Tính cấp thiết của đề tài
Lạm phát có thể gây ra tác động tiêu cực đến phát triển kinh tế-xã hội, nhưng nếu nền kinh tế có khả năng thích ứng, thiệt hại do lạm phát có thể được hạn chế và một số lợi ích cũng có thể được khai thác Để đạt được điều này, lạm phát cần phải được dự đoán trước Tuy nhiên, những biến động kinh tế trong và ngoài nước sẽ ảnh hưởng đáng kể đến mục tiêu lạm phát từ nay đến năm 2015.
Mục tiêu của Bộ Kế hoạch và Đầu tư cho kế hoạch phát triển kinh tế - xã hội năm 2014 là kiểm soát lạm phát ở mức khoảng 7%, và khoảng 5% cho năm 2015 Dự báo từ Ernst & Young cho thấy lạm phát Việt Nam sẽ đạt 6.5% vào năm 2014 và 6% vào năm 2015 Trong khi đó, Ngân hàng Phát triển Châu Á (ADB) dự đoán lạm phát sẽ chỉ khoảng 4.5% trong năm 2014, nhờ vào sự giảm nhu cầu tiêu dùng trong nước, nguồn cung thực phẩm dồi dào và giá nhiên liệu toàn cầu ổn định.
Theo Báo cáo triển vọng kinh tế khu vực Đông Á Thái Bình Dương của Ngân hàng Thế giới (WB), lạm phát tại Việt Nam được dự báo sẽ đạt 4,5% vào năm 2014 và 5% vào năm 2015.
Trước sự đa dạng trong các nhận định về lạm phát tại Việt Nam trong các năm 2014 và 2015, việc xây dựng một mô hình dự báo lạm phát chính xác là rất cần thiết Mô hình này sẽ cung cấp các số liệu dự báo độc lập, hỗ trợ các nhà hoạch định chính sách và doanh nghiệp trong việc lập kế hoạch phát triển, đồng thời đề xuất những giải pháp hiệu quả để phòng ngừa và giảm thiểu thiệt hại do lạm phát gây ra.
Lạm phát có thể được dự báo thông qua nhiều mô hình khác nhau như mô hình đường cong Phillips, mô hình lý thuyết tiền tệ truyền thống, mô hình hiệu chỉnh sai số, và đặc biệt là mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA) Mô hình ARIMA, với việc sử dụng các giá trị trong quá khứ của biến số cần dự báo, đã chứng minh hiệu quả cao trong việc dự báo ngắn hạn cho các chuỗi thời gian như tỉ giá, lạm phát và tăng trưởng, vượt trội hơn so với các mô hình khác.
Do vậy, đề tài: “Ứng dụng mô hình ARIMA trong dự báo lạm phát
Việt Nam” được lựa chọn để tiến hành nghiên cứu.
Mục tiêu nghiên cứu
Với tính cấp thiết của việc dự báo lạm phát nêu trên, các mục tiêu đặt ra cho đề tài như sau:
- Hệ thống lại cơ sở lý luận cơ bản về lạm phát và mô hình ARIMA
Từ tháng 1/2005 đến tháng 10/2014, thực tiễn lạm phát ở Việt Nam cho thấy sự diễn biến phức tạp của hiện tượng này tại một quốc gia đang phát triển Giai đoạn này phản ánh những quy luật và yếu tố ảnh hưởng đến lạm phát, cung cấp cái nhìn sâu sắc về tình hình kinh tế và chính sách điều hành của đất nước.
Mô hình ARIMA được xây dựng nhằm dự báo lạm phát tại Việt Nam trong giai đoạn từ tháng 11/2014 đến tháng 6/2015 Dựa trên kết quả dự báo, bài viết cũng đưa ra một số khuyến nghị quan trọng đối với Chính phủ và Ngân hàng Nhà nước để điều hành chính sách vĩ mô hiệu quả hơn.
Câu hỏi nghiên cứu
Dựa trên mục tiêu nghiên cứu đã đề ra, đề tài đề cập và trả lời các câu hỏi nghiên cứu sau đây:
- Thế nào là mô hình ARIMA ? Vì sao lựa chọn mô hình ARIMA để dự báo lạm phát Việt Nam ?
Phương pháp xây dựng mô hình ARIMA để dự báo lạm phát là một kỹ thuật quan trọng trong phân tích kinh tế Để xác định mô hình ARIMA phù hợp cho việc dự báo lạm phát tại Việt Nam, cần xem xét các yếu tố như dữ liệu lịch sử và xu hướng lạm phát Kết quả dự báo từ mô hình ARIMA có thể cho thấy độ tin cậy cao nếu được xây dựng và kiểm định đúng cách, giúp các nhà hoạch định chính sách đưa ra quyết định hiệu quả hơn.
- Lạm phát tại Việt Nam trong thời gian tới từ tháng 11/2014 đến tháng
6/2015 được dự báo bao nhiêu ?
- Chính phủ và Ngân hàng Nhà nước nên có những động thái gì trước diễn biến của lạm phát trong thời gian tới ?
Phương pháp nghiên cứu
Đề tài này áp dụng phương pháp Box-Jenkins để xây dựng mô hình ARIMA nhằm dự báo lạm phát, với quy trình thực hiện gồm bốn bước: nhận dạng mô hình, ước lượng mô hình, kiểm tra mô hình và thực hiện dự báo.
Dữ liệu mẫu được thu thập và tính toán dựa trên nguồn dữ liệu sơ cấp từ Tổng cục Thống kê Việt Nam, kết hợp với phương pháp nội suy để đảm bảo tính chính xác và độ tin cậy.
Công cụ hỗ trợ cho nghiên cứu là phần mềm Excel và Eview
Ngoài ra, các phương pháp như định tính, phân tích thống kê mô tả, tổng hợp và so sánh cũng được áp dụng để làm rõ các vấn đề nghiên cứu.
Bố cục của đề tài
Để giải quyết mục tiêu nghiên cứu trên, đề tài được xây dựng với bố cục gồm 3 chương như sau:
Chương 1: Cơ sở lý luận về lạm phát và mô hình ARIMA
Chương 2: Thiết kế nghiên cứu dự báo lạm phát Việt Nam bằng mô hình
Chương 3: Kết quả nghiên cứu dự báo lạm phát Việt Nam và một số khuyến nghị.
Ý nghĩa khoa học và thực tiễn của đề tài
Nghiên cứu này sẽ cung cấp thông tin quý giá cho Chính phủ trong việc kiểm soát lạm phát ở mức một con số dựa trên các dữ liệu tin cậy và khoa học Đồng thời, nó cũng giúp các doanh nghiệp đánh giá tác động của lạm phát, từ đó đưa ra giải pháp giảm thiểu ảnh hưởng tiêu cực Hơn nữa, nghiên cứu còn góp phần hệ thống hóa các khái niệm và đặc điểm cơ bản của mô hình Tự hồi quy tích hợp trung bình trượt, cùng với quy trình ứng dụng mô hình trong thực tiễn dự báo.
CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT VÀ MÔ HÌNH ARIMA5 1.1 CƠ SỞ LÝ LUẬN VỀ LẠM PHÁT
Khái niệm về lạm phát
Có nhiều khái niệm khác nhau về lạm phát, nhưng nhìn chung có ba khái niệm cơ bản sau:
Lạm phát là sự gia tăng liên tục của mức giá chung trong nền kinh tế, chủ yếu do yếu tố tiền tệ gây ra Khái niệm này được phát triển bởi các nhà kinh tế học thuộc trường phái tiền tệ, trong đó nổi bật là nhà kinh tế học Milton Friedman.
