả kỹ thuật (Technical Efficiency - TE) cho 28 quốc gia LMICs trong giai đoạn 19 năm (2000 – 2018).
  3. Phát hiện yếu tố tác động: Sử dụng mô hình kinh tế lượng Tobit hiệu chỉnh phương sai thay đổi (Multiplicative Heteroscedasticity Tobit) nhằm xác định các yếu tố gây ra sự phi hiệu quả kinh tế và năng lượng.
  4. Đề xuất giải pháp: Cung cấp hàm ý chính sách cho quá trình chuyển dịch năng lượng và phân bổ vốn đầu tư trực tiếp nước ngoài (Foreign Direct Investment - FDI).

Phạm vi và Giới hạn (Scope & Limitations)

  • Không gian: 28 quốc gia có thu nhập trung bình thấp theo chuẩn World Bank (2020), bao gồm Việt Nam, Indonesia, Ấn Độ, Pakistan, Philippines, Ai Cập, Algeria, Angola, Bangladesh, Bolivia, Campuchia, Cameroon, Congo, Ghana, Honduras, Iran, Kenya, Kyrgyzstan, Lào, Myanmar, Nepal, Nicaragua, Nigeria, Senegal, Tajikistan, Tanzania, Tunisia, Uzbekistan.
  • Thời gian: Chuỗi dữ liệu bảng cân bằng giai đoạn 2000 – 2018 (19 năm, 532 quan sát tổng hợp).
  • Giới hạn kỹ thuật: Chưa tích hợp đầy đủ tổn thất truyền tải điện năng chi tiết ở cấp vi mô do hạn chế về tính đồng bộ của số liệu quốc tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp đánh giá hiệu quả vĩ mô hiện nay bộc lộ nhiều điểm nghẽn khi xử lý chuỗi dữ liệu phức hợp có yếu tố môi trường.

Tiêu chí DEA truyền thống (CCR/BCC) Phân tích biên ngẫu nhiên (SFA) DEA Hai Giai Đoạn Mở Rộng (Nghiên cứu áp dụng)
Bản chất mô hình Phi tham số, đơn giai đoạn Tham số, giả định dạng hàm ($Translog/Cobb-Douglas$) Phi tham số, mạng lưới (Network DEA)
Cấu trúc nội bộ Giả định "hộp đen", bỏ qua liên kết nội Không mô hình hóa được chuỗi giá trị đa tầng Bóc tách riêng Giai đoạn 1 (Sản xuất điện) & Giai đoạn 2 (Tạo GDP)
Xử lý đầu ra không mong muốn ($CO_2$) Xem như đầu vào hoặc bỏ qua Rất phức tạp khi mô hình hóa đa đầu ra Xử lý trực tiếp qua hàm khoảng cách hướng (Directional Distance Function)
Độ nhạy phân phối sai số Không yêu cầu phân phối sai số Nhạy cảm cao với giả định phân phối sai số ngẫu nhiên Kết hợp hồi quy Tobit xử lý triệt để biến phụ thuộc bị chặn (Censored)

Phân tích yêu cầu chức năng theo mô hình MoSCoW cho hệ thống nghiên cứu:

  • Must-have: Mô hình hóa biến trung gian (Intermediate Variable - Sản lượng điện $E$), phân tách rõ ràng hiệu quả giai đoạn 1 ($TE_1$) và giai đoạn 2 ($TE_2$), kiểm soát biến kiểm soát thể chế (Corruption Perceptions Index - CPI).
  • Should-have: Kiểm định tính dừng chuỗi dữ liệu bảng (Panel Unit Root Test), xử lý hiện tượng phương sai thay đổi trong hồi quy Tobit.
  • Could-have: Đánh giá chỉ số năng suất Malmquist (Malmquist Productivity Index) theo thời gian.
  • Won't-have: Dự báo phụ tải vi mô theo thời gian thực (Real-time load forecasting).

