Ứng Dụng Mô Hình ARIMA Vào Dự Báo Chỉ Số Giá Tiêu Dùng Trong Ngắn Hạn

Mô hình ARIMA (Autoregressive Integrated Moving Average) đã trở thành một công cụ quan trọng trong việc dự… 53 trang · Trường Đại Học Kinh Tế Quốc Dân · 2022.

• Tác giả: Nguyen Hong Hanh
• Người hướng dẫn: TS. Nguyễn Mạnh Thế
• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Toán Kinh Tế
• Đề tài: Ứng Dụng Mô Hình ARIMA Trong Dự Báo Chỉ Số Giá Tiêu Dùng Ngắn Hạn
• Loại tài liệu: Chuyên đề thực tập
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU, HÌNH VẼ
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: LÝ LUẬN CHUNG VỀ CHỈ SỐ GIÁ TIÊU DÙNG VÀ TỔNG QUAN MỘT SỐ MÔ HÌNH PHÂN TÍCH, DỰ BÁO
• 1.1. Cơ sở lí luận về chỉ số giá tiêu dùng
• 1.1.1. Khái niệm chỉ số giá tiêu dùng
• 1.2. Tổng quan một số mô hình phân tích chỉ số giá tiêu dùng
• 1.3. Mô hình dự báo chỉ số CPI tại Tổng Cục Thống Kê
• 1.4. Công thức tính chỉ số giá tiêu dùng CPI
• 1.5. Các vấn đề đặt ra khi tính chỉ số CPI
• 1.6. Ứng dụng của chỉ số CPI trong thực tế
• 2. CHƯƠNG 2: PHÂN TÍCH BIẾN ĐỘNG CHỈ SỐ GIÁ TIÊU DÙNG TẠI VIỆT NAM
• 2.1. Phương pháp tính và đặc điểm nguồn số liệu CPI ở Việt Nam
• 2.2. So sánh chỉ số giá tiêu dùng ở Việt Nam với một số nước trong khu vực ASEAN
• 3. CHƯƠNG 3: DỰ BÁO CHỈ SỐ GIÁ TIÊU DÙNG VÀ MỘT SỐ KHUYẾN NGHỊ
• 3.1. Các phương pháp dự báo chuỗi thời gian
• 3.1.1. Mô hình AR, MA và ARIMA trong chuỗi thời gian
• 3.1.2. Quá trình tự hồi quy (AR)
• 3.1.3. Tự hồi quy và trung bình trượt (ARMA)
• 3.1.4. Trung bình trượt kết hợp tự hồi quy (ARIMA)
• 3.1.5. Phương pháp luận Box-Jenkins
• 3.2. Kết quả nghiên cứu
• 3.3. Xây dựng mô hình ARIMA
• 3.4. Một số khuyến nghị
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mô hình ARIMA trong dự báo giá tiêu dùng

Mô hình ARIMA (Autoregressive Integrated Moving Average) đã trở thành một công cụ quan trọng trong việc dự báo chỉ số giá tiêu dùng (CPI) ngắn hạn. Việc áp dụng mô hình này giúp các nhà kinh tế và nhà hoạch định chính sách có cái nhìn rõ ràng hơn về xu hướng giá cả trong tương lai. Mô hình ARIMA không chỉ đơn thuần là một phương pháp thống kê, mà còn là một công cụ mạnh mẽ để phân tích chuỗi thời gian, giúp nhận diện các yếu tố ảnh hưởng đến biến động giá cả.

1.1. Khái niệm và nguyên lý hoạt động của mô hình ARIMA

Mô hình ARIMA kết hợp giữa các yếu tố tự hồi quy và trung bình trượt, cho phép dự báo các giá trị tương lai dựa trên các giá trị quá khứ. Nguyên lý hoạt động của mô hình này dựa trên việc phân tích chuỗi thời gian để tìm ra các mẫu và xu hướng, từ đó đưa ra dự báo chính xác hơn.

1.2. Lợi ích của việc sử dụng mô hình ARIMA trong dự báo CPI

Việc sử dụng mô hình ARIMA trong dự báo chỉ số giá tiêu dùng mang lại nhiều lợi ích. Đầu tiên, mô hình này giúp cải thiện độ chính xác của các dự báo. Thứ hai, nó cho phép phân tích sâu hơn về các yếu tố ảnh hưởng đến giá cả, từ đó hỗ trợ các quyết định chính sách kinh tế.

II. Vấn đề và thách thức trong dự báo chỉ số giá tiêu dùng

Dự báo chỉ số giá tiêu dùng không phải là một nhiệm vụ đơn giản. Có nhiều vấn đề và thách thức cần phải đối mặt, từ việc thu thập dữ liệu đến việc lựa chọn mô hình phù hợp. Những yếu tố như biến động kinh tế, chính sách tài chính và các yếu tố bên ngoài có thể ảnh hưởng lớn đến độ chính xác của dự báo.

2.1. Khó khăn trong việc thu thập dữ liệu chính xác

Một trong những thách thức lớn nhất trong việc dự báo CPI là việc thu thập dữ liệu chính xác và đầy đủ. Dữ liệu không chính xác có thể dẫn đến những dự báo sai lệch, ảnh hưởng đến quyết định của các nhà hoạch định chính sách.

2.2. Ảnh hưởng của các yếu tố bên ngoài đến dự báo

Các yếu tố bên ngoài như biến động giá nguyên liệu, chính sách tiền tệ và tình hình kinh tế toàn cầu có thể tác động mạnh đến chỉ số giá tiêu dùng. Việc không tính đến những yếu tố này có thể dẫn đến những sai sót trong dự báo.

