- DỰ BÁO SẢN LƯỢNG LÚA VIỆT NAM BẰNG CÁC MÔ HÌNH TOÁN HỌC. - Bài báo sử dụng các mô hình khác nhau của hồi quy và chuỗi thời gian để dự báo sản lượng lúa của Việt Nam dựa trên các số liệu của quá khứ. - Sử dụng các tiêu chuẩn của thống kê trong lựa chọn mô hình để tìm mô hình thích hợp nhất, từ đó tiến hành dự báo sản lượng lúa cho 5 năm tiếp theo bằng mô hình này.. - 1.1 Tình hình và ý nghĩa của việc dự báo sản lượng lúa của nước ta. - Nhà nước ta đã thấy rõ ý nghĩa to lớn của dự báo đối với sự phát triển kinh tế xã hội của đất nước, do đó đã có nhiều quan tâm đến công tác này trong những năm gần đây. - Nhiều cơ quan chuyên trách và bán chuyên trách về dự báo đã được thành lập ở cấp Bộ, tỉnh và thành phố. - Tuy nhiên, theo đánh giá công tác dự báo của nước ta còn rất non kém và hạn chế nhiều mặt, chưa đáp ứng được nhu cầu của sự phát triển kinh tế của đất nước hiện nay.. - Nguyên nhân của thực trạng này thì nhiều, nhưng có thể chỉ ra một số nguyên nhân chính sau: Sự thiếu hụt nghiêm trọng nhân lực trong lĩnh vực dự báo. - các số liệu tổng hợp cho dự báo không đầy đủ và không chính xác. - các cơ quan đơn vị ở địa phương còn xem nhẹ công tác dự báo. - thiếu phương tiện kỹ thuật, kinh phí cho dự báo. - Dự báo sản lượng lúa là một trong những việc cần thiết cho việc phát triển ngành kinh tế nông nghiệp hàng đầu của nước ta. - Dự báo được sản lượng lúa sẽ giúp cho hiệp hội lương thực (VFA) tham mưu cho nhà nước trong việc đảm bảo an ninh lương thực trong nước, điều hành kế hoạch xuất khẩu mang lại lơi ích cao nhất cho người nông dân và doanh nghiệp. - Để lập được kế hoạch này, điều cần thiết là phải có được dự báo cho sản lượng lúa. - Dự báo sản lượng lúa càng có ý nghĩa quan trọng trong điều kiện nước ta nằm trong vùng chịu ảnh hưởng nghiêm trọng của biến đổi khí hậu.. - Để dự báo sản lượng lúa của nước ta, chúng tôi sử dụng dữ liệu của quá khứ từ năm 1990 đến năm 2010 (21 năm). - Năm Sản lượng. - Sử dụng số liệu từ bảng 1, chúng tôi tiến hành dự báo sản lượng lúa nước ta bằng hai phương pháp: Mô hình hồi quy và chuỗi thời gian.. - Mô hình hồi quy: Sử dụng các mô hình hồi quy đã biết cho việc dự báo như: đa thức (với nhiều bậc khác nhau), cấp số cộng, cấp số nhân và hàm mũ biến dạng.. - Dự báo sản lượng lúa cho vụ mùa, đông xuân, hè thu và cả năm với tất cả các mô hình này, sau đó dựa vào một số tiêu chuẩn của thống kê như hệ số xác định R 2 , thông tin Akaiken (AIC), thông tin Schwarzn (SIC), sai số trung bình (ME), đồ thị phân tán để đánh giá sự phù hợp của mô hình, từ đó lựa chọn đường hồi quy phù hợp nhất. - Mô hình hồi quy đa thức được khảo sát, nhưng với dữ liệu thu được các mô hình này không phù hợp, do đó chúng tôi không trình bày trong bài viết này.. - Mô hình chuỗi thời gian: Sử dụng các mô hình dự báo trong chuỗi thời gian như:. - Mô hình tự hồi qui (AR), mô hình trung bình di động (MA), mô hình tự hồi qui và trung bình di động (ARMA), mô hình trung bình di động tổng hợp với tự hồi qui (ARIMA). - Dự báo sản lượng lúa cho các vụ và cả năm, sau đó ta dùng tiêu chuẩn (AIC) để đánh giá mô hình nào phù hợp nhất.. - Sau khi lựa chọn được 2 mô hình phù hợp nhất từ hai phương pháp trên, chúng ta tiếp tục sử dụng tiêu chuẩn AIC để có được mô hình phù hợp hơn. - Sử dụng mô hình này để dự báo cho sản lượng lúa từng năm từ . - Việc phân tích và xây dựng các mô hình hồi quy va chuỗi thời gian được thực