SO SÁNH MÔ HÌNH ARIMA VÀ VECM

TRONG DỰ BÁO CẦU LAO ĐỘNG

Ở CÁC DOANH NGHIỆP NGÀNH CÔNG NGHIỆP
CHẾ BIẾN TỈNH BÌNH DƯƠNG
Phạm Ngọc Thành
Trường Đại học Lao động –Xã hội (Cơ sở TP. Hồ Chí Minh)
Email: thanhpn@ldxh.edu.vn
Đỗ Thị Hoa Liên
Trường Đại học Lao động –Xã hội (Cơ sở TP. Hồ Chí Minh)
Email: dohoalien@yahoo.com.vn
Hoàng Võ Hằng Phương
Trường Đại học Lao động –Xã hội (Cơ sở TP. Hồ Chí Minh)
Email: hoangvohangphuong@gmail.com;
Ngày nhận: 15/01/2020
Ngày nhận bản sửa: 07/5/2020
Ngày duyệt đăng: 05/12/2020

Tóm tắt:
Bài viết ứng dụng các mô hình trong phương pháp chuỗi thời gian vào dự báo cầu lao động
của các doanh nghiệp ngành công nghiệp chế biến ở Bình Dương. Trong đó, hai mô hình phổ
biến được sử dụng nhiều trong dự báo cầu lao động trong ngắn hạn là ARIMA và VECM được
phân tích và so sánh. Mô hình được xây dựng trên dữ liệu từ năm 1996 đến 2014, sau đó dự
báo được thực hiện cho các năm 2015 đến 2017 để kiểm tra mức độ chính xác của các mô
hình. Kết quả cho thấy cả hai mô hình đều có năng lực dự báo tốt, tuy nhiên, mô hình ARIMA
trong trường hợp này có khả năng dự báo chính xác hơn so với mô hình VECM. Bên cạnh đó,
nhóm tác giả tìm thấy vai trò quan trọng của vốn sản xuất đối với sự thay đổi cầu lao động
ngành công nghiệp chế biến Bình Dương cả trong ngắn hạn và dài hạn.
Từ khóa: Dự báo, cầu lao động, phương pháp chuỗi thời gian, công nghiệp chế biến, ARIMA,
VECM
Mã JEL: C53, E27, J23

A comparative analysis of ARIMA and VECM models in forecasting manpower demand

among manufacturing firms in Binh Duong
Abstract:
Time series method was employed to conduct a forecast of manpower demand among
manufacturing enterprises in Binh Duong. The two popular models mostly used in forecasting
manpower demand in short term, ARIMA and VECM, were used to find out factors influencing
manpower demand of the industry in the period of 1997 to 2014. Also, there were a prediction
of the manpower demand from 2015 to 2017, a comparison for the quality of forecasting
results were then made among the models. The results show that both models performed
good forecasts, however, the ARIMA took the higher position in prediction capacity than
VECM. Besides, annual average capital takes an important role to the manpower demand in
manufacturing enterprises in Binh Duong for short term and long term.
Keywords: Forecasting, manpower demand, time series method, manufacturing, ARIMA,
VECM
JEL Codes: C53, E27, J23

Số 282 tháng 12/2020 41

 1. Giới thiệu
Tại tỉnh Bình Dương, thị trường lao động vẫn tồn những bất cập. Thứ nhất, ở nhiều khu công nghiệp của
Bình Dương, nhiều doanh nghiệp thiếu hụt lao động nói chung, đặc biệt là ngành công nghiệp chế biến. Có
đến 84,7% lượng lao động làm việc trong ngành công nghiệp chế biến, với đóng góp GDP của ngành trên
toàn tỉnh lên đến đến khoảng 60% vào năm 2018. Bình Dương cũng là một trong ba tỉnh thu hút vốn đầu tư
nước ngoài lớn nhất trên toàn quốc. Hơn 90% doanh nghiệp FDI hoạt động trong ngành công nghiệp chế
biến và tổng vốn đăng ký các doanh nghiệp này lên đến 81%. Tuy nhiên, kết quả khảo sát nhu cầu lao động
của trung tâm dịch vụ việc làm tỉnh Bình Dương trong năm 2019 cho thấy các doanh nghiệp trong ngành
thường xuyên phải đối mặt với tình trạng mất ổn định về lao động, thiếu hụt lao động và phải liên tục tuyển
dụng. Sự thiếu ổn định về lao động được thể hiện rõ rệt nhất ở các doanh nghiệp da giày, may mặc, điện tử,
tức là các lĩnh vực trong ngành công nghiệp chế biến. Nguyên nhân dẫn đến thực trạng này chủ yếu là do
doanh nghiệp mở rộng sản xuất kinh doanh và do một bộ phận lao động thay đổi việc làm, nghỉ việc để tìm
việc khác. Thứ hai, có sự mất cân bằng giữa cung và cầu lao động do không tương đồng về số lượng và chất
lượng giữa hai bên cung, cầu và mong muốn, kỳ vọng của người lao động không phù hợp với người sử dụng
lao động. Thứ ba, vẫn có một tỷ lệ nhất định những người trong độ tuổi có khả năng lao động chưa có việc
làm (8,7% năm 2015). Như vậy, có thể thấy rằng cả doanh nghiệp lẫn các nhà quản lý ở tỉnh Bình Dương
đều cần thiết phải biết được chính xác nhu cầu lao động các ngành nghề để có các kế hoạch chiến lược tuyển
dụng nhân sự cho phù hợp.
Hơn nữa, yêu cầu đặt ra hiện nay là để thực hiện quy hoạch, theo dõi, đánh giá, giám sát cũng như điều
chỉnh quy hoạch phát triển nguồn nhân lực, việc làm, cần phải dựa trên một nền tảng công tác dự báo có chất
lượng. Tuy nhiên, đánh giá một cách khách quan, công tác dự báo thị trường lao động trong thời gian qua ở
Việt Nam nói chung và tỉnh Bình Dương nói riêng vẫn chưa được thực hiện một cách đầy đủ và khoa học.
Phương pháp/mô hình dự báo nguồn nhân lực dựa trên lý luận khoa học và phù hợp với điều kiện thực tiễn
ở Bình Dương còn nhiều bất cập. Những khó khăn về cơ sở dữ liệu khi áp dụng các mô hình dự báo trong
điều kiện Việt Nam hiện nay đã được đề cập, song các phương án thay thế giữa các biến hoặc hoàn thiện cơ
sở dữ liệu cũng cần tiếp tục đề xuất có sức thuyết phục hơn. Ngoài ra, việc lựa chọn phương pháp dự báo
sẽ khó khăn hơn vì một phương pháp dự báo riêng lẻ thường có tính thuyết phục không cao so với kết hợp
nhiều phương pháp dự báo được đặt trong bối cảnh so sánh.
Trong những năm gần đây, Bình Dương đã nỗ lực cố gắng nâng cao chất lượng nguồn nhân lực bằng cách
đổi mới phương thức đào tạo, có các chương trình dạy nghề, hướng nghiệp, tư vấn nghề nghiệp và giới thiệu
việc làm. Nhưng bên cạnh đó, công tác dự báo cầu lao động theo sự phát triển kinh tế địa phương còn chưa
được thực hiện một cách khoa học theo các mô hình dự báo, mà nặng về khảo sát doanh nghiệp và từ đó đưa
ra các con số kế hoạch. Vì vậy, nhóm tác giả đề xuất hai mô hình nổi tiếng, phù hợp với điều kiện nghiên
cứu tại Bình Dương hiện nay, đó là mô hình ARIMA và mô hinh VECM để dự báo cầu lao động ngành công
nghiệp chế biến Bình Dương và so sánh đánh giá sự phù hợp các mô hình.
2. Cơ sở lý thuyết
Trong các phương pháp kinh tế lượng dùng cho dự báo thì phương pháp chuỗi thời gian được các nhà học
thuật khai thác đầu tiên và phổ biến nhất. Phương pháp này căn cứ vào đặc điểm trong quá khứ để xem xét
xu hướng của các quy luật vận động, với kì vọng các hành vi trong quá khứ sẽ lặp lại và duy trì trong tương
lai. Phương pháp này dựa trên mối quan hệ giữa biến phụ thuộc là cầu lao động với các biến độc lập, từ đó,
xem xét và đánh giá các tác động của các biến độc lập, các biến trễ của các biến độc lập và biến trễ của biến
cầu lao động lên cầu lao động và dự báo cầu lao động. Một số mô hình kinh tế lượng nổi bật thường được
sử dụng như mô hình ARIMA của Box-Jenkins, phân tích hồi quy đa biến, ARDL, mô hình VAR, mô hình
vector hiệu chỉnh sai số (VECM).
Những nghiên cứu đã áp dụng các mô hình chuỗi thời gian để dự báo cầu lao động, và đều được Cco
(2007) đánh giá cao về chất lượng nghiên cứu khi xét điểm tính từ các tiêu chí về dữ liệu nghiên cứu lẫn mô
hình và các biến được lựa chọn gồm có LeSage (1990a và 1990b); Crane & Nourzad (1998); Fauvel & cộng
sự (1999); Sarantis & Swales (1999); Puri & Soydemir (2000); Krolzig & cộng sự (2002); Wong & cộng