III. Phương pháp xây dựng mô hình ARIMA cho dự báo CPI

Xây dựng mô hình ARIMA cho dự báo chỉ số giá tiêu dùng bao gồm nhiều bước quan trọng. Từ việc xác định các tham số của mô hình đến việc kiểm định tính dừng của chuỗi dữ liệu, mỗi bước đều cần được thực hiện cẩn thận để đảm bảo độ chính xác của dự báo.

3.1. Các bước xây dựng mô hình ARIMA

Quá trình xây dựng mô hình ARIMA bao gồm các bước như nhận dạng mô hình, ước lượng tham số và kiểm định mô hình. Mỗi bước đều cần được thực hiện một cách hệ thống để đảm bảo rằng mô hình cuối cùng có thể dự báo chính xác.

3.2. Kiểm định tính dừng của chuỗi dữ liệu

Kiểm định tính dừng là một bước quan trọng trong việc xây dựng mô hình ARIMA. Nếu chuỗi dữ liệu không dừng, cần phải thực hiện các bước biến đổi để đảm bảo rằng mô hình có thể hoạt động hiệu quả.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của mô hình ARIMA

Kết quả nghiên cứu cho thấy mô hình ARIMA có khả năng dự báo chỉ số giá tiêu dùng một cách chính xác. Các ứng dụng thực tiễn của mô hình này không chỉ giúp các nhà hoạch định chính sách mà còn hỗ trợ các doanh nghiệp trong việc điều chỉnh chiến lược kinh doanh.

4.1. Kết quả dự báo chỉ số giá tiêu dùng

Kết quả dự báo từ mô hình ARIMA cho thấy xu hướng tăng trưởng của chỉ số giá tiêu dùng trong ngắn hạn. Điều này cho thấy sự cần thiết phải có các biện pháp kiểm soát lạm phát hiệu quả.

4.2. Ứng dụng mô hình ARIMA trong thực tiễn

Mô hình ARIMA đã được áp dụng thành công trong nhiều lĩnh vực, từ chính sách tiền tệ đến quản lý giá cả. Việc ứng dụng mô hình này giúp các nhà quản lý có cái nhìn rõ ràng hơn về xu hướng giá cả trong tương lai.

V. Kết luận và triển vọng tương lai của mô hình ARIMA trong dự báo CPI

Mô hình ARIMA đã chứng minh được giá trị của mình trong việc dự báo chỉ số giá tiêu dùng. Tuy nhiên, để nâng cao độ chính xác của dự báo, cần tiếp tục nghiên cứu và phát triển các phương pháp mới, kết hợp với các mô hình khác.

5.1. Tầm quan trọng của mô hình ARIMA trong tương lai

Mô hình ARIMA sẽ tiếp tục đóng vai trò quan trọng trong việc dự báo chỉ số giá tiêu dùng, đặc biệt trong bối cảnh kinh tế biến động. Việc cải tiến mô hình sẽ giúp nâng cao độ chính xác của dự báo.

5.2. Hướng nghiên cứu tiếp theo trong lĩnh vực dự báo giá tiêu dùng

Các nghiên cứu tiếp theo có thể tập trung vào việc kết hợp mô hình ARIMA với các phương pháp dự báo khác, nhằm cải thiện độ chính xác và khả năng ứng dụng trong thực tiễn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Công tác phân tích và dự báo kinh tế vĩ mô giữ vai trò then chốt trong việc hỗ trợ các cơ quan quản lý nhà nước ban hành kịp thời các quyết sách điều tiết thị trường, kiềm chế lạm phát và duy trì ổn định kinh tế. Trong bối cảnh hội nhập quốc tế sâu rộng, nền kinh tế Việt Nam chịu tác động dây chuyền từ các biến động và chu kỳ khủng hoảng kinh tế toàn cầu. Việc nghiên cứu, dự báo diễn biến kinh tế thế giới cũng như mức độ ảnh hưởng đến thị trường trong nước là yêu cầu cấp thiết.

Chỉ số giá tiêu dùng (Consumer Price Index - CPI) là thước đo chủ yếu phản ánh mức độ biến động giá tương đối của giỏ hàng hóa, dịch vụ tiêu dùng theo thời gian, đồng thời là chỉ báo chính để đo lường lạm phát hoặc giảm phát. Biến động của CPI tác động trực tiếp đến chính sách tiền tệ, chính sách tài khóa, tiền lương, an sinh xã hội và đời sống sinh hoạt của người dân. Do đó, việc xây dựng mô hình dự báo chính xác CPI trong ngắn hạn có ý nghĩa thực tiễn quan trọng đối với các nhà hoạch định chính sách kinh tế vĩ mô và các doanh nghiệp trong việc điều chỉnh kế hoạch kinh doanh.

Đề tài đặt ra 4 mục tiêu nghiên cứu cụ thể:

1. Tìm hiểu về chỉ số CPI và các khái niệm, cơ sở lý luận liên quan.
2. Xây dựng mô hình chuỗi thời gian phù hợp với đặc điểm dữ liệu kinh tế Việt Nam.
3. Đưa ra mô hình ước lượng tối ưu dựa trên các tiêu chuẩn thống kê.
4. Thực hiện dự báo chỉ số giá tiêu dùng trong ngắn hạn và trung hạn.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Chỉ số giá tiêu dùng (CPI) tại Việt Nam.
• Phạm vi không gian: Nền kinh tế Việt Nam, có mở rộng so sánh, đối chiếu với 9 quốc gia khác trong khu vực ASEAN (Singapore, Myanmar, Lào, Campuchia, Brunei, Indonesia, Malaysia, Philippines, Thái Lan).
• Phạm vi thời gian: Số liệu chuỗi thời gian CPI hàng tháng từ tháng 01/2014 đến tháng 12/2021 (gồm 96 quan sát) phục vụ ước lượng mô hình; dữ liệu thực tiễn phân tích giai đoạn 2010–2021; chuỗi số liệu dự báo kéo dài từ năm 2021 đến năm 2026.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài tập trung vào bản chất kinh tế của chỉ số giá tiêu dùng và các mô hình toán kinh tế ứng dụng trong phân tích chuỗi thời gian:

• Chỉ số giá tiêu dùng (CPI): Được tính theo công thức Laspeyres bình quân gia quyền cố định giỏ hàng hóa của kỳ báo cáo so với kỳ cơ sở: $$CPI = \frac{\sum_{i=1}^{n} p_{it} \cdot Q_{i0}}{\sum_{i=1}^{n} p_{i0} \cdot Q_{i0}}$$ Trong đó $n$ là số hàng hóa trong giỏ, $Q_{i0}$ là khối lượng hàng hóa dịch vụ thứ $i$ tại kỳ gốc, $p_{i0}$ là giá kỳ gốc, và $p_{it}$ là giá kỳ báo cáo $t$.
• Mô hình chuỗi thời gian ARIMA ($p, d, q$): Được George Box và Gwilym Jenkins phát triển năm 1976, kết hợp giữa quá trình tự hồi quy AR($p$), sai phân tích hợp bậc $d$ để đảm bảo tính dừng, và quá trình trung bình trượt MA($q$).
• Tổng quan các mô hình so sánh: Khóa luận xem xét cơ sở lý thuyết của mô hình Tự hồi quy vector (VAR), mô hình Hiệu chỉnh sai số dạng vector (VECM) và phương pháp san bằng mũ Holt-Winters, từ đó luận giải tính tối ưu của ARIMA đối với dữ liệu chuỗi thời gian đơn biến theo tháng.

Phương pháp nghiên cứu thực nghiệm được thực hiện theo quy trình Box-Jenkins chuẩn gồm 4 bước lặp:

1. Nhận dạng mô hình (Identification): Kiểm tra tính dừng của chuỗi dữ liệu bằng kiểm định nghiệm đơn vị Augmented Dickey-Fuller (ADF) và Phillips-Perron (PP). Khi chuỗi không dừng, tiến hành lấy sai phân bậc 1 ($d=1$). Xác định bậc $p$ và $q$ thông qua biểu đồ hàm tự tương quan (ACF) và hàm tự tương quan riêng phần (PACF).
2. Ước lượng tham số (Estimation): Ước lượng các hệ số bằng phương pháp bình phương tối thiểu hoặc ước lượng phi tuyến; so sánh các mô hình thử nghiệm dựa trên tiêu chuẩn thông tin Akaike (AIC), Schwarz Criterion (SC) và hệ số $R^2$ hiệu chỉnh.
3. Kiểm định chẩn đoán (Diagnostic Checking): Kiểm tra tính nhiễu trắng của phần dư bằng thống kê $Q$ của Ljung-Box (1978) để phát hiện tự tương quan; kiểm tra phương sai sai số thay đổi bằng kiểm định White/Breusch-Pagan và kiểm định phân phối chuẩn Jarque-Bera.
4. Dự báo (Forecasting): Tính toán giá trị dự báo điểm cho các giai đoạn tiếp theo.

Nguồn dữ liệu nghiên cứu là số liệu thứ cấp do Tổng cục Thống kê (GSO) công bố chính thức và dữ liệu quốc tế từ Trading Economics, được xử lý trên phần mềm kinh tế lượng EViews 10 và ngôn ngữ R.

Nội dung chính theo từng chương

Chương 1: Lý luận chung về chỉ số giá tiêu dùng và tổng quan một số mô hình phân tích, dự báo

Chương 1 hệ thống hóa cơ sở lý luận về CPI, vai trò của CPI trong việc đo lường lạm phát, các tác động kinh tế khi CPI tăng/giảm và các vấn đề nội tại khi tính toán CPI (sai lệch do thay thế làm CPI phản ánh cao hơn thực tế, không phản ánh kịp thời hàng hóa mới xuất hiện và chưa lượng hóa đầy đủ sự cải thiện chất lượng hàng hóa).

Tác giả phân tích quy trình dự báo CPI thực tế tại Tổng cục Thống kê, trong đó rổ hàng hóa được chia làm 3 danh mục để áp dụng các mô hình khác nhau:

• Danh mục 1 (DM1): Các mặt hàng có quyền số lớn, dễ bị ảnh hưởng bởi giá thị trường hoặc giá quá khứ, được dự báo bằng mô hình hồi quy đa biến và ARIMA.
• Danh mục 2 (DM2): Các mặt hàng do Nhà nước quản lý giá (như y tế, giáo dục), dự báo dựa trên kịch bản chính sách điều chỉnh giá.
• Danh mục 3 (DM3): Các mặt hàng còn lại, được dự báo bằng phương pháp san bằng mũ Holt-Winters.

Đồng thời, chương này tổng quan cấu trúc toán học, ưu điểm và hạn chế của ba mô hình định lượng phổ biến: ARIMA, VAR và VECM. Tác giả kết luận mô hình ARIMA là lựa chọn phù hợp nhất cho bài toán dự báo CPI ngắn hạn theo tháng tại Việt Nam nhờ cấu trúc đơn giản, khả năng nắm bắt quan hệ tuyến tính giữa dữ liệu hiện tại và quá khứ mà không đòi hỏi hệ thống biến nội sinh phức tạp.

