Mô hình dự báo giá tôm sú xuất khẩu Việt Nam

- MÔ HÌNH DỰ BÁO GIÁ TÔM SÚ XUẤT KHẨU VIỆT NAM Lê Nhị Bảo Ngọc 1.
- Dự báo giá, giá xuất khẩu, tôm sú, SARIMA.
- Dự báo giá xuất khẩu có vai trò quan trọng đối với doanh nghiệp xuất khẩu và các nhà lập chính sách để đưa ra quyết định kinh doanh có tính chiến lược.
- Mục tiêu của nghiên cứu là sử dụng mô hình SARIMA để dự báo giá giao lên tàu (FOB) thực tôm sú ngắn hạn với nguồn số liệu là chuỗi giá tôm sú có kích cỡ 30-40 con/kg theo thời gian từ tháng 1/2011 đến tháng 12/2016.
- Kết quả nghiên cứu khẳng định mô hình là phù hợp để giải thích được sự biến động giá FOB thực của tôm sú trong giai đoạn nói trên.
- Đồng thời, mô hình dự báo rất đáng tin cậy, giá trị thực của tháng 1 trong năm 2017 nằm trong khoảng tin cậy 95% và gần bằng với giá trị dự báo với điểm sai số dự báo nhỏ..
- Mô hình dự báo giá tôm sú xuất khẩu Việt Nam.
- Từ những thực trạng trên, việc xây dựng mô hình dự báo giá tôm sú xuất khẩu Việt Nam có độ chính xác cao nhằm cung cấp cơ sở tin cậy cho cơ quan hữu quan trong quá trình hoạch định chính sách, xây dựng các chiến lược kinh doanh phát triển ngành, vùng là thật sự cần thiết.
- Nghiên này với mục tiêu xây dựng mô hình dự báo giá xuất khẩu thực hàng tháng của tôm sú dựa trên chuỗi số liệu hàng tháng của giá giao lên tàu (Free On Board -FOB) do AgroMonitor cung cấp.
- Mô hình SARIMA (seasonal autoregressive integrated moving average) được sử dụng để cho phép dự báo sự biến.
- 2 PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Mô hình dự báo ARIMA.
- Trong mô hình này, sự vận động của biến số nghiên cứu (y t ) được xem như phụ thuộc vào các giá trị quá khứ của chính nó (tự hồi quy - autoregressive) và vào các phần nhiễu quá khứ trong mô hình hồi quy (trung bình di động – moving average).
- (1) Trong đó, y t là giá trị của biến số cần dự báo ở kỳ t.
- Để mô hình (1) có giá trị trong dự báo, y t phải có tính dừng (stationary).
- Nếu chuỗi có tính mùa vụ, các độ trễ mùa vụ cần được bao gồm vào mô hình.
- Việc xác định bậc p và q cũng giúp xác định các tham số cần ước lượng trong mô hình (1) (Gujarati, 2004)..
- 2.2 Mô hình dự báo SARIMA.
- Mô hình dự báo SARIMA được phát triển từ mô hình ARIMA khi chuỗi số liệu có tính mùa vụ.
- Các độ trễ theo mùa của y t sẽ được bao gồm trong mô hình ARIMA để trở thành mô hình SARIMA.
- Lúc này, mô hình SARIMA tổng quát có dạng SARIMA.
- Việc khảo sát trên ACF và PACF tại các trễ là bội số của độ dài mùa s cũng sẽ giúp kết luận các giá trị P, Q phù hợp cho mô hình.
- Dạng mô hình nhân tính (multiplicative model) trên cho phép đưa số hạng bổ sung (extra term) vào mô hình mà không phải tăng thêm tham số..
- 2.3 Tiến trình xây dựng mô hình dự báo SARIMA.
- Trong các nghiên cứu thực nghiệm, tiến trình thực hiện nghiên cứu dự báo được thực hiện qua 6 bước sau:.
- Bước 3: Ước lượng các giá trị tham số của mô hình.
- Bước 4: Xây dựng mô hình SARIMA Để xây dựng mô hình SARIMA, nghiên cứu tiến hành hồi qui dữ liệu gốc với 11 biến giả để chỉ các tháng trong năm (dữ liệu tháng s=12).
- Bước 5: Lựa chọn mô hình và kiểm định mô hình.
- Các tham số của mô hình sẽ được ước lượng bằng MLE.
- Quá trình lựa chọn mô hình là quá trình thực nghiệm và so sánh tìm ra mô hình tốt nhất cho việc dự báo.
- Mô hình được lựa chọn dựa vào các tiêu chuẩn Akaike Info Criterion (AIC), Schwarz (SIC), và Hannan – Quinn (HQ).
- Giá trị các thống kê này càng nhỏ, mô hình càng phù hợp.
- Để đảm bảo mô hình là phù hợp, sai số của mô hình phải là nhiễu trắng (white noise) và kiểm định tự tương quan bằng kiểm định Durbin-Watson..
- Bước 6: Dự báo.
- Sau khi kiểm định sai số, nếu mô hình là phù hợp, sẽ được sử dụng vào việc dự báo.
