STT

Tên đề tài

1

Nghiệm thu đề tài khoa học và công nghệ cấp Đại học Quốc gia Thành phố Hồ Chí Minh (ĐHQG-HCM) với thông tin cụ thể như sau:

Tên đề tài: Ứng dụng máy học dự báo lạm phát và tăng trưởng kinh tế của Việt Nam

Chủ nhiệm đề tài: TS Lê Đức Quang Tú

Đơn vị: Trường Đại học Kinh tế – Luật

Mã số: ĐH2022-34-01

Địa điểm: Trường Đại học Kinh tế – Luật

Quyết định nghiệm thu số …../QĐ-ĐHQG ngày ….. /…../2025 của Giám đốc ĐHQG-HCM;

Chủ tịch Hội đồng: 

Tóm tắt Đề tài

Nghiên cứu này đánh giá khả năng dự báo của các mô hình học máy (ML) trong dự báo lạm phát và tăng trưởng kinh tế ở Việt Nam. Nghiên cứu này sử dụng các mô hình truyền thống (ví dụ: autoregressive integrated moving average, linear regression) và các thuật toán ML tiên tiến (ví dụ: extreme gradient boosting, random forest (RF), K-nearest neighbour (KNN), long short-term memory, residual long short-term memory, gated recurrent units, bidirectional gated recurrent units and causal convolutional neural network). Kết quả dự báo từ các mô hình này sau đó được so sánh với kết quả dự báo của các tổ chức quốc tế uy tín (ví dụ: Quỹ Tiền tệ Quốc tế (IMF), Ngân hàng Phát triển Châu Á (ADB) và Ngân hàng Thế giới (WB)) đang được các cơ quan chức năng Việt Nam sử dụng làm công cụ tham khảo.

Nghiên cứu đã chỉ ra một số kết quả chính như sau:

i. Không tồn tại một mô hình nào có thể cho kết quả dự báo tốt nhất cho nhiều khoảng thời gian dự báo khác nhau.

ii. Thuật toán KNN cho kết quả dự báo lạm phát tốt hơn các thuật toán khác cho khoảng thời gian dự báo 12 tháng. Kết quả từ thuật toán KNN khá tương đồng với những dự báo được IMF và ADB công bố ở một số năm. Tuy nhiên, kết quả dự báo từ thuật toán KNN thậm chí còn vượt trội hơn khi xem xét tác động của đại dịch COVID-19. Một số đặc trưng quan trọng để dự báo lạm phát bao gồm giá hàng hóa, tỷ lệ chiết khấu, tỷ lệ lạm phát lịch sử của Việt Nam, sự phát triển của thị trường chứng khoán và sự bất ổn về chính sách kinh tế của các đối tác thương mại của Việt Nam.

iii. Đối với tăng trưởng kinh tế, thuật toán RF cho thấy kết quả dự báo tốt hơn các thuật toán khác cho khoảng thời gian dự báo bốn quý. Đối với năm 2019, kết quả dự báo của thuật toán RF khá tương đồng với dự báo của WB và ADB. Tuy nhiên, kết quả dự báo của thuật toán RF hơi khác so với dự báo của các tổ chức này trong những năm sau đó. Đặc biệt, giá trị dự báo của thuật toán RF thấp hơn giá trị dự báo của các tổ chức này vào năm 2023, phản ánh tốt hơn tình hình kinh tế tại Việt Nam. Các đặc trưng quan trọng để dự đoán tăng trưởng kinh tế tại Việt Nam bao gồm đầu vào công nghiệp, giá cao su và dầu thô.

iv. Các mô hình ML được đề xuất trong nghiên cứu này có thể hữu ích trong việc dự báo các biến kinh tế vĩ mô.

v. Báo cáo này được cấu trúc thành bốn chương sau:

Chương 1 trình bày tổng quan về các phương pháp dự báo lạm phát và tăng trưởng kinh tế ở các nước trên thế giới và việt nam.

Chương 2 mô tả mô hình dự báo lạm phát và tăng trưởng kinh tế.

Chương 3 trình bày dữ liệu nghiên cứu.

Chương 4 thảo luận về kết quả, đưa ra một số khuyến nghị thực tế và nêu bật một số hạn chế của nghiên cứu này.