Lạm phát là sự gia tăng mức giá chung trong nền kinh tế, không chỉ do yếu tố tiền tệ mà còn bởi biến động giá cả nguyên liệu đầu vào quan trọng như năng lượng và vật liệu Khái niệm này được phát triển bởi các nhà kinh tế học hiện đại, đặc biệt là Samuelson, P.A., người đã không chỉ nhấn mạnh sự tăng liên tục của giá cả mà còn so sánh các chỉ số giá qua các thời kỳ và năm khác nhau để hiểu rõ hơn về lạm phát.
Lạm phát là hiện tượng tăng liên tục của mức giá chung, dẫn đến giảm sức mua của đồng tiền Đây là khái niệm phổ biến được nhiều tác giả trong và ngoài nước áp dụng hiện nay.
Khái niệm lạm phát được hiểu là sự tăng giá đồng thời và liên tục của hầu hết các hàng hóa trong nền kinh tế trong một khoảng thời gian đủ dài để nhận diện xu hướng Lạm phát không chỉ đơn thuần là sự tăng giá của một số hàng hóa hay nhóm hàng hóa, mà là sự gia tăng chung của mức giá trong toàn bộ nền kinh tế Hơn nữa, những biến động giá cả mang tính đột biến hoặc ngắn hạn không được coi là dấu hiệu của lạm phát.
Phân loại lạm phát
Tùy vào các tiêu chuẩn khác nhau mà lạm phát được phân chia thành các loại khác nhau a Phân lo ạ i l ạ m phát theo c ă n c ứ đị nh l ượ ng
- Thiểu phát: Là mức độ lạm phát thấp nhất, từ 0% đến không quá vài
% Loại lạm phát này phản ánh tính khách quan của hiện tượng lưu thông hàng hóa, tiền tệ trong chế độ tiền giấy
Lạm phát vừa phải được định nghĩa là tỷ lệ lạm phát từ trên vài phần trăm đến dưới 10%, chỉ cao hơn một chút so với tốc độ tăng trưởng kinh tế hàng năm và có thể kiểm soát được Mức lạm phát này được coi là chấp nhận được cho nền kinh tế, với những tác động của nó không đáng kể.
Lạm phát phi mã là hiện tượng lạm phát khi tỷ lệ lạm phát đạt từ 10% đến dưới 1000%, tức là có thể là 2 hoặc 3 con số Khi lạm phát ở mức hai chữ số thấp, tác động tiêu cực không đáng kể và nền kinh tế vẫn có thể chấp nhận Tuy nhiên, khi tỷ lệ lạm phát tăng lên mức cao, nó sẽ làm giá cả tăng nhanh chóng và gây ra biến động lớn trong nền kinh tế Lạm phát phi mã rất khó kiểm soát và có thể dẫn đến những hậu quả nghiêm trọng cho nền kinh tế.
Siêu lạm phát là tình trạng lạm phát cực kỳ nghiêm trọng, với tỷ lệ lên đến trên 1000%, có khả năng phá hủy toàn bộ hoạt động kinh tế và dẫn đến suy thoái nghiêm trọng Mặc dù siêu lạm phát rất hiếm xảy ra, nhưng nó vẫn là một mối đe dọa lớn đối với nền kinh tế Việc phân loại lạm phát có thể được thực hiện dựa trên các tiêu chí định tính khác nhau.
Xét về định tính, lạm phát được nhà kinh tế học Samuelson, P.A phân thành hai loại như sau:
Lạm phát cân bằng và có thể dự đoán được xảy ra khi giá cả toàn bộ nền kinh tế đồng loạt tăng, tương ứng với mức tăng trong tiền lương thực tế và phù hợp với hoạt động sản xuất kinh doanh của doanh nghiệp Người dân đã quen với tình trạng lạm phát này và chuẩn bị trước, vì vậy nó không ảnh hưởng đến đời sống của người lao động và nền kinh tế nói chung.
Lạm phát không cân bằng và không được dự đoán trước xảy ra khi giá cả hàng hóa và dịch vụ tăng không đồng đều, vượt xa mức tăng lương thực tế Loại lạm phát này gây thiệt hại cho người dân và nền kinh tế, ảnh hưởng tiêu cực đến tâm lý và đời sống của người dân do họ chưa kịp thích nghi Hệ quả là nó tạo ra biến động lớn trong nền kinh tế.
Đo lường lạm phát
Lạm phát được đo bằng chỉ số tỉ lệ lạm phát, phản ánh sự thay đổi của chỉ số giá cả Chỉ số giá cả là tỷ lệ giữa mức giá trung bình trong kỳ tính toán và mức giá trung bình trong kỳ gốc của một nhóm hàng hóa cụ thể Tỉ lệ lạm phát thể hiện phần trăm tăng trưởng của mức giá trung bình trong kỳ tính toán so với mức giá trung bình ở kỳ gốc.
Tỉ lệ lạm phát = [mức giá cả chung trung bình (t) – mức giá cả chung trung bình (t 0 )] / mức giá cả chung trung bình (t 0 )
Tỉ lệ lạm phát không có một phép đo chính xác duy nhất, vì giá trị của nó phụ thuộc vào nhóm hàng hóa được lựa chọn và quyền số gắn cho từng loại hàng hóa Ngoài ra, việc xác định thời kỳ gốc và phạm vi khu vực kinh tế cũng ảnh hưởng đến cách tính toán chỉ số này.
Các chỉ số phổ biến được sử dụng trong đo lường lạm phát gồm:
Chỉ số giá tiêu dùng (CPI) là thước đo sự biến động giá cả của một tập hợp hàng hóa và dịch vụ mà người tiêu dùng thông thường mua, được gọi là “rổ hàng hóa” CPI được sử dụng rộng rãi để tính toán tỷ lệ lạm phát ở hầu hết các quốc gia trên thế giới.
Chỉ số giá sản xuất (Producer Price Index - PPI) là chỉ số quan trọng đo lường sự biến động giá mà các nhà sản xuất nhận được từ sản phẩm đầu ra của họ, không bao gồm các khoản chi phí bổ sung như giá qua đại lý hay thuế doanh thu.
Chỉ số lạm phát cơ bản là công cụ đo lường tốc độ tăng giá trung bình trong dài hạn, đã loại bỏ các yếu tố nhiễu loạn như cú sốc về cung và áp lực tăng cầu.
Lạm phát cơ bản được tính toán từ chỉ số CPI bằng cách loại bỏ những hàng hóa và dịch vụ có giá cả biến động mạnh do các cú sốc kinh tế.
Chỉ số giảm phát tổng sản phẩm quốc nội (GDP deflator - D GDP) là một chỉ số quan trọng, dùng để đo lường sự biến động giá cả của tất cả hàng hóa và dịch vụ được sản xuất trong nước Chỉ số này phản ánh mức thay đổi giá cả chung, giúp đánh giá tình hình kinh tế và sức mua của đồng tiền.
Tác động của lạm phát
Nhiều nghiên cứu chỉ ra rằng lạm phát có thể ảnh hưởng tích cực hoặc tiêu cực đến tình hình kinh tế-xã hội Mức độ ảnh hưởng này phụ thuộc vào cấu trúc của nền kinh tế, khả năng thích ứng với sự thay đổi của lạm phát và khả năng dự báo lạm phát Tác động tiêu cực của lạm phát thường dẫn đến sự bất ổn trong nền kinh tế, làm giảm sức mua của người tiêu dùng và gia tăng chi phí sinh hoạt.