- Các tiêu chuẩn được sử dụng để đánh giá mô hình dự báo là chỉ tiêu root mean square error (RMSE), mean absolute percent error (MAPE) và chỉ số sai số U- Theil.
- Nghiên cứu tiến hành dự báo trong mẫu và dự báo ngoài mẫu.
- Nghiên cứu tiến hành tính giá FOB thực của tôm sú, sau đó xây dựng mô hình dự báo SARIMA và tiến hành dự báo.
- Ngày càng nhiều nghiên cứu thực nghiệm về dự báo được tiến hành nhiều nơi trên thế giới.
- Các tác giả đã khẳng định mô hình ARIMA đưa ra kết quả dự báo phù hợp.
- Đồng thời, phương pháp này được Alnaa and Ferdinand (2011) sử dụng để xây dựng mô hình và dự báo tỷ lệ lạm phát ở Ghana.
- Trong khi đó, Võ Văn Tài (2012) sử dụng các mô hình khác nhau của hồi quy và chuỗi thời gian ARIMA để dự báo sản lượng lúa của Việt Nam dựa trên các số liệu của quá khứ.
- Lê Văn Gia Nhỏ (2016), với số liệu chuỗi thời gian về giá xuất khẩu hồ tiêu của Việt Nam cùng mô hình ARIMA (1,0,0) có kết hợp hàm xu thế theo thời gian, đã dự báo giá hồ tiêu xuất khẩu theo tháng là phù hợp.
- Theo tác giả này, mô hình có thể điều chỉnh khi xem xét tính mùa vụ của chuỗi thời gian giá hồ tiêu xuất khẩu theo tháng để kết quả dự báo được hữu hiệu..
- Mô hình dự báo ARIMA sẽ không thật sự hiệu quả đối với dữ liệu thời gian có tính mùa vụ.
- Để phát triển mô hình dự báo phù hợp với chuỗi số liệu có tính mùa vụ, mô hình ARIMA được mở rộng bằng cách bổ sung thêm tính tự hồi quy và trung bình di động với số kỳ mùa vụ (Brockwell and Davis, 2016).
- Từ đó, mô hình SARIMA được sử dụng rộng.
- Bằng mô hình SARIMA Chandran and Pandey (2007) đã chứng minh sự biến động của giá khoai tây theo mùa vụ ở Delhi và nhận thấy mô hình có kết quả dự báo hợp lý nhất.
- Tương tự, Adanaciogluand and Yercan (2012) tiến hành dự báo giá cà chua ở thành phố Antalya thuộc Thổ Nhĩ Kỳ.
- Nghiên cứu đã chỉ ra mô hình SARIMA là thích hợp nhất đối với chuỗi dữ liệu giá bán buôn theo tháng..
- Phương pháp Box-Jenkins có tính ứng dụng cao và hiệu quả với mô hình ARIMA trong lĩnh vực dự báo ngắn hạn.
- Trong nghiên cứu này sử dụng phương pháp Box-Jenkins để thiết lập mô hình SARIMA dự báo giá (FOB) thực của tôm sú của Việt Nam và dự báo giá cho 12 tháng tiếp theo..
- 4 XÂY DỰNG MÔ HÌNH DỰ BÁO GIÁ 4.1 Khảo sát chuỗi giá FOB thực của tôm sú Chuỗi số liệu quá khứ của giá tôm sú xuất khẩu được đặt tên là Pw.
- Hình 1: Sự biến động của giá FOB thực của tôm sú theo tháng 4.2 Xây dựng mô hình dự báo.
- trong phương pháp Box-Jenkins là dựa vào các giản đồ của hệ số tự tương quan (ACF) và tự tương quan riêng (PACF) tại Hình 3 để xác định các độ trễ p và q của sự tự hồi quy và trung bình di động trong mô hình SARIMA..
- 4.3 Xây dựng mô hình SARIMA.
- Xác định các mô hình ARIMA có thể được ước lượng với các p và q.
- Bảng 2: Kết quả hồi qui tính mùa vụ mô hình SARIMA .
- Mô hình dự báo sẽ không hoàn hảo nếu ta không xét thêm yếu tố mùa vụ khi thực hiện dự báo.
- Vì vậy, yếu tố mùa vụ được xem xét khi thực hiện dự báo bằng mô hình SARIMA.
- Mô hình tổng quát của SARIMA (p,d,q)(P,D,Q) s và thực hiện như sau:.
- Để xây dựng mô hình SARIMA nghiên cứu tiến hành hồi quy dữ liệu gốc lặp lại (“bước 4”) (dữ liệu tháng s = 12).
- Tiếp theo, tác giả sẽ hồi quy dữ liệu giá kết hợp với các mô hình SARIMA khả dĩ, sau đó nghiên cứu dựa vào các tiêu chuẩn gồm AIC, SIC, HQ để lựa chọn mô hình tốt nhất trong bốn mô hình sau:.
- (i)Mô hình SARIMA .
- (ii)Mô hình SARIMA iii)Mô hình SARIMA .
- (iv) Mô hình SARIMA .
