1. Khái niệm về dự báo Thuật ngữ “dự báo” hoặc thuật ngữ tương đương dự đoán



tải về 288.53 Kb.
trang1/2
Chuyển đổi dữ liệu30.08.2016
Kích288.53 Kb.
  1   2


I. ĐẶT VẤN ĐỀ
Trong những năm vừa qua, nền kinh tế nước ta nói chung và nông nghiệp nói riêng đã đạt được được những thành tựu đáng khích lệ. Trong nông nghiệp, nhiều nông sản của ta có tính cạnh tranh khá cao trên thị trường thế giới. Cơ cấu nông nghiệp tiếp tục có sự chuyển dịch theo chiều hướng tích cực theo hướng chuyển từ cây, con có giá trị tăng thêm thấp sang cây, con có giá trị tăng thêm cao để tăng thu nhập trên 1ha canh tác, chuyển từ sản phẩm cung đã vượt cầu sang các sản phẩm có thị trường tiêu thụ rộng lớn hơn, với giá cả cao hơn. Tính trong năm 2004, bên cạnh việc gia tăng về lượng xuất khẩu thì giá xuất khẩu của nhiều loại cũng tăng khá như: giá gạo tăng 22,9%; giá cao su tăng 34,2%; giá điều nhân tăng 22,2%. Có thể nói, đây chính là tín hiệu đáng mừng, là động lực thúc đẩy sản xuất đối với người nông dân. Tuy đạt được nhiều thành tựu, nhưng trong khu vực nông nghiệp vẫn còn một số vấn đề cần giải quyết xử lý. Một trong những vấn đề đó là sự bất ổn về giá nông sản dẫn đến tình trạng khi được giá thì đầu tư ồ ạt, lúc giá tụt giảm, cung vượt quá cầu, tiêu thụ khó khăn, người sản xuất phải hứng chịu thua lỗ.
Dự báo xu thế biến động của giá nông sản sẽ là một trong những căn cứ quan trọng để các nhà hoạch định chính sách đưa ra được những chiến lược, chính sách phát triển phù hợp, để người sản xuất đưa ra những quyết định đầu tư đúng đắn nhất.
Trong phạm vi hạn hẹp, chuyên đề xin giới thiệu một số phương pháp dự báo mang tính chất tham khảo phục vụ công việc xây dựng một mô hình dự báo giá nông sản mang tính thuyết phục cao, phù hợp với thực trạng nền sản xuất nông nghiệp nước ta.

II. CÁC PHƯƠNG PHÁP DỰ BÁO



1. Khái niệm về dự báo
Thuật ngữ “dự báo” (hoặc thuật ngữ tương đương dự đoán) thường được sử dụng trong ngữ cảnh là cố gắng dự đoán tương lai.
Về phân loại các phương pháp dự báo, có thể phân biệt hai nhóm phương pháp. Dự báo kinh tế lượng dựa trên mô hình hồi quy để nối kết một hoặc một vài biến phụ thuộc với một số biến độc lập. Phương pháp này rất phổ biến do nó có khả năng giải thích các thay đổi ở các biến phụ thuộc theo sự thay đổi của các biến kinh tế hay các biến động thái khác-đặc biệt là những thay đổi trong các biến về chính sách. Ngược với phương pháp kinh tế lượng, phương pháp dự báo chuỗi thời gian chủ yếu dựa trên những nỗ lực để dự đoán các giá trị của một biến căn cứ vào những giá trị trong quá khứ của chính biến ấy.
Những nhóm này rất rộng và ranh giới giữa chúng là không rõ ràng. Chẳng hạn, trong khi một số mô hình kinh tế lượng được thiết lập chủ yếu dựa trên các giá trị quá khứ của biến phụ thuộc, thì một số mô hình chuỗi thời gian thuần tuý (phi kinh tế lượng) lại kết nối một biến với các giá trị của các biến khác. Phương pháp chuỗi thời gian thường được xem là trội hơn phương pháp kinh tế lượng khi dự báo ngắn hạn. Các mô hình kinh tế lượng sẽ thích hợp hơn trong trường hợp mô hình hoá các ảnh hưởng dài hạn hơn. Các mô hình tổng hợp cả hai nhóm phương pháp này thường tạo ra tiềm năng cải thiện các dự báo cả ngắn hạn lẫn dài hạn.
Một môi trường dự báo gồm 3 thời đoạn. Một người khảo sát sử dụng một mẫu các quan sát và ước lượng mô hình. Các giá trị dự báo của biến phụ thuộc trong thời kỳ trong mẫu này còn được gọi là các giá trị thích hợp hoá. Các giá trị dự báo ngoài mẫu có thể là kiểm định hay tiên nghiệm. Dự báo kiểm định là đối với giai đoạn mà trong đó các giá trị thực tế của biến phụ thuộc và độc lập đều đã biết. Các giá trị dự báo như thế thường được so sánh với giá trị thực tế để đánh giá năng lực dự báo của mô hình. Các dự báo tiên nghiệm là dự báo cho tương lai với các giá trị của biến độc lập được dự báo từ các mô hình khác.
Dự báo có thể là có điều kiện hoặc không điều kiện. Khi các dự báo của các biến độc lập là biết trước thì ta có dự báo có điều kiện. Dự báo không điều kiện được tạo ra khi các giá trị của các biến ngoại sinh không được biết trước mà là được tạo ra từ bản thân mô hình hay từ một mô hình hỗ trợ khác.

