BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH

TIỂU LUẬN MÔN
DỰ BÁO KINH TẾ
ĐỀ TÀI
Doanh thu bán hàng và cung cấp dịch vụ của Công ty cổ phần Sữa
Việt Nam Vinamilk từ quý I năm 2019 đến quý IV năm 2020 dưới tác
động của Chỉ số giá tiêu dùng CPI bằng mô hình VAR

TP. Hồ Chí Minh tháng 4, năm 2020


MỤC LỤC
GIỚI THIỆU .................................................................................................................. 1
DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU ....................................................... 2
1.

Dữ liệu ................................................................................................................ 2

2.

Phương pháp nghiên cứu ................................................................................... 2

3.

Các bước thực hiện ............................................................................................ 2
3.1. Kiểm định tính dừng ................................................................................... 2
3.2. Tìm độ trễ và ước lượng mô hình ............................................................... 3
3.3. Kiểm tra mô hình ........................................................................................ 3
3.4. Hàm phản ứng ............................................................................................. 4

Bảng 4. Ước lượng mô hình VAR.................................................................................. 7
Bảng 5. Kiểm định nhiễu trắng của mô hình............................................................... 10
Bảng 6. Kiểm định mối quan hệ nhân quả Granger..................................................... 11
Bảng 7. Kết quả dự báo ngoài mẫu.............................................................................. 13
Bảng 8. Chuỗi mới sau khi dự báo.............................................................................. 13

DANH MỤC HÌNH
Hình 1. Kiểm định tính ổn định và khả nghịch của mô hình....................................... 10
Hình 2. Hàm phản ứng của mô hình............................................................................ 12


GIỚI THIỆU
Dự báo kinh tế ngày càng đóng vai trò quan trọng không chỉ đối với các nhà hoạch
định chính sách của các quốc gia mà còn đối với mỗi doanh nghiệp kinh doanh trong mọi
lĩnh vực. Đây là cách tiên đoán tổng hợp có căn cứ khoa học về nội dung, những xu
hướng chính của sự phát triển tự nhiên, kinh tế, xã hội, tư duy của con người trong tương
lai và mang tính xác suất song đáng tin cậy. Ngày nay, dự báo đã được sử dụng rất rộng
rãi trong mọi lĩnh vực đời sống xã hội với nhiều loại và phương pháp dự báo khác nhau
như lấy ý kiến ban điều hành, phương pháp điều tra người tiêu dùng, phương pháp
Delphi,… Trong thống kê, người ta thường sử dụng các phương pháp như phương pháp
phân tích chuỗi thời gian, phương pháp san mũ, VAR, ARIMA,…
Vinamilk là doanh nghiệp lớn nhất ngành sữa, liên tục đứng top đầu trong các công
ty có mức tăng trưởng mạnh mẽ trong nhiều năm liền. Với nhiều chỉ số thể hiện kết quả
kinh doanh đạt kỉ lục qua các năm, Vinamilk đang chứng tỏ triển vọng phát triển của
mình không chỉ trong khu vực mà còn trên phạm vi toàn cầu. Trong đó, doanh thu bán
hàng và cung cấp dịch vụ là một trong những chỉ số quan trọng hàng đầu nhằm đánh giá
hiệu quả kinh doanh và mức độ tăng trưởng của Vinamilk. Từ đó, đề ra những chiến lược,
kế hoạch dài hạn giúp nâng tầm thương hiệu trên trường quốc tế.
Mặt khác, các chỉ số kinh tế vĩ mô – tiêu biểu là Chỉ số giá tiêu dùng CPI - lại có
những ảnh hưởng nhất định tới doanh thu của các doanh nghiệp bởi nó phản ánh mọi biến

1
1

2

Trong đó Yt = [

]

2

; ut = [

]
…

…

Ai là ma trận vuông cấp m*m, i = 1, 2,…, p ; st = (s1t , s2t, …, smt)
Y bao gồm m biến ngẫu nhiên dừng; u vecto các nhiễu trắng, st vecto các yếu tố xác
định, có thể bao gồm hằng số, xu thế tuyến tính hoặc đa thức.
Mô hình này được gọi là mô hình VAR bậc p, ký hiệu VAR(p).
Ví dụ: Khi dự báo cho 2 hoặc nhiều hơn các chuỗi như GDP và M2, inf và M2 hay GDP,
M2, tỷ giá, inf,…, ta dùng mô hình VAR. Ví dụ biểu diễn mô hình VAR(1):

{

=

11

3.

