Tiểu luận Kinh tế phát triển

TRƯỜNG ĐẠI HỌC KINH TẾ TP. HCM VIỆN ĐÀO TẠO SAU ĐẠI HỌC *************** TIỂU LUẬN KINH TẾ PHÁT TRIỂN LIỆU RẰNG CÁC MÔ HÌNH DỰ BÁO CÓ HỮU ÍCH CHO VIỆC PHÂN TÍCH CHÍNH SÁCH (Are forecasting Models Usable for Policy Analysis?) Giáo viên hướng dẫn : TS. Nguyễn Hoàng Bảo Học viên thực hiện : Nhóm 2 Lớp : Cao học ngày 3 Khóa : K21 -------*****------- TP. Hồ Chí Minh, Tháng 8 năm 2012 DANH SÁCH NHÓM 2 STT Họ và tên Ký tên Ghi chú 1 Phạm Việt An 2 Nguyễn Hữu Đức 3 Lê Thị Mỹ Hạnh 4 Phạm Sỹ Khoa Nhóm trưởng 5 Lê Thị Mỹ Ngôn 6 Lê Thanh Thuỳ 7 Vũ Thị Hà Thương NHẬN XÉT CỦA THẦY HƯỚNG DẪN MÔN HỌC ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... ...................................................................................................................................... MỤC LỤC LỜI MỞ ĐẦU ............................................................................................................ 1 PHẦN 1: BÀI DỊCH ................................................................................................. 2 1.1 Liệu các mô hình dự báo có hữu ích cho việc phân tích chính sách? ................... 2 1.2 Các chú thích ................................................................................................... 32 PHẦN 2: TÓM TẮT BÀI DỊCH VÀ LIÊN HỆ THỰC TẾ .................................. 35 2.1 Tóm tắt bài dịch ............................................................................................... 35 2.2 Liên hệ thực tế: Ứng dụng mô hình VAR để kiểm định và dự báo lạm phát ở Việt Nam ............................................................................................................ 39 KẾT LUẬN .............................................................................................................. 43 LỜI MỞ ĐẦU Christopher Albert “Chris” Sims (sinh ngày 21 tháng 10 năm 1942) là một nhà khoa học kinh tế người Mỹ đã được trao giải Nobel Kinh tế năm 2011 cùng với Thomas J. Sargent. Hai ông được trao giải thưởng này vì “nghiên cứu thực nghiệm về nguyên nhân và sự ảnh hưởng trong kinh tế học vĩ mô”. Sims có bằng tiến sĩ kinh tế vào năm 1968 tại Đại học Harvard. Ông làm giảng viên tại Đại học Harvard, Đại học Minnesota, Đại học Yale, và từ năm 1999, tại Princeton. Sims là viện sỹ Viện Hàn lâm Khoa học Quốc gia (từ 1989) và Viện Hàn lâm Khoa học tự nhiên và Khoa học xã hội Hoa Kỳ (từ 1988). Năm 1995, ông là chủ tịch của Hội Toán kinh tế. Ông sẽ là chủ tịch đắc cử của Hiệp hội Kinh tế Mỹ trong năm 2011 và sau đó là Chủ tịch của Hiệp hội Kinh tế Mỹ trong năm 2012. Sims đã xuất bản nhiều tác phẩm quan trọng trong lĩnh vực nghiên cứu của mình: kinh tế lượng và lý thuyết và chính sách kinh tế vĩ mô. Ông là người cổ vũ sử dụng mô hình tự hồi quy vector kinh tế vĩ mô thực nghiệm, phát triển phương pháp sử dụng ước lượng Bayes trong mô hình tự hồi quy vector. Ông cũng đã góp phần phát triển các lý thuyết tài chính về mức giá và lý thuyết về thiếu chú ý duy lý. Trong bài tiểu luận này, nhóm 2 sẽ trình bày về một trong những bài nghiên cứu của Sims về vấn đề sử dụng các mô hình dự báo để phân tích chính sách có tiêu đề là “Are forecasting Models Usable for Policy Analysis?” (Liệu rằng các mô hình dự báo có hữu ích cho việc phân tích chính sách). Bài tiểu luận của nhóm 2 gồm có 2 phần chính: - Phần I: Bài dịch trình bày bằng tiếng Việt. - Phần II: Tóm tắt bài dịch và liên hệ thực tế về việc sử dụng các mô hình dự báo để phân tích chính sách tại Việt Nam. Khi thực hiện nghiên cứu và trình bày, Nhóm 2 không thể tránh khỏi những thiếu sót. Kính mong thầy và các bạn đọc sẽ có những góp ý để bài tiểu luận được hoàn thiện hơn và góp phần cung cấp một phần kiến thức kinh tế học hữu ích cho chúng ta. PHẦN 1: BÀI DỊCH 1.1 LIỆU CÁC MÔ HÌNH DỰ BÁO CÓ HỮU ÍCH CHO VIỆC PHÂN TÍCH CHÍNH SÁCH?