Thiết kế hệ thống và Khung thuật toán

                       SƠ ĐỒ BIẾN TRONG MÔ HÌNH TOÁN KINH TẾ
  
  [Giai đoạn 1: Năng lượng]              [Biến trung gian]              [Giai đoạn 2: Kinh tế]
  +-----------------------+              +---------------+              +--------------------+
  | Đầu vào (Inputs):     |              |               |              | Đầu vào bổ sung:   |
  | - Vốn năng lượng (K1) |              |  Sản lượng    |              | - Vốn quốc gia (K2)|
  | - Lao động (L1)       |=============>|   điện năng   |=============>| - Lao động (L2)    |
  | - Tiêu thụ nhiên liệu |              |     (E)       |              +--------------------+
  +-----------------------+              +---------------+                        ||
              |                                                                   ||
              v                                                                   v
  [Đầu ra không mong muốn]                                              [Đầu ra kinh tế vĩ mô]
  - Phát thải CO2 ngành điện                                            - GDP thực tế (PPP)
                                                                        - Tổng phát thải CO2

Hệ thống mô hình toán học tối ưu hóa tuyến tính DEA hai giai đoạn được biểu diễn tổng quát:

$$\min_{\theta, \lambda, \mu} \quad \theta_k = w_1 \theta_k^{(1)} + w_2 \theta_k^{(2)}$$

Ràng buộc cho Đơn vị ra quyết định (Decision Making Unit - $DMU_k$):

$$\begin{aligned} \text{Giai đoạn 1:} \quad & \sum_{j=1}^{n} \lambda_j X_{ij}^{(1)} \le \theta^{(1)} X_{ik}^{(1)}, \quad i = 1, \dots, m_1 \ & \sum_{j=1}^{n} \lambda_j Z_{pj} \ge Z_{pk}, \quad p = 1, \dots, q \ & \sum_{j=1}^{n} \lambda_j C_{rj}^{(1)} \le C_{rk}^{(1)}, \quad r = 1, \dots, s_1 \ \text{Giai đoạn 2:} \quad & \sum_{j=1}^{n} \mu_j Z_{pj} \le Z_{pk}, \quad p = 1, \dots, q \ & \sum_{j=1}^{n} \mu_j X_{tj}^{(2)} \le \theta^{(2)} X_{tk}^{(2)}, \quad t = 1, \dots, m_2 \ & \sum_{j=1}^{n} \mu_j Y_{gj} \ge Y_{gk}, \quad g = 1, \dots, h \ & \lambda_j, \mu_j \ge 0, \quad \sum \lambda_j = 1, \quad \sum \mu_j = 1 \quad (\text{Quy mô biến đổi - VRS}) \end{aligned}$$

Mô hình hồi quy Tobit dạng cắt cụt kép (Double-censored) phân tích nhân tố ảnh hưởng:

$$y_{it}^* = \beta_0 + \beta_1 \text{FDI}{it} + \beta_2 \text{OPEN}{it} + \beta_3 \text{IND}{it} + \beta_4 \text{CPI}{it} + \beta_5 \text{TECH}{it} + \varepsilon{it}$$

$$y_{it} = \begin{cases} 1 & \text{nếu } y_{it}^* \ge 1 \ y_{it}^* & \text{nếu } 0 < y_{it}^* < 1 \ 0 & \text{nếu } y_{it}^* \le 0 \end{cases}, \quad \text{Var}(\varepsilon_{it}) = \sigma^2 \exp(\gamma' z_{it})$$

Technology Stack & Versioning

  • Công cụ giải toán DEA: DEAP Version 2.1 (CEPA), MaxDEA 8 Ultra (Engine chuyên sâu cho Network SBM-DEA).
  • Phân tích Kinh tế lượng: Stata/MP Version 16.0 (Module tobit, hettobit, xtabond2), EViews Version 9.0.
  • Môi trường xử lý dữ liệu và thuật toán bổ trợ: Python 3.9.12 kết hợp các thư viện PyDEA, cvxpy (v1.2.1), pandas (v1.4.2), statsmodels (v0.13.2).
  • Nguồn dữ liệu tích hợp: Ngân hàng Thế giới (World Development Indicators - WDI), Cơ quan Năng lượng Quốc tế (IEA), Tổ chức Minh bạch Quốc tế (Transparency International).

Implementation và kết quả

Development Process & Code Implementation

Quy trình tính toán trải qua 3 pha xử lý: Làm sạch dữ liệu và chuyển đổi PPP $\rightarrow$ Giải bài toán quy hoạch tuyến tính DEA hai giai đoạn $\rightarrow$ Ước lượng hồi quy Tobit xử lý phương sai sai số.

