MỘT SỐ NỘI DUNG CƠ BẢN TRONG XÂY DỰNG CÁC MÔ HÌNH KINH TẾ LƯỢNG PHỤC VỤ CÔNG TÁC PHÂN TÍCH VÀ DỰ BÁO KINH TẾ VĨ MÔ
III. QUY TRÌNH XÂY DỰNG MỘT MÔ HÌNH KINH TẾ LƯỢNG (tiếp theo):
6) Đánh giá chất lượng mô hình (hợp thức hoá mô hình - validation):
a) Về kỹ thuật mô phỏng
- Mặc dù sự hội tụ của mô hình gắn bó khá chặt chẽ với tính đúng đắn về mặt lý thuyết của nó song điều này chắc chắn vẫn không đủ để đảm bảo mô hình phản ánh đúng thực tế và lý thuyết kinh tế mà nó mô tả. Do đó, sau khi đã xây dựng được mô hình và đảm bảo mô hình hội tụ, cần hợp thức hoá hay kiểm tra tính đúng đắn của mô hình.
Mục tiêu của hợp thức hoá mô hình là kiểm tra sai số của mô hình so với thực tế, để đảm bảo mô hình là một phản ảnh trung thực nền kinh tế, từ đó có thể sử dụng nó trong phân tích và dự báo.
Khi ước lượng mô hình, chúng ta đã biết chất lượng của từng phương trình qua phân tích các thông số thống kê đi kèm, nhưng khi đưa chúng vào thành một hệ thống phân tích với những mối quan hệ tác động qua lại phức tạp thì sai số của từng biến sẽ tăng lên. Người ta đã chứng minh được rằng từng phương trình tốt không có nghĩa là cả hệ mô hình tốt. Do đó, đối với các hệ nhiều phương trình (mô hình), cần có những phương pháp riêng.
Kỹ thuật hợp thức hoá mô hình được gọi là kỹ thuật mô phỏng. Định nghĩa chung của khái niệm mô phỏng là thay vì nghiên cứu trực tiếp trên nền kinh tế, người ta nghiên cứu hoạt động của mô hình mô tả nền kinh tế đó, từ đó rút ra các kết luận về nền kinh tế đó, làm cơ sở cho việc xây dựng, áp dụng các chính sách tác động lên nền kinh tế đó.
- Có hai loại mô phỏng: Mô phỏng xác định và mô phỏng ngẫu nhiên.
Mô phỏng xác định là phương pháp được sử dụng phổ biến nhất trên thế giới để phân tích, nghiên cứu và đánh giá các mô hình thực nghiệm, trong đó có các mô hình kinh tế lượng. Thực tế chứng minh đây là phương pháp dễ làm và có độ chính xác khá cao.
Nội dung của mô phỏng xác định là thay giá trị các biến ngoại sinh xt đã biết vào mô hình (gồm một hệ thống các phương trình) kinh tế lượng để tính ra giá trị các biến nội sinh yt.
Ví dụ, sau khi xây dựng được mô hình cho nền kinh tế nước ta theo chuỗi số liệu 1986-2004 với các biến nội sinh là Yt, các biến ngoại sinh Xt, chúng ta có mô hình:
Yt = A * Yt-1 + B * Xt + C
trong đó Xt và Yt là các vectơ nhiều biến, t là số chỉ thời gian (năm). Nội dung mô phỏng là đưa các giá trị thực (còn được gọi là giá trị lịch sử hay giá trị quan sát) của X tại năm t vào mô hình để giải ra các giá trị mô phỏng của Y, gọi là Yst. Dĩ nhiên, lời giải tính qua mô hình Yst sẽ không giống với giá trị thực của Y tại thời điểm t (Yt).
Mô phỏng ngẫu nhiên là phương pháp được
- Mô phỏng xác định lại được chia làm hai loại:
Mô phỏng ex-post là mô phỏng được thực hiện với các biến ngoại sinh là các chuỗi số đã biết, tức là các chuỗi giá trị lịch sử của chúng.