Chương 2: Phân tích biến động chỉ số giá tiêu dùng tại Việt Nam

Chương 2 trình bày chi tiết phương pháp thu thập, xử lý và đặc điểm dữ liệu CPI của Việt Nam qua các thời kỳ, bao gồm việc áp dụng Quyết định số 31/QĐ-TCTK (giai đoạn 2015–2019) và Quyết định số 1134/QĐ-TCTK (giai đoạn 2020–2025). Giai đoạn 2020–2025, mạng lưới điều tra sử dụng danh mục gồm 754 mặt hàng đại diện, áp dụng công nghệ thu thập dữ liệu bằng thiết bị điện tử CAPI tại 63 tỉnh, thành phố.

Mã	Nhóm mặt hàng tính CPI giai đoạn 2020–2025	Quyền số (%)
C	Tổng chi tiêu cho hàng hóa cuối cùng	100,00
1	Hàng ăn và dịch vụ ăn uống	33,56
2	Đồ uống và thuốc lá	2,73
3	May mặc, mũ nón, giày dép	5,70
4	Nhà ở, điện nước, vật liệu xây dựng	18,82
5	Thiết bị và đồ dùng gia đình	6,74
6	Thuốc và dịch vụ y tế	5,39
7	Giao thông	9,67
8	Bưu chính viễn thông	3,14
9	Giáo dục	6,17
10	Văn hóa, giải trí, du lịch	4,55
11	Hàng hóa và dịch vụ khác	3,53

Nguồn: Tổng cục Thống kê

Về diễn biến thực tế:

• Giai đoạn 2016–2020: CPI bình quân tăng 3,15%/năm, thấp hơn đáng kể so với mức 7,65%/năm của giai đoạn 2011–2015. Năm 2018 ghi nhận mức tăng cao nhất (3,54%) do điều chỉnh giá dịch vụ y tế theo Thông tư số 02/2017/TT-BYT và Thông tư số 39/2018/TT-BYT (dịch vụ y tế tăng 13,86%), tăng học phí theo Nghị định số 86/2015/NĐ-CP (giáo dục tăng 7,12%), tăng lương tối thiểu vùng và tăng giá xăng dầu thế giới (dầu Brent tăng 31,3%).
• Năm 2021: CPI bình quân chỉ tăng 1,84% so với năm trước (mức tăng thấp nhất kể từ năm 2016), lạm phát cơ bản tăng 0,81%. Mức tăng này chịu áp lực từ giá xuất khẩu gạo tăng (+8,75%), giá gas (+17,62%), giá vật liệu xây dựng (+9,43%) và giá xăng dầu (+29,71%), nhưng được kiềm chế nhờ giá thịt gia súc giảm 7,72%, dịch vụ du lịch giảm và chính sách hỗ trợ tiền điện, viễn thông trong đại dịch Covid-19.

Quốc gia	2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020	Bình quân 2010–2020
Singapore	100,60	105,25	104,58	102,36	101,03	99,48	99,47	100,58	100,44	100,57	99,92	101,28
Myanmar	-	103,17	101,66	102,11	103,14	102,10	102,08	103,80	100,97	100,66	98,86	101,85
Lào	105,80	107,58	104,26	106,37	101,13	101,28	101,76	100,66	102,04	103,32	105,07	103,82
Campuchia	103,10	105,48	102,93	102,96	103,85	101,23	103,03	102,91	102,39	102,01	102,94	102,98
Brunei	97,90	100,14	100,11	100,39	99,79	99,96	99,62	98,74	101,05	99,58	101,94	99,90
Indonesia	105,10	105,00	104,30	106,00	106,20	106,38	103,53	103,80	103,29	103,53	102,03	104,28
Malaysia	101,70	103,20	101,60	102,10	103,14	102,10	102,09	103,80	100,97	100,66	98,86	101,97
Philippines	103,80	104,60	103,20	103,00	104,17	101,41	101,78	103,20	105,21	102,60	102,60	103,15
Thái Lan	103,30	103,80	103,00	102,20	101,90	99,10	100,19	100,70	101,06	100,70	99,15	101,31
Việt Nam	109,19	118,58	109,21	106,60	104,09	100,63	102,66	103,53	103,54	102,79	103,23	105,72

Nguồn: TCTK và tradingeconomics.com

Giai đoạn 2010–2020, CPI bình quân của Việt Nam là 105,72% (tương đương mức tăng bình quân 5,72%/năm), cao nhất khu vực ASEAN, chủ yếu do ảnh hưởng từ giai đoạn lạm phát hai con số 2010–2011 (đạt đỉnh 18,58% năm 2011). Từ năm 2012 trở đi, công tác điều hành giá được kiểm soát tốt và ổn định dần.

Chương 3: Dự báo chỉ số giá tiêu dùng và một số khuyến nghị

Chương 3 triển khai thực nghiệm mô hình ARIMA trên chuỗi số liệu CPI gồm 96 quan sát (01/2014 – 12/2021):

• Kiểm định tính dừng: Kiểm định ADF cho giá trị $t\text{-Statistic} = -27,725$ với $p\text{-value} = 0,258 > 0,05$; kiểm định Phillips-Perron (PP) cho giá trị $t\text{-Statistic} = -14,703$ với $p\text{-value} = 0,256 > 0,05$. Do đó, chuỗi CPI gốc là chuỗi không dừng. Sau khi lấy sai phân bậc 1 ($d=1$), chuỗi trở thành chuỗi dừng.
• Xác định và ước lượng mô hình: Dựa vào đồ thị ACF và PACF của chuỗi sai phân bậc 1 kết hợp so sánh các chỉ số tiêu chuẩn, mô hình ARIMA(1,1,1) được xác định là tối ưu với kết quả: $\hat{\sigma}^2 = 0,3324$, $\text{Log likelihood} = -75,04$, $\text{AIC} = 164,08$.
• Kiểm định chẩn đoán:
  • Kiểm định tự tương quan sai số bằng thống kê $Q$ của Ljung-Box cho $p\text{-value} = 0,5524 > 0,05$, kết luận phần dư không mắc khuyết tật tự tương quan.
  • Kiểm định phương sai sai số thay đổi cho giá trị $p\text{-value} = 0,2242 > 0,05$, kết luận mô hình không có hiện tượng phương sai thay đổi.