Dưới đây là đoạn mã thực thi toàn bộ quy trình tối ưu hóa DEA mạng lưới và hồi quy Tobit trên nền tảng R/Stata:

* ==============================================================================
* STATA SCRIPT: TWO-STAGE DEA & MULTIPLICATIVE HETEROSCEDASTICITY TOBIT
* Project: Energy & Production Efficiency Analysis in 28 LMICs (2000-2018)
* Author: Nguyen Thi Duyen | Supervisor: Dr. Nguyen Thi Vinh Ha
* ==============================================================================

clear all
set more off
cd "/home/ds01/project/dea_energy_analysis"

* 1. Nhập và tiền xử lý dữ liệu bảng (532 quan sát: 28 quốc gia x 19 năm)
import excel using "Dataset_LMICs_2000_2018.xlsx", sheet("MasterData") firstrow
encode country_code, gen(id)
xtset id year

* 2. Log-transform các biến kiểm soát và điều chỉnh theo PPP cơ sở 2015
gen ln_gdp_ppp = ln(gdp_constant_ppp)
gen ln_elec_gen = ln(electricity_production_kwh)
gen ln_cap_stock = ln(capital_stock_kwh_equiv)
gen ln_labor = ln(total_labor_force)
gen fdi_gdp = (fdi_inflow / gdp_nominal) * 100
gen trade_open = ((export + import) / gdp_nominal) * 100
gen ind_structure = (industry_va / gdp_nominal) * 100

* 3. Tính toán DEA Điểm hiệu quả giai đoạn 1 (TE_Energy) và giai đoạn 2 (TE_Prod)
* (Đã xuất kết quả từ DEAP 2.1 / MaxDEA vào biến te_stage1, te_stage2, te_overall)

* 4. Ước lượng mô hình Tobit chuẩn (Standard Tobit)
tobit te_overall fdi_gdp trade_open ind_structure cpi_index ln_labor, ///
    ll(0) ul(1) vce(robust)
estimates store Standard_Tobit

* 5. Kiểm tra & Khắc phục Phương sai thay đổi (Multiplicative Heteroscedasticity)
hetregress te_overall fdi_gdp trade_open ind_structure cpi_index, ///
    het(ind_structure trade_open)
estimates store Hetero_Corrected_Tobit

* 6. Xuất bảng so sánh thống kê kết quả ước lượng
esttab Standard_Tobit Hetero_Corrected_Tobit using "Tobit_Regression_Results.rtf", ///
    cells(b(star fmt(4)) se(fmt(4))) stats(N ll chi2 aic bic) replace

import numpy as np
import cvxpy as cp
import pandas as pd

def solve_two_stage_dea(inputs_s1, intermediate, inputs_s2, outputs_s2, undesirable_s1):
    """
    Hàm giải bài toán tối ưu DEA Hai giai đoạn (Radial Input-oriented VRS)
    Inputs:
        inputs_s1: Ma trận đầu vào GĐ 1 (K1, L1) [n_dmu x m1]
        intermediate: Biến trung gian (Sản lượng điện E) [n_dmu x q]
        inputs_s2: Đầu vào bổ sung GĐ 2 (K2, L2) [n_dmu x m2]
        outputs_s2: Đầu ra mong muốn GĐ 2 (GDP) [n_dmu x h]
        undesirable_s1: Đầu ra không mong muốn GĐ 1 (CO2) [n_dmu x r]
    """
    n_dmus = inputs_s1.shape[0]
    te_scores = []
    
    for k in range(n_dmus):
        theta1 = cp.Variable()
        theta2 = cp.Variable()
        lambda_s1 = cp.Variable(n_dmus)
        mu_s2 = cp.Variable(n_dmus)
        
        constraints = [
            lambda_s1 >= 0,
            mu_s2 >= 0,
            cp.sum(lambda_s1) == 1, # VRS
            cp.sum(mu_s2) == 1,     # VRS
            
            # Giai đoạn 1: Sản xuất điện năng
            inputs_s1.T @ lambda_s1 <= theta1 * inputs_s1[k],
            intermediate.T @ lambda_s1 >= intermediate[k],
            undesirable_s1.T @ lambda_s1 <= undesirable_s1[k],
            
            # Giai đoạn 2: Tạo lập GDP
            intermediate.T @ mu_s2 <= intermediate[k],
            inputs_s2.T @ mu_s2 <= theta2 * inputs_s2[k],
            outputs_s2.T @ mu_s2 >= outputs_s2[k]
        ]
        
        objective = cp.Minimize(0.5 * theta1 + 0.5 * theta2)
        prob = cp.Problem(objective, constraints)
        prob.solve(solver=cp.ECOS)
        
        te_scores.append({
            'DMU': k,
            'TE_Stage1': theta1.value,
            'TE_Stage2': theta2.value,
            'TE_Overall': 0.5 * (theta1.value + theta2.value)
        })
        
    return pd.DataFrame(te_scores)