Mô phỏng ex-ante là mô phỏng được thực hiện với các biến ngoại sinh là các chuỗi số chưa biết; do đó trước khi mô phỏng, phải xây dựng các kịch bản về các biến ngoại sinh. Kỹ thuật này được sử dụng rộng rãi trong phân tích nhân tử, trong dự báo các kịch bản phát triển...
b) Kỹ thuật mô phỏng để hợp thức hoá mô hình
Kỹ thuật mô phỏng để hợp thức hoá mô hình được gọi là kỹ thuật mô phỏng ex-post. Nội dung chủ yếu của nó là so sánh sai số giữa giá trị mô phỏng qua mô hình và giá trị thực của các biến nội sinh để xem sai số có chấp nhận được không, nếu chấp nhận được thì mô hình được xem là phản ánh đúng thực tế và được chấp nhận để dùng trong phân tích và dự báo kinh tế.
Kỹ thuật mô phỏng được thực hiện như sau: Tập hợp tất cả các phương trình hành vi và phương trình kế toán thành một hệ thống; chạy mô hình bằng kỹ thuật mô phỏng, sẽ tính ra giá trị các biến nội sinh, đem kết quả đó so với những giá trị thực tế xem mức độ sai số.
Hiện nay đã có nhiều kỹ thuật mô phỏng ex-post khác nhau để hợp thức hoá mô hình. Người ta phân các kỹ thuật này làm hai loại:
- Kỹ thuật mô phỏng tĩnh;
- Kỹ thuật mô phỏng động.
Mô phỏng tĩnh là mô phỏng xác định trong đó tại mỗi thời kỳ, người ta dùng ngay các giá trị lịch sử làm giá trị của các biến trễ. Công thức mô tả quá trình mô phỏng tĩnh như sau:
f (y*t , yt-1 , xt , â) = 0
Trong đó y*t là lời giải của mô hình tại năm t. Trong công thức này, các biến trễ yt-1 được gán các giá trị lịch sử chứ không được gán các giá trị tính toán từ bước trước (y*t-1).
Mô phỏng động là mô phỏng xác định trong đó tại mỗi thời kỳ, người ta sử dụng các giá trị tính toán (kết quả mô phỏng) trong bước trước làm giá trị của các biến trễ. Công thức mô tả quá trình mô phỏng động như sau:
f (y*t , y*t-1 , xt , â) = 0
Trong đó y*t là lời giải của mô hình tại năm t. Trong công thức này, các biến trễ yt-1 được gán các giá trị tính toán từ bước trước (y*t-1) chứ không được gán các giá trị lịch sử (yt-1).
Như vậy, khi mô phỏng chính sách, trong mô phỏng tĩnh, kết quả mô phỏng chỉ phản ánh tác dụng của các chính sách trong một thời kỳ. Ngược lại, trong mô phỏng động, kết quả mô phỏng sẽ phản ảnh tác động của các chính sách không chỉ trong thời kỳ đó mà còn kéo dài trongnhiều năm tiếp theo.
Trong các hệ phần mềm hiện có, bao giờ cũng có thể sử dụng hai loại mô phỏng này. Trong thực tế, người ta thường dùng phương pháp mô phỏng động vì dường như nó phù hợp với lô gíc hơn và phản ánh tốt hơn hoạt động của nền kinh tế; hơn nữa, nó cũng có vẻ thuận lợi hơn trong quá trình sử dụng sau này, nhất là trong khâu phân tích và dự báo.
Tuy nhiên, nhiều tài liệu cho rằng để hợp thức hoá các mô hình, phương pháp mô phỏng tĩnh cũng có độ tin cậy không kém gì phương pháp mô phỏng động. Đây cũng là kết luận chung của nhiều người làm thực tế.
Ở nước ta, các mô phỏng đều là mô phỏng động.
c) Các công thức xác định sai số để đánh giá độ tốt của mô hình:
Trong thực tế, người ta có thể áp dụng một trong những phương pháp sau tuỳ theo yêu cầu đặt ra và khoảng thời gian dành để đánh giá:
- Phương pháp đánh giá dễ nhất là quan sát trực tiếp các sai số; nhất là sử dụng kỹ thuật đồ thị. Để kiểm tra độ chính xác của lời giải đối với một biến nội sinh, cần đưa lên đồ thị giá trị lịch sử và giá trị mô phỏng của biến nội sinh đó; nếu thấy 2 đường giá trị lịch sử và giá trị mô phỏng gần như trùng nhau thì có thể tin rằng sai số mô phỏng thấp và có thể chấp nhận được.