Làm thích hợp bằng đường xu hướng là một kỹ thuật được sử dụng phổ biến để diễn tả biến phụ thuộc của một hàm chỉ theo thời gian. Dạng hàm nhận được có thể là tuyến tính, bậc hai, log tuyến tính, nghịch đảo, tuyến tính log, log hai lần hay logistic.
Một nhà quan sát mà chỉ quan tâm đến xu hướng rõ nét của một chuỗi thời gian hơn là đến sự biến động xung quanh xu hướng đó thì có thể làm trơn dữ liệu bằng cách sử dụng giá trị trung bình của một số các thành phần liên tiếp nhau (gọi là trung bình trượt) hoặc làm trơn theo luỹ thừa, nghĩa là tạo ra một trung bình có trọng số của các giá trị hiện tại và quá khứ của chuỗi, các trọng số giảm dần theo luỹ thừa khi chúng ta lùi về quá khứ. Kỹ thuật này có thể được sử dụng đối với các sai số dự báo để có được các dự báo thích nghi.
Khi nhiều phương án mô hình có dấu hiệu là tạo ra được các giá trị dự báo khá tốt, thì tốt hơn ta nên kết hợp các dự báo hơn là chọn lấy một mô hình tốt nhất và bỏ các mô hình khác. Phương pháp tối ưu để kết hợp dự báo là lấy hồi quy (sử dụng dữ liệu của mẫu hay dữ liệu giai đoạn kiểm định) các giá trị thực tế theo một hằng số và các giá trị dự báo được tạo ra từ các phương án mô hình. Các hệ số ước lượng sau đó được dùng như các trọng số đối với dự báo kết hợp. Trong thời kỳ mẫu, giá trị dự báo kết hợp có tổng sai số bình phương nhỏ nhất, với sai số dự báo bình phương bằng 0, ngay cả khi các dự báo riêng lẻ bị thiên lệch.
Trong các mô hình kinh tế lượng, các giá trị dự báo được tạo ra bằng cách thay các giá trị dự báo hay giả định cho các biến độc lập. Nếu có tương quan chuỗi trong các phần dư, các sai số có thể được mô hình hoá với quá trình tự hồi quy và thông tin được dùng để thu được các dự báo có hiệu quả hơn.
2. Dự báo từ các mô hình kinh tế lượng
Phương pháp dự báo kinh tế lượng đầu tiên bao gồm việc xây dựng một mô hình kinh tế lượng để kết nối biến phụ thuộc với một số biến độc lập được xem là có tác động ảnh hưởng đến nó. Kế đó mô hình được đánh giá và sử dụng để tạo ra các dự báo có điều kiện và/hoặc không điều kiện cho biến phụ thuộc. Các mô hình thường được xây dựng trên cơ sở cả thống kê lẫn kinh tế lượng.

Sau đây là một số công thức thông dụng trong dự báo:


2.1. Dự báo kinh tế lượng với các biến phụ thuộc không trễ hay các sai số có tương quan chuỗi

Đây là trường hợp đơn giản nhất của dự báo kinh tế lượng. Mô hình rõ nét nhất có dạng phương trình:

Yt =Xt2 +Xt3 +…kXtk + ut (1)

Trong đó các động thái có sai số tốt. Một giá trị dự báo cho thời đoạn n+h (nghĩa là dự báo trước h bước) được cho bởi:



Giá trị dự báo là có điều kiện nếu như các giá trị Xn+h,i giả định là được cho từ một cơ chế ngoại sinh nào đó.


2.2. Dự báo kinh tế lượng với các biến phụ thuộc không trễ nhưng các sai số có tương quan theo chuỗi
Nếu các sai số có của mô hình hồi quy là có tương quan chuỗi thì chúng ta có thể có được các dự báo cải tiến bằng cách dùng thông tin đó. Trong phương trình (1) giả sử rằng ut tuân theo quá trình tự hồi quy bậc một (tđược giả định là có động thái tốt)

ut=ρt-1 + t

Nếu ρ^ là ước lượng của hệ số tương quan theo chuỗi, ta có:



có thể rút ra được từ mẫu, nên ta có thể có được sai số dự báo h bước tốt hơn trước và do đó sẽ có được dự báo Yh+n cải thiện như sau:



Trong trường hợp tổng quát của một cấu trúc sai số tự hồi quy bậc q



ut = ρ1 ut-1 + ρ2 ut-2 +…+ ρq ut-q + 

Sai số được sự báo trước một bước được ước lượng là:



Do đó, dự báo trước 1 bước Yn+1 là:



Các dự báo tiếp theo sau đó sẽ được tạo ra theo cách tương tự như vậy.



2.3. Dự báo kinh tế lượng với các biến phụ thuộc trễ và các sai số có tương quan chuỗi.

Công thức kinh tế lượng tổng quát nhất của một biến phụ thuộc riêng lẻ là công thức có cả các biến phụ thuộc trễ và các sai số tương quan:



Yt = 0 + 1Yt-1 + …+ pYt-P + 1Xt1 +…+ kXtk + ut

ut = ρ1 ut-1 + ρ2 ut-2 +…+ ρq ut-q + 

Với các giá trị cho trước Xn+1,1, Xn+1,2,…Xn+1,k giá trị dự báo trước 1 bước được cho bởi:



Trong đó:



Đối với những bước xa hơn, quá trình này sẽ được lập lại với thay vì Yn+1


3. Dự báo từ các mô hình chuỗi thời gian
Như đã đề cập trước đây, các mô hình kinh tế lượng chủ yếu dựa trên một động thái rõ nét của các đối tượng có liên quan đến hệ thống kinh tế. Tuy nhiên, một họ các mô hình thay thế khác được sử dụng rộn rãi, đặc biệt trong dự báo ngắn hạn, được gọi là các mô hình chuỗi thời gian. Chủ yếu, các mô hình này kết nối một biến phụ thuộc với các giá trị của nó trong quá khứ và với các sai số ngẫu nhiên mà có thể tương quan theo chuỗi. Một cách tổng quát, các mô hình chuỗi thời gian không dựa trên bất kỳ một động thái kinh tế rõ nét nào. Cho đến cách đây 30 năm, các mô hình chuỗi thời gian được sử dụng phổ biến nhất trong kỹ thuật và các khoa học vật lý. Tuy nhiên, trong khoảng 2 thập kỷ gần đây, các phương pháp chuỗi thời gian đã được sử dụng rất rộng rãi trong kinh tế học đặc biệt là trong dự báo ngắn hạn, trong đó các mô hình chuỗi thời gian đã chứng tỏ là thích hợp hơn so với các mô hình kinh tế lượng.
Các chuỗi thời gian thường được mô hình hoá dạng tổng (hay tích) của 3 thành phần (1) thành phần xu hướng, (2) thành phần mùa, và (3) thành phần ngẫu nhiên. Do đó, ta có:

Yt = Tt + St + ut hay Yt = TtStut

Trong đó, Y là biến phụ thuộc, T là thành phần xu hướng, S là thành phần mùa và u là thành phần sai số ngẫu nhiên. Ví dụ về một xu hướng theo thời gian dạng tuyến tính đơn giản là Tt =  + t. Có nhiều dạng thức xu hướng khác đã được thích hợp hoá. Nếu Yt tăng trưởng dạn luỹ thừa thì trước tiên nên chuyển sang dạng lôgarit. Như tên gọi, thành phần mùa là thành phần do hiện tượng mùa vụ xảy ra thường xuyên chẳng hạn như tháng, quý, tuần, ngày, giờ, các ngày nghỉ lễ, v.v…Có nhiều ví dụ trong đó các biến giả chỉ mùa có thể được dùng để ước lượng các dạng thức mùa. Các kỹ thuật rất phức tạp đã được xây dựng để ước lượng các thành phần này, nhưng trước những năm 1930 các nhà khảo sát đã không quan tâm đến những phương pháp này và đã hình thành cấu trúc khác cho các biến chuỗi thời gian được trình bày dưới đây.