Thứ nhất, lạm phát cao gây mất ổn định kinh tế vĩ mô, làm giảm tốc độ tăng trưởng và sản lượng của nền kinh tế
Khi lạm phát tăng cao và không được kiểm soát, giá đầu vào và đầu ra sản phẩm thường xuyên biến động, tạo ra môi trường kinh doanh không ổn định Điều này dẫn đến sự giảm sút trong đầu tư của doanh nghiệp, làm giảm thu nhập và lợi nhuận, từ đó ảnh hưởng đến đầu tư trong chu kỳ tiếp theo Hiệu ứng dây chuyền này làm giảm tốc độ tăng trưởng và sản lượng của nền kinh tế.
Môi trường kinh tế vĩ mô không ổn định sẽ dẫn đến sự giảm sút mạnh mẽ của đầu tư nước ngoài vào Việt Nam, từ đó hạn chế tăng trưởng kinh tế Đây là một tác động đáng kể đối với các nước đang phát triển như Việt Nam.
Khi lạm phát cao, giá cả bị bóp méo, dẫn đến việc người tiêu dùng đưa ra quyết định không chính xác Lạm phát cao làm thay đổi các cân bằng thực trong nền kinh tế, gây ra sự chệch hướng nguồn lực trong các giao dịch Điều này còn làm giảm tín hiệu thông tin về giá tương đối, dẫn đến phân bổ nguồn lực không hiệu quả.
Lạm phát cao không chỉ làm tăng chi phí cho doanh nghiệp do lãi suất tăng, mà còn buộc họ phải thường xuyên điều chỉnh thực đơn Điều này dẫn đến hiệu quả kinh doanh giảm sút và sản lượng nền kinh tế cũng bị ảnh hưởng tiêu cực.
Thứ hai, lạm phát cao gây ra nhiều vấn đề xã hội bức xúc
Khi lạm phát gia tăng, đầu tư giảm sút dẫn đến việc doanh nghiệp sa thải công nhân, gây ra tình trạng thất nghiệp tăng cao và thu nhập của người lao động giảm Hơn nữa, lạm phát cao cũng làm giảm lợi tức và gia tăng chi phí cho người gửi tiết kiệm.
Lạm phát cao và không lường trước gây ra sự bất công trong xã hội, làm lợi cho người đi vay nhưng thiệt hại cho người cho vay Tại các nước đang phát triển như Việt Nam, tác động của lạm phát càng làm gia tăng khoảng cách giàu nghèo, với những người nghèo phải gánh chịu hậu quả nặng nề nhất.
Nghiên cứu “Lạm phát đối với các nhóm dân cư” của Từ Thúy Anh và Đào Nguyên Thắng (2008) đã chỉ ra rằng lạm phát ảnh hưởng tiêu cực nhiều hơn đến khu vực nông thôn so với thành thị trong toàn bộ năm 2006 Đặc biệt, tác động của lạm phát đối với nhóm 10% dân cư nghèo nhất là cao hơn so với nhóm 10% dân cư giàu nhất, với tỷ lệ lần lượt là 24.45% và 17.61%.
Thứ ba, trường hợp xảy ra lạm phát phi mã hoặc siêu lạm phát có thể dẫn đến khủng hoảng kinh tế - xã hội
Lạm phát cao gây mất niềm tin của người dân, dẫn đến việc họ ồ ạt rút tiền gửi từ các ngân hàng Hành động này có thể khiến nhiều ngân hàng đứng trước nguy cơ phá sản, đồng thời làm lung lay toàn bộ hệ thống ngân hàng.
Lạm phát cao thường kích thích các thành phần đầu cơ tìm kiếm lợi nhuận, như đã thấy trong cuộc khủng hoảng tiền tệ-tài chính châu Á năm 1997-1998 và khủng hoảng tài chính toàn cầu năm 2007-2008 Sự hoang mang của người dân có thể dẫn đến sự hỗn loạn trên thị trường, gây ra không chỉ bất ổn kinh tế mà còn ảnh hưởng đến tình hình chính trị và xã hội Tuy nhiên, lạm phát cũng có thể tạo ra những tác động tích cực, thúc đẩy sự điều chỉnh và phát triển kinh tế.
Nhà kinh tế James Tobin cho rằng, trong một số trường hợp cụ thể, lạm phát vừa phải và ổn định có thể thúc đẩy tăng trưởng kinh tế bằng cách cải thiện tính linh hoạt của thị trường hàng hóa và lao động, cũng như tăng cường sự linh hoạt tương đối của giá cả.
Từ việc phân tích lý thuyết mô hình tổng cung, các nhà kinh tế đã phát triển một phương trình thể hiện mối quan hệ giữa mức giá và sản lượng.
Y = Y * + a (P – P e ) (1.1) Trong đó: Y: sản lượng thực của nền kinh tế
Y * : sản lượng tiềm năng của nền kinh tế
P e : mức giá dự kiến a: hệ số thay đổi của sản lượng do sự thay đổi của mức giá thực tế so với mức giá dự kiến
Theo phương trình (1.1), khi giá cả tăng, sản lượng cũng sẽ tăng Tuy nhiên, nếu sản lượng vượt quá mức tiềm năng của nền kinh tế, thì nền kinh tế sẽ tự điều chỉnh về mức sản lượng tiềm năng trong một khoảng thời gian nhất định Nghiên cứu định lượng tại Việt Nam cho thấy, trong các giai đoạn có tỷ lệ lạm phát vừa phải (như năm 1996-1997 và 2003-2004), tốc độ tăng trưởng kinh tế có thể đạt mức cao, với tốc độ tăng trưởng xấp xỉ gấp đôi tỷ lệ lạm phát.
Trong một số trạng thái nhất định của nền kinh tế, có sự đánh đổi ngắn hạn giữa thất nghiệp và lạm phát Sự gia tăng mức giá có thể dẫn đến việc giảm tỷ lệ thất nghiệp, từ đó tạo ra nhiều cơ hội việc làm hơn.
Sự đánh đổi giữa lạm phát và thất nghiệp chỉ tồn tại trong ngắn hạn khi lạm phát ở mức thấp Khi lạm phát gia tăng đến một ngưỡng nhất định, nó sẽ có những tác động tiêu cực đến nền kinh tế Trong giai đoạn này, không chỉ không còn sự đánh đổi giữa lạm phát và thất nghiệp, mà lạm phát còn làm tình trạng thất nghiệp trở nên nghiêm trọng hơn.
MỘT SỐ MÔ HÌNH NGHIÊN CỨU VỀ LẠM PHÁT
1.2.1 Một số mô hình lý thuyết về lạm phát a Mô hình đườ ng cong Phillips
Các nhà kinh tế học thuộc trường phái kinh tế học vĩ mô tổng hợp đã áp dụng kết quả nghiên cứu của Phillips (1958) để xây dựng đường cong Phillips, thể hiện mối quan hệ giữa lạm phát và tỷ lệ thất nghiệp.