* Trong một bài nghiên cứu gần đây mô tả về việc ứng dụng của mô hình tự hồi quy (VAR) trong lĩnh vực kinh tế, Thomas Sargent (1979) đã nhấn mạnh rằng tuy những mô hình này đã đem lại lợi ích cho việc dự báo nhưng lại không thể sử dụng trong việc phân tích các chính sách. Gần đây thì quan điểm này không chỉ được ông mà còn những cá nhân khác, tiêu biểu là Edward Learner (1985) khẳng định lại một cách chắc chắn. Sở dĩ quan điểm này được khẳng định lại là vì các mô hình VAR đã được ứng dụng rộng rãi nhưng nhiều người sử dụng chúng vẫn còn rất hạn chế trong một thời gian dài vì họ chưa bao giờ nghĩ về việc ứng dụng chúng vào phân tích chính sách. Có nhiều cách hợp lý để hình thành những dự báo có điều kiện từ các mô hình VAR. Một khi ta đã nhận thấy thật dễ dàng để đạt được một dự báo có điều kiện căn cứ vào các dạng nhất định của các biến số chính sách, chắc chắn ta sẽ không thể cưỡng lại việc đưa ra các dự báo như vậy và khó có thể phủ nhận sự ảnh hưởng của chúng trong việc đưa ra một quyết định lựa chọn chính sách. Robert Litterman, người đi tiên phong trong việc chứng minh giá trị của các mô hình VAR về tính dự báo, cũng đã phát triển các phương pháp để sử dụng chúng trong việc thực hiện các dự báo có điều kiện nhằm hỗ trợ quyết định lựa chọn chính sách, thậm chí có thể ứng dụng để xây dựng các quy chế chính sách một cách tối ưu. (Tham khảo Litterman 1982, 1984.) Một nghịch lý tương tự có liên quan đến vai trò của các mô hình toán kinh tế thương mại có quy mô lớn. Trong một buổi thảo luận bàn tròn gần đây mà tôi tham dự, một nhà kinh tế học nổi tiếng đã thẳng thắng bày tỏ rằng vì những mô hình mang tính thương mại này chỉ có thể sử dụng trong dự báo, nên không ai sử dụng chúng một cách nghiêm túc như các nguyên lý kinh tế. Những bài phê bình các kỳ vọng duy lý của việc sử dụng các mô hình đó để phân tích chính sách đã tồn tại trên 10 năm và, trong một phần quan trọng của ngành kinh tế học, có vai trò chính thống đã được xác lập. Tuy nhiên khi sự lựa chọn chính sách thực sự được thực hiện ở mọi cấp độ trong cả lĩnh vực công hay tư, thì các dự báo từ những mô hình lớn kể cả có điều kiện hay không, vẫn còn ảnh hưởng rộng rãi. Trường phái kỳ vọng duy lý (The rational expectations school) bắt đầu với một chương trình nhằm cung cấp một sự lựa chọn khác về những mô hình dự báo trong phân tích định lượng chính sách, nhưng chương trình này đã không mang lại những tác động thực tiễn. Tại sao lại như vậy? Có phải những người làm chính sách thực sự lại không thể hiểu được tính hữu ích của các mô hình VAR hay các mô hình toán kinh tế truyền thống khác trong việc hỗ trợ lựa chọn chính sách? Hay chăng là những tranh luận mang tính trừu tượng phản đối việc sử dụng các mô hình theo cách này lại thiếu đi một số điểm quan trọng? Tại sao đưa ra chính sách với một mô hình dự báo được coi là một sai lầm? Có hai lời giải thích theo quan điểm cá nhân cho các