Bài viết này dựa trên nghiên cứu của J. Scott Armstrong và Kesten C.Green (Tháng 8/2011) về các phương pháp dự báo cầu cơ bản. Bài viết này chỉ tập hợp và đề cập đến những phương pháp cơ bản nhất có thể áp ụng trong thực hành tính toán để dự báo các chỉ tiêu kinh tế vĩ mô cũng như vi mô. Tuy nhiên, để áp dụng được những phương pháp này chúng ta cần phải hiểu rõ được nguyên tắc lý thuyết của từng phương pháp để có thể áp dụng thích hợp cho từng trường hợp cụ thể và từ đó có thể cải thiện các kết quả dự báo tạo thuận lợi hơn trong quá trình ra quyết định của các nhà hoạch định chính sách.
I. Phương pháp phán đoán

1.1 Phán đoán đơn độc (unaided judgment)


Việc dự báo bởi các chuyên gia thường sử dụng các phán đoán đơn độc thì hấu hết chính xác trong các tình huống sau:

- Xảy ra tương tự như yếu tố khác mà chuyên gia đã làm dự báo
- Bao gồm mối quan hệ đơn giản và dễ hiểu
- Không bị ảnh hưởng bởi sự thay đổi lớn
- Không bao hàm các xung đột


Và các chuyên gia dự báo:


- Không chệch.
- Có thông tin mà những nơi khác không có.
- Chấp nhận độ chính xác, thời gian và thông tin phản hồi về dự báo của họ.
 

1.2 Phán đoán thị trường

Việc phán đoán thị trường phải dựa vào những thông tin thị trường trong quá khứ ở một thời gian dài và phán đoán những gì sắp xảy ra đối với thị trường tương lai. Tuy nhiên, thị trường không đơn gian như những thống kê đơn thuần mà nó bao gồm rất nhiều những giao dịch “ngầm” mà chúng ta không thể dễ dàng có được những thông tin này. Do vậy, việc phán đoán giá cả trong một thị trường là hết sức phức tạp và có nhiều những thay đổi không được như kỳ vọng của các nhà nghiên cứu.

1.3 Phương pháp Delphi


Phương pháp chuyên gia Delphi là phương pháp chủ yếu dựa trên ý kiến của các chuyên gia hàng đầu trong mỗi lĩnh vực. Theo Green, Armstrong và Graefe (2007) cho rằng phương pháp Delphi hấp dẫn các nhà quản lý bỏi vì tính dễ hiểu và sự hỗ trợ dự báo của các chuyên gia. Theo Green và các công sự (2007) đã đưa ra tám thuận lợi của phương pháp Delphi trong dự báo thị trường: (1) Áp dụng rộng hơn, (2) Dễ hiểu, (3) Có thể trả lời các câu hỏi phức tạp, (4) Khả năng duy trì bảo mật, (5) Tránh nhiều thao tác, (6) Phát hiện nhiều kiến thức mới, và (7) Ít người tham gia.

1.4 Cấu trúc tương tự


Phương pháp cấu trúc tương tự vượt qua được những yếu tố chệch và không đáng tin cậy của những thông tin. Phương pháp cấu trúc tương tự đặc biệt thích hợp khi cầu bị ảnh hưởng bởi những hành động cạnh tranh, chính phủ, hoặc nhóm lợi ích giống như môi trường và những hành động tự phát.


1.5 Lý thuyết trò chơi


Lý thuyết trò chơi nghiên cứu vấn đề ra quyết định của nhiều người, nhiều doanh nghiệp ở các mức độ khác nhau. Có rất nhiều bài viết nói về các lý thuyết trò chơi và đưa ra những áp dụng thực tiễn và chỉ ra rằng lý thuyết trò  chơi không đơn thuần là lý thuyết mà thực tế còn là những công cụ hữu hiệu trong phân tích kinh tế và xác định chiến lược kinh doanh.

1.6 Phân rã và xây dựng phán đoán


Để có thể dự báo chính xác hơn có thể phân rã vấn đề cần dự báo thành nhiều dự báo thành phần. Trên cơ sở dựa vào những dự báo thành phần để thu được dự báo toàn bộ cho vấn đề cần dự báo. Bởi vì, dự báo một vấn đề gộp khó khăn hơn rất nhiều khi chúng ta phân rã vấn đề đó thành nhiều vấn để nhỏ để có thể đưa ra những phương pháp dự báo thích hợp cho từng vấn đề nhỏ.


