Kinh Tế Vĩ mô Cơ Bản (1): Hợp tác chính sách tài khóa

Báo cáo Triển vọng kinh tế thế giới 2017 của IMF (WEO, tháng 10 2017) đề cập đến tác động lan tỏa của chính sách tài khóa (Fiscal spillovers). Kể từ cuộc khủng hoảng kinh tế 2007 và khi lãi suất tiếp cận giới hạn 0 (zero-lower-bound), chính sách tài khóa trở nên càng quan trọng hơn trong việc ổn định hóa vĩ mô. Bài viết này giới thiệu cơ bản về hợp tác chính sách giữa các quốc gia từ góc nhìn lý thuyết.

Để dễ hiểu trong việc trình bày, vì tôi không biết nên dịch một vài thuật ngữ ra tiếng Việt như thế nào, tôi xem xét hai quốc gia có thương mại với nhau: A và B, trong đó A là nước nhà và B là nước đối tác. Trước hết, chúng ta sẽ xem xét sự khác nhau giữa tác động của chính sách tài khóa nước A và chính sách tài khóa nước B vào sản lượng và cán cân thương mại của nước A.

• Chính sách tài khóa (nước nhà A) mở rộng thúc đẩy tổng cầu của nước A (có thể qua kênh tăng chi tiêu chính phủ hoặc giảm thuế khiến tiêu dùng tăng). Trong khi sự gia tăng tổng cầu góp phần tăng sản lượng trong nước, nó cũng dẫn đến cầu đối với hàng hóa nước ngoài tăng, dẫn đến nhập khẩu của nước A tăng, do vậy khiến cán cân thương mại nước A trở nên xấu đi.
• Khi nước B thực thi chính sách tài khóa mở rộng, sản lượng nước B tăng, khiến cầu đối với hàng hóa nước A tăng, góp phần tăng sản lượng nước A và cải thiện cán cân thương mại nước A (nhập khẩu của B tăng và xuất khẩu của A tăng).

Nghĩa là, chính sách tài khóa (nước nhà) mở rộng sẽ tăng sản lượng, nhưng làm xấu đi cán cân thương mại. Nhưng nếu nước đối tác thực thi chính sách tài khóa mở rộng, sẽ góp phần tăng sản lượng và cải thiện cán cân thương mại của nước nhà. Hàm ý của điều này là những thay đổi tài khóa của một quốc gia có tác động lan tỏa tới quốc gia khác, phụ thuộc vào mức độ kết nối thương mại, và cả kết nối tài chính giữa các quốc gia. Khi kết nối càng lớn thì khả năng tác động lan tỏa của chính sách càng lớn.

Các chính phủ không thích thâm hụt thương mại, vì thâm hụt thương mại dai dẳng dẫn đến nợ nước ngoài gia tăng (Hiểu đơn giản là dùng nhiều hơn cái mình có (cái mình sản xuất) thì phải đi vay- Đây là lý do Trung Quốc là chủ nợ lớn nhất của Mỹ vì nhập siêu của Mỹ từ Trung quốc rất cao). Do đó, các quốc gia thích cầu nước ngoài gia tăng (do đó tăng xuất khẩu của nước nhà, cải thiện cán cân thương mại) hơn là tăng cầu nước nhà (dẫn đến nhập khẩu gia tăng, suy yếu cán cân thương mại). Đây cũng là nguồn cơn cho một số điều tồi tệ. Chuyện gì xảy ra nếu tất cả các nước cùng rơi vào khủng hoảng. Có thể mỗi quốc gia sẽ do dự để kích thích cầu trong nước vì lo sợ cán cân thương mại sẽ xấu hơn. Thay vào đó, họ chỉ cần chờ quốc gia khác kích thích cầu của họ, và sẽ có tác động lan tỏa đến nước mình, đạt được cả 2 mục đích: tăng sản lượng qua xuất khẩu và cải thiện cán cân thương mại. Nhưng nếu tất cả các quốc gia cùng chờ, không điều gì sẽ xảy ra và khủng hoảng sẽ kéo dài hơn.

Một giải pháp cho vấn đề này chính là: Hợp tác chính sách. Nếu tất cả các quốc gia đồng thời thực hiện chính sách vĩ mô để kích thích cầu, do đó mỗi quốc gia có thể tăng sản lượng của mình trong khi không làm suy yếu cán cân thương mại. Kích cầu vẫn sẽ dẫn đến tăng nhập khẩu, nhưng sự tăng lên trong nhập khẩu sẽ bị bù trừ bởi sự tăng lên trong xuất khẩu do tác động lan tỏa của kích cầu của nước đối tác. Đây cũng chính là nguyên nhân của cuộc họp khẩn cấp tháng 11 năm 2008 của các lãnh đạo của nhóm G20 ở thủ đô Washington DC (https://en.wikipedia.org/wiki/2008_G20_Washington_summit). Tổng giám đốc điều hành của IMF khi đấy Dominique Strauss-Kahn nhấn mạnh rằng:  “Kích thích tài khóa là hết sức cấp thiết để tái tạo tăng trưởng toàn cầu. Kích thích tài khóa của mỗi quốc gia có thể có hiệu quả gấp đôi nếu đối tác thương mại chính cũng thực hiện gói kích cầu”.