lập luận phản đối việc sử dụng các mô hình dự báo để phân tích chính sách. Lời giải thích thứ nhất là các mô hình đó không có gì hơn là làm công việc mô tả tóm tắt các dữ liệu lịch sử, thường dựa trên mối tương quan mẫu. Trong khi một mô tả như vậy có thể được ngoại suy vào một dự báo hữu ích, giả sử rằng nó có thể là cơ sở cho việc dự báo các tác động của việc lựa chọn chính sách có nghĩa là dùng sự tương quan để chỉ ra mối quan hệ nhân quả, điều mà tất cả chúng ta đều hiểu là sai lầm. Các lập luận ở dạng này hướng trực tiếp vào các mô hình VAR, đó là các mô hình thống kê mô tả đơn giản mà ứng dụng của nó không có gì hơn là tóm tắt các mối tương quan theo một cách thức thuận tiện. Các lập luận này cũng gián tiếp hướng đến các mô hình thương mại lớn (large commercial models), bởi vì nhiều nhà kinh tế (trong đó có bản thân tôi) coi các giải thích kinh tế những mô hình này cho ra những phương trình gượng ép và không chắc chắn. Bất chấp tính không chắc chắn của các giải thích, các mô hình này rõ ràng là hữu ích trong việc đưa ra các dự báo. Các nhà kinh tế mà chấp nhận dạng lý lẽ phản đối các mô hình dự báo như là các công cụ chính sách này có thể đã sẵn sàng bác bỏ việc sử dụng các mô hình thương mại lớn vào việc phân tích chính sách bất chấp sự thừa nhận giá trị của chúng trong dự báo. Sargent (1984) đưa ra lời giải thích thứ 2 cho các lập luận phản đối việc sử dụng các mô hình dự báo để phân tích chính sách. Ông quan sát thấy rằng mô hình VAR thường kết hợp các biến chính sách vào mô hình một cách đối xứng với các biến khác và xem tất cả chúng như các biến ngẫu nhiên. Về nguyên tắc, ông đồng ý rằng việc lựa chọn chính sách là các biến ngẫu nhiên, với sự không chắc chắn về ảnh hưởng quan trọng của các biến này trên hành vi thực tế. Tuy nhiên, khi chúng ta lựa chọn một chính sách, không phải đơn thuần là chúng ta gieo một con xúc xắc mà thay vào đó, chúng ta thường phải đưa ra một sự lựa chọn duy nhất có tính quyết định. Chúng ta có thể suy nghĩ không hợp lý về sự lựa chọn như vậy trong phạm vi giới hạn của một mô hình mà trong đó chính sách được xác định bởi một số cơ chế ngẫu nhiên. Khi được giải thích một cách thích đáng, cả hai lời giải thích cho các lập luận đó là chính xác, thậm chí là có sự lặp lại không cần thiết. Thật khó để có thể sử dụng một mô hình thống kê để phân tích chính sách mà không cần quan tâm đến các mối tương quan để đưa ra một lời giải thích kinh tế cho chúng. Việc đưa ra một giải thích như vậy thường được các nhà toán kinh tế gọi là xác định một mô hình. Và người ta không thể phân tích sự lựa chọn của các biến số chính sách mà không thể không phân tích các chuỗi phức tạp liền mạch (seamless web) của một mô hình trong đó tất cả các biến chính sách đều được xác định bên trong mô hình. (Trong thực tế, những lập luận này thậm chí còn được áp dụng đối với việc sử dụng một mô hình cho việc dự báo). Nhưng những lập luận đúng đắn này không phải là phản đối việc sử dụng các mô hình dự báo để hỗ trợ cho sự lựa chọn chính sách. Chúng chỉ chỉ ra rằng khi chúng ta tìm thấy một cách sử dụng một mô hình như vậy để hướng dẫn việc lựa chọn chính sách, chúng ta đang bổ sung cho nó một sự giải thích xác định một cách ngầm hiểu hay rõ ràng. Để phản đối việc sử dụng những mô hình như vậy trong việc lựa chọn chính sách, chúng ta phải so sánh các giải thích xác định với những sự