Hình 1.1: Đường cong Phillips ngắn hạn Đường cong Phillips thể hiện mối quan hệ đánh đổi giữa lạm phát và thất nghiệp
Trường phái tiền tệ cho rằng đường cong Phillips mà Friedman đề xuất chỉ phản ánh mối quan hệ ngắn hạn giữa lạm phát và thất nghiệp Ông đã giới thiệu khái niệm tỉ lệ thất nghiệp tự nhiên, cho rằng ngay cả khi thị trường lao động cân bằng, vẫn tồn tại thất nghiệp tự nhiên Trong dài hạn, đường cong Phillips trở thành một đường thẳng đứng tại mức thất nghiệp tự nhiên, không bị ảnh hưởng bởi lạm phát Do đó, các nhà kinh tế học hiện nay đã bổ sung yếu tố ngẫu nhiên vào mô hình đường cong Phillips để cải thiện độ chính xác trong dự báo.
Theo lý thuyết tiền tệ của Keynes, lạm phát chi phí đẩy xảy ra khi đường tổng cung dịch chuyển sang trái do chi phí sản xuất tăng nhanh hơn năng suất lao động Bốn loại chi phí chính gây ra lạm phát này bao gồm tiền lương, thuế gián thu, lãi suất và giá nguyên liệu nhập khẩu Những yếu tố này có thể tác động riêng lẻ hoặc tổng hợp, làm tăng cao chi phí sản xuất Khi chi phí tăng, doanh nghiệp thường đối phó bằng cách tăng giá hàng hóa, dẫn đến lạm phát mặc dù cầu về sản phẩm không thay đổi đáng kể.
Hình 1.2: Mô hình lạm phát do chi phí đẩy c Mô hình l ạ m phát do c ầ u kéo
Lý thuyết Keynes cho rằng lạm phát xảy ra khi tổng cầu vượt quá khả năng sản xuất của nền kinh tế Bất kỳ yếu tố nào làm tăng tổng cầu đều có thể dẫn đến lạm phát Trong dài hạn, tổng cầu có thể cân bằng với năng lực sản xuất thông qua việc tăng lượng tiền trong lưu thông nhanh hơn tốc độ tăng trưởng thực tế của nền kinh tế, hoặc do sự suy giảm nhanh chóng trong cầu tiền Mặc dù cung tiền được xem là yếu tố quan trọng trong việc xác định mức độ lạm phát, các nhà kinh tế Keynes thường nhấn mạnh vai trò của tổng cầu hơn là cung tiền Theo trường phái Keynes, cung tiền chỉ là một yếu tố quyết định trong tổng cầu.
Sự tăng lên của tổng cầu có thể được giải thích bằng phương trình số nhân chi tiêu của Keynes:
Tổng thu nhập (Y) bao gồm chi tiêu tư nhân (C), đầu tư tư nhân (I), chi tiêu chính phủ (G) và cán cân thanh toán (X-M) Sự gia tăng bất kỳ thành tố nào trong bốn yếu tố này đều có khả năng làm tăng tổng cầu Nếu khuynh hướng tiêu dùng biên (mpc) cao, thì số nhân chi tiêu 1/(1-mpc) cũng lớn, dẫn đến sự thay đổi tổng cầu mạnh mẽ hơn Mô hình lạm phát được phân tích qua quan điểm kỳ vọng cho thấy mối liên hệ này.
Yếu tố kỳ vọng đóng vai trò quan trọng trong các lý thuyết về lạm phát, đặc biệt từ thập niên 1970 Nghiên cứu cho thấy, kỳ vọng lạm phát tác động đến lạm phát qua hai khía cạnh chính: đầu tiên, chúng ảnh hưởng đến mức lãi suất thực và do đó tác động đến lãi suất danh nghĩa, từ đó làm thay đổi lạm phát Thứ hai, kỳ vọng lạm phát ảnh hưởng đến giá cả và tiền lương, dẫn đến sự thay đổi trong lạm phát thực tế trong tương lai Cơ chế hình thành lạm phát kỳ vọng chủ yếu dựa vào tình trạng lạm phát trong quá khứ và các chính sách của chính phủ hiện tại.
Các nhà kinh tế học trường phái tiền tệ nhấn mạnh rằng tốc độ thay đổi cung tiền là yếu tố quyết định chính gây ra lạm phát Milton Friedman đã chỉ ra rằng "Lạm phát luôn luôn có và ở khắp mọi nơi là một hiện tượng tiền tệ." Theo Thuyết số lượng tiền tệ, bất kỳ sự thay đổi nào trong lượng tiền trong một hệ thống đều sẽ ảnh hưởng đến mức giá Lý thuyết này được khởi đầu từ phương trình trao đổi.
M là số lượng tiền danh nghĩa;
V là vòng quay tiền tệ trong các tiêu dùng cuối cùng;
Q là khối lượng giao dịch của các tiêu dùng cuối cùng
Lý thuyết này cho rằng giá cả hoàn toàn linh hoạt, nhưng trong ngắn hạn, nếu lạm phát không điều chỉnh kịp thời, sự thay đổi của lượng tiền danh nghĩa sẽ không tương ứng với lạm phát, dẫn đến sự thay đổi trong cung tiền thực tế Do đó, lý thuyết số lượng tiền tệ sẽ không còn chính xác trong ngắn hạn nếu chưa có sự điều chỉnh hoàn toàn.
1.2.2 Một số mô hình định lượng dự báo lạm phát phổ biến Để dự báo diễn biến trong tương lai của lạm phát, người ta có thể sử dụng mô hình chuỗi thời gian hoặc mô hình nhân quả hoặc sử dụng mô hình khá phức tạp là Neural Network a Mô hình d ự báo chu ỗ i th ờ i gian
Mô hình chuỗi thời gian dự báo giá trị tương lai của một biến số bằng cách phân tích dữ liệu quá khứ và hiện tại của chính biến số đó Các mô hình này không dựa trên bất kỳ động thái kinh tế rõ nét nào và giả định rằng xu hướng vận động trong tương lai sẽ tiếp tục giữ nguyên như trong quá khứ và hiện tại Do đó, chỉ những chuỗi dữ liệu ổn định mới có thể cung cấp dự báo tin cậy, điều này là yếu tố quan trọng trong phân tích và dự báo chuỗi thời gian.
Toàn bộ dự báo được phân chia làm 2 giai đoạn là dự báo hậu nghiệm (ex-post) và dự báo tiền nghiệm (ex-ante)
Giai đoạn dự báo hậu nghiệm là khoảng thời gian bắt đầu từ quan sát đầu tiên sau khi kết thúc giai đoạn mẫu Y T+1 cho đến quan sát mới nhất Y N Đây là giai đoạn quan trọng để kiểm nghiệm độ chính xác của dự báo từ mô hình.
Giai đoạn dự báo tiền nghiệm là thời điểm dự đoán tương lai, đánh dấu mục tiêu chính của quá trình dự báo Tuy nhiên, do chưa xảy ra thực tế, nên không thể thực hiện so sánh để đánh giá độ chính xác của các dự đoán này.
Mô hình ARIMA (Autoregressive Integrated Moving Average) là phương pháp phổ biến nhất trong dự báo lạm phát, được nghiên cứu bởi Box và Jenkins vào năm 1976 Mô hình này thuộc phương pháp Box-Jenkins, giúp phân tích và dự đoán các chuỗi thời gian hiệu quả.
Mô hình nhân quả là phương pháp dự báo dựa trên sự tương tác giữa các yếu tố, trong đó biến phụ thuộc có mối quan hệ nhân quả với các biến độc lập Để xây dựng mô hình này, người làm dự báo cần dựa vào lý thuyết kinh tế, tài chính, nghiên cứu thực nghiệm và kinh nghiệm thực tế Trước tiên, cần thiết lập cơ sở lý thuyết và mối liên hệ giữa các biến Sau đó, thu thập dữ liệu, xây dựng và ước lượng mô hình, kiểm định giả thiết và thực hiện dự báo Phân tích hồi quy được sử dụng để xác định mối liên hệ giữa biến phụ thuộc và biến độc lập, giúp dự báo xu thế và các yếu tố ảnh hưởng đến lạm phát Mô hình nhân quả thường sử dụng dữ liệu dạng bảng.