Tuy nhiên, trên thực tế việc hợp tác chính sách không dễ dàng để đạt được vì nhiều lý do. Ví dụ như nếu chỉ có một vài quốc gia rơi vào khủng hoảng, các quốc gia không rơi vào khủng hoảng sẽ không sẵn sàng thực hiện tài khóa mở rộng để kích cầu. Hay là một vài quốc gia đang có thâm hụt thương mại lớn, sẽ do dự trong việc cắt giảm thuế hay gia tăng chi tiêu chính phủ, và yêu cầu các quốc gia khác đảm nhận trách nhiệm lớn hơn trong việc điều chỉnh, điều mà các quốc gia khác có thể do dự khi thực hiện.

Một nguyên nhân khác của thất bại trong việc hợp tác có thể liên hệ đến thế tiến thoái lưỡng nan của người tù (một game kinh điển trong lý thuyết trò chơi). Mặc dù các quốc gia cam kết để hợp tác, nhưng khi tất cả các quốc gia đồng ý, mỗi quốc gia có động cơ để không giữ lời hứa, và hưởng lợi từ sự kích cầu của các quốc gia khác. Nếu điều này xảy ra, có thể sẽ không có bất kỳ hợp tác nào xảy ra, hoặc sự kích cầu tương đối yếu để đưa các quốc gia vượt qua khủng hoảng.

 

Tham khảo: WEO (10,2017) và Kinh tế vĩ mô (Blanchard and Johnson)

Ai phát minh Hồi quy với biến công cụ IV

Gần đây tôi có nghe GS James Stock trình bày về lịch sử hồi quy IV và có được một số tài liệu từ thầy. Thấy cũng thú vị nên viết đây chia sẻ với mọi người.

Để bắt đầu: hồi quy biến công cụ IV là gì?

Hồi quy với biến công cụ được sử dụng khi ước lượng các mô hình liên quan đến vấn đề biến nội sinh (endogeneity). Một số ví dụ như sau:

Ở mô hình trên xem xét ảnh hưởng của biến X đến biến Y. Mô hình này có thể được ước lượng bởi OLS chỉ khi các điều kiện của Định lý Gauss-Markov được thỏa mãn. Một trong những điều kiện là không có sự tương quan giữa X và nhiễu e, nói cách khác X là biến ngoại sinh. Tuy nhiên, nếu điều này không được thỏa mãn, ước lượng sẽ bị thiên lệch (biased) khi  sử dụng OLS. Nếu tương quan giữa X và e là dương: , khi X tăng e sẽ tăng nên Y sẽ tăng nhiều hơn, do vậy khi ước lượng, kết quả thu được là nhiều khả năng bị thiên lệnh lên (upward biased). Ngược lại nếu tương quan giữa X và e là âm thì nhiều khả năng bị thiên lệnh xuống (downward biased). Để có thể ước lượng mô hình này, ta cần tìm công cụ Z mà tương quan với X, nhưng không tương quan với e. Ví dụ như nghiên cứu của Angrist và Krueger (1991) ước lượng ảnh hưởng của số năm đi học và thu nhập:

Thu nhập và số năm đi học đều có liên quan đến năng lực cá nhân (ability). Tuy nhiên, năng lực cá nhân không đưa vào mô hình (lý do chính là không có dữ liệu đánh giá chính xác), nên sẽ có sự tương quan giữa biến school và nhiễu, do vậy cần tìm biến công cụ cho school để có được ước lượng không thiên lệch.

Bên cạnh phương trình đơn, hồi quy IV còn được sử dụng để ước lượng hệ thống các phương trình đồng thời (Simultaneous equation models). Ví dụ như phương trình cung và cầu như sau:

 

: cung, : cầu, : giá. Với số liệu về sản lương Q và P, làm thế nào để ước lượng đường cung và đường cầu.

Để ước lượng đường cầu, ta cần tìm biến công cụ mà làm dịch chuyển đường cung, trong khi không làm dịch chuyển đường cầu (như hình 1). Ngược lại, để ước lượng đường cung, ta cần phải tìm biến công cụ mà làm dịch chuyển đường cầu, trong khi không làm dịch chuyển đường cung.