- Tính toán mức độ sai số khi mô phỏng:
Thực tế cho thấy các quan sát trực quan dễ gây ra nhầm lẫn với đối với những chuỗi số có giá trị lớn vì khi đưa lên đồ thị, hai đường mô tả nhiều khi rất trùng nhau mặc dù sai số vẫn khá lớn. Do đó, cách tốt nhất để kiểm tra là sử dụng các tiêu chuẩn thống kê đánh giá các sai số mô phỏng.
Có thể sử dụng nhiều công thức khác nhau để tính sai số mô phỏng. Những công thức phổ biến là:
 |
+ Sai số trung bình tuyệt đối:
trong đó T là độ dài khoảng thời gian mô phỏng, Yt là giá trị lịch sử (quan sát thực), Y*t là giá trị mô phỏng giải ra từ mô hình.
 |
+ Sai số trung bình bình phương:
 |
+ Sai số trung bình tuyệt đối phần trăm:
 |
+ Sai số trung bình bình phương phần trăm:
Ngoài 4 công thức được sử dụng rộng rãi trên, còn có một số công thức khác như tính độ dao động (biais), tính hệ số Theil, tính tương quan giữa chuỗi quan sát và chuỗi mô phỏng...
- Các công thức trên được tính cho:
+ Từng biến nội sinh trong hệ thống;
+ Một số biến nội sinh quan trọng;
+ Từng khối (sai số trung bình của từng khối)
+ Toàn hệ thống các phương trình.
- Sau khi tính toán, cần phân tích xem:
+ Các sai số có quá cao không ?
+ Các biến nào, khối nào có sai số cao nhất ?
- Để cải thiện chất lượng mô hình, có thể lần theo các dây truyền quan hệ nhân quả trong mô hình để tìm ra nguyên nhân dẫn đến một số biến có sai số cao và tiến hành sửa chữa mô hình nếu cần.
Thông thường, sau khi phân tích, sẽ phải điều chỉnh một số phương trình để có một mô hình phản ánh thực tế tốt hơn. Sau này trong quá trình phân tích và dự báo, sẽ tập trung nhiều hơn vào các biến, các khối có sai số thấp.
Việc chọn lựa tiêu chuẩn nào để đánh giá độ tốt của mô hình phụ thuộc vào bản chất của các biến. Tuy nhiên, tiêu chuẩn tương đối thường được sử dụng nhiều nhất do tính dễ hiểu của nó; ví dụ nói sai số trong mô phỏng biến GDP là 2% dễ hiểu hơn là 12.000 tỷ đồng...
Tiêu chuẩn tuyệt đối thường được sử dụng đối với các biến có giá trị biến động mạnh, đặc biệt là các biến mà dấu của chúng có thể thay đổi bất thường theo thời gian. Ví dụ như đối với chỉ tiêu cán cân thương mại thường sử dụng sai số tuyệt đối như bao nhiêu triệu USD thay vì bao nhiều phần trăm. Người ta cũng thường hay sử dụng tiêu chuẩn sai số tuyệt đối để đánh giá sai số của các biến tỷ lệ, ví dụ như tỷ lệ tăng trưởng tiền lương. Đối với chỉ tiêu tiền lương thì nên sử dụng tiêu chuẩn sai số tương đối.
- Một trong những trường hợp khá nhạy cảm trong mô phỏng động là khi mô phỏng các chỉ tiêu tuyệt đối và chỉ tiêu chỉ số, cần phải xem xét sai số giữa giá trị mô phỏng và giá trị quan sát của biến đó, hay xem xét chênh lệch sai số đó với sai số trong mô phỏng trước ? Nói cách khác, cần xem xét sai số theo giá trị thực hay theo tốc độ tăng trưởng ?
Thực tế trong nhiều trường hợp, người ta phải xem xét cả hai loại sai số: sai số theo giá trị thực và sai số theo tốc độ tăng trưởng. Kết quả đánh giá có thể hoàn toàn khác nhau như ví dụ sau chỉ ra:
Giả sử chúng ta cần mô phỏng kiểm tra sai số của biến giá cả và tỷ lệ lạm phát cho thời kỳ gồm T năm, từ 1 đến T (để đơn giản, ta giả sử T là số chẵn). Giả sử tỷ lệ lạm phát là f; khi đó công thức xác định chỉ số giá p tại năm t như sau:
pt = pt-1 ( 1 + ft )
Quá trình mô phỏng cho 2 chuỗi sai số giữa
(i) e1 = a
eT = -a
et = 0 với các giá trị t khác 1 và T
(ii) et = a với các giá trị t chẵn; và
et = -a với các giá trị t lẻ.