Số 282 tháng 12/2020 42

sự (2005); Rapach & Strauss (2005); Wong & cộng sự (2007); Ho (2010); Wong & cộng sự (2011); Bruha
(2011); Ho (2012); Vereen & cộng sự (2016); Rapach & Strauss (2012); Krolzig & cộng sự (2002).
ARIMA là mô hình sử dụng độ trễ của chính biến cần nghiên cứu để xác định mô hình dự báo thích hợp,
mô hình không quan tâm đến các biến số vĩ mô và các biến độc lập khác. Box & cộng sự (2015) xây dựng
ba bước để ước lượng mô hình ARIMA(p,d,q):
• Bước một, kiểm tra tính dừng và xác định p, q bằng các đồ thị tương quan (ACF) và đồ thị tương
quan riêng từng phần (PACF);
• Bước hai, tính toán các tham số của mô hình;
• Bước ba, kiểm tra các giả định của mô hình. Nếu mô hình không phù hợp thì quay lại bước hai để
thử một mô hình khác tốt hơn.
Mô hình ARIMA được ưa thích trong dự báo cầu lao động ngắn hạn ở hầu hết các nghiên cứu đi trước,
mặc dù mô hình khá đơn giản. Điều này có thể thấy ở các nghiên cứu của Puri & Soydemir (2000), Fauvel
& cộng sự (1999), Sarantis & Swales (1999), Wong & cộng sự (2005). Fauvel & cộng sự (1999) cho rằng
mô hình này vẫn hữu ích trong dự báo vì kết quả của ARIMA có thể làm chuẩn để so sánh với kết quả của
các phương pháp khác phức tạp hơn. Đôi khi, ARIMA có thể vượt trội mô hình VAR như ở nghiên cứu của
Edlund và Karlsson (1993) đã khẳng định. Minh chứng thực nghiệm ở nhiều nghiên cứu đi trước, ARIMA
cung cấp kết quả dự báo có độ chính xác gần bằng với các mô hình khác.
Mô hình VECM là một dạng đặc biệt của VAR, với điều kiện ràng buộc là phải có sự đồng kết hợp giữa
các biến. Vì vậy, VECM còn được gọi là mô hình VAR của các chuỗi không dừng, là sự kết hợp giữa VAR
và mô hình hiệu chỉnh sai số (ECM) với nhiều biến cùng đồng kết hợp với nhau. Các bước ước lượng mô
hình như sau: đầu tiên các chuỗi dữ liệu được kiểm định tính dừng thông qua kiểm định ADF; Sau đó, độ
trễ tối ưu được xác định trong mô hình VAR dựa trên một số tiêu chí như AIC, SC, HQ; Tiếp đến là kiểm tra
sự đồng kết hợp giữa các chuỗi có sai phân bậc một thông qua kiểm định của Johansen và kiểm định Trace;
Cuối cùng, thực hiện dự báo mô hình và kiểm định phần dư của mô hình. So sánh giữa các mô hình trong dự
báo cầu lao động, Crane & Nourzad (1998) cho rằng VECM có kết quả chính xác hơn so với mô hình VAR
trong dự báo việc làm của ngành sản xuất tại địa phương. Bên cạnh đó, LeSage (1990a và 1990b) đã chứng
minh rằng mô hình ECM cũng cho kết quả tốt gần bằng với mô hình VAR, vì vậy, sự kết hợp giữa ECM và
VAR là cần thiết. Các nghiên cứu đi trước có xu hướng đề cao tính ưu việt của mô hình VECM đối với các
dự báo trong khoảng thời gian dài hơn, mặc dù vậy, trong ngắn hạn tính ưu việt chưa được thể hiện rõ rệt
(Fauvel & cộng sự, 1999).
Tại Việt Nam, có ít các nghiên cứu về dự báo cầu lao động theo địa phương, đặc biệt là một ngành lớn có
đóng góp cho sự phát triển của địa phương. Hơn nữa, sự so sánh về chất lượng dự báo giữa các phương pháp
khác nhau trong dự báo cầu lao động cũng chưa được quan tâm. Đặc biệt phương pháp VECM và ARIMA
chưa được ứng dụng vào dự báo cầu lao động của một ngành tại một địa phương nào ở Việt Nam. Với những
ưu điểm của hai mô hình cùng với khoảng trống trong nghiên cứu cầu lao động tại Việt Nam ở trên, nhóm
tác giả muốn ứng dụng hai mô hình ARIMA và VECM để so sánh và đánh giá lựa chọn mô hình phù hợp
hơn khi dự báo cầu lao động của một ngành cho địa phương.
3. Phương pháp nghiên cứu
3.1. Dữ liệu nghiên cứu
Nhược điểm gây cản trở lớn trong quá trình nghiên cứu đó là các số liệu tại Việt Nam trong khoảng thời
gian dài về trước đa phần không có trong niên giám thống kê hoặc nếu có thì không đồng bộ với số liệu
trong những năm gần đây. Nguyên nhân đến từ việc thay đổi phương pháp khảo sát, cũng như phương pháp
tính toán các tiêu chí thống kê trong các thời kì nhất định tại Việt Nam. Điều này khiến cho một số nhóm
chỉ tiêu, số liệu không hiển thị hoặc hiển thị khác nhau trong nhiều năm, gây khó khăn cho việc thu thập đầy
đủ thông tin của các biến độc lập.
Bình Dương mới được tái thiết lập tỉnh vào ngày 1 tháng 1 năm 1997, nên dữ liệu quá khứ trước năm
1996 không tồn tại. Nhiều chỉ tiêu trong niên giám thống kê có sự khác biệt trong một vài thời kỳ. Vì vậy,

Số 282 tháng 12/2020 43

 trên cơ sở dữ liệu thứ cấp có sẵn từ niên giám thống kê các năm của Bình Dương, nhóm tác giả sẽ chọn
lọc lại những chỉ tiêu có tính nhất quán từ năm 1996 đến 2017 để xác định các yếu tố có khả năng tác động
đến cầu lao động, từ đó đưa vào mô hình để kiểm chứng và cuối cùng là dự báo. Những biến phù hợp với
những nhược điểm trên trong ngành công nghiệp chế biến thu thập từ niên giám thống kê Bình Dương các
năm gồm có biến Số lao động đang làm việc trong ngành (L), Doanh thu của các doanh nghiệp trong ngành
(DT), Vốn sản xuất của các doanh nghiệp (VSX). Bên cạnh đó, một yếu tố nữa cũng có khả năng đóng góp
vào sự biến động của cầu lao động đó là Lãi suất cho vay (LS), thu thập từ IMF. Các biến số lao động (L),
Z
doanh thu (DT) và vốn sản xuất (VSX) sẽ được biến đổi lại theo công thức: Z với Zi và Zi-1 theo thứ tự là i