Trong dự báo lạm phát, các biến phụ thuộc bao gồm tỷ lệ lạm phát và các chỉ số giá như CPI, PPI Ngược lại, các biến độc lập là những yếu tố kinh tế như cung tiền, lãi suất, tỷ giá hối đoái và giá xăng dầu.
CƠ SỞ LÝ LUẬN VỀ MÔ HÌNH ARIMA
1.3.1 Giới thiệu chuỗi thời gian trong kinh tế a Đị nh ngh ĩ a và các thành ph ầ n c ủ a chu ỗ i th ờ i gian
Dữ liệu chuỗi thời gian rất phổ biến trong kinh tế, như: chuỗi giá vàng, chuỗi chỉ số chứng khoáng, chuỗi chỉ số giá tiêu dùng CPI, …
Chuỗi thời gian là tập hợp các giá trị của một đại lượng được ghi nhận theo thứ tự thời gian Trong đó, Yt đại diện cho giá trị quan sát tại thời điểm t, với t có thể là 1, 2, 3, cho đến n.
Các thành phần của dữ liệu chuỗi thời gian trong kinh tế gồm:
- Thành phần xu thế (Trend): phản ánh sự vận động theo xu hướng tăng (hoặc giảm) khá rõ ràng của chuỗi thời gian trong một giai đoạn dài
Thành phần mùa (Seasonality) phản ánh sự biến động ổn định của chuỗi dữ liệu hàng năm, với các mẫu lặp lại qua các năm Những biến động mùa thường được ghi nhận trong dữ liệu theo quý và theo tháng, trong khi dữ liệu theo năm không có thành phần mùa Sự xuất hiện của thành phần mùa chủ yếu do ảnh hưởng của thời tiết và các sự kiện trong năm liên quan đến lịch, như các dịp lễ và kỳ nghỉ hè.
Thành phần chu kỳ (Cyclical) phản ánh sự biến động của chuỗi thời gian lặp lại trong khoảng thời gian dài hơn một năm, thường từ 2 đến 10 năm Khác với thành phần mùa, thành phần chu kỳ thường xuất phát từ các chu kỳ kinh doanh.
Thành phần ngẫu nhiên trong chuỗi thời gian phản ánh những biến động không thể xác định được chiều hướng của nó Những dao động này thường xuất phát từ các yếu tố bên ngoài tác động đến hành vi của chuỗi, mà chúng ta không thể dự đoán trước.
Dữ liệu chuỗi thời gian thường bao gồm nhiều thành phần khác nhau, và việc nhận diện các thành phần này là rất quan trọng để chọn phương pháp dự báo phù hợp Một trong những khía cạnh quan trọng trong phân tích chuỗi thời gian là quá trình ngẫu nhiên (Stochastic process).
Trong dự báo chuỗi thời gian, các mô hình được phát triển dựa trên giả thiết quan trọng rằng chuỗi thời gian được hình thành từ các quá trình ngẫu nhiên.
* Định nghĩa quá trình ngẫu nhiên:
Quá trình {Y t} là tập hợp các dãy quan sát của Y, với quy luật sinh ra chúng Nếu chuỗi thời gian không có thành phần ngẫu nhiên, {Y t} được gọi là quá trình tất định Ngược lại, khi chuỗi có thành phần ngẫu nhiên, {Y t} được mô tả bởi quy luật phân phối xác suất, và được gọi là quá trình ngẫu nhiên.
* Một số quá trình ngẫu nhiên giản đơn:
Nhiễu trắng là một quá trình ngẫu nhiên có trung bình bằng 0, phương sai đồng nhất và không tương quan
Nếu một mô hình hồi quy tuyến tính cổ điển đáp ứng đầy đủ các giả thiết, phần dư của mô hình sẽ tuân theo phân phối nhiễu trắng Điều này có nghĩa là { e_t, t ∈ Z } sẽ được coi là nhiễu trắng khi các điều kiện cần thiết được thỏa mãn.
Khi một biến số được xác định là nhiễu trắng thì ta không thể xây dựng mô hình dự báo
- Bước ngẫu nhiên (Random walk):
Nếu {Y t} tuân theo bước ngẫu nhiên, sự thay đổi của Y t được rút ra độc lập từ một phân phối có trung bình bằng 0, điều này có nghĩa là không thể dự đoán được {Y t} được mô tả bởi phương trình (1.5).
Giá trị trung bình của bước ngẫu nhiên là một giá trị không đổi theo thời gian Nhưng, theo thời gian, phương sai của bước ngẫu nhiên tăng dần
- Bước ngẫu nhiên với bước nhảy (Random walk with drift):
Trong thực tế, biến số hoàn toàn tuân theo bước ngẫu nhiên thuần túy rất hiếm gặp Thay vào đó, chúng ta thường gặp các biến số có tính xu hướng, được thể hiện qua phương trình (1.7): t t t Y.
Y = m + -1 + e (1.7) Với m là mức tăng trưởng kì vọng của 1 thời đoạn ( m là hằng số)
Y(t) được mô tả bởi phương trình (1.7) và tuân theo quá trình bước ngẫu nhiên với bước nhảy Trong quá trình này, cả giá trị trung bình và phương sai đều tăng theo thời gian Điều này định nghĩa chuỗi thời gian mà chúng ta đang nghiên cứu.
Trong dự báo chuỗi thời gian, chúng ta giả định rằng xu hướng vận động của dữ liệu trong quá khứ và hiện tại sẽ tiếp tục trong tương lai Điều này có nghĩa là nếu dữ liệu liên tục thay đổi, chúng ta sẽ không thể đưa ra dự báo chính xác Do đó, điều kiện cơ bản cho việc dự báo chuỗi thời gian là chuỗi thời gian phải có tính dừng, tức là nó phải tuân theo một quá trình ngẫu nhiên dừng.
Quá trình ngẫu nhiên {Y t} được coi là dừng mạnh nếu quy luật phân phối xác suất của nó độc lập với thời gian Điều này có nghĩa là trung bình và phương sai của quá trình không thay đổi theo thời gian, và hiệp phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách độ trễ thời gian giữa các thời đoạn, không phụ thuộc vào thời điểm cụ thể mà hiệp phương sai được tính.
Quá trình được gọi là dừng yếu (dừng theo nghĩa rộng) khi thỏa mãn điều kiện (1.8) dưới đây:
Chuỗi thời gian không thỏa mãn cả ba điều kiện tại (1.8) được coi là chuỗi không dừng Theo định nghĩa về quá trình dừng, nhiễu trắng được xem là chuỗi dừng, trong khi bước ngẫu nhiên lại không có tính chất dừng.
1.3.2 Một số công cụ cơ bản trong phân tích chuỗi thời gian a Toán t ử tr ễ và toán t ử sai phân
* Toán tử trễ và đa thức toán tử trễ:
Toán tử trễ L là toán tử trên một chuỗi thời gian với tính chất làm dịch chuyển quan sát ở thời đoạn t sang quan sát ở thời đoạn t-1 : LY t = Y t-1
Trong trường hợp tổng quát, toán tử trễ được biểu diễn dưới dạng L k Y t = Y t-k Đa thức toán tử trễ bậc p được xác định bởi phương trình p(L) = a0 + a1L + a2L^2 + + apLp Nếu f p (L) và y q (L) là hai đa thức toán tử trễ với bậc p và bậc q tương ứng, chúng đóng vai trò quan trọng trong phân tích và mô hình hóa các hệ thống động.