Các bước thực hiện

3.1. Kiểm định tính dừng
Ta sử dụng kiểm định nghiệm đơn vị. Tích kép vào chuỗi, vào View → Unit Root
Test…
Ở khung Test for unit root in, ta kiểm định cho chuỗi nào thì lựa chọn chuỗi đó:
+ Level: chuỗi gốc.
+

st

1 difference: sai phân bậc 1.
2


+

nd

2

difference: sai phân bậc 2.

Kết quả cho ra nếu p-value nhỏ thì chuỗi là dừng, nếu chuỗi gốc chưa phải là chuỗi
dừng, kiểm định tiếp cho sai phân bậc 1 và bậc 2. Khi ước lượng VAR nên để các chuỗi
dừng ở cùng một bậc.
3.2. Tìm độ trễ và ước lượng mô hình
Để ước lượng mô hình VAR, việc xác định độ trễ là hết sức kỹ lưỡng. Nếu độ trễ

kiểm định nhân quả Granger, ta làm như sau:
View → Lag Structure → Granger Causality/ Block Exogeneity Tests. Sau đó kiểm
tra xem các biến có quan hệ nhân quả với nhau hay không dựa vào giá trị P-value.
Để xem xét ta có nên bỏ độ trễ nào hay không, ta vào View → Lag Structure → Lag
Exclusion Tests. Nếu p-value nào nhỏ thì ta giữ lại độ trễ đó.
3.4. Hàm phản ứng
Mô hình VAR đã ghi dấu ấn trong lý thuyết kinh tế, đưa ra một cơ sở thuận lợi và
hữu ích đối với việc phân tích chính sách. Hàm phản ứng (IRF) xem ảnh hưởng của bất kì
biến nào đến các biến khác trong hệ thống. Đó là một công cụ hiệu quả trong phân tích
nguyên nhân bằng thực nghiệm và phân tích hiệu quả chính sách. Đây là một quan điểm
quan trọng liên quan đến IRF và VAR.
Trong mô hình VAR, một cú sốc đối với biến i – yếu tố ngẫu nhiên ở phương trình
biến đổi với biến i – không chỉ ảnh hưởng đến biến i mà còn lan truyền đến biến nội sinh
khác thông qua cấu trúc của VAR. Hàm phản ứng mô tả ảnh hưởng của một cú sốc ở một
thời điểm đến các biến nội sinh ở hiện tại và tương lai.
Để thấy hàm phản ứng, ta thực hiện như sau:
Impulse → Chọn kì trong ô Periods ở thẻ Display và chọn phương pháp trong thẻ
Impulse Definition.
Từ hình vẽ, ta sẽ đọc được các cú sốc tác động sẽ kéo dài trong bao nhiêu kì, các
biến phản ứng nhanh hay chậm đối với các cú sốc. Từ đó giúp các nhà hoạch định đưa ra
các chính sách phù hợp nhất.
3.5. Dự báo cho mô hình
Trong trường hợp các biến có mối quan hệ Granger, ta thực hiện như sau: Proc →
Make Model → Solve. Sau đó thực hiện dự báo cho ngoài mẫu.
Nếu các biến có mối quan hệ nội sinh – ngoại sinh, ta phải tiến hành xây dung kịch
bản để dự báo. Và trong trường hợp không có cả hai mối quan hệ trên, ta phải xây dựng
lại mô hình.

4


biến: kiểm định nghiệm đơn vị (unit root test).
Chuỗi LNREVENUE
Bảng 1. Kiểm định tính dừng của chuỗi LNREVENUE
Null Hypothesis: D(REVENUE,2) has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=10)
t-Statistic

Prob.*

-9.692279

0.0000

-3.577723
-2.925169
-2.600658
Theo kết quả của bảng 1 đã cho thấy, chuỗi LNREVENUE dừng ở sai phân bậc 2
(Do p-value = 0.0000 < 0.05 hay 5%).
Do chuỗi LNREVENUE dừng ở sai phân bậc 2 nên nhóm nghiên cứu sẽ kiểm định
tính dừng của chuỗi LNCPI ở sai phân bậc 2.