i −1

giá trị của các biến ở năm i và năm (i-1). i=1997, ..., 2014. Các giá trị từ năm 2015 -2017 được giữ lại để dự
báo và đánh giá năng lực dự báo của mô hình. Như vậy, các biến mới sử dụng trong mô hình được mã hóa
lại thành L1, DT1 và VSX1.
Một vấn đề khác trong nghiên cứu theo phương pháp chuỗi thời gian đó là dữ liệu thường được thu thập
theo tháng hoặc quý. Tuy nhiên, việc có một bộ dữ liệu đầy đủ theo tháng hoặc quý trong một khoảng thời
gian dài đối với một địa phương là điều không khả thi. Vì vậy, nghiên cứu chỉ thực hiện dự báo trên bộ số
liệu có sẵn và đầy đủ nhất theo 6năm từ niên giám thống kê Bình Dương qua các năm.
6
6 trích xuất từ niên giám thống kê Bình Dương theo
Như vậy, các dữ liệu nghiên cứu trong bài viết được
Như năm củadữngành
vậy, các công
liệu nghiên cứunghiệp
trong bàichếviếtbiến
được và
tríchdữ liệu
xuất lãi suất
từ niên giám cho
thốngvay trung
kê Bình bình
Dương hằng năm tại Việt Nam từ IMF
Như vậy, các
Nhưdữvậy,
liệucác
nghiên cứunghiên
dữ liệu trong bài
cứu viết được
trong bài trích xuất từ
viếthằng
được niên
trích giám
xuất thốnggiám
từNam
niên kê Bình Dương
thống kê Bình Dương
theo năm củatrong
ngànhkhoảng
công nghiệp
thờichế biến
gian và dữ
từnghiệp liệu
1996 chế lãi suất
đếnbiến
2017.cho vay trung bình năm tại Việt
theo năm của ngành công
theotừnăm và dữ liệu lãi suất cho vay trung bình hằng năm tại Việt Nam
từ IMF trong khoảng thời gian 1996củađếnngành
2017.công nghiệp chế biến và dữ liệu lãi suất cho vay trung bình hằng năm tại Việt Nam
3.2. Mô trong
từ IMF hình
từ IMFnghiên
khoảng
trongthời cứu
gian từ
khoảng 1996
thời gianđến
từ 2017.
1996 đến 2017.
3.2. Mô hình nghiên cứu
3.2. Mô
3.2.1. Mô hình
hình nghiên
ARIMA cứu
3.2. Mô hình nghiên cứu
3.2.1. Mô hình ARIMA
3.2.1. Mô hình ARIMA
Theo Box Theo Boxsự3.2.1.
và cộng &(2015) Môbiến
cộng hình ARIMA
sự (2015)
phụ biến
thuộc L1tphụ
đượcthuộc L1ttheo
giải thích đượccácgiải thích
giá trị trongtheo các giá trịCommented
quá khứ trong quá khứNhững
[MNH4]: hoặc chỗ giá trịtài liệu không có
tô đỏ là
Theo Box Theo và cộngBox sựvà(2015)
cộng biến
sự phụ thuộc
(2015) biến L1t thuộc
phụ được giải
L1t thích
được theo
giải các giá
thích theotrị các
trong
giá quá
trị khứ
trongdanh mục tham khảoCommented [MNH4]: Những chỗ tô đỏ là tài
trong quá khứ
trễcủa
hoặc giá trị trễ của bản
bản thân
thân biếnbiến
hoặc giá trịhoặc
phụ
phụ thuộc
trễ của bản thân
thuộc
và vàsốthuộc
các sai
biến phụ
các
nhẫusai số
nhiên.
và các
nhẫu
sai số
nhiên.
nhẫu nhiên.
Commented
trongdanh mục tham khảo [MNH4]: Những
trongdanh mục tham khảo
Hầu hết các chuỗi thời gian giá kinh
trị trễtếcủa bản thân
không biếndừng,
có tính phụ thuộc
tức làvà các sai
chúng sẽ số
dầnnhẫu nhiên.
Hầu hếtHầu các hết chuỗi
các thời gian
chuỗi kinh
thờichuỗi
gian tế không
kinh tế không cócótính
tính dừng,
dừng, tứckết
tức
hợp sau môt
làlàchúng
chúng sẽ sẽ dần kết sau
hợp sau môt khoảng thời
khoảng thời gian dài. Nếu chuỗi thời gian mà ở sai phân bậc d thì chuỗi có tính dừng, lúc nàytức
Hầu hết các thời gian kinh tế không có tính dừng, chuỗilà dần
chúng
sai
kếtsẽhợp
dần kếtmôt hợp sau môt
giankhoảng
dài. Nếuthời chuỗi
khoảng
thời
gian dài.
thời Nếu gian
gian chuỗi
dài.
mà
Nếu
ở chuỗi
thời sai
gianphân
mà
thời
bậc
ở gian d thì
sai phân
mà ở
chuỗi
bậc
sai dphân có
thì chuỗi
bậc
tính
d có dừng,
tính
thì chuỗi
lúctính
dừng,
có
này
lúc nàychuỗi
dừng,chuỗi
lúc
sai
sai phân
này
bậc d là I(0).
chuỗi sai
phân bậc d là I(0). Lúc này chuỗi thời gian ban đầu là ARIMA(p, d, q), tức là nó là một chuỗi thời gian
Lúc phân
này chuỗi làthời
bậc dphân I(0).gian
Lúc
bậcMô
ban Lúc
này đầunày
I(0).chuỗi
d làhình
là ARIMA(p,
thời gian ban đầu d, q), tức là nó
là ARIMA(p, làtức
d, q), một là chuỗi
nó là một thời gian
chuỗi thờitrung
gian bình trượt kết hợp
trung bình trượt kết hợp tự hồi quy. ARIMA cóchuỗi
dạng:thời gian ban đầu là ARIMA(p, d, q), tức là nó là một chuỗi thời gian
tự hồi quy.
trung bìnhMô hình
trượt kết ARIMA
hợp tự hồi có
quy.dạng:
Mô hình ARIMA có
trung bình trượt kết hợp tự hồi quy. Mô hình ARIMA có dạng: dạng:

 d L1t    1 d L1td1   2  d L1t  2 d ...   p  d Ld1t  p  ut  1ut 1 d ...   q ut  q

 L1t     1 L1    L1  ...    L1  u   u 1  ...   q ut  q
d L 1t  t 1 12 d L1t t12  2  d L1pt  2  ...t p  p t d L11t  pt  ut  1ut 1  ...   q ut  q

Với ∆dL1
Với ∆dL1
t là sai phânlàbậc said phân(∆dL1t bậc = ∆d-1dL1 (∆t+1dL1- ∆d-1=L1 ∆td-1
vớiL1d >=2, - ∆∆d-1 1
L1
d-1
L1t =L1với d >=2,
t –L1 t-1) 1 ∆1L1 =L1 –L1 )
Vớit ∆dL1t là sai dphân bậc d (∆dL1 t t = ∆d-1dL1t+1 t+1 - ∆d-1 L1t với t d >=2, ∆ L1t =L1tt –L1t-1t ) t-1
Với ∆ L1 là sai phân bậc d (∆ L1 = ∆ k t+1 - ∆d-1L1t với d >=2, ∆1L1t =L1t –L1t-1)
L1
Gọi B là phép toán dịch chuyển lùi có dạng: BL1t = L1t-1; tổng quát: L1t-k=B L1t; Đặt L1t = ∆L1
t t
k t
Gọi GọiB2Blà là phép
phép toán
toán dịch
dịch chuyển chuyển lùi có lùi
dạng: có dạng:
BL1 t = L1BL1t-1; tổng= L1
quát: ; tổng
L1 t-k =Bquát:
L1 t ; L1
Đặt L1
k =Bt =k
L1
∆L1 ;
t Đặt L1 = ∆L1t
p(B) = (1 - η1B – η2B - …-Gọi ηpBB p là phép toán dịch chuyển lùi có dạng: BL1
) là phép 2 2
toán tự phồi quy; t t = L1t-1 t-1; tổng quát: L1t-k=B t-k L1t; Đặtt L1t = ∆L1tt
p(B) 2= (1(1 - ηη1BB=–p –(1 η2B ηB-B…- ηη2pBB2η)- là Bphép toán tựtoán
hồitoán
quy;
q(B) = (1 - φ1Bp(B)
– φ 2B= - …--p(B)φ p1B ) làη-phép -toán
…- )ηlà pphép tựtựhồi hồiquy;
p
2 1 – trung p…- bình pBtrượt.
) là phép quy;
q(B) = (1 -q(B) φ1B =– (1 φ 2-Bφ2 -B2…- – φφ pB
B
p
2 ) là phép
- …- toán
p trung bình trượt.
p φ pB ) là phép toán trung bình trượt.
q(B)
Nếu chuỗi L1t=có(1tính - φdừng
1
B –với φ sai
B phân
1 - …-bậc2 φ p1Bcủa ) lànóphép là I(0),toán
mô hìnhtrung cóbình
thể được trượt. viết lại như
Nếu chuỗi NếuL1t2có
chuỗi tínhL1 dừng với sai phân bậc 1 của nó là I(0), mô hình có thể được viết lại như
sau: t có tính dừng với sai phân bậc 1 của nó là I(0), mô hình có thể được viết lại như
Nếu sau:chuỗisau: L1t có tính dừng với sai phân bậc 1 của nó là I(0), mô hình có thể được viết lại như sau:
q( B)
DL1t   ut q( B)
p ( B ) DL1t  DL1 ut  q( B) u
p ( Bt ) p( B)
t