Cấu Trúc Của Các Mô Hình Chuỗi Thời Gian


3.1. Các mô hình tự hồi quy (AR): Mô hình chuỗi thời gian tự hồi quy hoàn toàn có cấu trúc như sau:

Yt = 1Yt-1 + 2Y t-2 …+ pYt-P + ut (2)

Trong đó Yt là quan sát thứ 1 đối với biến phụ thuộc sau khi trừ đi giá trị trung bình của chính nó, và ut là thành phần sai số có động thái tốt có trung bình bằng 0 và phương sai không đổi và không tương quan với us nếu t≠s (khái niệm này gọi là nhiễu trắng). Thành phần hằng số được bỏ qua vì Yt được biểu diễn dạng độ thiên lệch khỏi giá trị trung bình. Yt đã được mô hình hoá chỉ với quá khứ của nó và không có các biến độc lập khác. Đây là các mô hình tự hồi quy, AR và mô hình trong phương trình (2) được gọi là mô hình AR(p), với p là bậc tự hồi quy.



3.2. Các mô hình trung bình trượt (MA): mô hình sau đây goi là mô hình trung bình trượt – MA bậc q, ký hiệu là MA(q).

Yt = vt - tvt-1 - 2 vt-2 -…- q vt-q

Với vt là chuỗi sai số nhiễu trắng. Do đó, Yt là tổ hợp tuyến tính của các biến ngẫu nhiên nhiễu trắng.



3.3. Mô hình ARMA. Phối hợp giữa các công thức tự hồi quy và trung bình trượt tạo ra mô hình ARMA. Do đó, mô hình ARMA có dạng tổng quát:

Yt = Yt-1 + Yt-2 +…+pYt-p + vt - vt-1 - vt-2 - …qv



Mô hình ARIMA - mô hình Tự Hồi Qui Kết Hợp Trung Bình Trượt (AutoRegressive Integrated Moving Average). Mô hình này giải thích sự biến động của chuỗi thời gian bằng cách quan hệ với các giá trị quá khứ và tổng có trọng số các nhiễu ngẫu nhiên hiện hành và các nhiễu ngẫu nhiên có độ trễ. Dưới đây sẽ trình bày tóm lược một số cơ sở lý thuyết liên quan đến tính dừng (stationary), tính mùa vụ (seasonality), nguyên lý Box-Jenkin; cùng một số nguyên tắc để nhận dạng, xác định các thông số và và các kiểm định về mô hình ARIMA.

Tính dừng

Một quá trình ngẫu nhiên Yt được xem là dừng nếu như trung bình và phương sai của quá trình không thay đổi theo thời gian và giá trị của đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian giữa hai thời đoạn này chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính. Cụ thể:

· Trung bình: E(Yt ) = m = const

· Phương sai: Var (Yt ) = s2 = const

· Đồng phương sai: Covar (Yt , Yt-k ) = gk

Tính dừng của một chuỗi thời gian có thể được nhận biết dựa trên đồ thị của chuỗi thời gian, đồ thị của hàm tự tương quan mẫu hay kiểm định Dickey-Fuller.

· Dựa trên đồ thị Yt = f(t), một cách trực quan chuỗi Yt có tính dừng nếu như đồ thị cho thấy trung bình và phương sai của quá trình Yt không thay đổi theo thời gian.

· Dựa vào hàm tự tương quan mẫu (SAC - Sample Auto Correllation)





 =


Nếu SAC = f(t) của chuỗi thời gian giảm nhanh và tắt dần về 0 thì chuỗi có tính dừng.

· Kiểm định Dickey-Fuller (kiểm định nghiệm đơn vị) nhằm xác định xem chuỗi thời gian có phải là Bước Ngẫu Nhiên (Random Walk; nghĩa là Yt = 1*Yt-1 + et) hay không. Nếu chuỗi là Bước Ngẫu Nhiên thì không có tính dừng. Tuy nhiên, Nếu chuỗi không có tính dừng thì chưa chắc là Bước Ngẫu Nhiên.

Để biến đổi chuỗi không dừng thành chuỗi dừng, thông thường nếu lấy sai phân một lần hoặc hai lần thì sẽ được một chuỗi kết quả có tính dừng.

· Chuỗi gốc: Yt

· Chuỗi sai phân bậc 1: Wt = Yt - Yt-1

· Chuỗi sai phân bậc 2: Vt = Wt - Wt-1



Tính mùa vụ

Tính mùa vụ là hành vi có tính chu kỳ của chuỗi thời gian trên cơ sở năm lịch. Tính mùa vụ có thể được nhận ra dựa vào đồ thị SAC = f(t). Nếu cứ sau m thời đoạn thì SAC lại có giá trị cao (nghĩa là đồ thị SAC có đỉnh cao) thì đây là dấu hiệu của tính mùa vụ. Chuỗi thời gian có tồn tại tính mùa vụ sẽ không có tính dừng. Phương pháp đơn giản nhất để khử tính mùa vụ là lấy sai phân thứ m. Nếu Yt có tính mùa vụ với chu kỳ m thời đoạn thì chuỗi sẽ được khảo sát thay vì chuỗi Yt .



Cấu trúc mô hình

Theo Box- Jenkin mọi quá trình ngẫu nhiên có tính dừng đều có thể biểu diễn bằng mô hình Tự Hồi Qui Kết Hợp Trung Bình Trượt ARIMA.

Phương trình tổng quát của mô hình ARIMA là:

Yt = Yt-1 +…+ pYt-p + ­t +  - ­qt-q

Nhận dạng mô hình

Nhận dạng mô hình ARIMA(p,d,q) là tìm các giá trị thích hợp của p, d, q. Với d là bậc sai phân của chuỗi thời gian được khảo sát, p là bậc tự hồi qui và q là bậc trung bình trượt. Việc xác định p và q sẽ phụ thuộc vào các đồ thị SPAC = f(t) và SAC = f(t). Với SAC đã được giới thiệu ở trên và SPAC là Tự Tương Quan Riêng Phần Mẫu (Sample Partial Auto-Correlation); nghĩa là tương quan giữa Yt và Yt-p sau khi đã loại bỏ tác động của các Y trung gian.

· Chọn mô hình AR(p) nếu đồ thị SPAC có giá trị cao tại độ trễ 1, 2, ..., p và giảm nhiều sau p và dạng hàm SAC giảm dần.