Hình 1: Xác định đường cầu

Nếu biến công cụ làm dịch chuyển cả 2 đường như hình 2, thì biến công cụ này không có ích để xác định được đường cung hay cầu (hay theo thuật ngữ là: công cụ yếu- weak instruments).

Hình 2: Cung hay cầu

Trở lại câu chuyện chính: ai phát minh ra hồi quy biến công cụ IV.

Nghiên cứu đầu tiên mà sử dụng IV để ước lượng mô hình có vấn đề nội sinh là của Philip G. Wright, The Tariff on Animal and Vegetable Oils, xuất bản vào năm 1928 (Phụ lục B, như Hình 3) (Download bài nghiên cứu). Như trong hình 3, để ước lượng đường cung, tìm công cụ A (giá của sản phẩm thay thế sẽ làm dịch chuyển đường cầu) , và để ước lượng đường cầu, dựa vào công cụ B (năng suất mỗi acre, do vậy làm dịch chuyển đường cung).

Hình 3: Phụ lục B (Wright, 1928)

 

Tuy nhiên, điều thú vị là: không rõ ai là tác giả của Phụ lục B- Philip Wright hay Sewall Wright (con trai cả của Philip, là một nhà di truyền nổi tiếng thế kỷ 20). Sewall qua đời năm 1988, nên không thể hỏi trực tiếp được. Trước nghiên cứu của Philip, trong một nghiên cứu năm 1925, Sewall sử dụng biến công cụ để ước lượng chu kỳ bắp ngô và heo, tuy nhiên trong mô hình của Sewall, các biến giải thích là biến ngoại sinh, nên chỉ cần sử dụng OLS. Không rõ tại sao Sewall sử dụng OLS, nguyên do chính có lẽ để dễ tính toán hơn (https://scholar.harvard.edu/stock/content/history-iv-regression).

Để trả lời câu hỏi này, nghiên cứu của James và Franchesco (2003) (Download bài nghiên cứu) sử dụng phương pháp nghiên cứu dữ liệu xác định phong cách (dựa vào ngữ pháp và cách sử dụng từ) và xác định rằng Philip là tác giả của Phụ lục B. Mặc dù vậy James và Franchesco không thể chắc chắn ai là người nghĩ đến việc sử dụng biến công cụ để giải quyết vấn đề nội sinh: ý tưởng chung, hay là ý tưởng của Sewall và Philip chỉ ghi lại.

Tuy nhiên, từ những lá thư trao đổi giữa Philip và Sewall, có thể kết luận rằng, hồi quy biến công cụ là kết quả của những lần trao đổi giữa hai cha con. Sewall là tác giả của phân tích sơ đồ đường (path analysis) và đã trao đổi với Philip về phân tích này.

Philip viết cho Sewall vào tháng 3 năm 1926 rằng: “I have worked out for your math of estimating supply and demand curves without reference to the theory of  path coefficients.”

(Cha đã giải quyết được bài toán của con liên quan đến ước lượng đường cung và cầu mà không cần phải sử dụng đến lý thuyết về hệ số path)

 

 

Và trong cùng bức thư, Philip đã viết (chính là phụ lục B):

 

Quả thật là thú vị về cha con Philip và Sewall. Xin cảm ơn hai vị tiền bối và cảm ơn GS James Stock vì những tư liệu này.

[Sách] Kinh tế học và chính sách ở kỷ nguyên của Trump

Sách “Kinh tế học và chính sách ở kỷ nguyên của Trump”- chủ biên Chad Brown- tập hợp 18 bài nghiên cứu thảo luận những vấn đề chính liên quan đến các vấn đề kinh tế, các chính sách thương mại, và quan hệ quốc tế . Một vài nội dung thảo luận chính gồm có:

-Thomas Buchmueller and Helen Levy bàn về chính sách y tế, và nhấn mạnh những thay đổi trong chính sách y tế sẽ ảnh hưởng đến hàng chục triệu người Mỹ.

-Dự thảo ngân sách 2018 của chính quyền Trump về cắt giảm bảo trợ an sinh xã hội, có thể dẫn đến những tác động tiêu cực dài hạn với thế hệ trẻ xuất thân từ gia đình có thu nhập thấp

-Trong chiến dịch tranh cử Tổng thống 2016, Trump đổ lỗi cho việc nhập khẩu từ Trung Quốc và Mexico là nguyên nhân của thị trường lao động không hiệu quả. Tuy nhiên, Mine Senses cho rằng tự động hóa và các nhân tố khác có ảnh hưởng tới tình trạng việc làm ở các nhà máy nhiều hơn là thương mại, và nhấn mạnh vai trò của việc cải cách chính sách để khuyến khích người lao động tham gia tích cực vào thị trường lao động cũng như tự điều chỉnh để tham gia vào lĩnh vực sản xuất khác.