Xây dựng phán đoán thường được sử dựng trong những trường hợp mà dữ liệu không có hoặc dữ liệu  không thể ước lượng được bằng mô hình kinh tế lượng. Theo nghiên cứu của Goodwin và các cộng sự (2011) chỉ ra rằng xây dựng phán đoán không cải  thiện được độ chính xác của dự báo khi những dấu hiệu tiềm năng có thể xảy ra và nó không rõ ràng khi các chuyên gia đánh giá thông tin mà không có sẵn mô hình hoặc kiến thức mà không thể kết hợp thông tin vào mô hình hoặc những biến có thể có tự tương quan.


1.7 Phương pháp hệ thống chuyên gia


Phương pháp hệ thống chuyên gia được xây dựng dựa trên cấu trúc thi hành dự báo của một nhóm chuyên gia. Theo nghiên cứu của Collopy, Adya và Armstrong (2001) chỉ ra rằng phương pháp hệ thống chuyên gia chính xác hơn phương pháp phán đoán độc đoán. Tuy nhiên, phương pháp này phải chịu một mức chi phí cho các chuyên gia là khá cao mà với mức chi phí này có thể xây dựng được một phương pháp dự báo thích hợp hơn.

1.8 Mô phỏng tương tác


Phương háp mô phỏng tương tác thường được sử dụng khi chúng ta có ít hoặc không đủ dữ liệu để làm các dự báo và những nhà quyết sách kỳ vọng rằng có thể đoán được những ảnh hưởng của những chính sách hoặc những chiến lược sẽ được thực thi trong tương lai.

1.9 Phương pháp điều tra chọn mẫu kết hợp với kinh nghiệm thực tế


Để dự báo trước một vấn đề chúng ta có thể thực hiện một cuộc điều tra chọn mẫu với độ tin cậy của mẫu có thể chấp nhận được. Với kết quả của mẫu thu được kết hợp với kinh nghiệm thực tế trong lĩnh vực cần được dự báo để đưa ra kết quả dự báo có tính chính xác cao hơn. Phương pháp này còn được gọi là phương pháp “Phòng thí nghiệm”, tức là việc điều tra chọn một mẫu nhỏ nhưng phải có tính khái quát cho toàn bộ mẫu lớn để khi áp dụng kết quả thu được sẽ không bị sai lệch so với thực tế thực thi.

II. Phương pháp dữ liệu định lượng


2.1 Phép ngoại suy


Phương pháp này dựa vào dữ liệu quá khứ để dự báo như phương pháp san mũ hoặc phương pháp chuỗi thời gian. Theo nghiên cứu của Makridakis và các cộng sự (1984), nếu dữ liệu chuỗi có dạng năm thì việc loại bỏ ảnh hưởng của yếu tổ mùa vụ sẽ thu được kết quả dự báo chính xác hơn. Tuy nhiên, phương pháp dự báo này sẽ không đánh giá được yếu tố ảnh hưởng bên ngoài, ví dụ như ảnh hưởng của suy thoái tài chính đến thị trường.

2.2 Phân tích định lượng


Một vài dữ liệu định lượng được sử dụng để dự báo trong những tình huống tương tự có thể sử dung phương pháp ngoại suy. Vì vậy dư liệu định lượng là quan trọng trong mục tiêu được xem xét và dữ liệu tượng tự để xây dựng các hệ số hoặc ngoại suy xu hướng trung bình cho từng trường hợp cụ thể.

2.3 Nguyên tắc dự báo cơ bản (RBF)


Nguyên tắc dự báo cơ bản (RBF) để xác định đặc trung của một chuỗi số liệu, theo nghiên cứu cảu Armstrong, Adya và Collopy (2001) chỉ ra rằng có 28 đặc trưng chủ yếu dựa trên bao số liệu, số quan sat, tính mùa vụ và các điểm nằm ngoài (outliers).  Có 99 nguyên tắc của RBF thường được dùng để điều chỉnh dữ liệu để ước lượng cho các mô hình ngắn và dài hạn và thường được sử dụng hỗn hợp cho hai loại mô hình này. Thêm vào đó, RBF hữu dụng khi nội dung của kiến thức có khả năng, mô hình chính xác của chuỗi, xu hướng và dự báo cần chuỗi số liệu ít nhất là sáu năm hoặc hơn.