· Chọn mô hình MA(q) nếu đồ thị SAC có giá trị cao tại độ trễ 1, 2, ..., q và giảm nhiều sau q và dạng hàm SPAC giảm dần. Tóm lại,



Loại mô hình

Dạng đồ thị SAC = f(t)

Dạng đồ thị SPAC = f(t)

AR(p)

Giảm dần

Có đỉnh ở p

MA(q)

Có đỉnh ở q

Giảm dần

ARMA(p, q)

Giảm dần

Giảm dần


Ước lượng các thông số của mô hình ARIMA(p, d, q)

Các thông số fi và qj của mô hình ARIMA sẽ được xác định theo phương pháp bình phương tối thiểu (OLS-Ordinary Least Square) sao cho:



víi



Kiểm tra chẩn đoán mô hình

Sau khi xác định p, d, q và các fi, qj; nghĩa là đã xác định được phương trình cho mô hình ARIMA, điều cần phải làm là tiến hành kiểm định xem số hạng et của mô hình có phải là một nhiễu trắng, nhiễu ngẫu nhiên thuần túy hay không. Đây là yêu cầu của một mô hình tốt.

Về mặt lý thuyết, et được tạo ra bởi quá trình nhiều trắng nếu:

Var ( = const E( + Yk = Cov (

Việc kiểm định tính nhiễu trắng sẽ dựa trên đồ thị SAC của chuỗi et.

Dự báo

Dựa trên phương trình của mô hình ARIMA, tiến hành xác định giá trị dự báo điểm và khoảng tin cậy của dự báo.

· Dự báo điểm: Yt^

· Khoảng tin cậy:

Với độ tin cậy 95%, k =2.
4. Sử dụng mô hình trong dự báo giá

4.1. Mô hình ARIMA trong dự báo giá cá tại TP. Hồ Chí Minh

Để minh họa, nghiên cứu đã áp dụng mô hình ARIMA trong việc dự báo giá cá sông tại thành phố Hồ Chí Minh. Nghiên cứu đã sử dụng chuỗi gồm 111 dữ liệu tháng từ tháng 1/1990 đến tháng 3/1999 và phần mềm EVIEWS để dự báo giá trị tháng 4/1999.

Các dữ liệu quá khứ của giá cá sông được đặt tên là RFISH và chuỗi sai phân bậc 1 được đặt tên là DRFISH. Đồ thị RFISH = f(t) và DRFISH = f(t) được trình bày như sau:


Đồ thị RFISH cho thấy chuỗi RFISH không có tính dừng. Đồ thị DRFISH cho thấy chuỗi DRFISH cũng không có tính dừng. Qua đồ thị trên và dữ liệu ta nhận thấy chuỗi có tính mùa vụ theo quí. Các kiểm định theo hàm tự tương quan mẫu hay kiểm định Dickey-Fuller trong EVIEWS cũng cho cho thấy chuỗi RFISH và DRFISH không có tính dừng do dữ liệu có tính mùa vụ.



Sử dụng phần mềm EVIEW để khử tính mùa vụ và tiến hành thử nghiệm cho nhiều mô hình ARIMA, cuối cùng ta được mô hình tối ưu có dạng ARIMA(2,1,2) với thời đoạn khử tính mùa vụ là m = 12. Kết quả về các thông số fi và qj được trình bày trong bảng sau:

Dependent Variable: D(RFISH)

Method: Least Squares

Date: 2/3/2002 Time: 18:17

Sample(adjusted): 1991:04 1999:03

Included observations: 96 after adjusting endpoints

Convergence achieved after 50 iterations

Backcast: 1990:02 1991:03

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-283.3601

1010.997

-0.280278

0.7799

AR(2)

0.413278

0.135466

3.050799

0.0030

SAR(12)

0.963121

0.044544

21.62164

0.0000

MA(2)

-0.846851

0.118603

-7.140218

0.0000

SMA(12)

-0.781433

0.078476

-9.957634

0.0000

R-squared

0.614807

Mean dependent var

203.1250

Adjusted R-squared

0.597875

S.D. dependent var

3545.923

S.E. of regression

2248.588

Akaike info criterion

18.32467

Sum squared resid

4.60E+08

Schwarz criterion

18.45823

Log likelihood

-874.5842

F-statistic

36.31124

Durbin-Watson stat

1.718345

Prob(F-statistic)

0.000000

Sau khi xác định được phương trình cho mô hình ARIMA, cần phải tiến hành kiểm định tính nhiễu trắng của et . Kết quả kiểm định dựa trên đồ thị SAC của chuỗi et. cho thấy et có tính nhiễu trắng và được trình bày như sau:

Date: 2/3/2002 Time: 18:20

Sample: 1991:04 1999:03

Included observations: 96

Q-statistic probabilities adjusted for 4 ARMA term(s)



















Autocorrelation

Partial Correlation




AC

PAC

Q-Stat

Prob

. |*. |

. |*. |

1

0.108

0.108

1.1485




.*| . |

.*| . |

2

-0.060

-0.072

1.5093




. | . |

. | . |

3

-0.002

0.013

1.5099




.*| . |

.*| . |

4

-0.107

-0.115

2.6913




. | . |

. | . |

5

-0.046

-0.021

2.9138

0.088

. | . |

. | . |

6

0.003

-0.005

2.9147

0.233

. | . |

. | . |

7

-0.027

-0.031

2.9925

0.393

.*| . |

.*| . |

8

-0.069

-0.076

3.5015

0.478

. | . |

. | . |

9

-0.040

-0.037

3.6719

0.598

. | . |

. | . |

10

-0.008

-0.011

3.6789

0.720

. | . |

. | . |

11

-0.035

-0.046

3.8174

0.801

. |*. |

. |*. |

12

0.176

0.173

7.2986

0.505

. |*. |

. | . |

13

0.069

0.011

7.8428

0.550

. | . |

. | . |

14

0.010

0.025

7.8547

0.643

.*| . |

.*| . |

15

-0.059

-0.079

8.2589

0.690

.*| . |

.*| . |

16

-0.168

-0.133

11.559

0.482

. | . |

. | . |

17

0.021

0.064

11.614

0.560

. | . |

.*| . |

18

-0.050

-0.085

11.915

0.613

. | . |

. | . |

19

0.031

0.057

12.036

0.676

. | . |

.*| . |

20

-0.017

-0.060

12.072

0.739

.*| . |

.*| . |

21

-0.112

-0.087

13.648

0.692

.*| . |

.*| . |

22

-0.094

-0.099

14.771

0.678

.*| . |

.*| . |

23

-0.083

-0.084

15.649

0.681

.*| . |

**| . |

24

-0.177

-0.248

19.750

0.474

. |** |

. |** |

25

0.198

0.221

24.964

0.249

. |*. |

. | . |

26

0.133

0.014

27.356

0.198

. | . |

.*| . |

27

-0.053

-0.062

27.733

0.226

. | . |

. | . |

28

-0.039

-0.013

27.944

0.262

. | . |

.*| . |

29

-0.024

-0.070

28.023

0.307

. | . |

. | . |

30

-0.017

0.023

28.065

0.355

. | . |

.*| . |

31

0.005

-0.075

28.069

0.407

. | . |

.*| . |

32

-0.010

-0.059

28.084

0.460

. | . |

. | . |

33

-0.002

0.061

28.084

0.513

.*| . |

.*| . |

34

-0.072

-0.075

28.878

0.524

. | . |

. | . |

35

-0.040

-0.028

29.128

0.563

. | . |

. |*. |

36

0.045

0.117

29.450

0.596

























Kết quả của mô hình dự báo được trình bày trong tập dữ liệu RFISHF. Đồ thị của RFISH và RFISHF được trình bày chung như sau:

Dựa trên phương trình của mô hình ARIMA, tiến hành xác định giá trị dự báo điểm và khoảng tin cậy của dự báo.

Dự báo điểm là Yt^ = 26267 Đ và Khoảng tin cậy 95% là [21742 Đ,30792 Đ]

Sau khi có kết quả dự báo, ta đem so với giá trị thực vào tháng 4/1999 là Yt = 26000 Đ. Giá trị này nằm trong khoảng tin cậy 95% và xấp xỉ với giá trị dự báo điểm. Sai số dự báo là (Yt^-Yt)/ Yt *100 = (26267 - 26000)/26000 * 100 = 1,03%

Kết quả dự báo cho thấy đồ thị của mô hình dự báo RFISHF bám rất sát đồ thị của chuỗi dữ liệu gốc RFISH. Điều này chứng tỏ mô hình ARIMA(2,1,2) này đã giải thích được sự sự biến động của chuỗi thời gian về giá cá sông tại Thành Phố Hồ Chí Minh.

Giá trị dự báo xấp xỉ với giá trị trên thực tế (sai số dự báo nhỏ) và khoảng tin cậy 95% cũng chứa giá trị thực điều này chứng tỏ độ tin cậy của mô hình dự báo.




4.2. Sử dụng giá hàng giao sau để dự báo giá trung bình vụ ngô Mỹ

Việc thông qua Đạo luật Nông nghiệp 2002 đưa ra những chương trình hỗ trợ trong nước gắn liền với giá trung bình vụ sản xuất. Bộ Nông nghiệp Mỹ phân tích các thị trường hàng nông sản trên cơ sở hàng tháng và công bố thông tin thị trường năm hiện tại bao gồm cả dự đoán giá (ngoại trừ bông). Ví dụ, tham khảo Dự đoán Cung và Cầu Nông nghiệp Thế giới (WASDE). Ngoài những đánh giá của các nhà phân tích, các mô hình toán kinh tế dự báo giá cũng được áp dụng để dự báo giá trung bình vụ. Hoffman (1991, 2001) xây dựng một mô hình dự báo giá hàng giao sau nhằm kiểm tra chéo những dự báo khác nhau này. Giá hàng giao sau là tập hợp chỉ số về mức cung và nhu cầu sử dụng mong muốn và như vậy có thể được sử dụng để dự báo giá nông sản trong ngắn hạn.



Mô hình dự báo

Mô hình dự báo hàng giao sau bao gồm một số yếu tố cấu thành như giá cả hàng giao sau, giá trị cơ sở (giá thực tế nhận được thấp hơn giá hàng giao sau), giá bán lấy tiền ngay và trọng số thị trường. Dự báo giá ngô trung bình trong vụ được tính toán trên cơ sở 12 lần dự đoán giá hàng tháng, giá này lại có được từ 5 hợp đồng hàng giao sau được thực hiện trong giai đoạn dự báo. Giai đoạn dự báo cho mỗi giá ngô trung bình trong vụ gồm 16 tháng, bắt đầu từ tháng 5, 4 tháng trước khi bắt đầu vụ ngô và kết thúc vào tháng 8, tháng cuối cùng của vụ. Dự báo giá trung bình vụ ban đầu dựa vào giá hàng giao sau nhưng sau đó những loại giá này được thay thế bằng giá thực tế người bán nhận được hàng tháng, số liệu này có được từ Cơ quan Thống kê Nông nghiệp Quốc gia. Từ tháng 5 đến tháng 9-tháng đầu tiên của vụ, chưa có giá thực tế nhận được, đến tháng 10, tháng thứ 6 trong giai đoạn dự báo 16 tháng thì mới thu thập được loại giá này. Như vậy, dự báo giá trung bình vụ là tập hợp của những dự báo dựa vào hàng giao sau và giá thực tế thu được bắt đầu được dự báo từ tháng 10. Độ thiếu chính xác của mô hình dự báo này được cho là sẽ giảm dần khi giai đoạn dự báo tiến dần đến thời điểm kết thúc vụ, tức là phần lớn giá trung bình vụ đã được công bố và khi mà thông tin liên quan đến khoảng thời gian còn lại của chu kỳ dự báo ngày càng cụ thể hơn.

Dự báo giá hàng nông sản trung bình theo vụ (SAP) được tính toán như sau:

với m = 1 - 5.

Dự báo giá trung bình vụ tháng m bằng SAPm. Trọng số thị trường tháng i bằng Wi . Giá nhận được tháng i là Pi. Giá quan sát hàng tháng trong tháng m từ những hàng hoá giao sau gần thời điểm tháng i là Fmi. Cơ sở ước tính Bi, tính bằng giá thực tế nhận được trong tháng i trừ đi giá hàng giao sau tháng i theo hợp đồng hàng giao sau gần với tháng i. Bi thường có giá trị âm. Những dự báo giá trung bình vụ được thực hiện hàng tháng (m), tháng 5 đến tháng 8 năm sau, m = 1, 2, 3, ... ,16. Niên vụ có 12 tháng (i), từ tháng 9 đến tháng 8 năm sau, i = 1, 2, 3, …,12.