Trong đó, DL1t = ∆L1t, L1t là số lao động ở năm t, DL1t là sai phân bậc 1 số lao động tại năm t.
Trong đó, = DL1 t = ∆L1, L1t,t L1 t là số laođộng
động ở năm t, t,
DL1 t là sai là phân bậc 1 bậcsố lao1 động tại động
năm t. tại năm t. B×DL1
B×DL1t = DL1Trong
t-1,
đó, DL1 ∆L1
t Trong đó t , DL1
là
t =số ∆L1 laot, L1 t là sốởlao năm
động ởDL1
năm sai phân số lao
t t, DL1t là sai phân bậc 1 số lao động tại năm t. t
= DL1 B×DL1 , t = DL1
B×DL1 t-1 , = DL1 ,
3.2.2. Mô hình VECM t-1 t t-1
3.2.2. Mô hình 3.2.2. VECM
Mô hình VECM
Mô hình3.2.2.
VECMMô hình
là một dạng VECM đặc biệt của mô hình VAR, nó là sự kết hợp giữa VAR và ECM
Mô hình VECM Mô hình là VECM
một dạng là đặc
một biệt
dạngcủa đặcmô hình
biệt của VAR,
mô hình nó làVAR, sự kết nóhợp
là sự giữa
kếtVARhợp giữavà ECM
VAR và ECM
Mô hìnhMô nghiên
hìnhcứu VECMcầu laolàđộng một ngành
dạng công
đặcđộng nghiệp
biệtngànhcủa chế môbiến ở Bình
hình VAR, Dương nó theo
là sự môkếthình
hợp giữa VAR và ECM
Mô hình nghiênMô hình cứu cầu
nghiên laocứu cầu lao độngcông nghiệp
ngành công chế biến
nghiệp ở Bình
chế biến Dương
ở Bình theo mô hình
Dương theo mô hình
VECM như sau:
Mô VECMhìnhnhư nghiên
sau: như
VECM cứusau:
cầu lao động ngành công nghiệp chế biến ở Bình Dương theo mô hình VECM như
sau: p p p p
L1t    (  L1t 1   0 )   1,i L1t i    2,pi DT 1t i pp3,i VSX 1pt i  p  4,1LSt ip  ut (2) p
L1t 1   0i )1    
p
L1t   
1(   L1  
  0 )   i1,1i L  DT 1  
1t i    2,i i1DT 1  VSX 1   4,11LS t  i  ut (2)
1t    (  L1ti11  t  i    3,i iVSX t  i    4,1LS t  i  ut (2)
 iL  1, i t  i i 1 
2, i t  i i 1 3, i t  i
1
i 1 i 1 i 1 i 1

Trong đó, α là ma trận hệ số điều chỉnh, thể hiện tốc độ mà các biến độc lập hội tụ trở lại giá trị cân bằng;
Trong đó, α là ma trận hệ số điều chỉnh, thể hiện tốc độ mà các biến độc lập hội tụ trở lại giá trị cân
bằng;
β là maTrong
trận đó,
hệ Trong
αsốlàdài
mađó,hạn
trận
α làthể
hệ sốhiện
ma điềuhệ
trận mối
chỉnh, quan
số điều hệtốc
thể chỉnh,
hiện đồng liên
thểđộhiện
mà cáckết
tốc giữa
biến
độ màđộc các
cáclập biến;
hội
biến tụ trở
độc lập lại
hộigiá trị cân
tụ trở lại giá trị cân
bằng; bằng;
β là ma trận hệ số dài hạn thể hiện mối quan hệ đồng liên kết giữa các biến;
β là ma trận hệma số trận
dài hạn thểdài
hiện mối quan hệ đồng 44liên kết giữa các biến;
j,i làSố
mối282
quantháng
hệ ngắn12/2020
hạnβgiữa
là hệ với
các biến số cáchạn
biếnthể
trễhiện
của mối
nó; quan hệ đồng liên kết giữa các biến;
j,i là mối quanlà hệ
mốingắn
quanhạn
hệ giữa
ngắncác
hạnbiến
giữavới
cáccác biến
biến vớitrễcác
của nó;trễ của nó;
biến
j,i
 không có tính dừng (Hình 1). Thêm vào đó, ở biểu đồ tương quan, biểu đồ PACF ở tất cả các độ trễ có
hình sin và nhiều độ trễ nằm ngoài khoảng tin cậy, hoặc có thể thấy kiểm định toàn bộ giá trị ρk của
hình sin và nhiều độ trễ nằm ngoài khoảng tin cậy, hoặc có thể thấy kiểm định toàn bộ giá trị ρk của
ACF tại 12 độ trễ đều khác 0 có ý nghĩa nên chuỗi không có tính dừng (Hình 2). Cuối cùng, là kiểm
ACF tại 12 độ trễ đều khác 0 có ý nghĩa nên chuỗi không có tính dừng (Hình 2). Cuối cùng, là kiểm
định nghiệm đơn vị (ADF), các chuỗi của ngành không dừng do giá trị thống kê t lớn hơn giá trị tới hạn
định nghiệm đơn vị (ADF), các chuỗi của ngành không dừng do giá trị thống kê t lớn hơn giá trị tới hạn
(Bảng 1).
(Bảng 1).
Hình 1: Đồ thị tương quan chuỗi L1
Hình 1: Đồ thị tương quan chuỗi L1
6

không có tính dừng (Hình 1). Thêm vào đó, ở biểu đồ tương quan, biểu đồ PACF ở tất cả các độ trễ có
hình sin và nhiều độ trễ nằm ngoài khoảng tin cậy, hoặc có thể thấy kiểm định toàn bộ giá trị ρk của
ACF tại 12 độ trễ đều khác 0 có ý nghĩa nên chuỗi không có tính dừng (Hình 2). Cuối cùng, là kiểm
định nghiệm đơn vị (ADF), các chuỗi của ngành không dừng do giá trị thống kê t lớn hơn giá trị tới hạn
(Bảng 1).
Hình 1: Đồ thị tương quan chuỗi L1
Nguồn: nghiên cứu của nhóm tác giả
Nguồn: nghiên cứu của nhóm tác giả