Năm	2021	2022	2023	2024	2025	2026
CPI dự báo (%)	2,60	2,44	2,02	1,59	1,16	2,63

Mô hình cho thấy CPI có xu hướng giảm dần tốc độ tăng từ năm 2021 đến 2025 trước khi tăng trở lại vào năm 2026. Tác giả chỉ ra rằng dự báo bằng ARIMA(1,1,1) đạt độ tin cậy cao nhất trong ngắn hạn từ 3 đến 6 tháng, và cần cập nhật số liệu định kỳ hàng tháng để hiệu chỉnh kết quả dự báo dài hạn.

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả cụ thể:

1. Xác lập mô hình định lượng thực nghiệm: Chứng minh mô hình ARIMA(1,1,1) là mô hình phù hợp nhất đối với chuỗi số liệu CPI theo tháng của Việt Nam giai đoạn 2014–2021, vượt qua các kiểm định nghiêm ngặt về tính dừng, tự tương quan phần dư ($p=0,5524$) và phương sai đồng nhất ($p=0,2242$).
2. Cung cấp chuỗi số liệu dự báo: Đưa ra dự báo mức tăng CPI hàng năm từ 2021 đến 2026 (năm 2021: 2,60%; 2022: 2,44%; 2023: 2,02%; 2024: 1,59%; 2025: 1,16%; 2026: 2,63%).
3. Đề xuất 5 nhóm khuyến nghị điều hành giá vĩ mô:
   • Các Bộ, ngành chủ động bảo đảm cân đối cung - cầu, bình ổn giá hàng hóa thiết yếu, ngăn chặn hành vi đầu cơ găm hàng thao túng giá.
   • Bộ Công Thương và Bộ Tài chính theo dõi sát giá xăng dầu thế giới, điều hành linh hoạt Quỹ bình ổn giá (BOG) và tính toán kịch bản tăng giá điện phù hợp.
   • Bộ Y tế và Bộ Giáo dục và Đào tạo phối hợp phân kỳ lộ trình điều chỉnh giá dịch vụ y tế và học phí tránh dồn vào cuối năm.
   • Nâng cao chất lượng công tác tổng hợp, phân tích và dự báo giá để xây dựng kịch bản điều hành giá dịch vụ công theo cơ chế tự chủ.
   • Ngân hàng Nhà nước duy trì chính sách tiền tệ ổn định, kiểm soát chặt dòng vốn tín dụng vào các lĩnh vực tiềm ẩn rủi ro như bất động sản và chứng khoán.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế kỹ thuật:

• Độ nhạy mẫu: Mô hình ARIMA đòi hỏi kích thước mẫu quan sát lớn (từ 50 quan sát trở lên) và chuỗi dữ liệu phải duy trì trong điều kiện kinh tế vĩ mô tương đối ổn định.
• Phạm vi dự báo: ARIMA là mô hình chuỗi thời gian đơn biến tuyến tính, chỉ phát huy hiệu quả dự báo chính xác cao trong ngắn hạn (từ 3 đến 6 tháng). Mô hình chưa tích hợp trực tiếp các biến số cấu trúc vĩ mô hoặc các cú sốc phi tuyến bất thường từ môi trường quốc tế.

Hướng nghiên cứu tiếp theo: Cần thực hiện cập nhật chuỗi dữ liệu chỉ số giá hàng tháng liên tục để tái ước lượng tham số mô hình, đồng thời mở rộng kết hợp các mô hình đa biến (VAR, VECM) khi cần đánh giá tương tác giữa CPI với các biến số kinh tế vĩ mô khác như cung tiền, tỷ giá và giá hàng hóa nhập khẩu.

Giá trị tham khảo

Tài liệu có giá trị tham khảo thiết thực cho:

• Sinh viên và học viên: Thuộc các ngành Toán kinh tế, Kinh tế học, Thống kê kinh tế, Kinh tế lượng ứng dụng; cung cấp tài liệu mẫu về quy trình xây dựng mô hình Box-Jenkins từ bước kiểm định nghiệm đơn vị đến kiểm định chẩn đoán và dự báo.
• Chuyên viên phân tích và nghiên cứu chính sách: Cung cấp thông tin tổng hợp về cơ cấu quyền số CPI giai đoạn 2020–2025, phương pháp luận biên soạn chỉ số giá của Tổng cục Thống kê, cùng chuỗi dữ liệu so sánh lạm phát của Việt Nam và các nước ASEAN giai đoạn 2010–2020.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại lựa chọn mô hình ARIMA thay vì VAR hay VECM để dự báo CPI?

Theo cơ sở lý thuyết của Robert et al. (1979) và Brockwell et al. (2001), mô hình ARIMA có ưu thế vượt trội trong việc nắm bắt quan hệ tuyến tính của chuỗi thời gian đơn biến được thống kê chi tiết theo từng tháng. Trong khi VAR và VECM đòi hỏi lượng lớn thông tin về nhiều biến nội sinh, quy trình xác định thứ tự biến phức tạp và chi phí thu thập dữ liệu cao, ARIMA vận hành đơn giản hơn và mang lại kết quả dự báo ngắn hạn chính xác, đáng tin cậy khi môi trường vĩ mô tương đối ổn định.