-Anna Maria Mayda và Giovanni Peri chỉ ra rằng chính sách chống nhập cư có tác động tiêu cực đến nền kinh tế Hoa Kỳ

-Arik Levinson phân tích những đề xuất liên quan đến các quy định nền kinh tế nhiên liệu (Fuel Economy). Theo Arik, các tiêu chuẩn hiện hành tương đương với việc áp thuế quan từ $80 đến $200 trên một phương tiện. Tuy nhiên, đề xuất nới lỏng các quy định môi trường sẽ dẫn đến việc giảm các thuế quan này, điều này trái ngược với “đe dọa” của Trump về việc gia tăng các rào cản thương mại và thuế nhập khẩu đối với các công ty ô tô Hoa Kỳ sản xuất offshore

-Nirupama Rao bàn về những điểm chính trong các ưu tiêu cải cách thuế của Trump, gồm có thuế điều chỉnh biên giới (border-adjustment cash flow tax). Mary Amiti, Emmanuel Farhi, Gita Gopinath và Oleg Itskhoki chỉ ra rằng thuế điều chỉnh biên giới ảnh hưởng lớn đến sản xuất và tiêu dùng, và cả dòng chảy thương mại.

-Stephen Cecchetti và Kermit Schoenholtz bàn về những rủi ro liên quan đến sự độc lập của Cục Dữ Trữ Liên Bang và nhấn mạnh lợi ích quan trọng của tính độc lập này đối với ổn định kinh tế vĩ mô.

-TT Trump đề cập đôi lần rằng tăng trưởng kinh tế của Hoa Kỳ có thể đạt 4,5, hay thậm chí là 6% mỗi năm. Jay Shambaugh bàn về hai nút thắt quan trọng của tăng trưởng: tỷ lệ tham gia lực lao động và xu hướng tăng trưởng năng suất. Đánh giá thực tế mức độ tăng trưởng của nền kinh tế có vai trò quan trọng trong việc hoạch định chính sách tiền tệ và tài khóa.

-Cải cách chính sách quốc tế: chính sách thương mại Hoa Kỳ và các hiệp định thương mại, với định hướng chính dưới thời TT Trump là gia tăng rào cản thương mại. Chính quyền TT Trump nhiều khả năng theo hướng tiếp cận đơn phương trong việc thực thi hoặc đảo ngược các sáng kiến thương mại tự do. Tuy nhiên, việc thay đổi duy nhất tới nay là việc rút khỏi đàm phán Hiệp định Đối Tác xuyên Thái Bình Dương (TPP).

-Kyle Handley và Nuno Limao giới thiệu tổng quan các đề xuất chính sách thương mại của chính quyền Trump trong 100 ngày đầu tiên, và cho ra rằng các chính sách đấy có thể đẩy đến “chiến tranh lạnh” thương mại mới, gia tăng rủi ro và đe dọa đến hệ thống dựa trên quy tắc (rule-based system). Một hệ quả là sự giảm xuất khẩu và sự gia tăng của giá tiêu dùng của nền kinh tế Hoa Kỳ.

-Một chủ đề quan trọng khác trong chính sách của Chính quyền TT Trump là sự hòa nghi đối với WTO. Chad P. Bown, Robert W. Staiger, và Alan O. Sykes phân tích các lý do chính tại sao Hoa Kỳ đã ủng hộ những nguyên tắc nhất định trong đàm phán thương mại của WTO, lên quan đến đối xử công bằng (quy tắc Đãi ngộ tối huệ quốc (Most-favoured-nation: các sản phẩm hàng hoá dịch vụ có xuất xứ từ một quốc gia đối tác được hưởng chế độ thương mại “không kém ưu đãi hơn chế độ ưu đãi nhất” mà quốc gia sở tại dành cho các những sản phẩm hàng hoá dịch vụ tương tự của bất kỳ quốc gia nào khác) và sự trả đũa).

-Katheryn Russ giới thiệu và phân tích một số các thách thức kinh tế và xã hội liên quan đến thương mại với các quốc gia khu vực Thái Bình Dương (do việc rút khỏi đàm phán TPP), bao gồm những vấn đề liên quan đến Trung quốc và chỉ rằng những thất bại của Hoa Kỳ nếu lựa chọn từ bỏ thương mại dựa trên quy tắc với một trong những khu vực tăng trưởng nhanh nhất thế giới hiện nay.