Nhận xét thấy trong cả hai trường hợp, tổng của các sai số đều bằng 0.
Sử dụng tiêu chuẩn sai số trung bình tuyệt đối phần trăm đối với hai chuỗi trên, chúng ta có:
+ Trường hợp (i):
Sai số về giá trị tuyệt đối là: a ( T - 1 ) / T
Sai số về tốc độ là: 2 a / T
+ Trường hợp (ii):
Sai số về giá trị tuyệt đối là: a / 2
Sai số về tốc độ là: a
Như vậy tình hình khác nhau tuỳ theo tiêu chuẩn sử dụng. Trong trường hợp tổng quát, có thể diễn đạt như sau: Một mô phỏng cho sai số kéo dài so với thực tế, nhưng lại có xu hướng ổn định và song song với thực tế thì thường tốt hơn là một mô phỏng cho kết quả dao động quanh thực tế với một xu hướng ngày càng tăng.
Chính vì vậy việc sử dụng các tiêu chuẩn phải hết sức thận trọng. Thực tế mà chúng ta cố gắng để mô hình phản ảnh tốt nhất, đã biết vào thời điểm ước lượng và nó được sử dụng không chỉ để xác định các hệ số ước lượng mà còn để chọn lựa công thức mô tả giữa nhiều công thức có thể. Do vậy, điều tự nhiên là phải chọn các kết quả có tính hòa giải; điều này cũng đúng ngay cả trong trường hợp người lập mô hình ưu tiên chọn các phương trình cho kết quả mô phỏng sát với thực tế so với các phương trình phản ánh sát quan điểm lý thuyết.
Một trong những ví dụ điển hình là sử dụng biến câm (dummy variables). Khi đưa vào biến câm với giá trị bằng 1 trong một hoặc một số thời kỳ và bằng 0 trong những thời kỳ còn lại, sẽ cho phép mô hình thoát khỏi những thời kỳ không giải thích được. Tuy nhiên, người ta sẽ không hiểu được tại sao lại đưa vào biến câm này, và việc đưa vào sẽ cải thiện tiêu chuẩn đánh giá sai số song lại có thể làm giảm chất lượng thực sự của mô hình.
Rõ ràng rằng những biến giải thích phụ không làm tăng chất lượng mô hình, nhưng nó có tác dụng làm người lập mô hình yên tâm hơn. Đặc biệt, người lập mô hình càng yên tâm nếu chúng được đưa vào để xử lý những thời điểm có một đặc trưng riêng biệt, rõ ràng và không thể dùng một biến nào đó để giải thích. Ví dụ như trường hợp thực hiện Nghị Quyết của Bộ Chính trị về khoán 10 năm 1987 đã làm cho sản xuất nông nghiệp tăng vọt chẳng hạn.
Tuy nhiên, trong nhiều trường hợp, những biến bổ sung có thể làm lệch lạc xu thế phát triển dài hạn của biến được giải thích và làm cho việc minh họa hành vi của nó khó khăn hơn; và đặc biệt nó còn ảnh hưởng tới chất lượng của các dự báo tương lai.
Mặt khác, không có mối liên hệ chặt nào giữa tiêu chuẩn đánh giá một công thức xấp xỉ đúng với thực tế quan sát và chất lượng bên trong của nó. Thực tế chúng ta đều thấy có những công thức mặc dù phản ánh rất đúng lý thuyết kinh tế nhưng khi ước lượng lại cho những hệ số ước lượng không thể chấp nhận được, ví dụ như dấu trái với mong đợi. Do vậy, mô hình gồm toàn những phương trình mô tả rất tốt thực tế có khả năng cho các mô phỏng ex-post rất tốt song có nguy cơ làm mất các ý nghĩa kinh tế - điểm cốt lõi của các mô hình. Trong những trường hợp cực đoan, người ta có thể thêm rất nhiều biến vào mô hình để mô hình có thể mô tả hầu như chính xác thực tế.
Những mô hình mô tả chính xác thực tế như trên thường không hữu ích khi thực hiện các kiểm định phân tích và dự báo sau này.