2. Tổng cục Thống kê Việt Nam phân loại các nhóm hàng dự báo CPI thành mấy danh mục và áp dụng phương pháp nào?

Tổng cục Thống kê phân chia giỏ hàng hóa thành 3 danh mục chính:

• DM1 (Mặt hàng có quyền số lớn, nhạy cảm giá thị trường): Dự báo bằng mô hình hồi quy đa biến và ARIMA.
• DM2 (Mặt hàng do Nhà nước quản lý giá như y tế, giáo dục): Dự báo dựa trên lộ trình chính sách điều chỉnh giá của Nhà nước.
• DM3 (Các mặt hàng còn lại): Dự báo bằng phương pháp san bằng mũ theo mô hình Holt-Winters.

3. Kết quả kiểm định nghiệm đơn vị cho chuỗi số liệu CPI trong nghiên cứu cho thấy điều gì?

Kiểm định ADF cho giá trị thống kê $t = -27,725$ ($p\text{-value} = 0,258$) và kiểm định Phillips-Perron cho giá trị $t = -14,703$ ($p\text{-value} = 0,256$). Cả hai kiểm định đều có $p\text{-value} > 0,05$, cho thấy chưa có cơ sở bác bỏ giả thuyết $H_0$, tức là chuỗi CPI gốc là chuỗi không dừng. Do đó, tác giả đã lấy sai phân bậc 1 ($d=1$) để đưa chuỗi về trạng thái dừng trước khi ước lượng mô hình ARIMA.

4. Nguyên nhân chính khiến CPI năm 2018 của Việt Nam tăng cao nhất trong giai đoạn 2015–2020 là gì?

Năm 2018 CPI tăng 3,54% do các nhóm nguyên nhân chính:

• Điều hành chính sách: Tăng giá dịch vụ y tế 13,86% theo Thông tư 02/2017/TT-BYT và Thông tư 39/2018/TT-BYT; tăng giá dịch vụ giáo dục 7,12% theo Nghị định 86/2015/NĐ-CP; tăng lương tối thiểu vùng thêm 6,5% và tăng lương cơ sở thêm 90.000 đồng/tháng.
• Biến động thị trường: Giá thịt lợn tăng 10,37% do sụt giảm nguồn cung; giá dầu Brent thế giới tăng 31,3% kéo theo giá xăng dầu trong nước tăng bình quân 15,25%; giá vật liệu bảo dưỡng nhà ở tăng 6,59% và giá gas tăng 6,93%.

5. Kết quả kiểm định chẩn đoán mô hình ARIMA(1,1,1) được báo cáo như thế nào?

Mô hình ARIMA(1,1,1) thỏa mãn đầy đủ các điều kiện kiểm định khuyết tật mô hình:

• Kiểm định tự tương quan phần dư bằng thống kê $Q$ của Ljung-Box đạt $p\text{-value} = 0,5524 > 0,05$ (chấp nhận $H_0$, phần dư không có tự tương quan).
• Kiểm định phương sai sai số thay đổi đạt $p\text{-value} = 0,2242 > 0,05$ (chấp nhận $H_0$, phương sai sai số không đổi).
• Độ phân tán sai số ước lượng $\hat{\sigma}^2 = 0,3324$ và chỉ số tiêu chuẩn thông tin $\text{AIC} = 164,08$.

Kết luận

Chuyên đề tốt nghiệp đã hệ thống hóa toàn diện cơ sở lý luận về chỉ số giá tiêu dùng và phương pháp luận Box-Jenkins trong dự báo chuỗi thời gian kinh tế. Thông qua việc phân tích chuỗi dữ liệu CPI hàng tháng của Việt Nam giai đoạn 2014–2021 gồm 96 quan sát, tác giả đã xây dựng thành công mô hình thực nghiệm tối ưu ARIMA(1,1,1) đáp ứng các kiểm định thống kê khắt khe. Kết quả dự báo ngắn hạn từ 3 đến 6 tháng cùng hệ thống 5 nhóm giải pháp quản lý giá cung cấp cơ sở tham khảo cho việc phân tích và điều hành kinh tế vĩ mô.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: LÝ LUẬN CHUNG VE CHỈ SO GIÁ TIEU DUNG VA TONG QUAN MOT SO MO HINH PHAN TÍCH, DỰ BAO 1. Cơ sở lí luận về chỉ số giá tiêu dùng 1. Khái niệm chỉ số giá tiêu dùng Chỉ số giá tiêu dùng (Consumer Price Index — CPI) được tính từ giá của giỏ hàng hóa và dịch vụ của một người tiêu dùng điển hình mua, là chi số tính theo đơn vị phan trăm nhằm phản ảnh mức độ thay đổi giá của người tiêu dùng mua theo thời gian. Giỏ hàng được chon với khối lượng và cơ cấu có định tùy từng giai đoạn phát triển kinh tế.Chỉ số CPI được sử dụng dé do lường giá cả nhiều mặt hàng khác nhau trong các lĩnh vực như dịch vụ truyền thông, hàng hóa, thực phẩm, nhà ở, tiêu dùng, giáo dục, giải trí, phương tiện di chuyên và nhiêu loại dịch vụ khác.