Hình 2: Biểu đồ tương quan chuỗi L1

Hình 2: Biểu đồ tương quan chuỗi L1

Nguồn: nghiên cứu của nhóm tác giả

Hình 2: Biểu đồ tương quan chuỗi L1

Nguồn: nghiên cứu của nhóm tác giả
Nguồn: nghiên cứu của nhóm tác giả

η j,i là mối
Sauquan hệ ngắn
khi chuỗi hạn giữa
L1 được cácphân
lấy sai biếnmột
vớilần
cácthìbiến
đượctrễchuỗi
của dừng
nó; với giá trị p (0,0039<0,05), đồ
Sau khi chuỗi L1 được lấy sai phân một lần thì được chuỗi dừng với giá trị p (0,0039<0,05), đồ
pthịlàvàsốbiểu
trễ, đồ tương
được lựaquan
chọncũng
sao cho
không thấycóchuỗi
sự tựL1tương dừngquan
ở sai giữa
phân các
bậc một.
sai số ước lượng. Số trễ, p, được xác
thị và biểu đồ tương quan cũng cho thấy chuỗi L1 dừng ở sai phân bậc một.
định bằng phép thử, bắt đầu từ giá trị cao nhất có thể và độ trễ này sẽ được kiểm định ý nghĩa thống kê bằng
tỷ số t. AIC và SBC là các Hình
tiêu3:chíBiểu
để lựa đồ tương
chọn pquan tối ưuchuỗi L1 sai
cho mô phân
hình ADF, bậcp 1được lựa chọn sao cho AIC và
Hình 3: Biểu đồ tương quan chuỗi L1 sai phân bậc 1
SBC nhỏ nhất; Autocorrelation Partial Correlation AC PAC Q-Sta... Prob
ut là nhiễu trắng. Autocorrelation Partial Correlation
AC PAC Q-Sta... Prob
1 -0.15... -0.15... 0.4702 0.493
21-0.22...
-0.15...-0.25...
-0.15... 1.5303
0.4702 0.465
0.493
Như vậy, các biến mới được mã hóa lại như sau: lao động (L1), doanh thu (DT1) và vốn sản xuất (VSX1).
Nguồn: nghiên cứu của
32 -0.22...
0.098 -0.25...
nhóm
0.019 1.7537
tác 1.5303 0.625
giả 0.465
43 0.136
0.098 0.112
0.019 2.2148
1.7537 0.696
0.625
Để ứng dụng mô hình VECM các nhà dự báo luôn kỳ vọng các biến có mối quan hệ với nhau trong dài
54-0.12...
0.136-0.05...
65-0.26...
0.112 2.6355
2.2148 0.756
0.696
-0.12...-0.27...
-0.05... 4.6335
2.6355 0.592
0.756
hạn bởi tính đồng kết hợp thể hiện mối quan hệ dài hạn và ổn định giữa các biến
7 -0.26...
0.051 -0.11...
Sau khi chuỗi L1 được lấy sai phân một lần thì867-0.02...
được chuỗi với
giá trị nhau. Phương đồ
-0.27... 4.7189
4.6335 0.694
dừng với
p (0,0039<0,05),
0.592 pháp hợp
0.051-0.16...
-0.11... 4.7397
4.7189 0.785
0.694
lý cực đại của Johansen với kiểm định trace được sử dụng để kiểm định tính đồng kết hợp. Các kiểm định
thị và biểu đồ tương quan cũng cho thấy chuỗi L1 dừng
98-0.13... -0.16... 5.4974 0.789
-0.02... -0.16... 4.7397 0.785
ở sai phân5.4974bậc0.854
một.
1...9 -0.13...
0.021 -0.04...
-0.16... 5.5184 0.789
1...
1... 0.043
0.021-0.07...
-0.04... 5.6197
5.5184 0.897
0.854
1...
1... 0.044
0.043-0.03...
-0.07... 5.7428
5.6197 0.928
0.897
Hình 3: Biểu đồ tương quan chuỗi L1 sai phân bậc 1
1... 0.044 -0.03... 5.7428 0.928
Nguồn: nghiên cứu của nhóm tác giả
Nguồn: nghiên
Autocorrelation cứu của AC
Partial Correlation nhóm
PACtác giả Prob
Q-Sta...

1 -0.15... -0.15... 0.4702 0.493

2 -0.22... -0.25... 1.5303 0.465
3 0.098 0.019 1.7537 0.625
4 0.136 0.112 2.2148 0.696
5 -0.12... -0.05... 2.6355 0.756
6 -0.26... -0.27... 4.6335 0.592
7 0.051 -0.11... 4.7189 0.694
8 -0.02... -0.16... 4.7397 0.785
9 -0.13... -0.16... 5.4974 0.789
1... 0.021 -0.04... 5.5184 0.854
1... 0.043 -0.07... 5.6197 0.897
1... 0.044 -0.03... 5.7428 0.928

Nguồn: nghiên cứu của nhóm tác giả

Số 282 tháng 12/2020 45

 7

7 định ADF
Bảng 1: Kiểm
Biến Giá trị thống Giá trị tới hạn Biến Giá trị thống kê t Giá trị tới hạn
7
kê t Bảng 1: Kiểm định ADF
L1
Biến -1,509007
Giá trị thống Giá -2,666593
trị tới hạn ∆L1 Biến -4,411069***
Giá trị thống kê t -3,92035
Giá trị tới hạn
Bảng 1: Kiểm định ADF
***: mức ý nghĩa kê1%t
Biến Giá trị thống Giá trị tới hạn Biến Giá trị thống kê t Giá trị tới hạn
L1Nguồn: nghiên cứu của nhóm tác-2,666593
-1,509007 giả ∆L1 -4,411069*** -3,92035
kê t
***: TừmứcHình
ý nghĩa3, các
1%giá trị ACF và PACF cùng giảm đột ngột tại độ trễ thứ 2, thứ 6 của chuỗi L1.
L1 -1,509007 -2,666593 ∆L1 -4,411069*** -3,92035
Do Nguồn:
vậy, ta có AR(2,6)
nghiên cứu và củaMA(2,6)
nhóm tác đốigiả với chuỗi L1. Xét các mô hình cho chuỗi L1 ở Bảng 2.
***: mức ý nghĩa 1%
Từ Hình 3, các giá trị ACF và PACF cùng giảm đột ngột tại độ trễ thứ 2, thứ 6 của chuỗi L1.
Nguồn: nghiên cứu của nhóm tác giả
Do vậy, ta có AR(2,6) và MA(2,6) Bảng đối2:vớiCácchuỗi mô hình
L1. Xét ARIMA các môdựhình kiến cho chuỗi L1 ở Bảng 2.
Từ Hình 3, các giá trị ACF và PACF cùng giảm đột ngột tại độ trễ thứ 2, thứ 6 của chuỗi L1.
Chuỗi thời gian ARIMA1 ARIMA2 ARIMA3 ARIMA4 ARIMA5 ARIMA6
Do vậy, ta có AR(2,6) và MA(2,6) đối với chuỗi L1. Xét các mô hình cho chuỗi L1 ở Bảng 2.
Mô hình AR(2),Bảng 2: AR(2), Các mô hình AR(6), ARIMA dự kiến AR(2), AR(2), AR(6),
Chuỗi thời gian MA(2)
ARIMA1 MA(6)
ARIMA2 MA(2)
ARIMA3 AR(6),
ARIMA4 AR(6),
ARIMA5 MA(2),
ARIMA6
Bảng 2: Các mô hình ARIMA dự kiến
Mô hình AR(2), AR(2), AR(6), MA(2)
AR(2), MA(6)
AR(2), MA(6)
AR(6),
Chuỗi thời gian ARIMA1 ARIMA2 ARIMA3 ARIMA4 ARIMA5 ARIMA6
Nguồn: nghiên cứu của nhóm tác giả.
MA(2) MA(6) MA(2) AR(6), AR(6), MA(2),
Mô hình AR(2), AR(2), AR(6), AR(2), AR(2), AR(6),
MA(2) MA(6) MA(6)
phần dư từ mô hình VECM MA(2)bao gồm: Tính MA(6) dừng phần MA(2) dư, hiện tượng AR(6), tự tươngAR(6),
quan, phươngMA(2), sai thay đổi
Thực hiện
Nguồn: các mô
nghiên cứuhìnhcủa theo
nhómthứ táctựgiả.
để xem xét lựa chọn mô hình phù hợp nhất. Kết quả của các mô
giữa các biến, MA(2) MA(6)
có vi phạmMA(6)
hình được thểvàhiện
phân phối 3.
ở Bảng chuẩn của phần dư được kiểm tra để xem xét mô hình các giả thiết
Nguồn: nghiên cứu của nhóm tác giả.
về phầnThực dưhiện
hay các
không.mô hình theo thứ tự để xem xét lựa chọn mô hình phù hợp nhất. Kết quả của các mô
hình được
4. Thực
Kết quả thể hiện ở Bảng 3. Bảng 3: Các tiêu chí lựa chọn mô hình
hiệnvà cácthảo luậntheo
mô hình thứ tự để xem xét lựa chọn mô hình phù hợp nhất. Kết quả của các mô
Tiêu chí ARIMA1 ARIMA2 ARIMA3 ARIMA4 ARIMA5 ARIMA6
hình
4.1.Rđược
Mô
2
thể hiện
hình ARIMAở Bảng 3.
điều 0,076043 Bảng 0,172738
3: Các tiêu chí 0,17823
lựa chọn mô0,187844 hình 0,177985 0,304381
chỉnhchí ARIMA1
Tiêu ARIMA2 ARIMA3 ARIMA4 ARIMA5 ARIMA6
Bảng 3: Các tiêu chí lựa chọn mô hình
AIC điều
R 2
-2,071509
0,076043 -2,133623
0,172738 -2,14022
0,17823 -2,026430
0,187844 -2,016134 0,177985 -2,041676
0,304381
Tiêu chí ARIMA1 ARIMA2 ARIMA3 ARIMA4 ARIMA5 ARIMA6
SIC
chỉnh -1,875459 -1,937573 -1,94417 -1,781367 -1,771071 -1,796613
R2 điều 0,076043 0,172738 0,17823 0,187844 0,177985 0,304381
Nguồn:
AIC nghiên-2,071509 cứu của nhóm-2,133623 tác giả. -2,14022 -2,026430 -2,016134 -2,041676
chỉnh
SIC -1,875459 -1,937573 -1,94417 -1,781367 -1,771071 -1,796613
AIC -2,071509 -2,133623 -2,14022 -2,026430 2 -2,016134 -2,041676
Nguồn: Từ nghiên
các tiêucứu chícủa
trên,
nhómmô hình có giá trị AIC và SIC nhỏ nhất, R điều chỉnh cao nhất sẽ được
tác giả.
SIC -1,875459 -1,937573 -1,94417 -1,781367 -1,771071 -1,796613
lựa chọn. Chuỗi công nghiệp chế biến có mô hình ARMA3 phù hợp nhất.
Nguồn: nghiên cứu của nhóm tác giả. 8hình
8và đó
Để lựa
Từ các chọn
tiêu chímôtrên,
hìnhmô phùhìnhhợp có nhất giáthìtrịmôAIC SICphải nhỏđáp nhất, ứngRcác
2
điềukiểm định
chỉnh vềnhất
cao nhiễu sẽtrắng.
được
Kiểm
lựa địnhChuỗi
chọn. nghiệm côngđơnnghiệp
vị chochế phần dư có
biến bằng môbiểu hìnhđồ tương quan
ARMA3 phù hợp thống kê Q và ADF đều cho thấy phần
nhất.
Từ các tiêu chí trên, mô hình có giá trị AIC và SIC nhỏ nhất, R2 điều chỉnh cao nhất sẽ được
dư của cả hai chuỗi đều có Hình
tínhHình
dừng 4:4:Biểu
và Biểu
các đồ đồtương
giá tương
Để lựa chọn mô hình phù hợp nhất thì mô hình đó phải đáp ứngphần
trị ACFquan
quan và củacủa
PACF phần
phầncủa dư
dưcác dư kiểmđềuđịnh
nằmvềtrong
nhiễukhoảng
trắng.
lựa chọn. Chuỗi công nghiệp chế biến
Q-statistic
Q-statistic có mô
probabilities
probabilities hình
adjusted
adjusted ARMA3
forfor
22ARMA
ARMA terms phù hợp nhất.
terms
tin
Kiểm định nghiệm đơn vị cho phần dư bằng biểu đồ tương quan thống kê Q và ADF đều cho thấychuỗi
cậy 95% ở tất cả các độ trễ, nên phần dư của mô hình là nhiễu trắng. Mô hình ARIMA3 của phần
Để lựa chọn mô hình phù hợp nhất
Autocorrelation
Autocorrelation thìCorrelation
Partial
Partial mô hình đóACAC
Correlation phảiPAC đápQ-Sta...
PAC ứng các
Q-Sta...Prob kiểm định về nhiễu trắng.
Prob
công
dư củanghiệp
cả haichế
chuỗi biếnđềuđápcóứng
tínhđiều
dừngkiện và các các nhiễu
giá trị không
ACF vàtựPACF tương quan
của phầnnên dưlà đều
mô hình phù hợp
nằm trong nhất
khoảng
Kiểm định nghiệm đơn vị cho phần dư bằng biểu đồ tương quan
1 -0.25... thống
-0.25...
1 -0.25... -0.25... kê Q và ADF đều cho thấy phần
1.2837
1.2837
(Hình
tin cậy4,95%Bảng 4). cả các độ trễ, nên phần dư của mô hình
ở tất là nhiễu
2 -0.09... -0.17...trắng.
-0.17...
2 -0.09... 1.4788 Mô hình ARIMA3 của chuỗi
1.4788
dư của cả hai chuỗi đều có tính dừng và các giá trị ACF3 3và PACF
0.017
0.017 -0.05...của
-0.05... phần
1.4854
1.4854 0.223dư đều nằm trong khoảng
0.223
công nghiệp chế biến đáp ứngHình điều4: Biểu
kiện cácđồnhiễu
tương quan
không tựcủa
4 40.097
0.097tương phần
0.077
0.077 quandư0.423
1.7215
1.7215 nên
0.423là mô hình phù hợp nhất
tin cậy 95% ở tất cả các độ trễ, nên phần dư của mô hình là nhiễu
5 -0.20... -0.17...trắng.
-0.17...
5 -0.20... 2.8323Mô
2.8323 0.418 hình ARIMA3 của chuỗi
0.418
(Hình 4, Bảng 4). 6 60.111
0.1110.035
0.0353.1937
3.19370.526
0.526
công nghiệp chế biến đáp ứng điều kiện các nhiễu không tự tương
7 -0.04... -0.05...
7 -0.04... quan
3.2475nên
-0.05...3.2475 0.662 là mô hình phù hợp nhất
0.662
Hình 4: Biểu đồ tương quan 8 -0.09...của phần
-0.12...
8 -0.09... -0.12... dư0.738
3.5419
3.5419 0.738
(Hình 4, Bảng 4). 9 -0.10...
9 -0.16...
-0.10... -0.16... 3.9669
3.9669 0.784
0.784
1...
1...0.045
0.045-0.11...
-0.11...4.0586
4.05860.852
0.852
Hình 4: Biểu đồ tương quan 1...
1...0.005của
0.005 phần
-0.03...
-0.03... dư 0.907
4.0602
4.0602 0.907
1... -0.02...
1... -0.06...
-0.02... -0.06...4.0910
4.09100.943
0.943