Giá trị cơ sở

Yếu tố cơ sở này có xu thế ổn định hơn các yếu tố giá thực tế nhận được hoặc giá hàng giao sau. Một vài yếu tố ảnh hưởng đến chỉ số cơ sở và góp phần giải thích lý do tại sao chỉ số cơ sở này lại dao động từ địa phương này đến địa phương khác. Một số yếu tố này là: các điều kiện về cung cầu địa phương đối với hàng hoá và các loại hàng thay thế, giao thông vận tải và phí giao dịch mua bán, tắc nghẽn giao thông, khả năng dự trữ hàng hoá, chi phí lưu kho, năng lực đánh giá phẩm chất hàng hoá và những kỳ vọng thị trường. Tuy nhiên, chỉ số cơ sở được sử dụng trong nghiên cứu này phản ánh một sự hỗn hợp rất nhiều các yếu tố tác động đến chỉ số cơ sở bởi vì nó đại diện chung cho các điều kiện của nước Mỹ, hơn là đại diện cho một khu vực địa lý điển hình. Cũng vì vậy mà giá thực tế nhận được bao hàm các cấp độ chất lượng khác nhau trong khi đó giá hàng giao sau là loại ngô vàng số 2, chỉ số cơ sở có thể dao động khác đi (có thể nhiều hơn) khi tính toán chỉ số cơ sở cho một phẩm cấp nhất định.

Giá trị cơ sở được tính toán trong phân tích này là giá ngô Mỹ trung bình tính từ giá trung bình hàng tháng trong giai đoạn 5 năm mà người sản xuất nhận được thấp hơn giá trung bình tháng tính theo giá đóng cửa của hàng giao sau gần tháng đó quan sát được cho tháng cụ thể. Ví dụ, chỉ số cơ sở của tháng 9 là mức chênh lệch trung bình trong 5 năm giữa giá trung bình thực tế người sản xuất nhận được trong tháng 9 với giá đóng cửa trung bình vào tháng 9 của hợp đồng hàng giao sau tháng 12 gần đó. Giá trị cơ sở của 12 tháng cho mỗi niên vụ được cập nhật vào cuối mỗi niên vụ đó.

Trọng số thị trường

Giá trên các thị trường hàng tháng được sử dụng để xây dựng nên trọng số giá trung bình vụ. Mỗi trọng số giá hàng tháng thể hiện một tỷ lệ của cả niên vụ loại hàng đó được buôn bán trên thị trường trong tháng đó. Trọng số này được sử dụng để tính trọng số giá cho từng tháng. Cứ 5 năm thì trọng số hàng tháng được tính toán và cập nhật lại theo năm. Trọng số giá hàng tháng = giá nhận được ngay hàng tháng x trọng số giá được niêm yết trên thị trường của tháng đó.



Số liệu

Mô hình dự báo dựa vào hàng giao sau đòi hỏi số liệu theo tháng của cả niên vụ với những mục sau: 1) giá đóng cửa trung bình hàng tháng của các hợp đồng hàng giao sau gần đó, 2) giá thực tế người sản xuất nhận được hàng tháng (giữa và cả tháng), 3) trọng số thị trường hàng tháng, và 4) giá đóng cửa hàng giao sau hàng tháng (ngày trước khi WASDE công bố) và (ngày WASDE công bố) từ những hợp đồng hàng giao sau gần kề. Số liệu thu thập từ niên vụ 1975 đến 2003. Giá trị cơ sở trung bình tháng trong 5 năm và trọng số thị trường bắt đầu với số liệu năm 1975-79 và được cập nhật đến nay. Dự báo dựa vào hàng giao sau hàng tháng đòi hỏi cập nhật giá hàng giao sau hàng tháng, giá thực tế nhận được và trọng số thị trường trên cơ sở định kỳ. Giá đóng cửa hàng ngày theo hợp đồng (Tháng 12, 3, 5,7 và 9) lấy từ Ban Thương mại Chicago cho những niên vụ 1975 đến 2003. Giá thực tế nhận được lấy từ Giá Nông nghiệp, do Vụ Thống kê Nông nghiệp Quốc gia USDA công bố. Trọng số thị trường theo tháng được lấy từ các ấn phẩm khác nhau của Bộ Nông nghiệp Mỹ.



Qui trình dự báo

Dưới đây là một ví dụ gồm các bước cụ thể cần thiết phục vụ công việc dự báo một trong 16 tháng dự báo, tháng 4. Bảng 4.2 giải thích phương pháp sử dụng để dự báo giá trung bình vụ ngô niên vụ 2003/2004 ngày 7/4/2004 (ngày trước khi WASDE công bố).

Giá đóng cửa gần nhất hàng giao sau được thu thập theo các hợp đồng đang được giao dịch. Giá đóng cửa ngày 7/4/2004 được sử dụng làm ví dụ. Giá hàng giao sau còn lại của niên vụ 2003/04 lấy từ các hợp đồng tháng: 5, 7 và 9 năm 2004 và được thể hiện ở dòng 1 trong bảng của mô hình. Yếu tố đầu vào tháng 12/2003 và 3/2004 là những thời điểm cuối cùng giá theo hợp đồng được cập nhật.

Giá hàng giao sau tháng 4/2004 (dòng 2, bảng 4.2) trình bày giá đóng cửa ngày 7/4 của hợp đồng gần đó, tháng 5/2004. Giá đóng cửa của hợp đồng tháng 7 gần kề được sử dụng cho các tháng 5, tháng 6 và hợp đồng tháng 9 gần kề cho các tháng 7 và 8. Với những tháng này khi hợp đồng hàng giao sau chấm dứt, hợp đồng gần kề tiếp theo được sử dụng do tính ổn định giá lớn hơn. Giá hàng giao sau cho những hợp đồng mãn hạn có thể bị ảnh hưởng bởi tính thanh khoản giảm trong tháng mãn hạn. Cũng thế, một hợp đồng thường kết thúc vào khoảng tuần thứ 3 của tháng, và sử dụng hợp đồng hàng giao sau hiện tại trong tháng chấm dứt sẽ làm giảm đi số quan sát lẽ ra được sử dụng để tính toán giá đóng cửa hàng tháng.

Chỉ số cơ sở hàng tháng trung bình trong vòng 5 năm (giá thực tế nhận được hàng tháng trừ đi giá hàng giao sau gần kề), trung bình vụ 1998-2002 được trình bày tại dòng 3 của bảng 4.2. Chỉ số cơ sở trung bình này được cập nhật trong tuần đầu tiên của tháng 10, một thời gian khi đã có giá thực tế nhận được tháng 8 và như vậy hoàn thành toàn bộ giá thực tế hàng tháng cho năm kinh doanh trước.

Dự báo giá nông sản trung bình tháng nhận được (dòng 4 của bảng 4.2) được tính bằng cách cộng chỉ số cơ sở (dòng 3) với giá hàng giao sau hàng tháng (dòng 2). Giá nông sản trung bình tháng thực tế nhận được trình bày ở dòng 5 bảng 4.2, khi thu thập được. Giá thực tế nhận được hàng tháng ở dòng 5 thể hiện giá trung bình nhận được cho tháng 9, 10, 11, 12, 1, 2, và giữa tháng 3. Vào ngày 7/4/2004 giá thực tế nhận được tháng 2 đã được nhập vào khi Giá Nông nghiệp được ban hành cuối tháng 3/2004 cũng như giá thực tế giữa tháng 3.