Đây là chỉ số quan trọng ảnh hưởng lớn đến nền kinh tế, đặc biệt là vấn đề lạm phát và giảm phát.1: Tốc độ tăng CPI tháng 10 qua giai đoạn 2016 - 2020 GIAI DOAN 2016 - 2020 4,0% 3,5% 3,0% 2,5% 2,0% 1,5% 1,0% 0,5% : -0,09% 0,0% 0,09%- Năm 2016 Năm 2017 Năm 2018 Năm 2019 Năm 2020 —CPI so với tháng trước ——CPI so với tháng 12 năm trước Nguồn: Vietnambiz Tai môi nên kinh tê khác nhau, các tô chức khác nhau thì việc nghiên cứu va sử dụng các phương pháp dự báo CPI cũng rất khác nhau. Nguồn thông tin phục 11181595 - Nguyễn Hồng Hạnh 3 Chuyên đề thực tập chuyên ngành Toán kinh tế vụ các dự báo CPI vì vậy cũng được yêu cầu rất đa dạng với chuỗi số liệu theo thời gian và yêu cầu cập nhật thường xuyên. Chỉ số CPI và lạm phát luôn đi cùng nhau trong những báo cáo về nền kinh tế vĩ mô. CPI là chỉ số tính lạm phát phô biết nhất.

Có thé thay tỷ lệ lạm phát được tính dựa trên chỉ số giá tiêu dùng của các năm. Do đó, nếu năm sau giỏ hàng hóa có giá cao hơn năm trước càng nhiều thì tỷ lệ lạm phát sẽ càng lớn. CPI và lạm phát là ví dụ tiêu biểu nhất cho mối quan hệ thuận chiều. Giá tăng nghĩa là chỉ số giá tiêu dùng tăng.

Đồng thời, đồng tiền cũng mat đi một phan giá trị. Vi thé lạm phát cũng gia tăng. Tuy nhiên, từ hình vẽ thống kê trên thấy được, chỉ số CPI chưa thực sự là công cụ dự báo chính xác, ngoài ra còn có các phương pháp khác dé dự báo lạm phát. Việt Nam bat đầu tính toán và sử dung CPI dé phan ánh mức độ tăng giá tiêu dùng chung từ năm 1998 (trước 1998, sử dụng chỉ số giá bán lẻ - RPI).

Từ đó đến nay, số lượng và quyền số của các mặt hang trong rô hàng hóa dé tinh CPI được cập nhật và mở rộng 5 năm một lần, thời điểm được chọn làm năm gốc cũng thay đôi theo: năm gốc 1995 (296 mặt hàng), 2000 (390 mặt hàng), 2005 (494 mặt hàng). Các mặt hang trong rô hàng hóa CPI hiện được phân chia thành các nhóm, chi tiết theo các cấp: cap 1: 10 nhóm, cấp 2: 32 nhóm, cấp 3: 86 nhóm, cấp 4: 237 nhóm. Do đó, hiện nay số liệu CPI của Việt Nam được chia làm 3 giai đoạn: 1998- 2000, 2001-2005, 2006-nay. Mô hình dự báo chỉ sé CPI tai Tống Cục Thống Kê Tại việt Nam, doanh nghiệp và chính phủ luôn có nhu cầu về thông tin dự báo chỉ số CPI nhằm phục vụ cho quản lý, điều hành doanh nghiệp, ra các quyết định kinh doanh và chính sách đối với nền kinh tế vĩ mô.

Nhằm đáp ứng các nhu cầu đó, nhiều cơ quan, tổ chức và cá nhân đã thực hiện dự báo CPI bằng nhiều phương pháp khác nhau tuỳ theo nguồn dữ liệu đầu vào như thé nào. Tại Ngân hang Nhà nước Việt Nam, dự báo chỉ số CPI củng có cho việc ra các chính sách tiền tệ phù hợp với nền kinh tế. Các mô hình kinh tế lượng được sử dụng nhằm phân tích và dự báo chỉ số giá tiêu dùng CPI như: mô hình chuỗi thời gian ARIMA; mô hình tự hồi quy VAR, mô hình cấu trúc tự hồi quy SVAR, mô hình hiệu chỉnh sai số VCEM;. 11181595 - Nguyễn Hồng Hạnh 4 Chuyên đề thực tập chuyên ngành Toán kinh tế Tại Bộ Kế hoạch và Đầu tư, dự báo chỉ số CPI bằng nhiều phương pháp kinh tế lượng sử dụng các mô hình chuỗi thời gian trong việc khai thác dữ liệu: phương pháp trung bình trượt, san băng mũ Holt-winters, mô hình hồi đơn hoặc đa phương trình như (VAR, VECM) nhăm phục vụ cho việc dự báo trong ngắn hạn.