Nguồn:
Nguồn:nghiên
nghiêncứu
cứucủa
củanhóm
nhómtác
tácgiả.
giả.

Bảng
Bảng4:4:Kiểm
Kiểmđịnh
địnhADF ADFphần
phầndư dưcủa
củachuỗi
chuỗi
Biến
Biến Giá
Giátrịtrịthống
thốngkêkêt t Giá
Giátrịtrịtới
tớihạn
hạn
DL1
DL1 -4,925090***
-4,925090*** -3,920350
-3,920350
Nguồn:
Nguồn:Nghiên
Nghiêncứu
cứucủa
củanhóm
nhómtác
tácgiả.
giả.

Như
Nhưvậy,
vậy,trong
trongsốsốcác
cácmô
môhình
hìnhARIMA
ARIMAởởBảng
Số 282 tháng 12/2020 46 33thì
Bảng thìmô
môhình
hìnhARIMA3
ARIMA3làlàmô
môhình
hìnhphù
phùhợp
hợp
nhất.
nhất.Kết
Kếtquả
quảhồi
hồiquy
quycủa
củacác
cácmô
môhình
hìnhđược
đượcthể
thểhiện
hiệnởởBảng
Bảng5.5.

Bảng
Bảng5:5:Kết
Kếtquả
quảmô
môhình
hìnhARIMA3
ARIMA3
 Nguồn: Nghiên cứu của nhóm tác giả.

Như vậy, trong số các mô hình ARIMA ở Bảng 3 thì mô hình ARIMA3 là mô hình phù hợp
nhất. Kết quả hồi quy của các mô hình được thể hiện ở Bảng 5.

Bảng 5: Kết quả mô hình ARIMA3

Biến Hệ số Sai số chuẩn Thống kê t Giá trị p

C -0,009003 0,016520 -0,544983 0,5950

AR(6) -0,380556 0,508301 -0,748684 0,4674
MA(2) -0,147264 0,341244 -0,431549 0,6731
SIGMASQ 0,004059 9 99
0,001737 2,337183 0,0361
Nguồn: nghiên cứu của nhóm tác giả.