Giá nông sản dự báo và giá thực tế được đưa vào trong cùng dòng 6. Dự báo giá cho niên vụ 2003/2004, như được tính ngày 7/4/2004 sử dụng dự báo hàng giao sau từ tháng 3 đến tháng 8 (từ dòng 4) và giá thực tế từ dòng 5 cho các tháng 9 đến tháng 2.

Các trọng số hàng tháng, thể hiện như là phần trăm trong tổng lượng hàng giao dịch trong niên vụ được trình bày ở dòng 7. Mức trung bình trong khoảng thời gian 5 năm cũng được sử dụng, trung bình niên vụ 1998-2002, và được cập nhật trong tháng 10 sau khi công bố báo cáo Giá Nông nghiệp tháng 9.

Dự báo giá nông sản trung bình vụ được trình bày ở dòng 8 và được tính bằng cách nhân trọng số hàng tháng ở dòng 7 với giá nông sản hàng tháng ở dòng 6 và cộng các kết quả lại. Dự báo giá trung bình giản đơn cũng được tính thể hiện kết quả ở dòng 9.

Phương pháp dự báo hàng giao sau cung cấp một công cụ hữu ích cho các nhà phân tích chính sách và ngành hàng. Những dự báo này đã đưa ra những dự báo kịp thời và hợp lý về giá trung bình vụ ngô mà người sản xuất nhận được. Dự báo hàng giao sau cũng đưa ra biện pháp kiểm tra chéo hữu ích đối với những phương pháp khác về dự báo giá trung bình theo vụ.



4.3. Mô hình Dự báo Nấm:

Mô hình được mô tả ở đây được áp dụng để dự báo hàng năm về diện tích, năng suất, sản lượng, chủng loại (nấm tươi và chế biến), độ thoả dụng, giá (được hiểu giá bán của nhà sản xuất), lượng nhập khẩu, xuất khẩu. Với hầu hết các biến này, dự báo được tiến hành với cả hai loại nấm tươi và nấm đã quan chế biến. Mô hình bao gồm hệ thống các phương trình, kết hợp với các mối quan hệ về kinh tế quan sát được tại thị trường và có trong các học thuyết kinh tế. Tổng số có 27 phương trình toán kinh tế khác nhau và 7 đồng nhất thức, được sử dụng để dự đoán giá trị từ các phương trình toán kinh tế. Số liệu cho hầu hết các biến có trong mô hình từ năm 1981/82 đến 2001/02 tính từ 1/7 đến 30/6 theo năm marketing.

Đây là chuỗi thời gian dùng để ước lượng hầu hết các thông số của mô hình. Tất cả các phương trình toán kinh tế ở đây là tuyến tính về hình thức, tuy nhiên cũng có một số là phương trình log hai lần.Thông thường, các phương trình tuyến tính được ưu tiên sử dụng cho các mô hình dự báo.

Tóm lại, hệ thống này có thể được xem là một tập hợp các phương trình với kiểu bậc thang, thực hiện những dự báo đi trước một bước, trong khi vẫn duy trì được tính cân bằng thị trường. Tính cân bằng này đòi hỏi tổng cung phải bằng tổng cầu mỗi năm. Sự cần bằng này đạt được cho cả thị trường sản phẩm tươi và qua chế biến bằng cách điều chỉnh giá chế biến và giá bán lẻ. Giá bán lẻ sau đó được chuyển trở lại thông qua hệ các phương trình để quyết định giá của nhà sản xuất, diện tích, năng suất, sản lượng, sự phân bổ, độ thoả dụng, lượng xuất, nhập khẩu. Ngay khi một sự cân bằng đạt được trong một năm, mô hình sẽ tìm lời giải cho điểm cân bằng của năm tới. Quá trình bậc thang này tiếp tục thông qua năm dự báo trước đó. Nhiều phương trình sử dụng các biến trễ. Vì vậy, điểm cân bằng phải đạt được chỉ trong một năm, trước khi tính đến điểm cân bằng cho năm tiếp theo. Một vài phương trình của mô hình cũng sử dụng các biến kinh tế vĩ mô. Các dự báo với những biến này có được thông qua bộ phận dịch vụ tư vấn và dự báo kinh tế, Global Insight, trước đây là DRI-WEFA. Hiện tại, các dự báo được thực hiện cho niên vụ 2002/03 đến 2012/13.



Cấu trúc Mô hình

Mô hình sử dụng các số liệu 3 vùng sản xuất ở Mỹ —California, Pennsylvania và các vùng khác. Tổng giá trị (diện tích và sản lượng) của Mỹ được tính bằng cách cộng những vùng này lại. Mặc dù mô hình bao gồm 27 phương trình ước lượng và 7 đồng nhất thức, trong đó có nhiều phương trình được ước tính cho mỗi vùng. Vì vậy, có thể mô tả mô hình như là một tập hợp các phương trình, bắt đầu bằng phương trình diện tích .



- Diện tích (California, Pennsylvania, Other U.S)

Phương trình diện tích dùng để ước đoán tổng diện tích theo sản lượng ở mỗi vùng, dựa vào những mối liên hệ quan sát được trong quá khứ. Mặc dù mỗi vùng có sự khác biệt nhẹ, diện tích cơ bản được xác định là một hàm của diện tích và giá trung bình năm trước.



- Phương trình năng suất (California, Pennsylvania, Other U.S.)

Những phương trình này cơ bản dự báo năng suất là một hàm thời gian, phản ánh những tiến bộ khoa học công nghệ và tổ chức sản xuất.



- Sản lượng (California, Pennsylvania, Other U.S.)

Tổng sản lượng được xác định như là một đồng nhất thức dùng để dự đoán giá trị từ các phương trình năng suất và diện tích (Sản lượng = năng suất x Diện tích)



- Lượng sản phẩm tươi (California, Pennsylvania, Other U.S.)

Tổng sản lượng được phân bổ cho thị trường sản phẩm nấm tươi được quy định bởi phương trình phân bổ. Các phương trình ước lượng lại biến đổi theo vùng. Tuy nhiên, khối lượng được phân bổ vào thị trường này chủ yếu được xác định là một hàm của lượng sản phẩm tươi, giá nấm tươi và giá nấm chế biến kỳ trước.



- Lượng sản phẩm đã qua chế biến (California, Pennsylvania, Other U.S.)