-Ngoài ra, có khả năng rằng chính quyền TT Trump sẽ tái đàm phán các quy định liên quan đến NAFTA (Hiệp định thương mại Tự do Bắc Mỹ: Hoa Kỳ, Canada và Mexico từ năm 1994). Theo Emily Blanchard, kết thúc hay tái đàm phán NAFTA có thể dẫn đến sự suy giảm chuỗi cung ứng, gây ra tác động tiêu cực đến nền kinh tế Hoa Kỳ. Meredith Crowley bàn về sự ưa thích của chính quyền TT Trump với việc sử dụng chống bán phán giá và thực thi thương mại như những công cụ thực thi rào cản thương mại đối với một số nghành.

-Bài luận cuối của Nikhil Datta and Swati Dhingra bàn về tương lai của mối quan hệ giữa Hoa Kỳ, Châu Âu và Vương Quốc Anh, đặc biệt trong bối cảnh Brexit.

Download sách tại đây hoặc từ website của CEPR’s VOX: http://voxeu.org/content/economics-and-policy-age-trump

Thận trọng khi sử dụng bộ lọc HP

Nguồn: Hamilton (2016), “Why You Should Never Use the Hodrick-Prescott Filter”

Trong một nghiên cứu gần đây Giáo sư James Hamilton (University of California, San Diego) khuyên Đừng bao giờ sử dụng bộ lọc HP. GS James là tác giả của quyển sách Phân tích chuỗi thời gian (Time Series Analysis), được ví như là Kinh thánh của Kinh tế lượng.

Các lý do mà GS James đưa ra có thể được hiểu như sau (Xem bài viết chi tiết tại đây):

• (1) Bộ lọc HP là thuần túy thống kê, không dựa trên bất kỳ nền tảng cơ bản (mối quan hệ bản chất) của quy trình tạo ra data, nên mối quan hệ động của các chuỗi số liệu có được từ bộ lọc HP là đáng ngờ.
• (2) Các giá trị được lọc cuối mẫu ít có tính chính xác cao, do vậy không đáng tin cậy. Ví dụ, dựa vào chuỗi thời gian 1995:Q4-2007:Q4, sản lượng tiềm năng và khoảng cách sản lượng của 2007:Q4 (cuối mẫu) thường được đo lường ít chính xác hơn các biến tương ứng tại các thời điểm trước đấy ví dụ như 2004:Q4.
• (3) Khi sử dụng bộ lọc HP, chúng ta phải chỉ ra giá trị làm trơn (smoothing parameter). Hodrick and Prescott để xuất giá trị 1600 đối với số liệu theo quý. Tuy nhiên, khi sử dụng quy trình thống kê để ước lượng giá trị làm trơn thì kết quả tối ưu thấp hơn nhiều so với con số 1600 thường được sử dụng.
• (4) Một phương pháp khác tốt hơn: Hồi quy của một biến X tại thời điểm t+h trên bốn giá trị gần đây nhất của X sẵn có tại thời điểm t. Phương pháp lọc số liệu (detrend- loại trừ tính xu hướng) này đạt được tất cả các mục tiêu như của bộ lọc HP trong khi tránh được những hạn chế của nó.

Từ những lời khuyên này, đặc biệt liên quan đến lý do số 2, sử dụng bộ lọc HP để đánh giá trạng thái nền kinh tế tại thời điểm cuối mẫu (thời điểm mà số liệu có gần nhất) sẽ dẫn đến những kết quả không đáng tin cậy. Ví dụ cụ thể, tại thời điểm 2017Q2, NHTW cần ra quyết định chính sách tiền tệ. Để thực hiện chính sách đòi hỏi phải có được những nhận định về trạng thái hiện tại của nền kinh tế. Cách tiếp cận hay được sử dụng là sử dụng bộ lọc HP với số liệu sản lượng từ 2000:Q1-2017Q1 và có được giá trị của khoảng cách sản lượng tại thời điểm 2017Q1 (Vì số liệu sản lượng thường có đỗ trễ là 1 quý và tính ỳ của khoảng cách sản lượng nên ước lượng khoảng cách sản lượng tại 2017Q1 có thể giúp đưa ra những đánh giá tin cậy hơn về mức khoảng cách sản lượng tại thời điểm hiện tại 2017Q2) . Tuy nhiên cần lưu ý rằng, những kết quả lọc HP về cuối mẫu ít có tính chính xác cao, do vậy cần phải thận trọng trong việc tham khảo các giá trị cuối mẫu làm nền tảng để đưa ra các quyết định chính sách. Ví dụ nền kinh tế đang ở mức cao hơn sản lượng tiềm năng, nhưng kết quả lọc HP lại là thấp hơn nên dẫn đến chính sách tiền tệ nới lỏng. Sai lầm chính sách này như bơm dầu vào lửa và có thể đẩy lạm phát tăng nhanh chóng.