( L q L = p y f thì y q (L ) là nghịch đảo của f p (L ), tức là:
Toán tử sai phân bậc n có dạng tổng quát: D n =(1– L) n (1.12) Sai phân bậc n khác với sai phân thứ n Sai phân thứ n có dạng: 1 - L n ù ợ ù ớ ì
TỔNG QUAN VỀ LẠM PHÁT VIỆT NAM
2.1.1 Cách thức đo lường lạm phát tại Việt Nam
Việt Nam sử dụng tốc độ tăng chỉ số giá tiêu dùng CPI để phản ánh lạm phát
Việt Nam đã bắt đầu sử dụng chỉ số giá tiêu dùng (CPI) từ năm 1998 để phản ánh mức độ tăng giá tiêu dùng chung, thay thế cho chỉ số giá bán lẻ (RPI) trước đó Kể từ đó, số lượng và quyền số của các mặt hàng trong rổ hàng hóa tính CPI được cập nhật và mở rộng mỗi 5 năm, với năm gốc cũng được điều chỉnh qua các thời kỳ: bắt đầu từ năm 1995 với 296 mặt hàng, và đến năm 2000.
Từ năm 2005 đến năm 2009, số lượng mặt hàng trong rổ hàng hóa CPI đã tăng từ 390 mặt hàng lên 572 mặt hàng Hiện nay, các mặt hàng này được phân chia thành nhiều nhóm, cụ thể là cấp 1 có 10 nhóm, cấp 2 có 32 nhóm, cấp 3 có 86 nhóm và cấp 4 có 237 nhóm.
Quyền số để tính chỉ số giá tiêu dùng (CPI) trong giai đoạn 2009-2014 được xây dựng dựa trên kết quả của Khảo sát mức sống hộ gia đình và Điều tra quyền số CPI do Tổng cục Thống kê thực hiện vào năm 2008.
Chỉ số giá tiêu dùng ở Việt Nam được tính theo công thức Laspeyres ở phương trình (2.1) phù hợp với thông lệ quốc tế: ữữứ ỗỗ ử è
CPI t : chỉ số giá tiêu dùng kỳ tính toán t so với kỳ gốc 0; t p i : giá mặt hàng i kỳ tính toán t; p i 0 là giá mặt hàng i kỳ gốc;
0 q i : số lượng mặt hàng i kỳ gốc;
W i : quyền số cố định năm gốc
Hàng tháng, Tổng cục Thống kê vẫn thường xuyên tính toán và công bố CPI đồng thời theo các gốc so sánh khác nhau là:
CPI hàng tháng so với tháng trước;
CPI hàng tháng so với tháng 12 năm trước;
CPI hàng tháng so với cùng tháng (cùng kỳ) năm trước;
CPI so với năm gốc cố định (thay đổi 5 năm một lần và hiện tính theo năm gốc 2009)
CPI bình quân thời kỳ so với cùng kỳ năm trước
Tại Việt Nam, tỉ lệ lạm phát được xác định qua tốc độ tăng của chỉ số giá tiêu dùng (CPI) hàng tháng so với tháng 12 năm trước Tuy nhiên, phương pháp đo lường này tồn tại một số hạn chế.
Theo thông lệ quốc tế, chỉ số giá tiêu dùng (CPI) hàng năm của hầu hết các quốc gia được công bố dựa trên sự so sánh với năm trước đó Tuy nhiên, hiện tại, cách công bố CPI của chúng ta vẫn chưa phù hợp với quy chuẩn này.
Sự biến động giá cả thị trường trong một tháng không thể đại diện cho biến động giá cả trong cả năm, do giá cả tại Việt Nam thường thay đổi khác nhau theo từng tháng do ảnh hưởng của tính thời vụ.
- Không tương thích về mặt thời gian trong quan hệ so sánh với các chỉ tiêu kinh tế vĩ mô khác
2.1.2 Tình hình lạm phát Việt Nam trong giai đoạn từ năm 2005 đến tháng 10/2014
Nguồn: Tổng cục Thống kê Việt Nam
Hình 2.1: Tỉ lệ lạm phát (%) của Việt Nam giai đoạn 2005 - 10/2014
Trong giai đoạn 2005-2012, lạm phát trung bình khoảng 11.34%, với chu kỳ tăng cao mỗi hai năm một lần Tuy nhiên, từ năm 2007, lạm phát trở nên bất ổn hơn, đặc biệt là vào các năm 2008 và 2011, khi lạm phát đạt đỉnh 19.9% vào năm 2008 và 18.13% vào năm 2011, cao nhất trong khu vực ASEAN.
Năm 2012, lạm phát tại Việt Nam được kiểm soát ở mức 6.81%, giảm xuống còn 6.04% vào năm 2013, trong khi Indonesia có lạm phát cao nhất khu vực với 8.32% Việt Nam nổi bật là một trong những quốc gia kiểm soát lạm phát hiệu quả nhất Lạm phát tiếp tục giảm nhanh chóng cho đến nay, với sự giảm trong năm 2013 và 10 tháng đầu năm 2014 đã phá vỡ quy luật “2 cao 1 thấp” của các năm trước Điều này cho thấy diễn biến lạm phát tại Việt Nam đang trở nên phức tạp và khó đoán trong thời gian tới.
* Diễn biến lạm phát Việt Nam giai đoạn 2005-2008:
Series 1: Mức tăng của CPI tháng so với tháng trước (%).
Series 2: Mức tăng của CPI tháng so với tháng 12 năm trước (%)
Nguồn: Tổng cục Thống kê Việt Nam
Hình 2.2: Diễn biến CPI Việt Nam giai đoạn 2005-2008
Trong giai đoạn 2005-2006, chỉ số giá tiêu dùng hàng năm duy trì mức tăng ổn định dưới 10% Lạm phát trong hai năm này diễn ra theo quy luật tự nhiên, với sự gia tăng vào quý cuối năm và quý I năm sau, đặc biệt là trong tháng 2, trong khi vào quý II và quý III, lạm phát có xu hướng tăng ít hoặc giảm.
Từ năm 2007, lạm phát ở Việt Nam đã tăng mạnh, với chỉ số giá tiêu dùng (CPI) đạt 12.6% vào năm này Tuy nhiên, tình hình trở nên tồi tệ hơn vào năm 2008, khi CPI đầu năm tăng 2.38% và tháng 2 đạt 3.56% so với tháng trước Trong 6 tháng đầu năm 2008, CPI tăng 18.44%, mức cao nhất trong 15 năm qua Sự gia tăng này chủ yếu do dịch bệnh ảnh hưởng đến nguồn cung thực phẩm và nhu cầu tiêu dùng tăng cao trong dịp Tết Nguyên đán Giá gạo tăng mạnh, do giá gạo thế giới leo thang, đã tác động lớn đến CPI lương thực và thực phẩm, khiến giá lương thực tăng 57.22% so với tháng 12/2007 Đồng thời, giá xăng tăng lên 19.000 đồng một lít vào tháng 7/2008, kéo theo sự tăng giá của nhiều mặt hàng khác như cước vận tải và thực phẩm chưa chế biến.