Tại Bộ Công Thương, trung tâm thông tin công nghiệp và thương mại sử dụng chủ yếu mô hình san bằng mũ Holt-winter dé dự báo chỉ số giá tiêu dùng CPI. Nhăm đáp doanh nghiệp và nhà nước về nhu cầu thông tin dự báo CPI, Tổng Cục Thống Kê đã thực hiện dự báo chỉ số CPI dựa trên hai phương pháp chính: - Dự báo CPI dựa trên tác động trực tiếp về giá cả hàng hoá trong “giỏ hàng hoa” CPI thông qua biến động giá của các mặt hàng và quyền số tương ứng của nó để tính lại CPI theo công thức hiện đang sử dụng để biên soạn CPI. - Dự báo CPI sựa trên tác động gián tiếp sử dụng bang IO trong tài khoản quốc gia trong đó đánh giá được tác động của việc thay đôi đầu vào (hệ số đầu vào, giá nhân tốt đầu vào) trên giá ban sản phâm. từ mô hình giá này, CPI và các chỉ số giá sản xuất sẽ được tính toán chỉ tiết có ảnh hưởng trực tiếp và gián tiếp dựa trên tác động của các yếu tố đầu vào đối với giá sản phẩm cần dự báo.2: Quy trình dự báo CPI áp dụng tại Tổng Cục Thống Kê “Rỗ hàng” CPI Danh mục HH&DV Xác định các Dự bảo mức giả (DM1) biển tác động DMI cho tỉnh (HH&DV có quyền sd lớn) đến mức gia của (Mã hình hỏi quy DMI đa biến va ARIMA) Dư bảo CPI cần Danh mục HH&DV Chỉ thay đổi mú tỉnh (DM2) (Mặt hàng do Nhà my mg (Sử dụng giả khi có chính nước quan Ïý) 4 Kẻ phan mém sách thay đôi giả tinh CPI Danh mục HH&DV : —— dia (DM3) Du bao mức giả phương] can lại) (HH&DT DM3 cho tỉnh (Chuối that gian Holt Winter) (HH&DV: Hàng hóa va dich vụ) Dự báo CPI toàn quốc, vùng theo nhóm hang (Sir dụng phản mềm tinh CPI Trung wong) Dự bao mức gia Du bao chi số giả vàng Vang và Đồ la Mỹ DM4 cho tinh và Đô la Mỹ (Phan mem (BM4) (Chuỗi thời gian địa phương và Trung Holt Winter) wong) (Nguồn: Thông tin khoa học Thống kê) 11181595 - Nguyễn Hồng Hạnh 5 Chuyên đề thực tập chuyên ngành Toán kinh tế Việc dự báo phân loại ra 3 danh mục mặt hàng chính trong giỏ hàng hoá điểm hình nhằm phân tích biến động và dự báo giá của các sản phần cho từng khu vực thành thị và nông thôn của địa bàn các tỉnh trên cả nước.

Mức giá dự báo của toàn bộ các hàng hóa và dịch vụ trong giỏ hàng hoá CPI của từng tỉnh sau đó sẽ được sử dụng để tính CPI cấp tỉnh theo phương pháp Laspayres bình quân nhân gia quyền theo đúng phương pháp tính CPI hiện thời bằng việc sử dụng chương trình phần mềm CPI hiện tại của địa phương. Kết quả của quá trình này được gọi là dự báo CPI cấp tỉnh. Dự báo CPI cấp tỉnh được sử dụng đề tính CPI vùng, toàn quốc, theo khu vực thành thị và nông thôn cho các nhóm hàng chính dựa trên phan mềm CPI hiện tại cấp Trung ương (sử dụng thay đổi mức giá và quyền số dọc và quyền số ngang tính biên soạn), kết quả của quá trình này gọi là dự báo CPI chung cả nước. Ba danh mục mặt hàng được lựa chọn sẽ được sử dụng dé dự báo CPI theo 3 phương pháp dựa trên đặc thù của các nhóm hàng, trong đó: Danh mục thứ nhất, gọi là danh mục 1 (viết tắt DM1), được lựa chọn dựa trên đặc điểm về quyên số lớn như trình bày ở trên, ngoài ra còn dựa trên đặc tính dễ bị ảnh hưởng của giá các hàng hóa khác hoặc những cú sốc từ phía thị trường, bao gồm cả giá của mặt hàng đó trong quá khứ.

Mức giá các mặt hàng trong danh mục này được dự báo dựa trên các mô hình hồi quy đa biến và mô hình ARIMA. Danh mục thứ hai, gọi là danh mục 2 (viết tắt là DM2), được lựa chọn dựa trên đặc điểm về tính quản lý của Nhà nước trong điều chỉnh giá, do vậy những mặt hàng và sản phẩm do nhà nước quản lý như dịch vụ y tế và giáo dục đã được chọn. Các mặt hàng trong Danh mục 2 được dự báo khi có các chính sách điều chỉnh giá của nhà nước. Danh mục thứ ba, gọi là danh mục 3 (viết tắt là DM3), bao gồm những hàng hóa còn lại chưa được chọn trong DMI và DM2 và được dự báo mức giá dựa trên dãy số thời gian bằng phương pháp san bằng mũ theo mô hình Holt Winter.

Dự báo CPI thực hiện dựa trên các thông tin về dự báo mức giá các hàng hóa trong “rồ hàng” CPI theo 3 phương pháp đã liệt kê ở trên (mô hình hồi quy đa biến, Hold-Winter và mặt hang do Nhà nước quan lý). Các thông tin này được sử dụng cùng với các loại quyên số chỉ tiết tại các tỉnh đề tính CPI cấp tỉnh và CPI chung 11181595 - Nguyễn Hồng Hạnh 6 Chuyên đề thực tập chuyên ngành Toán kinh tế toàn quốc. Việc biên soạn CPI các tỉnh và toàn quốc được thực hiện dựa trên các phần mềm tính CPI địa phương và Trung ương do TCTK đang thực hiện. Với phương pháp thực hiện này, dự báo mức giá các mặt hàng đóng vai trò quyết định đến quá trình và chất lượng dự báo CPI.

Công thức tính chỉ sô giá tiêu dùng CPI Chỉ số CPI được khai thác từ dit liệu chi tiêu của hàng triệu hộ gia đình trên toàn quốc. Dữ liệu được thu thập thông bằng phỏng van, nhật ký chi tiêu của các mẫu đối tượng được lựa chọn dé nghiên cứu. Tính chỉ số CPI bằng tính số bình quân gia quyền theo công thức Laspeyres của giá cả của kỳ báo cáo (kỳ t) so với kỳ cơ sở, gồm các bước: Bước 1: Cố định giỏ hàng hóa: Thông qua điều tra nhằm xác định chỉ phí giỏi hàng hóa, dịch vụ tiêu biểu mà một người tiêu dùng điển hình mua là bao nhiêu. Bước 2: Xác định giá cả: Thống kê giá cả của mỗi mặt hàng trong giỏ hàng hóa tại mỗi thời điểm.