Mặc dù ARIMA3 được Hình

Hình là5:5:Biểu
Biểu đồ tương
đồnhất,
tương quan
quanchuỗi
hìnhDT1
chuỗi DT1
Hìnhxem 5: Biểu phù
đồ hợp
tương nhưng
quan mô
chuỗi DT1 chỉ hoàn hảo khi các hệ số có ý
nghĩa thống kê trong việcSample:
giải thích
Sample:sự1997
Sample:
1997
thay
2014 đổi của số lao động của các doanh nghiệp tại Bình Dương.
20141997 2014
Included observations: 18
Included observations: 18
Bảng 5 cho thấy tất cả cácIncluded
hệ sốobservations:
đều không 18
Autocorrelation cóPartial
ý nghĩa thống kêACtrong
Correlation PACviệc giảiProb
Q-Sta... thích mức độ ảnh hưởng
Autocorrelation
Autocorrelation Partial Correlation
Partial Correlation AC PACAC Q-Sta...
PAC Prob
Q-Sta... Prob
của các biến AR và MA lên sự thay đổi cầu lao động.1 Tuy 1 nhiên,
0.546 do
0.546 0.546
0.5462 10.546
0.308 6.3106
0.546mục
6.3106 tiêu
0.012của bài nghiên cứu là
6.3106 0.012
0.012
0.014 8.4418 0.015
2 0.3083 20.014 0.3088.4418
0.014 0.015
8.4418 0.015
minh họa việc dự báo, nên mô hình vẫn được chấp nhận với4-0.05...
3 0.136 kết
3
0.016quả dự
0.136 -0.05...
0.136 -0.05...
8.8833
-0.05...
4 0.0168.8896
báo.
8.8833 0.031
8.8833
8.8896
-0.05... 0.064
0.031
0.031 0.064
8.8896 0.064
4 0.0165 -0.05...
0.008 0.047 8.8913 0.113
4.2. Mô hình VECM 50.047
0.0088.8913
5 0.0086 -0.02... 0.047 0.113
6 -0.02...8.9104
6 -0.02...7 -0.03...
8.8913 0.113
-0.03... 8.9104
-0.03... 0.179
-0.24... -0.31...
0.179
8.9104 0.179
10.799 0.148
7 -0.24...10.799
-0.31... 0.148
10.799 0.148
Để áp dụng mô hình VECM, trước tiên, tính dừng của
8 -0.27... các 13.593
7 -0.24...8 -0.31...
9 -0.04...
-0.18...
90.118
chuỗi
-0.27... -0.04...
8 -0.27... phải0.094
-0.04... 0.093
0.118
-0.18...14.890
13.593
14.890
0.118 0.094
được
0.093 đánh giá qua đồ thị
13.593 0.093
14.890 0.094
9 -0.18...
1... -0.23... -0.20... 17.369 0.067
và biểu đồ tương quan ở Hình 5, Hình 6, Hình 7 với các chuỗi 1... DT1,
1...
1... -0.23...
1... -0.16...
-0.23...
1... -0.20...
1... -0.02...
VSX1,
-0.20...
17.369
-0.16... -0.02...
-0.16...18.743
-0.02...
-0.14... -0.00...
LS.0.066
17.369
0.067
18.743
18.743
0.066
19.918
Đồ thị và biểu đồ tương
0.067
0.066
0.069
1... -0.14... -0.00...
1... -0.14... -0.00... 19.918 0.069 19.918 0.069
quan ở tất cả ba chuỗi đều cho thấy các chuỗi không có tính dừng, với các giá trị ACF và PACF ở một
Nguồn:
Nguồn: nghiên
nghiên cứucứu của
của nhóm
nhóm tác giả.
Nguồn:
số độ trễ khác không có ý nghĩa thống nghiên cứu của
kê. Tương tự, nhóm
kết quảtác giả.tác
kiểm định giả.ADF ở Bảng 6 càng khẳng định
chắc chắn hơn các chuỗi có nghiệm đơn vị, vì vậy, chuỗi không dừng.
Hình
Hình 6:6:Biểu
Biểu đồ
đồtương
tương quan
quanchuỗi chuỗiVSX1 VSX1
HìnhHình 6: Biểu đồ
5: Biểu tương
đồ quanquan
tương chuỗi VSX1
chuỗi DT1
Sample: 1997 2014
Sample:
Sample: Included
1997 2014 1997 2014
observations: 18
Included observations:
Included observations: 18 18
Autocorrelation Partial Correlation AC PAC Q-Sta... Prob
Autocorrelation
Autocorrelation Partial CorrelationCorrelation
Partial AC PACACQ-Sta... PAC ProbQ-Sta... Prob
1 0.473 0.473 4.7438 0.029
1 0.473 2 0.4731 0.473 0.473 4.7438 0.029
-0.00... 4.7438
-0.29... 0.029
4.7441 0.093
2 -0.00...
2 -0.00... 3-0.29... -0.29... 4.7441 0.093
0.102 4.7441
0.344 0.093
4.9958 0.172
3 0.102 4 0.3443 0.102 0.344 4.9958 0.172
0.094 4.9958
-0.23... 0.172
5.2218 0.265
4 0.094 -0.23...0.265
4 0.094 5-0.23... 5.2218 0.265
-0.19... 5.2218
-0.15... 6.2282 0.285
5 -0.19...
5 -0.19... 6-0.15... -0.15... 6.2282 0.285
-0.42... 6.2282
-0.34... 0.285
11.654 0.070
6 -0.42... -0.34...0.070
6 -0.42... 7-0.34... 11.654 0.070
-0.39... 11.654
-0.11... 16.628 0.020
7 -0.39... -0.11...0.020
7 -0.39... 8-0.11... 16.628 0.020
-0.12... 16.628
0.124 17.195 0.028
8 -0.12... 0.1240.028
8 -0.12... 9 0.124 17.195 0.028
-0.10... 17.195
-0.16... 17.598 0.040
9 -0.10... 9 -0.10... -0.16... 17.598 0.040
1...-0.16...
-0.23... 17.598
-0.05... 0.040
19.999 0.029
1... -0.23... 1... -0.23... -0.05... 19.999 0.029
1...-0.05...
-0.03... 19.999
0.043 0.029
20.075 0.044
1... -0.03... 1... -0.03... 0.043 20.075 0.044
1... 0.043
0.205 20.075
-0.04... 0.044
22.607 0.031
1... 0.205
1... 0.205 -0.04... -0.04...0.031
22.607 22.607 0.031

Nguồn: nghiên cứu của

củanhóm tác giả.
Nguồn:Nguồn:
nghiênnghiên cứu
cứu của nhóm nhóm
tác giả.tác giả.

Hình
Hình 7: Biểu đồ
đồtương quan
quanchuỗi
chuỗiLS
Hình 7: Biểu7:đồ
Biểu
tương tương
quan chuỗi LS LS
Sample: 1997 2014
Sample:
Sample: Included
1997 2014 1997 2014
observations: 18
Included observations:
Included observations: 18 18
Autocorrelation Partial Correlation AC PAC Q-Sta... Prob
Autocorrelation
Autocorrelation Partial CorrelationCorrelation
Partial AC PACACQ-Sta... PAC ProbQ-Sta... Prob
1 0.363 0.363 2.7924 0.095
1
1 0.3632 -0.00... 0.363
0.363 -0.15...0.363
2.7924 0.095 2.7924 0.095
2.7925 0.248
2 -0.00... -0.15...0.248
2 -0.00...3-0.15... 2.7925 0.248
-0.02... 2.7925
0.037 2.8090 0.422
3 -0.02...
3 -0.02...4 -0.14...
0.037 2.80900.0370.422
2.8090 0.422
-0.16... 3.3095 0.507
4 -0.14...
4 -0.14...5-0.16... -0.16...
3.3095 0.507 3.3095 0.507
-0.22... -0.12... 4.6467 0.460
5 -0.22...
5 -0.22...6-0.12... -0.12...0.460
4.6467 4.6467 0.460
-0.35... -0.30... 8.4524 0.207
6 -0.35...
6 -0.35...7-0.30... -0.30...0.207
8.4524 8.4524 0.207
-0.24... -0.04... 10.331 0.171
7 -0.24...
7 -0.24...8-0.04... -0.04...
10.331 0.171 10.331 0.171
-0.20... -0.25... 11.880 0.157
8 -0.20...
8 -0.20...9-0.25... -0.25...0.157
11.880 11.880 0.157
-0.13... -0.07... 12.559 0.184
9 -0.13... 9 -0.13... -0.07... 12.559 0.184
1...-0.07... 12.559 0.184
-0.01... -0.15... 12.568 0.249
1... -0.01... 1... -0.01... -0.15... 12.568 0.249
1...-0.15... 12.568 0.249
0.079 -0.04... 12.888 0.301
1... 0.079 1... 0.079 -0.04...0.301
12.888 0.301
1...-0.04... 12.888
0.133 -0.14... 13.947 0.304
1... 0.133 -0.14...
1... 0.133 -0.14... 13.947 0.304 13.947 0.304