Testing và Kiểm định mô hình

                             KẾT QUẢ KIỂM ĐỊNH TÍNH DỪNG (PANEL UNIT ROOT)
  
  Biến số                   Kiểm định ADF - Fisher (Chi-sq)       Pesaran CADF (Z-stat)       Kết luận
  -----------------------------------------------------------------------------------------------------
  Điểm hiệu quả (TE)                 118.42 (p = 0.000)             -4.128 (p = 0.000)        Dừng tại bậc I(0)
  Độ mở kinh tế (OPEN)               94.15  (p = 0.001)             -3.419 (p = 0.000)        Dừng tại bậc I(0)
  FDI (% GDP)                       142.30 (p = 0.000)             -5.210 (p = 0.000)        Dừng tại bậc I(0)
  Cơ cấu công nghiệp (IND)           88.62  (p = 0.004)             -2.894 (p = 0.002)        Dừng tại bậc I(0)
  -----------------------------------------------------------------------------------------------------
  • Kiểm định đa cộng tuyến: Giá trị VIF (Variance Inflation Factor) trung bình đạt 1.48 (tất cả các biến đều có VIF < 2.5), loại trừ rủi ro đa cộng tuyến nghiêm trọng.
  • Kiểm định Wald test cho Heteroscedasticity: $\chi^2 = 38.64$ ($p < 0.001$), bác bỏ giả thiết phương sai đồng nhất, xác nhận tính cần thiết của mô hình Multiplicative Heteroscedasticity Tobit.

Kết quả đạt được

                    HIỆU QUẢ KỸ THUẬT TRUNG BÌNH 28 QUỐC GIA (2000 - 2018)
  
  Quốc gia / Nhóm          Giai đoạn 1 (Năng lượng)      Giai đoạn 2 (Sản xuất)      Hiệu quả tổng hợp
  -----------------------------------------------------------------------------------------------------
  Việt Nam                          0.842                        0.718                    0.780
  Indonesia                         0.895                        0.812                    0.854
  Philippines                       0.789                        0.764                    0.777
  Ấn Độ                             0.912                        0.684                    0.798
  Nigeria                           0.412                        0.531                    0.472
  Nepal                             0.612                        0.485                    0.549
  -----------------------------------------------------------------------------------------------------
  Trung bình 28 nước (LMICs)        0.684                        0.627                    0.656

Kết quả ước lượng Tobit chỉ ra các phát hiện cốt lõi:

  1. Độ mở kinh tế (Trade Openness): Có tác động dương có ý nghĩa thống kê ở mức 1% ($\beta = +0.0034, p < 0.01$). Mỗi khi độ mở thương mại tăng 1%, hiệu quả kỹ thuật tổng thể tăng trung bình 0.34%.
  2. Vốn đầu tư trực tiếp nước ngoài (FDI): Tác động tích cực ($\beta = +0.0051, p < 0.05$). FDI mang lại hiệu ứng lan tỏa (spillover effect) về công nghệ quản lý và công nghệ tiết kiệm năng lượng.
  3. Cơ cấu ngành công nghiệp (Industrial Structure): Tương quan nghịch với hiệu quả kỹ thuật ($\beta = -0.0048, p < 0.01$). Các nền kinh tế duy trì tỷ trọng công nghiệp nặng quá cao (thâm dụng năng lượng và phát thải lớn) chịu sự suy giảm về hiệu quả tổng hợp.
  4. Chỉ số cảm nhận tham nhũng (CPI/Thể chế): Tương quan thuận ($\beta = +0.0062, p < 0.01$), khẳng định năng lực quản trị công là đòn bẩy trực tiếp nâng cao hiệu quả phân bổ nguồn lực năng lượng.