5


Chuỗi LNCPI

Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level

Exogenous variables: C
Sample: 2005Q4 2020Q4
Included observations: 39
Lag

LogL

LR

FPE

AIC

SC

HQ

0

106.9746

NA

1.57e-05

-5.383315

-5.298005

-5.352707


-6.821882

-6.224706

-6.607620

6


4

156.9796

15.31222

2.80e-06

-7.127161 -6.359363*

-6.851682

5

158.7814

2.587148

3.18e-06


-5.996611

-6.817142

8

179.1627

8.208077

2.27e-06

-7.444240

-5.993956

-6.923891

9

191.0583

12.20063* 1.60e-06

-7.849143

-6.228237

-7.267576


1.62e-06 -8.132063*

-5.999291

-7.366843

1.62e-06

* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Từ bảng 3, nhóm nghiên cứu nhận thấy rằng, các độ trễ 4, 9,11, 12 là các độ trễ hiệu
quả nhất. Tuy nhiên, trong bài nghiên cứu này, nhóm sẽ lựa chọn độ trễ tiêu biểu trong
khoảng từ 1 đến 9 và cho ra kết quả như sau:
Bảng 4. Ước lượng mô hình VAR
Vector Autoregression Estimates
Sample (adjusted): 2008Q3 2018Q4
Included observations: 42 after adjustments
Standard errors in ( ) & t-statistics in [ ]
D(LNCPI(-1),2)

D(LNCPI(-2),2)

D(LNCPI(-3),2)

D(LNCPI,2)


7


D(LNCPI(-4),2)

D(LNCPI(-5),2)

D(LNCPI(-6),2)

D(LNCPI(-7),2)

D(LNCPI(-8),2)

D(LNCPI(-9),2)

D(LNREVENUE(-1),2)

D(LNREVENUE(-2),2)

D(LNREVENUE(-3),2)

D(LNREVENUE(-4),2)

(0.12949)

(0.34168)

[-1.85926]

[-1.89815]


(0.36123)

[-0.54359]

[-0.96131]

-0.223183

-0.425819

(0.13479)

(0.35569)

[-1.65573]

[-1.19718]

-0.469018

0.593128

(0.13261)

(0.34991)

[-3.53688]

[ 1.69506]


(0.28550)

[ 0.39255]

[-4.46175]

-0.026678

-0.887873

(0.12822)

(0.33833)

[-0.20807]

[-2.62427]

-0.164779

0.089006

8


D(LNREVENUE(-5),2)

D(LNREVENUE(-6),2)


0.653295

(0.11627)

(0.30679)

[ 0.03899]

[ 2.12945]

0.050781

0.409093

(0.08869)

(0.23402)

[ 0.57258]

[ 1.74808]

0.147509

0.393731

(0.06201)

(0.16362)


rằng: Mô hình này là hoàn toàn có ý nghĩa.

9


3.

Kiểm định mô hình

3.1. Var có ổn định hay không?

Hình 1. Kiểm định tính ổn định và khả nghịch của mô hình
Từ hình 1 có thể nhận thấy, mô hình VAR này luôn ổn định do tất cả các điểm đều
nằm trong vòng tròn đơn vị (có giá trị nằm trong đoạn (-1,1)).
3.2. Kiểm định nhiễu trắng
Sau khi kiểm định được tính ổn định của Var, nhóm tiến hành kiểm định nhiễu
trắng thông qua thao tác Autocorrelation LM Test, thu được kết quả sau:
Bảng 5. Kiểm định nhiễu trắng của mô hình
VAR Residual Serial Correlation LM Tests
Sample: 2005Q4 2020Q4
Included observations: 42
Null hypothesis: No serial correlation at lag h
Lag

LRE* stat

df

Prob. Rao F-stat


0.4127 1.011533 (4, 40.0) 0.4130

5

7.050328

4

0.1333 1.876294 (4, 40.0) 0.1335

6

6.590107

4

0.1592 1.743729 (4, 40.0) 0.1595

7

2.987073

4

0.5600 0.755751 (4, 40.0) 0.5602
10

df

Prob.

(4, 40.0) 0.8271

11

1.946810

4

0.7455 0.486285

(4, 40.0) 0.7457

12

6.475665

4

0.1663 1.710995

(4, 40.0) 0.1666

Từ kết quả thu được, nhóm nghiên cứu nhận thấy ở 12 độ trễ liên tiếp không có tự
tương quan (p-value > 5%). Vậy có thể kết luận mô hình có nhiễu trắng.
3.3. Kiểm định mối quan hệ nhân quả
Kiểm định Granger được sử dụng để kiểm tra mối quan hệ qua lại giữa chỉ số
LNREVENUE và chỉ số LNCPI. Kết quả kiểm định mối quan hệ nhân quả Granger được
thể hiện trong bảng 6:
Bảng 6. Kiểm định mối quan hệ nhân quả Granger
VAR Granger Causality/Block Exogeneity Wald Tests


Prob.

D(LNCPI,2)

15.29817

9

0.0831

All

15.29817

9

0.0831

-

Chỉ số LNREVENUE tác động lên LNCPI có ý nghĩa thống kê (P-value = 0.0194)

-

Chỉ số LNCPI cũng tác động lên LNREVENUE (P-value = 0.0831)
Hay nói cách khác, hai biến LNCPI và LNREVENUE có mối quan hệ Granger ở mức

ý nghĩa 10%. Nhóm nghiên cứu có thể dự báo mô hình mà không cần xây dựng kịch bản
cho các biến.


như là sự thay đổi của các chính sách.
5.