- Kết quả đánh giá 4 mô hình dự báo SARIMA theo các tiêu chuẩn IC được trình bày tại Bảng 3 cho thấy mô hình (iii) tốt nhất do có AIC, SIC, HQ nhỏ nhất.
- Vì vậy, mô hình (iii) mô hình SARIMA (2,0,2)x là mô hình phù hợp nhất với bộ số liệu nghiên cứu..
- Bảng 3: Tổng hợp kết quả 4 mô hình dự báo SARIMA.
- Mô hình SARIMA AIC SIC HQ Durbin-Watson.
- Bảng 4: Kết quả hồi qui tính mùa vụ mô hình SARIMA .
- Bảng 4 thể hiện kết quả hồi quy của mô hình SARIMA đã chọn các hệ số ước lượng đều đạt mức ý nghĩa thống kê 1%, và 5% và 10% và thống kê Durbin-Watson gần bằng 2..
- Để kiểm định các giả định của mô hình hồi quy tuyến tính cổ điển (CLRM) của mô hình SARIMA nghiên cứu thực hiện kiểm định White về phương sai sai số thay đổi.
- Kết quả cho thấy mô hình có phương sai sai số đồng nhất.
- Dựa vào thống kê Durbin-Watson, mô hình không có hiện tượng tự tương quan.
- Do vậy, mô hình SARIMA có sai số là phần nhiễu trắng.
- 0,0375 của mô hình nhỏ.
- Do đó, ta có thể kết luận mô hình trên thích hợp cho việc dự báo..
- 4.4 Dự báo ngoài mẫu.
- Nghiên cứu dựa vào mô hình SARIMA được sử dụng để dự báo được giá FOB thực cho các kỳ tiếp theo.
- Dựa vào dữ liệu giá tôm sú FOB thực từ tháng 1/2011 đến tháng 12/2016, mô hình dự báo được giá tôm sú FOB thực cho tháng 1/2017.
- Sau đó, dùng giá trị dự báo giá tôm sú FOB thực ở tháng 1/2017 để dự báo tiếp cho giá tôm sú FOB thực tháng 2/2017 và tiếp tục dự báo cho giá tôm sú FOB thực tháng 3/2017.
- Tương tự, nghiên cứu sẽ tiếp tục dự báo giá tôm sú FOB thực tháng 2/2017 cho các tháng 4, 5 và các tháng tiếp.
- Kết quả dự báo ngoài mẫu được trình bày tại Bảng 5..
- Hình 4 cho thấy giá dự báo gần bằng với giá trị thực kể cả khi số liệu giá trong quá khứ gặp nhiều cú sốc.
- Minh chứng là đồ thị của mô hình dự báo P WSMAF bám sát với đồ thị chuỗi số liệu gốc P W.
- Bảng 5: Kết quả dự báo giá FOB tôm sú thực từ tháng 1 đến tháng 12/2017.
- Tháng Dự báo điểm Pw Dự báo khoảng Pw (khoảng tin cậy 95%).
- Giá trị này nằm trong khoảng tin cậy 95% và gần bằng với giá trị dự báo.
- Sai số dự báo là.
- này cho thấy mô hình dự báo đáng tin cậy và có thể được dùng cho công tác dự báo..
- Hình 4: Đồ thị giá FOB thực tế và dự báo của tôm sú theo tháng 5 KẾT LUẬN.
- Nghiên cứu sử dụng phương pháp Box-Jenkins (1970) để lập mô hình và dự báo giá FOB tôm sú.
- kết quả nghiên cứu cho thấy mô hình SARIMA đưa ra giá trị dự báo tương đối phù hợp với chuỗi thời gian giá FOB tôm sú thực theo tháng.
- giá độ tin cậy của kết quả dự báo cho thấy mô hình dự báo đáng tin cậy.
- Do vậy, mô hình có thể được dùng để dự báo giá cho các kỳ tiếp theo, một khi dữ liệu được cập nhật.
- Tuy nhiên, trong giai đoạn hiện nay, nền kinh tế có rất nhiều biến động có thể tác động đến kết quả dự báo, do đó việc dự báo giá FOB tôm sú thực trong 12 tháng tiếp theo sẽ tồn tại những sai số nhất định.
- Việc dự báo giá FOB tôm sú thực luôn là một công việc không dễ dàng.
- Do đó, việc sử dụng mô hình ARIMA và SARIMA chưa cho thấy rõ sự ảnh hưởng riêng lẻ của từng nhân tố, và chưa đủ để có thể đo lường chính xác sự biến động của giá FOB tôm sú thực..
- Tuy nhiên, vấn đề này cũng gợi ý một hướng nghiên cứu tiếp theo là sử dụng mô hình VAR (vector autoregression model) để phân tích mối liên hệ giữa các nhân tố trên với giá FOB tôm sú thực, sau đó có thể đi sâu đo lường ảnh hưởng của các cú sốc đến sự bất định của giá FOB tôm sú, tỉ giá đô la, chỉ số giá của đô la Mỹ thông qua công cụ AutoRegressive conditional heteroskedasticity (ARCH)/.
- Xây dựng mô hình dự báo giá xuất khẩu hồ tiêu Việt Nam