2.4 Mô hình mạng Nơ-ron


Mạng nơ ron được xây dựng dựa trên chuỗi thời gian phi tuyến. Mặc dù mô hình mạng Nơ-ron có thể khớp với dữ liệu tương đối tốt nhưng có một khó khăn trong mô hình là chúng ta không có một lý giải kinh tế thật sự rõ ràng nào. Theo Enders (2004), do dù mô hình mạng Nơ-ron có thể nới rộng ra các chuỗi tự hồi quy bậc cao hơn nên mô hình này có số lượng tham số rất lớn và do vậy sẽ luôn gặp phải nguy cơ phù hợp thái quá với dữ liệu. Nếu có quá nhiều nút được sử dụng thì thành phần nhiễu của dữ liệu sẽ được khớp tương đối chính xác. Việc R2 có xu hướng tiến tới 1 khi n tăng không phải là điều tốt nếu như mục tiêu của chúng ta là dự báo các giá trị tương lai của chuỗi.

2.5 Mô hình nhân quả


Mô hình nhân quả bao gồm mô hình gốc sử dụng phân tích hồi quy, phương pháp chỉ số và phương pháp phân khúc. Theo nghiên cứu của Armstrong (1985) và Allen và Fildes (2001) cho thấy rằng mô hình nhân quả dự báo chính xác hơn từ việc ngoại suy biến phụ thuộc khi dự báo sự thay đổi lớn và có thể dự báo được ảnh hưởng chính sách của những kế hoạch hoặc những quyết định chính sách.

Mô hình nhân quả hữu dụng trong trường hợp: (1) tồn tại mối quan hệ nhân quả mạnh, (2) các mối quan hệ trực tiếp đã biết, (3) có sự khác biệt lớn giữa các biến thay thế, và (4) sự khác nhau thay thế có thể được biết hoặc được kiểm soát để dự báo chính xác hơn.


Mô hình hồi quy hay mô hình kinh tế lượng được xây dựng dựa trên ước lượng các hệ số của mô hình nhân quả từ chuỗi số liệu quá khứ.


Mô hình chỉ số thích hợp trong trường hợp dữ liệu ít, có thể các biến nhân quả là quan trọng và đã có cơ sở lý thuyết chắc chắn từ trước cho những ảnh hưởng của các biến nhân quả.


2.6 Mô hình phân đoạn


Mô hình phân đoạn là việc phân chia vấn đề thành những phần độc lập và sử dụng dữ liệu để dự báo cho mỗi phần này rồi sau đó kết hợp các phần lại để được một dự báo. Để có thể sử dụng được mô hình phân đoạn chúng ta cần phải xác định các biến nhân quả quan trọng của mô hình và xác định được mối quan hệ giữa biến độc lập và biến phu thuộc một cách chính xác.


III. Kết luận


Hơn nửa thế kỷ qua có rất nhiều phương pháp được áp dụng để dự báo những chỉ tiêu kinh tế vĩ mô và vi mô, hành vi của doanh nghiệp cũng như hộ gia đình. Tuy nhiên, mỗi phương pháp được áp dụng khác nhau trong mỗi tình huống cụ thể để đạt được kết quả dự báo tốt nhất. Ngày nay, để dự báo được chính xác hơn thì người ta thường áp dụng phương pháp định lượng kết hợp với phương pháp định tính để đưa ra một kết quả phù hợp với thực tế hơn. Bởi vì, phương pháp định lượng rất mạnh trong việc xác định mối quan hệ nhân quả giữa các vấn đề (biến) xong trên thực tế có rất nhiều vấn đề không thể định lượng được hoặc không thể đưa vào mô hình để dự báo được.
----------------------------------------
TÀI LIỆU THAM KHẢO
1.  J. Scott Armstrong và Kesten C. Green (Tháng 8/2011), “Dự báo cầu: Những phương pháp cơ bản”, Tạp trí dự báo.
2.  J. Scott Armstrong (20010, “Ngoại suy chuỗ thời gian và dữ liệu chéo. Trong nguyên tác dự báo của J. Scott Armstrong . Norwell, MA: công **ở Kluwer Academic, 13-30.
3. Goodwin, P. (2005). “Làm cách nào để tích hợp phán đoán quản lý với dự báo thống kê”, Foresight, 1, 8-12
4. Green, Kesten C. và J. Scott Armstrong  (2007), “Cấu trúc tương tự cho dự báo”, Tạp trí dự báo quốc tế, 23, 365-376.
5.  Makridakis, Spyros G., Steven C. Wheelwright, và Rob J. Hynman (1998), “Phương pháp dự báo cho quản lý”. Bản 3, New York; John Wiley.
Tác giả: NCV. Đỗ Văn Lâm