Giá thép trong nước đã tăng mạnh lên mức 19-20 triệu đồng/1 tấn, do giá nguyên liệu thế giới đạt đỉnh 1.150 – 1.200 USD/1 tấn Sự tăng giá này đã tạo ra những tác động gián tiếp và ảnh hưởng đến tâm lý thị trường, khiến nhiều loại hàng hóa khác cũng tăng giá bất thường Trong giai đoạn này, chỉ số giá tiêu dùng (CPI) trung bình đạt 2,48%/tháng.
Nguyên nhân chính dẫn đến lạm phát năm 2007 và nửa đầu năm 2008 là do Việt Nam phải đối phó với tác động tiêu cực của cuộc khủng hoảng tài chính toàn cầu, dẫn đến việc thực hiện chính sách tài khóa mở rộng và tiền tệ nới lỏng Tỉ lệ bội chi ngân sách cao và tốc độ tăng trưởng tín dụng vượt xa tăng trưởng GDP thực tế đã góp phần làm giá cả tăng cao đột biến.
Cuộc khủng hoảng kinh tế toàn cầu đã tác động tiêu cực đến nền kinh tế Việt Nam, khiến tốc độ tăng trưởng chững lại và lạm phát giảm sút Trong bốn tháng cuối năm 2008, nền kinh tế Việt Nam đối mặt với nguy cơ giảm phát, với chỉ số CPI tháng 9 chỉ tăng 0,18% Nguyên nhân chủ yếu là do giá gạo giảm trong một số tháng, kéo theo sự giảm tiếp của CPI trong ba tháng cuối năm Bên cạnh đó, giá xăng cũng giảm liên tiếp 10 lần trong cùng thời gian này.
Giá dầu và gas đã giảm mạnh do sự sụt giảm giá cả toàn cầu Giá phôi thép trên thị trường thế giới đạt mức thấp 270-280 USD/tấn, khiến giá sắt xây dựng trong nước có thời điểm chỉ còn 10 triệu đồng Sau khi chỉ số giá tăng nhẹ 0.18% vào tháng 9, trong ba tháng quý IV, chỉ số giá đã liên tiếp giảm: tháng 10 giảm 0.19%, tháng 11 giảm 0.76% và tháng 12 giảm 0.68%.
Tóm lại, mặc dù giá cả đã giảm trong các tháng cuối năm, nhưng sự tăng vọt của giá cả trong 6 tháng đầu năm đã khiến lạm phát năm 2008 đạt mức cao kỷ lục 19,9% Điều này đã dẫn đến tình trạng kinh tế Việt Nam gặp rất nhiều khó khăn trong năm 2008.
* Diễn biến lạm phát Việt Nam giai đoạn 2009-2013:
Series 1: Mức tăng của CPI tháng so với tháng trước (%).
Series 2: Mức tăng của CPI tháng so với tháng 12 năm trước (%)
Nguồn: Tổng cục Thống kê Việt Nam
Hình 2.3: Diễn biến CPI Việt Nam giai đoạn 2009-2013
CƠ SỞ ĐỀ XUẤT VẬN DỤNG MÔ HÌNH ARIMA TRONG DỰ BÁO LẠM PHÁT VIỆT NAM
2.2.1 Sự cần thiết phải áp dụng mô hình định lượng trong dự báo lạm phát tại Việt Nam
Trong bối cảnh lạm phát tại Việt Nam đang diễn biến phức tạp, việc phân tích và dự báo lạm phát trở nên khó khăn Do đó, cần thiết phải xây dựng một mô hình định lượng để đánh giá tình hình lạm phát Mô hình này không chỉ hỗ trợ các nhà hoạch định chính sách trong việc đưa ra quyết định dựa trên cơ sở khoa học và đáng tin cậy, mà còn giúp doanh nghiệp phát triển chiến lược phù hợp với tình hình kinh tế hiện tại.
Phương pháp định lượng trong dự báo lạm phát đang trở nên phổ biến trên toàn cầu, với hiệu quả đã được chứng minh tại nhiều quốc gia Ưu điểm nổi bật của phương pháp này là khả năng phân tích dữ liệu để đưa ra dự báo khách quan, dựa trên các chỉ tiêu thống kê từ mô hình, giúp giảm thiểu rủi ro do phân tích cảm tính của con người Nhiều trường hợp cho thấy, kết quả dự báo từ các mô hình định lượng thường có độ chính xác và độ tin cậy cao hơn so với các mô hình lý thuyết.
Tại Việt Nam, việc áp dụng phương pháp định lượng trong dự báo lạm phát gặp nhiều khó khăn, dẫn đến việc sử dụng các mô hình này còn hạn chế Nguyên nhân chủ yếu là do số lượng chuyên gia có kinh nghiệm và chuyên môn trong lĩnh vực dự báo còn ít Thêm vào đó, dữ liệu về kinh tế, doanh nghiệp và thị trường chưa đủ dài và độ tin cậy chưa cao, làm cho việc thực hiện các dự báo trở nên phức tạp hơn.
2.2.2 Ưu điểm của mô hình ARIMA và sự phù hợp của mô hình ARIMA với thực tiễn Việt Nam
Các mô hình định lượng phổ biến trong dự báo lạm phát bao gồm ARIMA, mô hình nhân quả và mô hình Neural Network Sau khi phân tích ưu, nhược điểm và tính phù hợp với thực tiễn Việt Nam, mô hình ARIMA được xác định là phương pháp thích hợp nhất để dự báo lạm phát tại nước này Mặc dù mô hình nhân quả và Neural Network có khả năng đưa ra dự báo chính xác, nhưng chúng gặp khó khăn khi áp dụng trong bối cảnh Việt Nam.
Mô hình nhân quả có khả năng dự báo xu hướng lạm phát dài hạn nhưng yêu cầu giả định đúng về mối quan hệ giữa lạm phát và các biến độc lập Việc chọn sai dạng hàm có thể dẫn đến kết quả ước lượng không chính xác và dự báo kém Để dự báo lạm phát, cần phải dự đoán giá trị tương lai của các biến độc lập, điều này làm cho quá trình dự báo trở nên phức tạp và có thể gia tăng sai số Hơn nữa, phương pháp này cần dữ liệu đầy đủ, trong khi việc thu thập dữ liệu kinh tế tại Việt Nam gặp nhiều khó khăn do thiếu chính xác và không công khai, làm cho việc áp dụng mô hình nhân quả trong dự báo lạm phát trở nên thách thức hơn.
Mô hình mạng thần kinh được đánh giá cao về độ chính xác trong dự báo mà không cần biết trước dạng hàm của mối quan hệ nghiên cứu Nó có khả năng xử lý dữ liệu đầu vào đa dạng và chấp nhận lỗi cao, nhưng lại khá phức tạp và thường được coi là một “hộp đen” do khó khăn trong việc giải thích mối quan hệ giữa các biến Việc xây dựng cấu trúc tối ưu cho mô hình này tốn nhiều thời gian và công sức, yêu cầu thử nghiệm nhiều cấu hình và thuật toán khác nhau Đặc biệt, đối với các chuỗi thời gian có xu hướng và tính mùa như trong kinh tế, độ chính xác của dự đoán chưa cao, khiến các nhà kinh tế học e ngại sử dụng mô hình này như công cụ thống kê Mặc dù có nhiều phần mềm Neural Network trên internet, việc vận dụng thành thạo để dự báo lạm phát đòi hỏi kiến thức sâu rộng, do đó mô hình này không phải là lựa chọn phù hợp cho dự báo lạm phát tại Việt Nam.