Khóa học online: Giới thiệu về ngôn ngữ lập trình R

Khóa học online của Datacamp: Giới thiệu về R (Free nhé) – https://www.datacamp.com/courses/free-introduction-to-r?utm_source=fb_paid&utm_medium=fb_desktop&utm_campaign=dc_visitors

———————————————————————————–

Theo dõi thông tin có tính thường nhật hơn về các vấn đề kinh tế Việt Nam và thế giới hay các khóa học, hội thảo và seminar tại Facebook Page của Learning Economics: https://www.facebook.com/blogkinhte

[Video- Tiếng Anh] Cục Dự Trữ Liên Bang Hoa Kỳ (Fed)

Source: Internet

Bài viết này tập hợp các Video giới thiệu về lịch sử và chức năng của Cục dữ trự liên bang Hoa Kỳ (Fed). Ngoài các thông tin về Fed, các bạn sẽ hiểu thêm về hoạt động của nền kinh tế và các kiến thức cơ bản của Kinh tế học.

Ngôn ngữ: Tiếng Anh

(Với các bạn chưa quen nghe tiếng Anh, có thể xem với phụ đề tiếng Anh, nên có thể xem như cơ hội để nâng cao khả năng tiếng Anh luôn: Kill two birds with one stone)

1. Cục Dữ Trữ Liên Bang và Bạn

2. Lịch Sử Ngân Hàng Trung Ương ở Hoa Kỳ

3. Tiền Tệ và Ngân Hàng

4. Chính Sách Tiền Tệ

5. Hệ Thống Thanh Toán

6. Giám Sát và Quy Chế

7. 12 Câu Hỏi Về Fed Và Kinh Tế Học

Vui học kinh tế!

 

——————————————————————————————————-

Theo dõi thông tin có tính thường nhật hơn về các vấn đề kinh tế Việt Nam và thế giới hay các khóa học, hội thảo và seminar tại Facebook Page của Learning Economics: https://www.facebook.com/blogkinhte

Free Online seminar: To Fail or not to fail

Free Online seminar về Tài chính: “To Fail or not to fail”, được tổ chức bởi Trường Ngân hàng và tài chính Florence, EUI. Semiar sẽ thảo luận về các thể chế tín dụng và các đơn vị chức năng thẩm định các tổ chức này: ở những điều kiện nào thì tổ chức tín dụng được cho là “failing or likely lo fail” và vai trò của đơn vị chức năng (ECB hoặc tổ chức đánh giá quốc gia)
Đăng ký Seminar ở đây: http://fbf.eui.eu/event/fail-not-fail-online-seminar/?instance_id=253

Ngôn ngữ: Tiếng Anh
Ngày: 05-07-2017

———————–
Theo dõi thông tin có tính thường nhật hơn về các vấn đề kinh tế Việt Nam và thế giới hay các khóa học, hội thảo và seminar tại Facebook Page của Learning Economics: https://www.facebook.com/blogkinhte

Báo cáo thường niên kinh tế Việt Nam 2017 của VEPR

Báo cáo thường niên kinh tế Việt Nam 2017 của VEPR: “Đẩy nhanh cải cách vì một nhà nước kiến tạo”.

Viễn cảnh kinh tế Việt Nam và khuyến nghị chính sách của Báo cáo như sau:

Hai viễn cảnh kinh tế Việt Nam năm 2017 được đưa ra là:
– Viễn cảnh 1: tẳng trưởng 6.37%, lạm phát 2.35%
– Viễn cảnh 2: tăng trưởng 6.7%, lạm phát 3.2%

Một số rủi ro vĩ mô ngắn hạn:
– Dấu hiệu phụ thuộc vào khu vực FDI trong hoạt động xuất nhập khẩu ngày càng rõ nét => khu vực sản xuất trong nước ngày càng trở nên yếu thế hơn trong quá trình hội nhập quốc tế đang mở rộng.

– Ngân sách và nợ công vẫn là nguy cơ tạo nên các bất lợi vĩ mô của Việt Nam.

– Tỉ trọng chi dành cho đầu tư phát triển đang có xu hướng giảm => thu ngân sách chỉ đủ cho các khoản chi thường xuyên, vốn vẫn đang có xu hướng tăng nhanh trong thời gian qua..

– Việc Fed tăng lãi suất và chính sách kinh tế của Trump có thể ảnh hưởng tới Việt Nam
=> có thể tác động tiêu cực tới hoạt động xuất khẩu và làm trầm trọng hơn tình trạng thâm hụt cán cân thương mại trong năm tới.