Đổi mới và đóng góp

  1. Mở khóa "Hộp đen" kinh tế năng lượng: Thay vì đánh giá một chiều từ đầu vào đến GDP, nghiên cứu bóc tách thành công hiệu quả của khâu sản xuất điện năng ($TE_1$) và khâu ứng dụng điện năng vào sản xuất của cải ($TE_2$). Điều này làm rõ việc một quốc gia có thể làm rất tốt khâu vận hành nhà máy điện nhưng lại lãng phí điện năng trong khu vực tiêu dùng và sản xuất công nghiệp.
  2. Tích hợp cơ chế phát thải nội sinh ($CO_2$): Khắc phục sai số của các nghiên cứu trước đây khi loại bỏ $CO_2$ hoặc xem chất thải là đầu vào thông thường. Mô hình áp dụng nguyên lý ràng buộc yếu (Weak Disposability) giúp phản ánh chính xác chi phí cơ hội của việc bảo vệ môi trường.
  3. Hiệu chỉnh chuẩn xác khuyết tật kinh tế lượng: Kết hợp DEA phi tham số với mô hình Multiplicative Heteroscedasticity Tobit giúp loại bỏ hoàn toàn hiện tượng chệch ước lượng (bias) do biến phụ thuộc bị giới hạn trong khoảng $[0, 1]$ và hiện tượng phương sai thay đổi của chuỗi dữ liệu bảng vĩ mô.

Ứng dụng thực tế và triển khai

Trường hợp thực tiễn: Lộ trình cho Việt Nam

Dữ liệu chỉ ra hiệu suất nhà máy nhiệt điện than/dầu của Việt Nam trong giai đoạn nghiên cứu chỉ dao động 28% – 36%, thấp hơn 8% – 10% so với nhóm OECD. Hiệu suất lò hơi công nghiệp chỉ đạt mức 60% – 70%.

                             LỘ TRÌNH ĐIỀU CHỈNH CHÍNH SÁCH NĂNG LƯỢNG
  
  [Ngắn hạn: 2021 - 2023]         [Trung hạn: 2024 - 2027]          [Dài hạn: 2028 - 2030+]
  - Thay thế đèn LED & biến tần   - Tháo gỡ trần giá điện           - Tích hợp 100% Smart Grid
  - Kiểm toán năng lượng bắt buộc - Chấm dứt nhiệt điện than mới    - Thương mại hóa Hydrogen/Storage
  - Giảm thâm dụng: Xi măng, Thép - Nâng tỷ trọng Solar/Wind > 30%   - Đạt mục tiêu Net Zero Cam kết

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí tiết kiệm: Theo tính toán từ Ngân hàng Thế giới, chi phí xã hội để tiết kiệm 1 kWh điện năng thông qua cải tiến công nghệ chỉ bằng $1/4$ đến $1/3$ chi phí đầu tư xây dựng mới công suất nguồn tương đương.
  • Tiềm năng kinh tế: Nếu Việt Nam nâng tỷ lệ tiết kiệm năng lượng toàn hệ thống từ 6% lên 10% (tương đương giảm 60 triệu tấn dầu quy đổi TOE), nền kinh tế sẽ tiết kiệm từ 1.8 đến 2.4 tỷ USD chi phí nhập khẩu nhiên liệu hóa thạch mỗi năm, đồng thời giảm khoảng 35 triệu tấn phát thải $CO_2$.

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu vĩ mô: Khóa luận dựa trên nguồn dữ liệu thứ cấp được tổng hợp từ WB và IEA. Độ trễ công bố dữ liệu quốc tế khiến nghiên cứu chưa phản ánh được các biến động cực đoan giai đoạn hậu Covid-19 và khủng hoảng năng lượng toàn cầu 2022.
  • Quy mô phân rã: Chưa phân bổ được dòng năng lượng chi tiết đến từng phân ngành cấp 2 (ví dụ: luyện kim, hóa chất, dệt may) trong phạm vi toàn bộ 28 quốc gia do thiếu hụt số liệu điều tra đồng bộ.
  • Hướng nghiên cứu tiếp theo:
    1. Ứng dụng mô hình Dynamic Network SBM-DEA với biến trạng thái tài sản cố định (Carry-over assets) qua các năm liên tục.
    2. Kết hợp thuật toán học máy (Random Forest, XGBoost) để dự báo đường biên hiệu quả phi tuyến tính trong điều kiện biến động giá nhiên liệu thế giới.