Mặc dù vậy, không thể chấp nhận mô hình mô tả không tốt các quá trình lịch sử. Mô hình đó phải bị loại bỏ hoặc phải được sửa chữa. Trong trường hợp sửa chữa, phải chú ý tới khía cạnh lý thuyết kinh tế của mô hình hơn là độ tốt của các phương trình. Chính vì những khó khăn như vậy nên quá trình xây dựng và sử dụng mô hình là một nghệ thuật.
d) Các mô phỏng ex-post để dự báo giả
Các mô phỏng ex-post trên đây được thực hiện với số liệu trong toàn bộ giai đoạn ước lượng mô hình. Ví dụ khi xây dựng mô hình với chuỗi số giai đoạn 1986-2004 thì mô phỏng được thực hiện cho toàn bộ giai đoạn này. Qua mô phỏng và đánh giá sai số, có thể nhận thấy mức độ phản ánh đúng thực tế quan sát của mô hình. Tuy nhiên, điều này không có nghĩa là mô hình sẽ cho các dự báo tốt vì dự báo được thực hiện cho giai đoạn tương lai mà giá trị thực của các chuỗi còn chưa biết và chưa được đưa vào ước lượng mô hình. Ngoài ra, để giảm tính giả tạo trong việc đưa một số biến không phù hợp vào mô hình như đã nêu trên, cũng cần có các kiểm tra để giữ lại những biến có khả năng cho các phân tích và dự báo tốt.
Phương pháp phổ biến là mô phỏng mô hình trong thời kỳ không được sử dụng để ước lượng mô hình, tức là loại bỏ khỏi chuỗi quan sát những quan sát của thời kỳ gần nhất đã biết trước khi ước lượng mô hình. Ví dụ trong mô hình trên, thay vì ước lượng cho giai đoạn 1986-2004, chúng ta chỉ sử dụng số liệu giai đoạn 1986-2001 để ước lượng mô hình; sau khi đã có mô hình, chúng ta sẽ mô phỏng cho thời kỳ 2002-2004, tức là dự báo cho 3 năm này. Kết quả là các dự báo giả (gọi là dự báo giả vì chúng ta đã biết số thực tế đã diễn ra, khác với dự báo tương lai khi chúng ta chưa biết số thực). Bước cuối cùng là so sánh kết quả dự báo qua mô hình với thực tế đã diễn ra xem có khớp không. Nếu kết quả tương đối sát nhau, sai số có thể chấp nhận được, thì mô hình được xem là có khả năng dự báo tốt.
Điểm bất lợi của phương pháp này là giảm kích thước của chuỗi quan sát nói chung vốn đã rất thấp đối với những nền kinh tế như nước ta; do đó làm giảm ý nghĩa giải thích của các hệ số ước lượng. Vấn đề này đặc biệt nghiêm trọng đối với các mô hình trung hạn với tần số thời gian là 1 năm vì khi đó phải dành số liệu ít nhất cũng của 5 năm cuối cùng để dự báo giả. Ngay ở các nước công nghiệp phát triển, mô hình xây dựng trong những năm 90 thường sử dụng chuỗi số dài khoảng 25-30 năm (từ 1965-1970 đến 1990-1995), điều này đã bị phê phán là không hợp lý, do đó đã ảnh hưởng lớn tới kết quả phân tích và dự báo. Ở nước ta, đến nay hầu như mô hình đều được xây dựng với trên dưới 10 quan sát (1990-1991 đến 2000-2001) nên về phương diện dự báo, chất lượng thường không đạt yêu cầu. Mặt khác, cũng không thể dành số liệu của 5 năm cuối để thực hiện các dự báo giả vì chuỗi số để ước lượng lại mô hình chỉ còn khoảng 5 quan sát, không đủ để ước lượng mô hình.
Kỹ thuật này đã đặt ra 2 quá trình ước lượng mô hình: Ước lượng mô hình đủ và ước lượng mô hình với chuỗi quan sát ngắn hơn. Do vậy, sẽ đặt ra vấn đề khớp nhau giữa 2 ước lượng. Một mặt, các biến trong 2 ước lượng vẫn được giữ ổn định. Mặt khác, các hệ số trong 2 ước lượng phải gần giống nhau.