Chính sách trong ngắn hạn

– Các tư duy ngắn hạn, mang tính đối phó với sự suy giảm tăng trưởng như nỗ lực tăng thêm vốn, đẩy nhanh giải ngân các công trình công, hoặc tăng sản lượng khai thác dầu thô,… có thể làm chậm động năng cải cách => trì hoãn sự phục hồi tăng trưởng bền vững.

– Cơ quan hoạch định chính sách cần thận trọng trong việc điều chỉnh chính sách tiền tệ. Đặc biệt, cần chặt chẽ và độc lập trong điều chỉnh kế hoạch tăng trưởng tín dụng trong năm 2017, giữ vững lạm phát mục tiêu.

– Chính phủ cần phải thực hiện nghiêm túc chính sách tinh giản biên chế, cắt giảm chi thường xuyên, tiếp tục cải cách DNNN theo hướng tinh giản, đồng thời nên cắt bỏ những khoản hỗ trợ dành cho hoạt động nhờ vào NSNN như khu vực hội, đoàn thể.

Một số tầm nhìn chính sách trong trung-dài hạn

– Cải cách thể chế để xây dựng nhà nước kiến tạo, đặt nền tảng cho những nguyên tắc căn bản của xã hội, người dân. Giải quyết các mối quan hệ lớn thông qua xây dựng hoặc sửa đổi luật pháp.

– Phân định quyền tài sản đối với tài nguyên thiên nhiên phục vụ phát triển bền vững. 

– Điều chỉnh chính sách theo hướng phù hợp với thực trạng tầng lớp trung lưu đang hình thành và phát triển nhanh chóng (tránh sa vào hướng dân túy).

– Khuyến khích phát triển xã hội công dân, các hình thức tổ chức phi lợi nhuận, nhằm giúp nâng cao năng lực quản trị địa phương.

Xem thông tin chính của báo cáo tại đây: https://drive.google.com/file/d/0BzyswuuI0JcWZk80RmlUNVNaNFE/view

Kiểm soát thông tin tiền định trong mô hình BVAR

Bạn đọc Yi có hỏi rằng: “”Hiện trong function “szbvar” và “msbvar” của R package này em thấy tác giả đã mặc định thông số lambda để fit model, rồi từ đó chạy ra dự báo. Em có thắc mắc nhỏ là có function nào chọn ra được các thông số này để tối thiểu hóa được sai số dự báo không ạ”

Đây là một câu hỏi hay và quan trọng ở khía cạnh ứng dụng. Mục đích của lambda chính là kiểm soát vai trò của thông tin tiền định.

+ Nếu thông tin tiền định quá chặt (tight prior) – nghĩa là phụ thuộc nhiều vào thông tin tiền định, thì kết quả hậu nghiệm sẽ không khác mấy so với thông tin tiền định. Đây chính là điểm thường bị chỉ trích của tiếp cận Bayesian, vì người nghiên cứu có thể sử dụng thông tin tiền định để “lái” kết quả. Do vậy, trong trường hợp này, thông tin từ data không có nhiều ảnh hưởng đến kết quả.
+ Ngược lại, nếu thông tin tiền định quá lỏng, thì nó sẽ không có ích và kết quả sẽ chủ yếu phụ thuộc vào data.

Do vậy, giá trị của lambda nên nằm giữa hai thái cực này. Việc xác định những giá trị này là một câu hỏi không phải dễ trả lời. Một vài nghiên cứu hướng dẫn về việc xây dựng thông tin tiền nghiệm trong một số trường hợp. Ví dụ như , nghiên cứu của De Mol và công sự (2008, JoE) “Forecasting using a large number of predictors: Is Bayesian shrinkage a valid alternative to principal components?“ (Link WP: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp700.pdf?ffd9f4561990919f315127a2eee70375).

Tuy nhiên, phần lớn các nghiên cứu dựa trên đề xuất của Canova (Chương 10, 2007) “Methods for Applied Macroeconomic Research“ với Minnesota prior. Giáo sư Fabio chia sẻ chương này ở trên website cá nhân: http://apps.eui.eu/Personal/Canova/Articles/ch10.pdf (Đoạn cuối Trang 358) (Chú ý là ký hiệu GS Fabio dùng là phi). Các giá trị này có thể sử dụng như benchmark hoặc là điểm bắt đầu cho những nghiên cứu sâu hơn.

Như đã đề cập trong bài trước về việc sử dụng BVAR, nếu bạn nào đã quen dùng R, thì có thể sử dụng MSBVAR package (Liên quan đến câu hỏi trên: Giá trị của thông số lambda trong MSBVAR được quyết định bởi người sử dụng). Tuy nhiên, với các bạn mới bắt đầu, thì có lẽ sử dụng toolbox BEAR (MATLAB) sẽ dễ dàng hơn (xem hướng dẫn sử dụng ở đây).