lựa chọn thay thế khác. Sự lựa chọn thực tế nằm trong số các phương pháp phân tích chính sách dựa trên các xác định không cần thiết. Trong đó, những giả định xác định đơn giản, không chặt chẽ đủ để đưa một mô hình dự báo đến chỗ tạo ra một vấn đề chính sách được áp đặt, đối nghịch với các lựa chọn thay thế dựa trên các giả định xác định phức tạp, chặt chẽ mà dẫn đến các mô hình với những đặc tính dự báo kém. Dạng rút gọn, Mô hình cấu trúc và Sự xác định (Reduced form, Structure, Identification) Ba thuật ngữ Dạng rút gọn, Mô hình cấu trúc và Sự xác định không chỉ được sử dụng trong lĩnh vực kinh tế mà còn được sử dụng trong những lĩnh vực khác theo nhiều cách khác nhau. Nhưng nhìn chung, một Dạng rút gọn (reduced form) là một mô hình mô tả làm thế nào một số dữ liệu lịch sử, chúng ta có thể gọi là tập X, được tạo ra bởi một số cơ chế ngẫu nhiên. Khi chúng ta ước lượng một mô hình dạng rút gọn, chúng ta xây dựng một vài thống kê mà tóm tắt các dữ liệu đầy đủ của tập X. Mô hình dạng rút gọn có thể được xem như là một nhân tố căn bản cho một dạng cụ thể của tóm tắt dữ liệu. Một cấu trúc, hay còn gọi mô hình cấu trúc, là một mô hình mà chúng ta có thể sử dụng trong việc ra quyết định. Nó tạo ra các dự đoán về các kết quả Z của những hình thức tác động khác nhau A mà chúng ta đã thực hiện. Những khái niệm về mô hình cấu trúc và dạng rút gọn tiềm ẩn trong hầu hết các hình thức sử dụng dữ liệu để hỗ trợ ra quyết định, nhưng khi một nhà toán học kinh tế sử dụng các khái niệm này, nhìn chung họ thường trình bày rõ ràng một dạng rút gọn là phân phối xác suất p (X, β) cho các dữ liệu như một hàm số của các tham số dạng rút gọn β và trình bày một mô hình cấu trúc như là một phân phối có điều kiện q (Z / A; α) của kết quả hình thành từ những tác động, tùy thuộc vào các tham số cấu trúc chưa biết α. Xác định một mô hình là khi khẳng định mối liên kết giữa dạng rút gọn và mô hình cấu trúc, để cho các ước lượng các tham số dạng rút gọn β có thể được sử dụng để quyết định các tham số cấu trúc α. (1) Hiểu một cách đơn giản nhất, sự xác định (Identification) là sự giải thích sự biến động của các dữ liệu quan sát trong lịch sử bằng 1 phương pháp mà cho phép các biến động có thể được sử dụng để dự đoán kết quả của một hành động chưa thực hiện. Thực hiện kết nối giữa dữ liệu và kết quả của những quyết định là điều không dễ dàng, và việc thực hiện kết nối đó càng trở nên khó hơn xa hơn nữa là các hành động mà chúng ta dự tính thực hiện từ bất kỳ một sự kiện quan sát nào trong lịch sử. Nếu chúng ta may mắn, có thể có sự biến động ngẫu nhiên về mặt lịch sử trong các hành động mà tương tự như các hành động chúng ta đang dự kiến. Sau đó chúng ta có thể sử dụng dữ liệu trực tiếp để quyết định các tác động của các hành động của chúng ta có thể xảy ra. Nhưng đôi khi chúng ta phải dự tính những hành động hoàn toàn khác nhau từ những quan sát trong quá khứ, trong đó việc xác định các trường hợp trở nên khó khăn hơn và dễ gây tranh cãi. Trong kinh tế học, các mô hình cấu trúc thường được xây dựng để mỗi tham số trong vector α đều có một sự giải thích kinh tế. Có nghĩa là các yếu tố của α sẽ có dạng như "độ co giãn của cầu tiền theo lãi suất" hoặc "độ co giãn thay thế giữa yếu tố điện năng và yếu tố lao động trong ngành sản xuất sữa". Ngược lại, các yếu tố của các vector β thường khó giải thích hơn vì chúng phản ánh