Đối tượng hưởng lợi

  • Cơ quan Hoạch định Chính sách (Bộ Công Thương, EVN): Nhận được cơ sở dữ liệu định lượng về mức độ lãng phí năng lượng của từng ngành để thiết kế biểu giá điện bậc thang và hạn ngạch phát thải carbon khả thi.
  • Doanh nghiệp Sản xuất Công nghiệp: Cung cấp bằng chứng thực nghiệm về việc đầu tư đổi mới công nghệ (biến tần, lò hơi hiệu suất cao) mang lại ROI dương và nâng cao năng lực cạnh tranh trong chuỗi cung ứng toàn cầu.
  • Cộng đồng Nghiên cứu & Giảng viên: Bộ khung phương pháp luận kết hợp giữa DEA hai giai đoạn mở rộng và mô hình Tobit hiệu chỉnh phương sai sai số, có thể tái sử dụng trực tiếp cho các đề tài phân tích hiệu quả ngân hàng, nông nghiệp và logistics.
  • Sinh viên & Học viên Sau đại học: Tài liệu tham khảo chuẩn mực về cấu trúc khóa luận ứng dụng kinh tế lượng định lượng cao cấp, minh họa chi tiết từ mã lệnh Stata đến diễn giải hệ số hồi quy.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng mô hình Tobit thay vì mô hình OLS thông thường?

Biến phụ thuộc là điểm hiệu quả kỹ thuật ($TE$) thu được từ mô hình DEA bị chặn nghiêm ngặt trong đoạn $[0, 1]$. Nếu sử dụng phương pháp Bình phương Tối thiểu Thông thường (OLS), các ước lượng thu được sẽ bị chệch (biased) và không vững (inconsistent). Hồi quy Tobit với hàm hợp lý cực đại (Maximum Likelihood Estimation - MLE) giải quyết triệt để vấn đề dữ liệu bị cắt cụt (censored).

2. Sự khác biệt giữa DEA định hướng đầu vào (Input-oriented) và định hướng đầu ra (Output-oriented) là gì?

  • Định hướng đầu vào: Giữ nguyên sản lượng đầu ra và tìm cách tối thiểu hóa lượng đầu vào sử dụng.
  • Định hướng đầu ra: Giữ nguyên mức đầu vào và tìm cách tối đa hóa sản lượng đầu ra có thể tạo ra. Nghiên cứu lựa chọn định hướng đầu vào vì mục tiêu bảo tồn tài nguyên và tối ưu hóa chi phí năng lượng trong điều kiện nguồn lực hữu hạn của các nước LMICs.

3. Biến trung gian (Intermediate Variable) đóng vai trò gì trong mô hình mạng lưới?

Biến trung gian (ở đây là Sản lượng điện $E$) đóng vai trò kép: nó là đầu ra của quy trình chuyển hóa năng lượng sơ cấp (Giai đoạn 1), nhưng đồng thời là đầu vào bắt buộc cho quy trình tạo ra GDP vĩ mô cùng với vốn và lao động (Giai đoạn 2).

4. Bẫy thu nhập trung bình liên quan gì đến hiệu quả năng lượng?

Các quốc gia thu nhập trung bình thấp thường dựa vào thâm dụng lao động giá rẻ và tài nguyên thô để tăng trưởng. Khi chi phí lao động tăng, nếu không cải thiện hiệu suất năng lượng và trình độ công nghệ, chi phí sản xuất sẽ tăng vọt, làm suy giảm năng lực cạnh tranh quốc gia và rơi vào bẫy thu nhập trung bình.

5. Làm thế nào để sao chép (reproduce) lại kết quả nghiên cứu này?

Nhà nghiên cứu cần thu thập chuỗi dữ liệu bảng 19 năm từ World Bank WDI, định dạng ma trận đầu vào/đầu ra theo chuẩn phần mềm DEAP 2.1 hoặc MaxDEA, sau đó nạp file điểm số $TE$ vào phần mềm Stata 16.0 và chạy kịch bản mã lệnh tobit/hetregress được cung cấp ở mục Implementation.

Kết luận

Nghiên cứu "Phân tích hiệu quả sản xuất và hiệu quả năng lượng của các quốc gia bằng mô hình DEA hai giai đoạn mở rộng" đã làm sáng tỏ cơ chế vận hành nội bộ của dòng chảy năng lượng trong nền kinh tế tại 28 quốc gia có thu nhập trung bình thấp giai đoạn 2000 – 2018. Bằng việc bóc tách thành công quy trình hai giai đoạn kết hợp mô hình kinh tế lượng Tobit hiệu chỉnh, đề tài chứng minh rằng tăng trưởng kinh tế không nhất thiết phải đánh đổi bằng cạn kiệt tài nguyên và suy thoái môi trường. Nâng cao chất lượng thể chế, tái cơ cấu dịch chuyển từ công nghiệp nặng sang công nghiệp công nghệ cao và nâng cao hiệu quả nguồn vốn FDI chính là chiếc chìa khóa vàng giúp các nền kinh tế đang phát triển bứt phá vươn lên nấc thang thu nhập cao hơn một cách bền vững.