Mô hình Bayesian VAR

Đây là một bài giới thiệu rất rất rất ngắn về mô hình BVAR, xem như là khai vị và “kích não” cho bạn nào thích tò mò. Đây là con đường “lắm gai” đấy, nhưng có thể sẽ là “heroin” gây nghiện với một số đồng chí 🙂

Mô hình VAR là một mô hình phổ biến trong phân tích chuỗi thời gian. Các chủ đề liên quan đến đến mô hình VAR gồm có: mô hình giản lược (reduced form VAR), xác định mô hình cấu trúc (structural VAR) từ mô hình giản lược, hàm phản ứng, phân tích phương sai…
Ví dụ một mô hình VAR với p=4 độ trễ VAR(4) với 3 biến nội sinh có dạng như sau:

trong đó

Thông thường, việc ước lượng mô hình VAR đòi hỏi phải ước lượng khá nhiều tham số. Ví dụ như một mô hình VAR 3 biến – lạm phát, sản lượng, và lãi suất – và bốn mức trễ (lag=4) như thường được sử dụng với số liệu theo quý. Mô hình này gồm có 42 tham số cần phải ước lượng: 1*3 hằng số (intercepts), 12*3 tham số của biến trễ, và 3 tham số của phương sai. Nếu có 80 số liệu theo quý (20 năm), thì việc ước lượng mô hình VAR như vậy thường có tính chính xác không cao (vì mức độ tự do- degrees of freedom- bị hạn chế), và hệ quả là các các dự báo thường đó độ lệch chuẩn lớn (biên dự báo rộng).

Do vậy, các nhà kinh tế lượng Bayesian đã đề xuất việc kết hợp thông tin tiền định –prior information (dựa vào các lý thuyết kinh tế hay các kết quả nghiên cứu từ các quốc gia khác) vào việc ước lượng các mô hình VAR. Cách tiếp cận lồng ghép này còn được gọi là BVAR. Nếu hiểu nôm na là thế này: cái “anh” dữ liệu không đủ thông tin để đạt được các ước lượng ý nghĩa thì mình kết hợp thêm cái thông tin có được từ “chị” lý thuyết (hay là chị thực nghiệm, chị kinh nghiệm, gì gì đấy) vào, để có thể có được những ước lượng ý nghĩa, và qua đó nâng cao khả năng dự báo các biến vĩ mô.

Để sử dụng BVAR, nhà nghiên cứu đưa các thông tin tiền định liên quan đến các tham số của mô hình (hằng số, tham số của biến trễ, hay phương sai của biến nhiễu). Một vài dạng thông tin tiền định phổ biến như:

1)Thông tin tiền định Minnesota (vì nguồn gốc của thông tin này là từ Fed Minnesota): dựa trên giả thuyết rằng các biến nội sinh trong mô hình VAR có dạng bước tự do (random walk process) hoặc theo dạng AR (1).

2)Thông tin tiền định Normal Inverse Wishart prior: có 2 dạng

* Thông tin tiền đinh ghép đôi tự nhiên (natural conjugate prior) -các thông số của mô hình VAR có phân phối tiền nghiệm là phân phối chuẩn, và ma trận hiện phương sai (variance-covariance matrix) có phân phối Inverse Wishart.

* Thông tin tiền định independent Normal inverse Wishart prior: Ví dụ như khi muốn xem xét tham số trễ của một biến nội sinh khác với tham số trễ của các biến khác (ví dụ như giới hạn liên quan đến giả định tính trung tính của tiền: money neutrality)

3)Thông tin tiền định trạng thái cân bằng (Steady State priors) và một số thông tin tiền định khác

Trên đây chỉ là một vài giới thiệu để “khêu gợi”” trí tò mò của các bạn. Để học BVAR các bạn có thể tham khảo các tài liệu sau:

1)Tài liệu khóa học (slides và MATLAB codes) về kinh tế lượng của GS. Gary Koop.
Link: https://sites.google.com/site/garykoop/teaching/sgpe-bayesian-econometrics

2)BEAR Toolbox 3.0 (sử dụng với MATLAB): được phát triển bởi Alistair Dieppe, Romain Legrand, và Björn van Roye – nhóm nghiên cứu Ngân hàng Trung Ương châu Âu

3)MSBVAR(Sử dụng với R): của hai nhà nghiên cứu Patrick Brandt và W. Ryan Davis

Chúc các bạn vui học Kinh tế lượng!