Khối lượng được phân bổ vào thị trường sản phẩm qua chế biến được xác định thông qua một đồng nhất thức, được tính bằng tổng sản phẩm trừ tổng sản phẩm tươi.



- Lượng nấm tươi nhập khẩu (U.S.)

Tổng lượng nấm tươi nhập khẩu khẩu vào Mỹ được ước tính dựa vào giá nhập khẩu và tổng thu nhập còn lại sau khi nộp thuế và đóng bảo phí, bởi vì học thuyết kinh tế đã xây dựng hàm cầu nhập khẩu. Trong mô hình này, giá nấm Canada nhập khẩu vào Mỹ được coi là giá nấm nhập khẩu vào Mỹ bởi vì hiện tại Canada là nhà cung cấp nấm chiếm thị phần lớn nhất vào Mỹ.



- Lượng nấm tươi xuất khẩu (U.S.)

Lượng xuất khẩu nấm tươi của Mỹ được tính bằng hàm gồm các biến giá bán nấm tươi của Mỹ và tổng sản phẩm quốc nội của Canada. Hơn nữa, giá của nhà sản xuất được chuyển đổi sang đồng đôla Canada. Điều này lại cho thấy Canada là thị trường lớn nhất đối với các nhà xuất khẩu nấm tươi của Mỹ.



- Lượng nấm nhập khẩu đã qua chế biến (U.S.)

Lượng nhập khẩu đã qua chế biến được tính bằng hàm tỷ giá hối đoái giữa đồng tiền Mỹ-Canada và thu nhập còn lại sau khi nộp thuế và đóng bảo phí của Mỹ.



- Lượng nấm xuất khẩu đã qua chế biến (U.S.)

Lượng xuất khẩu đã qua chế biến được xác định bằng những thay đổi theo tỷ giá hối đoái đồng tiền Mỹ-Canada, tổng sản phẩm quốc nội Canada và lượng xuất khẩu còn lại.



- Cầu nấm tươi của Mỹ (U.S.)

Cầu nấm tươi của người tiêu dùng Mỹ được tính bằng giá bán lẻ nấm và thu nhập sau khi đã nộp thuế và đóng bảo phí



- Lợi nhuận từ nấm tươi (U.S.)

Mô hình dựa vào giả thuyết là điều chỉnh giá bán lẻ để có điểm cân bằng cung cầu. Tuy nhiên, kết quả có được từ giá bán lẻ phải được chuyển về giai đoạn sản xuất. Sau đó, quyết định về diện tích và phân bổ được đưa ra dựa vào giá của nhà sản xuất. Phương trình lợi nhuận thu được từ sản phẩm tươi tạo ra một sự liên hệ giữa giá bán nấm tươi với giá nấm bán lẻ.



- Cầu nấm chế biến (U.S.)

Nhu cầu của người tiêu dùng đối với loại nấm chế biến được xác định bằng hàm giá bán lẻ nấm chế biến và chi tiêu của người tiêu dùng cho thực phẩm và đồ uống.



- Lợi nhuận từ nấm chế biến (U.S.)

Phương trình lợi nhuận từ sản phẩm chế biến là mối liên hệ giữa giá bán lẻ và giá của người sản xuất.



- Phương trình mối liên hệ về giá

Ngoài việc giải thích những biến đổi từ giá bán lẻ chuyển sang giá bán của người sản xuất, việc giải thích mối quan hệ giữa giá nấm tươi và nấm chế biến ở mỗi vùng cùng là điều cần thiết.



a. Giá bán trung bình của nhà sản xuất (U.S., California, Pennsylvania, Other U.S.)

Giá nấm tươi và nấm chế biến được gán trọng số để dự báo giá nấm trung bình của người sản xuất.



b. Giá bán nấm tươi của nhà sản xuất (California, Pennsylvania, Other U.S.)

Điều này là cần thiết để giải thích giá bán nấm của nhà sản xuất được quy định như thế nào ở mỗi vùng đối với nấm tươi và nấm chế biến.



c. Giá nấm chế biến của nhà sản xuất (California, Pennsylvania, Other U.S.)

Mỗi mô hình và các biến tương ứng được mô tả chi tiết hơn trong bảng phụ lục 1. Ngoài ra, nguồn số liệu cho mỗi biến cũng được liệt kê. Như đã mô tả ở trên, một điểm cân bằng đạt được trong mỗi năm cho các thị trường nấm tươi và nấm chế biến, tại đó tổng cung (sản lượng cộng lượng nhập khẩu) bằng tổng cầu sử dụng (tiêu dùng cộng xuất khẩu).



Các giả định kinh tế vĩ mô

Những dự báo này được thực hiện dựa vào một số giả định cơ bản về sự vận hành nền kinh tế quốc tế và kinh tế Mỹ. Số liệu kinh tế vĩ mô phục vụ cho việc xây dựng mô hình lấy từ Global Insights, trước đây là DRI_WEFA. Đối với mô hình nấm, các biến kinh tế vĩ mô chủ yếu là tổng sản phẩm quốc nội Mỹ, trong đó là phần chi tiêu cho thực phẩm và đồ uống và giá trị đồng dollar. Tiếp theo sự tăng trưởng gần con số 0 năm 2001, mức tăng trưởng GDP của Mỹ tăng lên mỗi năm đên 2004, trước khi lập tỷlệ tăng lâu dài là 3%/năm. Trong khi đó, sức mạnh của đồng đôla Mỹ sẽ tụt giảm so với đồng tiền của hầu hết các nước công nghiệp trong suốt giai đoạn dự báo. Thực tế, đồng đôla được dự đoán là tương đối yếu hơn so với đôla Canada bắt đầu từ năm 2004. Tức là trong nhập khẩu nấm sẽ phải chi tiêu nhiều hơn. Tuy nhiên, đồng đôla vẫn được đánh giá cao ở những nước đang phát triển.



Đánh giá

Khuôn khổ của mô hình phù hợp với học thuyết kinh tế và những quan sát trong hoạt động sản xuất và cơ cấu ngành. Mô hình thu thập dữ liệu từ những báo cáo mới về diện tích, sản lượng, và giá từ Cơ quan Dịch vụ Thống kê Nông nghiệp Quốc gia USDA tháng 8/2003. Vào lúc này, số liệu của mô hình có thể được cập nhật và các thông số của mô hình có thể được ước lại sử dụng những số liệu bổ sung của năm này. Điều này cũng sẽ cần có thời gian để đánh giá lại cấu trúc một vài phương trình ước tính của mô hình.






  1   2


Cơ sở dữ liệu được bảo vệ bởi bản quyền ©hocday.com 2019
được sử dụng cho việc quản lý

    Quê hương