Để kiểm tra sự khớp nhau của hai ước lượng, người ta thường sử dụng một số cách kiểm định, ví dụ như kiểm định Chow. Vì kiểm định Chow cho phép áp dụng cho từng phương trình đơn lẻ nên có thể so sánh đối chiếu hai phương trình tương đương ngay trong giai đoạn ước lượng lại mô hình. Nếu mô hình thoả mãn các kiểm định này đồng thời khi dự báo giả thấy nó có khả năng dự báo tốt cho thời kỳ chưa đưa vào ước lượng mô hình thì mô hình được coi là có khả năng dự báo tương lai tốt và được chấp nhận để sử dụng.
e) Các mô phỏng phân tích
Nếu các mô phỏng ex-post cho phép kiểm tra chất lượng của các mô hình theo nghĩa chúng vừa phản ánh đúng thực tế quan sát trong quá khứ, vừa có khả năng dự báo tương lai thì các mô phỏng phân tích cho phép hợp thức hoá các tính chất của mô hình.
Mô phỏng phân tích là xem xét tính lô gíc của các cơ chế kinh tế trong mô hình thông qua đo lường bằng số cụ thể các cơ chế đó. Ví dụ khi mô hình chứa các cơ chế ảnh hưởng của tỷ giá tới giá cả, xuất khẩu và tăng trưởng kinh tế, mô phỏng phân tích sẽ cho biết cụ thể mức độ ảnh hưởng của tỷ giá tới các chỉ tiêu trên là bao nhiêu; từ đó người lập mô hình có thể đánh giá mức độ ảnh hưởng đó có hợp lo gíc hay không và có chấp nhận được không ? Nếu ảnh hưởng của tỷ giá tới xuất khẩu qua tính toán của mô hình là quá lớn so với suy luận từ phân tích tình hình thực tế, tức là không hợp lôgíc và không chấp nhận được, thì cần phải sửa lại mô hình.
Mặt khác, qua mô phỏng phân tích, người ta cũng có thể phân tích, so sánh xem những tính chất định lượng của mô hình có khớp với lý thuyết kinh tế là cơ sở để xây dựng mô hình không, đồng thời kiểm tra xem chúng có gần giống với những kết quả thu được từ các mô hình khác cũng về vấn đề này không. Việc so sánh với các mô hình khác không phải nhằm điều chỉnh mô hình theo các mô hình khác mà thực chất chỉ là một cách bổ sung để kiểm tra kỹ hơn xem mô hình xây dựng ở đây có vấn đề gì không.
Để thực hiện các mô phỏng phân tích, người ta sẽ làm một số mô phỏng đơn giản theo cách hoàn toàn độc lập nhau bằng cách thay đổi một số yếu tố chính trong mô hình. Về bản chất, mô phỏng phân tích là nghiên cứu độ nhạy của các biến nội sinh chủ yếu (nền kinh tế) trước những thay đổi của biến ngoại sinh. Ví dụ như thay đổi tình hình kinh tế khi thay đổi cầu ngoại sinh (đầu tư nhà nước hay tiêu dùng chính phủ, cầu nước ngoài...), thay đổi hành vi của các hộ gia đình (thông qua thay đổi tỷ lệ thuế thu nhập hoặc tiền lương...), hành vi của các doanh nghiệp (thay đổi thuế suất hoặc tỷ lệ đóng góp bảo hiểm xã hội...), thay đổi hành vi xuất nhập khẩu (khi xảy ra việc phá giá tỷ giá danh nghĩa...).
Qua phân tích tính lô gíc và định lượng hậu quả của những thay đổi trên đối với các biến nội sinh và những cân bằng chính của mô hình, có thể phát hiện thêm những tính chất của mô hình, cho biết thêm về chất lượng mô hình, biết được khả năng phản ảnh lý thuyết kinh tế của mô hình và so sánh được với các mô hình khác.
Ví dụ qua mô phỏng phân tích thấy tiêu dùng gia đình giảm khi giảm thuế thu nhập thì rõ ràng mô hình không hợp lô gíc và không thể chấp nhận được, do đó cần phải sửa chữa mô hình.
Hoặc nếu qua mô phỏng phân tích thấy mô hình có 1 hoặc một số hành vi khác khá xa so với kết quả thu được từ những mô hình khác (ví dụ ảnh hưởng của tỷ giá tới xuất khẩu mạnh hơn nhiều so với kết quả thu được từ những mô hình khác) thì không nên kết luận vội vã mà phải phân tích kỹ hơn bình thường để giải thích tại sao có sự khác nhau, hoặc phải điều chỉnh lại mô hình để tạo ra sự thống nhất chung về cơ chế và giá trị tính toán thu được qua các mô hình khác (giá trị này được nhiều người tin là hợp lý vì đã được nhiều mô hình xác định).