Dự báo

5.1. Dự báo ngoài mẫu
Từ thẻ Proc trên cửa số Estimate, chọn lệnh Make Model và sau đó chọn hộp thoại
Solve, nhóm nghiên cứu thu được kết quả dự báo cho thời kì 2019Q1 – 2020Q4 thể hiện
ở bảng 7:

12


Bảng 7. Kết quả dự báo ngoài mẫu
LNCPI_0 LNREVENUE_0
2019Q1

4.628995

16.37623

2019Q2

4.609056

16.46053

2019Q3


4.579120

16.42395

Bảng 7 trên mới chỉ thể hiện dự báo cho hai biến LNREVENUE và LNCPI cho thời
kỳ 2019Q1 – 2020Q4 nhưng chưa phải là dự báo cho chuỗi gốc ban đầu.
5.2. Dự báo chuỗi gốc
Để dự báo cho chuỗi gốc, nhóm nghiên cứu tạo hai biến mới bằng cách phá log của
hai biến LNREVENUE và LNCPI bằng lệnh sau:
genr revenue_0 = exp(lnrevenue_0)
genr cpi_0 = exp(lncpi_0)
Sau khi tạo hai biến mới, nhóm nghiên cứu thu được kết quả dự báo cho chuỗi gốc
thời kỳ 2019Q1 – 2020Q4. Để thể hiện rõ sự so sánh hai chỉ số REVENUE và CPI giữa
các thời kì, nhóm nghiên cứu xin trình bày bảng số liệu về CPI và REVENUE ở tất cả các
thời kì sau khi đã dự báo ở bảng 8 sau đây :
Bảng 8. Chuỗi mới sau khi dự báo
CPI_0 REVENUE_0
2005Q4

108.4000

1100324.

2006Q1

108.3000

1291223.

2006Q2


108.6900

1841047.

13


2007Q4

110.6600

1886026.

2008Q1

116.3900

1840528.

2008Q2

124.4700

2107667.

2008Q3

127.7500


2928997.

2010Q1

108.5100

3304641.

2010Q2

108.9900

4084308.

2010Q3

108.4300

4522303.

2010Q4

113.5000

4233552.

2011Q1

112.7900


7151522.

2012Q3

105.6200

6761166.

2012Q4

105.5700

7204441.

2013Q1

106.9100

6817400.

2013Q2

106.5500

8234419.

2013Q3

106.8800


9493406.

2015Q1

100.7400

8771338.

2015Q2

100.9800

10520024

14


2015Q3

100.5000

10577329

2015Q4

100.3100

10353908

2016Q1


103.3400

13386878

2017Q3

103.0900

13308558

2017Q4

102.7300

12365038

2018Q1

102.8200

12131964

2018Q2

103.7600

13738446

2018Q3


98.74927

13291696

2020Q1

98.40041

13466693

2020Q2

98.30550

14674766

2020Q3

97.82792

14559875

2020Q4

97.42862

13577845

Phần bôi đậm chính là kết quả dự báo cho thời kì 2019Q1 – 2020Q4. Từ kết quả nghiên

rõ ràng. Trong đó, doanh nghiệp phải hướng tới mục tiêu nâng cao chất lượng sản phẩm,
dịch vụ, phục vụ lợi ích lâu dài của người tiêu dùng cũng như phát triển xã hội.

16


TÀI LIỆU THAM KHẢO
1.

Nguyễn Quang Dong, Nguyễn Thị Minh, 2015, Giáo trình Kinh tế lượng, Nhà
xuất bản Đại học Kinh tế Quốc dân.

2.

Triển vọng Kinh tế Tài chính 2018, Chuyên san Kinh tế Tài chính – Ngân hàng (Số

15, tháng 05/2018), trang 23 - 30,
https://fb.uel.edu.vn/Resources/Docs/SubDomain/fb/Chuy%C3%AAn%20san/cs1
5_mau_web.pdf?fbclid=IwAR1-kH68m_CZsO4c0DgRw63vGH16OkRmUps72cm6M0PHRJAd6lflPejWyw
3.

Báo cáo tài chính của Vinamilk, https://www.vinamilk.com.vn/vi/thong-tin-taichinh

4.

Chỉ số giá tiêu dùng, Tổng cục thống kê, http://www.gso.gov.vn/default.aspx?
tabid=628

17