hiện trên phần mềm thống kê R.. - 2 CÁC MÔ HÌNH DỰ BÁO SẢN LƯỢNG LÚA 2.1 Mô hình hồi quy. - Gọi t là năm ứng với sản lượng lúa dự báo y t , các mô hình hồi quy được sử dụng trong nghiên cứu này là. - r 1 , r 2 lần lượt là tốc độ tăng sản lượng lúa hằng năm của mô hình (3) và (4). - với t là thời gian cần dự báo.. - 2.2 Mô hình chuỗi thời gian. - a) Mô hình tự hồi qui bậc p (AR(p)) dạng:. - b) Mô hình trung bình di động bậc q (MA(q)) dạng:. - c) Mô hình tự hồi qui và trung bình di động (ARMA(p,q)). - Kết hợp mô hình AR(p) với mô hình MA(q) ta có mô hình ARMA(p,q). - Mô hình này có dạng như sau:. - d) Mô hình trung bình di động tổng hợp với tự hồi qui ARIMA(p,d,q). - Phương trình khái quát của mô hình ARIMA(p,d,q) được trình bày dưới dạng sau:. - e t là sai số dự báo ( e t y t y t = số liệu dự báo - số liệu thực tế).. - 2.3 Tiêu chuẩn đánh giá mô hình. - Hiện nay có rất nhiều tiêu chuẩn khác nhau để đánh giá mức độ phù hợp của các mô hình hồi quy và chuỗi thời gian đã xây dựng. - Trong bài viết này chúng tôi sử dụng các tiêu chuẩn sau để so sánh các mô hình với nhau. - trong đó y i và y i lần lượt là giá trị thực tế và giá trị dự báo của mô hình hồi quy khi biến x nhận giá trị x i . - R 2 là một tham số đo sự phù hợp của mô hình hồi quy. - Ta có 0 R 2 1, R 2 càng lớn thì mô hình hồi quy đã xây dựng được xem là càng phù hợp, càng có ý nghĩa trong việc giải thích sự biến thiên của y thông qua sự biến thiên của x.. - Khi so sánh hai hay nhiều mô hình, mô hình nào có AIC thấp nhất thì mô hình đó sẽ tốt hơn.. - G iá trị SIC càng nhỏ thì mô hình càng tốt.. - Từ số liệu thực tế chúng ta vẽ đồ thị phân tán, từ số liệu dự báo chúng ta vẽ được các đường dự báo.. - Nhìn vào đồ thị, quan sát thấy đường dự báo nào gần với số liệu thực tế thì chúng ta có thể chọn mô hình đó để dự báo.. - ME càng nhỏ thì mô hình xây dựng càng phù hợp.. - 3 KẾT QUẢ DỰ BÁO TỔNG SẢN LƯỢNG LÚA CỦA CẢ NĂM 3.1 Sử dụng các mô hình hồi quy. - Từ số liệu bảng 1, chúng ta tính được các đường hồi quy dự báo theo và (5) cho sản lượng lúa cả năm cụ thể như sau:. - Trong đó t là năm cần dự báo.. - i) Đồ thị phân tán của số liệu và đồ thị của các mô hình hồi quy dự báo được xác định bởi các hàm trên, được vẽ như sau:. - Hình 2: Đồ thị phân tán giá trị thực tế và 4 mô hình hồi quy dự báo sản lượng lúa. - Hình 2 cho ta thấy mô hình hồi quy tuyến tính có các giá trị dự báo gần đúng với giá trị thực tế nhất.. - ii) Chúng ta cũng có các tiêu chuẩn đánh giá mô hình hồi quy đã xây dựng cụ thể như sau:. - Bảng 2: Tổng hợp các tiêu chuẩn đánh giá mô hình cho sản lượng lúa cả năm. - Mô hình AIC SIC ME. - Hàm mũ biến dạng Bảng 2 cho ta thấy tất các chỉ số đánh giá sự phù hợp của mô hình hồi quy tuyến tính tốt hơn các mô hình còn lại.. - Từ các phân tích trên ta thấy trong các mô hình hồi quy dự báo sản lượng lúa cả năm, hồi quy tuyến tính là phù hợp nhất.. - Sản lượng lúa cả năm. - Hình 3: Sai phân bậc 2 của sản lượng lúa. - a) Các mô hình dự báo theo dãy số thời gian. - Qua phân tích từ số liệu, kiểm tra tính dừng, đồ thị ACF và PACF, ta có các mô hình dự báo có thể như sau:. - Dự báo bằng mô hình bình quân di động (MA): Kết quả phân tích cho ta thấy có một MA cấp 1, hay tồn tại MA(1).. - Dự báo với mô hình tự hồi quy (AR): Sự phân tích cũng cho ta thấy tồn tại mô hình cấp 1 của mô hình này (AR(1)).. - Dự báo với mô hình ARIMA bằng phương pháp