Trong một số trường hợp, việc phân tích kết quả mô phỏng phân tích gắn rất chặt với cơ chế ứng xử. Ví dụ khi lạm phát tăng, người tiêu dùng có thể có hai loại hành vi rất khác nhau: (i) Tăng tiết kiệm để khôi phục lại tài sản thực của mình; hoặc (ii) giảm tiết kiệm bằng cách bỏ tiền ra mua hàng hoá vì lo ngại sau này sẽ phải mua với giá cao hơn. Trong trường hợp này, phải làm rõ mô hình của ta được xây dựng theo cơ chế nào ?
Nhìn chung, để giúp người đọc có thể hiểu rõ ràng hơn về mô phỏng phân tích, có thể phân chia chúng làm 3 loại tuỳ theo bản chất của những biến đổi được thực hiện:
- Mô phỏng với các sốc được duy trì kéo dài: Đây là loại mô phỏng phân tích trong đó việc thay đổi được kéo dài đến tận cùng (vô hạn). Ví dụ việc hạ thuế suất được duy trì trong suốt thời kỳ mô phỏng.
- Mô phỏng với các sốc thời điểm: Đây là loại mô phỏng phân tích trong đó việc thay đổi chỉ diễn ra tại một thời điểm và kết thúc ngay tại thời điểm tiếp theo. Ví dụ việc hạ thuế suất được thực hiện trong 2 năm, sau đó sẽ trở lại mức cũ trước khi hạ (điều này đã xảy ra trong thực tế, ví dụ Nhà nước đã giảm 50% thuế suất nông nghiệp áp dụng chỉ trong 2 năm 1990-1991 để thực hiện di chúc của Bác Hồ).
Trong trường hợp này, người ta thường chú ý phân tích cả hai khía cạnh:
+ Tiến triển của tác dụng của thay đổi đó theo thời gian; tác dụng này thường giảm dần qua các năm và hội tụ về 0, tuy nhiên cũng có khi phân kỳ, ví dụ như việc điều chỉnh giá lương tiền một lần nhưng có thể tạo thành vòng xoáy tăng mạnh qua nhiều năm, gây khủng hoảng, phá vỡ hệ thống cũ rồi đến lúc nào đó mới bắt đầu có xu hướng thu hẹp dần và tiến tới ổn định.
+ Tổng tác dụng tích luỹ qua tất cả các thời điểm; ví dụ như ảnh hưởng của việc cấp vốn điều lệ bổ sung cho các ngân hàng thương mại quốc doanh tới sản xuất khu vực công nghiệp có thể kéo dài 5 năm với tổng tác dụng tích luỹ qua 5 năm là 10.000 tỷ đồng.
- Mô phỏng với các sốc kiểu bậc thang: Đây là loại mô phỏng phân tích trong đó các sốc được khuyếch đại theo thời gian với độ lớn như nhau. Ví dụ như trong quá trình hội nhập quốc tế, thuế suất cam kết với Hoa Kỳ sẽ được giảm dần qua các năm, mỗi năm giảm 1% điểm.
Rõ ràng để có thể sử dụng các loại mô phỏng này thì điều quan trọng là các sốc phải được xây dựng hợp lý. Sự hợp lý không chỉ về cường độ (không quá mạnh, cũng không quá yếu) của sốc mà còn cả về bản chất của các sốc.
Ví dụ khi nghiên cứu để kéo dài hay huỷ bỏ một khoản trợ cấp, sẽ rất khó khăn nếu phải sa thải người công nhân vừa được tuyển dụng tại thời điểm thứ nhất vào thời điểm thứ hai, hoặc khi vừa giảm thuế tại thời điểm thứ nhất thì lại tăng ngay vào thời điểm thứ hai.
Dưới góc độ thực tiễn, người ta có xu hướng sử dụng nhiều mô phỏng với các sốc được duy trì kéo dài. Đặc biệt, các đồ thị kết quả mô phỏng với các sốc được duy trì kéo dài thường cho phép phân biệt rất rõ các tiến triển theo thời gian. Ngược lại, những kết quả mô phỏng với các sốc thời điểm thường trở về 0 quá nhanh nên không đem lại nhiều thông tin bổ ích, thậm chí còn gây nhầm lẫn. Bên cạnh đó, các mô phỏng với các sốc kiểu bậc thang thường gây khó khăn khi nghiên cứu hiệu quả động của các sốc.
Không có nhận xét nào:
Đăng nhận xét