sự ảnh hưởng kết hợp của hành vi trong nhiều lĩnh vực của nền kinh tế. Tuy nhiên, không có một tiêu chuẩn duy nhất để một tham số có cách giải thích kinh tế. Các tham số trong mô hình có thể có những cách giải thích, nhưng nếu mô hình không phải là mô hình cấu trúc, đồng nghĩa với việc chúng ta không thể sử dụng nó để đưa ra những dự đoán về kết quả của những hành động mà chúng ta quan tâm. Ngược lại, chúng ta có thể sử dụng một mô hình đưa ra các dự đoán một cách chính xác ngay cả khi một số hoặc tất cả các tham số của mô hình đó không có sự giải thích phù hợp. Toán học chính thống khẳng định sự kết nối giữa một mô hình dạng rút gọn và một mô hình bất cấu trúc điều mà có sự giải thích thỏa đáng là không có gì khác so với sự kết nối giữa mô hình dạng rút gọn và mô hình cấu trúc. Nhiều nhà kinh tế đã có suy nghĩ về các mô hình cấu trúc như là các mô hình với các giải thích thoả đáng cho tất cả các tham số. Khẳng định không thể tranh cãi rằng việc dự đoán các tác động của chính sách đòi hỏi phải có sự xác định của một mô hình cấu trúc, do đó trở thành nguồn gốc của sự hiểu lầm nghiêm trọng về mặt ngữ nghĩa.(2) Một số ví dụ về sự xác định trong việc ra quyết định (Examples of identification in Decision-making) Để đưa thảo luận trừu tượng này trở nên dễ hiểu, tôi sẽ trình bày một loạt các ví dụ về việc áp dụng mô hình thống kê để đưa ra quyết định. Bảng tính (Spreadsheet) Có lẽ hình thức đơn giản nhất và được sử dụng rộng rãi nhất của mô hình định lượng như là một trợ giúp để lựa chọn chính sách là mô hình bảng tính tài chính. Ở đây việc tính toán các xác định và một số mối quan hệ đơn giản trong số các loại tính toán mô tả các biểu hiện lịch sử trung bình được sử dụng như một khuôn mẫu cho việc dự báo các kết quả của các quyết định kinh doanh. Ở kiểu mô hình này, không có mô hình xác suất tiềm ẩn, mặc dù việc sử dụng biểu hiện trung bình trong quá khứ để dự báo cho tương lai hàm ý các niềm tin về cấu trúc xác suất của dữ liệu. Dạng rút gọn được hiểu ngầm trong các danh mục cụ thể được sử dụng để báo cáo và tóm tắt các dữ liệu kế toán về lợi nhuận gộp, lợi nhuận trên vốn chủ sở hữu, tỷ lệ năng suất... Mô hình cấu trúc thường được hình thành bằng cách giả định rằng các tỷ lệ trung bình quan sát trong lịch sử nào đó trong các dữ liệu kế toán thì dường như không thay đổi theo những thay đổi khác nhau trong chiến lược kinh doanh và do đó có thể được sử dụng để dự báo các tác động của những thay đổi trong chiến lược. Mọi người đều hiểu rằng những mô hình này không tránh khỏi các hạn chế; tuy nhiên, bởi vì các mô hình này áp đặt một số sự thống nhất không thay đổi về các dự đoán của một danh sách dài các con số có liên quan đến nhau, vì thế các mô hình đó là hữu ích. Các giả định xác định của các mô hình ít khi tập trung vào các chú ý rõ ràng, mặc dù người sử dụng chúng hiểu rằng các giả định là các phép tính gần đúng thô thiển và do đó làm giảm giá trị quyết định của các kết quả của mô hình. Các thử nghiệm lâm sàng trong y học (Clinical trials in medicine) Một ví dụ khác đơn giản hơn, phát sinh trong các thử nghiệm lâm sàng trong y học. Chúng ta có thể có các kết quả từ một nghiên cứu của 200 bệnh nhân, 100 bệnh nhân được cho điều trị bằng phương pháp cũ và 100 bệnh nhân được cho điều trị theo phương pháp mới. Kết quả có thể được trình bày thành bảng phân loại chéo phân thành 16 mục theo c