Box-Jenkins:. - Các mô hình có thể có là: ARIMA(1,2,1), ARIMA(2,2,1), ARIMA(1,2,2), ARIMA(1,2,3), ARIMA(2,2,2), ARIMA(2,2,3), ARIMA(3,2,1), ARIMA(3,2,2).. - b) Lựa chọn mô hình. - Dùng tham số AIC để tìm mô hình thích hợp nhất từ các mô hình tồn tại trên, ta có bảng tổng hợp như sau:. - Bảng 3: Giá trị AIC của 10 mô hình dự báo. - Mô hình AIC. - So sánh AIC của các mô hình trên ta thấy AIC của mô hình ARIMA(1,2,1) nhỏ nhất. - Vậy mô hình chuỗi thời gian thích hợp nhất để dự đoán sản lượng lúa cả năm là mô hình ARIMA(1,2,1).. - 3.3 Dự báo sản lượng lúa giai đoạn . - Từ các phân tích trên, ta thấy khi sử dụng mô hình hồi quy thì mô hình hồi quy tuyến tính là phù hợp nhất. - Nếu sử dụng mô hình chuỗi thời gian thì mô hình phù hợp nhất là mô hình ARIMA(1,2,1). - Kết quả dự báo bằng hai mô hình này cho giai đoạn cụ thể trong bảng sau:. - Bảng 4: Dự báo sản lượng lúa cả nước giai đoạn 2021-2015 bằng hồi quy tuyến tính và ARIMA(1,2,1). - Năm Sản lượng (nghìn tấn). - Trong 2 mô hình trên, AIC của hồi quy tuyến tính cao hơn AIC của mô. - Như vậy sử dụng ARIMA(1,2,1) để dự báo cho sản lượng lúa cả nước sẽ cho kết quả phù hợp hơn.. - Hình 6: Đồ thị dự báo sản lượng lúa cả nước bằng mô hình ARIMA(1,2,1). - 4 KẾT QUẢ DỰ BÁO CHO TỪNG VỤ LÚA TRONG NĂM. - Thực hiện việc dự báo sản lượng lúa vụ đông xuân, hè thu và lúa mùa theo hai mô hình hồi quy và chuỗi thời gian theo cách làm tương tự như dự báo sản lượng lúa cả năm đã trình bày ở trên, ta có kết quả được cho bởi bảng tổng hợp sau:. - Bảng 5: Các mô hình hồi quy và chuỗi thời gian dự báo cùng các giá trị AIC cho 3 vụ lúa trong năm. - Vụ lúa Mô hình dự báo phù hợp nhất. - Mô hình AIC Mô hình AIC. - Đông xuân Tuyến tính 348.410 ARIMA Hè thu Tuyến tính 328.190 ARIMA Lúa mùa Tuyến tính 263.201 ARIMA Sử dụng mô hình phù hợp nhất từ bảng 5 (mô hình ARIMA(1,2,1) cho vụ đông xuân, mô hình ARIMA(1,1,3) cho vụ hè thu, mô hình ARIMA(1,1,1) cho vụ mùa) để dự báo sản lượng lúa giai đoạn cho từng vụ ta có kết quả cụ thể được tổng hợp như sau:. - Bảng 5: Kết quả dự báo sản lượng lúa giai đoạn 2011-2015 cho 3 vụ lúa. - Trong hai phương pháp dự báo cho sản lượng lúa của vụ đông xuân, hè thu, lúa mùa và cả năm, phương pháp chuỗi thời gian luôn có kết quả dự báo phù hợp hơn.. - Trong các mô hình chuỗi thời gian thì mô hình ARIMA luôn là sự lựa chọn tốt nhất.. - Trong các dự báo sản lượng lúa của các vụ mùa và cả năm, vụ đông xuân được đánh giá sẽ cho có kết quả phù hợp nhất, vụ hè thu sẽ cho kết quả thiếu chắc chắn nhất. - Các kết quả dự báo năm 2011 từ bảng 4 và 5 chứng minh những nhận xét trên và cũng cho thấy kết quả dự báo ngắn hạn ở trên có thể chấp nhận được.. - Dự báo sản lượng lúa thật rất khó để có được kết quả chính xác cao bởi vì nó không những phụ thuộc vào thời tiết, thủy văn, dịch hại mà còn phụ thuộc vào các chính sách về cây lúa, tốc độ công nghiệp, đô thị hóa của địa phương và chính phủ, phụ thuộc vào kỹ thuật canh tác, sự phát triển của các tiến bộ của khoa học kỹ thuật phục vụ nông nghiệp trong tương lai. - Tuy nhiên, sử dụng mô hình hồi quy, chuỗi thời gian trong dự báo sản lượng lúa là một kênh dự báo quan trọng để tham. - Đối với phương pháp hồi quy, nếu có thêm được dữ liệu cho các biến khác ảnh hưởng đến sản lượng lúa thì việc dự báo sẽ cho kết quả chính xác hơn. - Hiện tại, hai phương pháp này cũng được sử dụng phổ biến để dự báo ngắn hạn cho nhiều lĩnh vực khác.