Mô hình ARIMA nổi bật trong việc dự báo ngắn hạn, vượt trội hơn so với các mô hình kinh tế lượng (Cooper, 1972; Nelson, 1972) Với khả năng khắc phục hạn chế của mô hình nhân quả và Neural Network trong dự báo lạm phát tại Việt Nam, ARIMA chỉ cần dữ liệu thời gian của biến số lạm phát, giúp việc thu thập dữ liệu trở nên dễ dàng và nhanh chóng hơn Dự báo có thể thực hiện trực tiếp từ mô hình mà không cần xây dựng thêm các mô hình khác, giảm thiểu sai số Không giống như mô hình nhân quả, ARIMA không phụ thuộc vào lý thuyết kinh tế, do đó việc thiết lập mô hình không tốn nhiều thời gian nghiên cứu lý thuyết Thêm vào đó, các thủ tục kiểm định mô hình ARIMA đơn giản và dễ tiếp cận hơn so với các mô hình định lượng khác, làm tăng khả năng áp dụng của nó tại Việt Nam.
2.2.3 Một số nghiên cứu thực nghiệm về dự báo lạm phát bằng mô hình ARIMA
Những nghiên cứu thực nghiệm về lạm phát trước đây đã chứng tỏ sự thành công trong dự báo ngắn hạn lạm phát của mô hình ARIMA
Dự báo lạm phát ngày càng được quan tâm, nhiều nơi trên thế giới đã tiến hành nghiên cứu thực nghiệm về dự báo lạm phát
Muhammad Abdus Salam, Shazia Salam, and Mete Feridun (2005) utilized the Box-Jenkins ARIMA model to forecast short-term inflation in Pakistan Their study analyzed monthly inflation rates, based on the Consumer Price Index (CPI), from July 2004 to June 2005 The criteria for model selection included the Akaike Information Criterion (AIC), Schwarz Information Criteria (SIC), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percent Error (MAPE) The identified model suitable for short-term inflation forecasting in Pakistan featured parameters: AR(3), AR(8), SAR(1), MA(1), and MA(10).
Samuel Erasmus Alnaa và Ferdinand Ahiakpor (2011) đã áp dụng phương pháp ARIMA để xây dựng mô hình dự báo lạm phát tại Ghana Hai tác giả xác định mô hình ARIMA(6, 1, 6) là phù hợp để dự đoán lạm phát trong 12 tháng tiếp theo với mức tin cậy 95% RMSE của dự báo đạt 0.115453, cho thấy mô hình này có độ tin cậy cao.
Roland Fannoh, George Otieno Orwa và Joseph K Mung’atu (2012) đã mô hình hóa tỷ lệ lạm phát của Liberia bằng mô hình ARIMA mùa theo phương pháp Box-Jenkins Nghiên cứu phân tích chuỗi tỷ lệ lạm phát hàng tháng từ tháng 1/2006 đến tháng 12/2013, xác định mô hình ARIMA(0; 1; 0)(2; 0; 0)12 là phù hợp nhất Mô hình này đạt chỉ số Log-likelihood cao nhất và có AIC, AIC điều chỉnh (AICc) cùng Normalized Bayesian Information Criterion (BIC) thấp nhất Kiểm định ARCH-LM và kiểm định Ljung-Box (LB) cho thấy phần dư của mô hình là nhiễu trắng, khẳng định tính chính xác của mô hình.
Nasiru Suleman và Solomo Sarpong (2012) đã áp dụng phương pháp tương tự để xây dựng mô hình dự báo lạm phát tại Ghana Các mô hình thử nghiệm được xác định là (p; 1; q)(2; 1; 1) 12 với p={1; 3} và q={0; 1; 2; 3} Sau khi so sánh các mô hình dựa trên Log-likelihood tối đa và các chỉ số AIC, AICc, BIC, RMSE, MAPE, MAE, mô hình phù hợp nhất cho tỷ lệ lạm phát của Ghana là ARIMA(3; 1; 3)(2; 1; 1)12.
Nghiên cứu của ông Nguyên Chương (2007) tại Việt Nam đã ứng dụng phương pháp Box-Jenkin để xây dựng mô hình ARIMA(0; 1; 1)(0; 1; 1) 12 cho chuỗi CPI hàng tháng từ tháng 1/1996 đến tháng 12/2006 Tác giả xác định chuỗi CPI không dừng và có tính mùa chu kỳ 12 tháng, do đó đã thực hiện sai phân bậc 1 và sai phân thứ 12 để đạt được chuỗi dừng Các mô hình thử nghiệm bao gồm ARIMA(0; 1; 1)(0; 1; 1) 12, ARIMA(1; 1; 0)(1; 1; 0) 12 và ARIMA(1; 1; 1)(1; 1; 1) 12 Qua việc so sánh các tiêu chuẩn như z, Chi-Square, AIC, và BIC, mô hình ARIMA(0; 1; 1)(0; 1; 1) 12 đã được chọn để dự báo lạm phát Việt Nam trong 12 tháng tiếp theo.
Vương Thị Thảo Bình (2008) đã thực hiện nghiên cứu dự báo lạm phát Việt Nam cho năm 2009 thông qua mô hình ARIMA, sử dụng chuỗi CPI hàng tháng từ tháng 1/2001 đến tháng 12/2008 với năm gốc là 1994 Kết quả kiểm định ADF cho thấy log(CPI) không ổn định, trong khi sai phân của log(CPI) ổn định Nghiên cứu cũng chỉ ra sự tồn tại của tính mùa trong mô hình Kiểm định LB xác nhận rằng các chuỗi phần dư là nhiễu trắng, và tác giả đã đối chiếu các tiêu chuẩn AIC và BIC để đánh giá mô hình.
2 mô hình nhận dạng thử: ARIMA(1; 1; 3)(1; 0; 0) 12 và ARIMA(1; 1; 5)(1; 0;
Mô hình ARIMA(1; 1; 5)(1; 0; 0)12 được áp dụng cho chuỗi CPI đã được logarith hóa, cho ra dự báo chỉ số CPI cho tháng 1 và tháng 2 năm 2009 lần lượt là 17.22% và 14.04% so với cùng kỳ năm trước Kết quả này khá gần với số liệu công bố của Tổng cục Thống kê Việt Nam, với chỉ số CPI là 17.47% cho tháng 1/2009 và 14.76% cho tháng 2/2009.
Vương Quốc Duy và Huỳnh Hải Âu (2013) đã nghiên cứu dự báo lạm phát từ tháng 8/2013 đến tháng 7/2014 bằng cách phân tích chuỗi tỷ lệ lạm phát hàng tháng từ tháng 1/2000 đến tháng 8/2013 Tỷ lệ lạm phát được tính dựa trên sự thay đổi của CPI so với tháng trước Chuỗi tỷ lệ lạm phát này có tính mùa và đã được kiểm định dừng qua các phương pháp ADF, Perron-Phillips và biểu đồ SAC, SPAC Các giá trị nhận dạng cho mô hình bao gồm p={1; 2}, q={1; 2; 3}, P=2, Q=3, S Qua việc so sánh các tiêu chuẩn như R² điều chỉnh, Log Likelihood, AIC, BIC và RSS, hai tác giả đã xác định mô hình ARIMA(1; 0;1)(2;0; 3)12 là mô hình phù hợp cho chuỗi tỷ lệ lạm phát, sau khi loại bỏ các biến SAR(12), MA(1), SMA(12), SMA(36).