Nguồn: nghiên cứu của

củanhóm tác giả.
Nguồn:Nguồn:
nghiênnghiên cứu
cứu của nhóm nhóm
tác giả.tác giả.
Đồ thị chuỗi L1 của ngành có xu hướng tăng qua các năm nên chắc chắn dữ liệu không thể dao động
Tiếp Tiếp tục xem xét sai phân bậc 1, lúc này, tất cả các chuỗi đều dừng. Có thể thấy rõ điều này qua
tụcxét
xem xét saibậc
phân bậc 1, lúc
quanh Tiếp tục
giá trị xem
trung bìnhsaicủa
phânchuỗi, 1,vilúc này,
phạm tấtnày,
một cả tất cả
các
trong bacác
chuỗi chuỗi
đều
điều đều
dừng.
kiện dừng.
Có
dừng củaCó
thể thểrõthấy
thấy
chuỗi nênrõcác
điều điều
này này không
qua
chuỗi qua có
biểu
biểu đồđồtương
tươngquan
quanvàvàkiểm định
địnhADF.
kiểmADF. ADF. Tất cảcảcác
cácchuỗi sau khi lấy sai
saiphân bậc một đều cócócác giá trịtrị
biểu
tínhđồ tương
dừng quan
(Hình và
1). kiểm
Thêm định
vào đó, ởTất cả Tất
biểu các
đồ chuỗi
tương
chuỗi
sau
quan,khisau
lấykhi
biểu sai
đồ
lấy
phân
PACF
phân
bậc ởmộtbậc
tất
một
đều
cả cóđều
các các
độ giácác
trễ trị giá
có hình sin và
ACF
ACF vàvàPACF
PACF nằm
nằmtrong
trongkhoảng
khoảng tin cậy
cậy95%
95%(Hình 8, Hình 9,9,Hình 10) vàvàgiá trịtrịthống kê t tbébéhơn
ACF và PACF nằm trong khoảng tin cậytin
95% (Hình (Hình
8, Hình8,9,HìnhHình 10)Hìnhvà 10)
giá trị giá
thống thống
kê t békêhơn hơn
nhiềugiáđộ trễ
trịtrị
tới nằm
hạn ngoài khoảng tin cậy, hoặc có thể thấy kiểm định toàn bộ giá trị ρk của ACF tại 12 độ trễ đều
giá trị giá
tới hạn tới hạn(Bảng
(Bảng (Bảng
6).
6).
6).
Hình
Hình 8: Biểu đồ
đồtương quan sau khi lấy saisaiphân bậc
bậc11Chuỗi DT1
Số 282 tháng 12/2020 Hình 8: Biểu8:đồBiểu
tương tương quan
quan sau khisau khi
lấy47sailấy
phân phân
bậc 1 Chuỗi Chuỗi
DT1 DT1
 10

Hình 8: Biểu đồ tương quan sau khi lấy sai phân bậc 1 Chuỗi DT1
Sample: 1997
Sample: 1997 2014
2014
Included observations:
Included observations: 17
17

Autocorrelation
Autocorrelation Partial Correlation
Partial Correlation AC
AC PAC Q-Sta...
PAC Q-Sta... Prob
Prob

1
1 -0.13...
-0.13... -0.13...
-0.13... 0.3824
0.3824 0.536
0.536
2
2 -0.22...
-0.22... -0.24...
-0.24... 1.4592
1.4592 0.482
0.482
3 -0.05... -0.13...
3 -0.05... -0.13... 1.5291
1.5291 0.676
0.676
4 -0.12... -0.24...
4 -0.12... -0.24... 1.9253
1.9253 0.749
0.749
5
5 -0.01...
-0.01... -0.16...
-0.16... 1.9322
1.9322 0.858
0.858
6
6 0.160
0.160 0.013
0.013 2.6878
2.6878 0.847
0.847
7 -0.22... -0.32...
7 -0.22... -0.32... 4.3113
4.3113 0.743
0.743
8 -0.13... -0.34...
8 -0.13... -0.34... 4.9836
4.9836 0.759
0.759
10 9
9 0.321
1...
0.321 0.043
1... 0.007
0.043
0.007 -0.11...
-0.11...
9.1316
9.1316
9.1340
9.1340
0.425
0.425
0.519
0.519
1... 0.033 -0.02...
1... 0.033 -0.02... 9.1937
9.1937 0.604
0.604
1...
1... -0.08...
-0.08... -0.19...
-0.19... 9.6766
9.6766 0.644
0.644

Nguồn: nghiên cứu của nhóm tác giả.

Hình 8: Biểu đồ tương quan sau khi lấy sai phân bậc 1 Chuỗi DT1
Hình 9: Biểu đồSample:
tương 1997quan
2014 sau khi lấy sai phân bậc 1 Chuỗi VSX1
Included observations: 17

Sample:
Sample: 1997
1997 2014
Autocorrelation
2014 Partial Correlation AC PAC Q-Sta... Prob
Included observations:
Included observations: 17
17
1 -0.13... -0.13... 0.3824 0.536
Autocorrelation
Autocorrelation Partial Correlation
Partial Correlation AC -0.24...
2 -0.22...
AC PAC
PAC Q-Sta...
1.4592
Q-Sta... Prob
0.482
Prob
3 -0.05... -0.13... 1.5291 0.676
1 -0.12...
4
1 0.007 -0.24...
0.007 0.007
0.007 0.0011
1.9253
0.0011 0.973
0.749
0.973
2 -0.01...
5
2 -0.58... -0.16...
-0.58... -0.58...
-0.58... 7.3598
1.9322
7.3598 0.025
0.858
0.025
3 0.160
6
3 0.164 0.013
0.164 0.267
0.267 7.9818
2.6878
7.9818 0.046
0.847
0.046
4 -0.22...
7
4 0.377 -0.32...
0.377 0.007
0.007 11.522
4.3113
11.522 0.021
0.743
0.021
5 -0.13...
8
5 -0.01... -0.34...
-0.01... 0.277
0.277 11.532
4.9836
11.532 0.042
0.759
0.042
6 -0.21...
9
6 -0.21... -0.10...
0.321 -0.10...
0.043 12.927
9.1316
12.927 0.044
0.425
0.044
7 -0.14...
1...7 -0.14... -0.18...
0.007 -0.11...
-0.18... 13.610
9.1340
13.610 0.059
0.519
0.059
8 0.033
1...8 0.065 -0.02...
0.065 -0.17...
-0.17... 13.760
9.1937
13.760 0.088
0.604
0.088
9 -0.08...
1...9 0.103 -0.08...
-0.19...
0.103 -0.08... 14.188
9.6766
14.188 0.116
0.644
0.116
1... -0.17...
1... -0.17... -0.16...
-0.16... 15.636
15.636 0.111
0.111
1... -0.10...
1... -0.10... 0.141
0.141 16.183
16.183 0.134
0.134
Nguồn: nghiên cứu của nhóm tác giả. 1... 0.041 -0.18...
1... 0.041 -0.18... 16.290
16.290 0.178
0.178

Nguồn: nghiên cứu của nhóm tác giả.

Hình 9: Biểu đồ tương quan sau khi lấy sai phân bậc 1 Chuỗi VSX1
khác 0 có ý nghĩa nên chuỗi không
Hình có tính
10: Biểu đồ dừng
tương
Sample:
(Hình
quan sau
1997 2014
2). Cuối cùng,
khi lấy là kiểm
sai phân bậcđịnh nghiệm
1 Chuỗi LS đơn vị (ADF),
các chuỗi của ngành không dừng do giá trị thống kê t lớn hơn giá trị tới hạn (Bảng 1).
Included observations: 17

Sample:
Sample: 1997
1997 2014
Autocorrelation
2014 Partial Correlation AC PAC Q-Sta... Prob
Sau khi chuỗi L1 được lấy sai phân mộtIncluded
lần thì
Included được 17
observations:
observations: chuỗi dừng với giá trị p (0,0039<0,05), đồ thị và biểu
17
1 0.007 0.007 0.0011 0.973
đồ tương quan cũng cho thấy chuỗi L1 dừng ở sai phân
Autocorrelation
Autocorrelation bậc
Partial
Partial một. 2 -0.58...
Correlation
Correlation AC
AC PAC
PAC Q-Sta...
-0.58... 7.3598Prob
Q-Sta... Prob
0.025
3 0.164 0.267 7.9818 0.046
1 -0.21...
1 -0.21... -0.21...
-0.21... 0.9226
0.9226 0.337
0.337
Từ Hình 3, các giá trị ACF và PACF cùng giảm đột ngột tại độ2245trễ thứ 2, 1.6732
thứ 60.433
0.377 0.007 11.522 0.021
-0.18...
-0.18... -0.24...
-0.24... 1.6732 của
0.042 chuỗi L1. Do vậy, ta
0.433
3 -0.01...
3 0.247
0.277
0.247 0.161
0.161 11.532
3.0763
3.0763 0.380
0.380
có AR(2,6) và MA(2,6) đối với chuỗi L1. Xét các mô hình cho chuỗi
4
6
L1
-0.21...
4 -0.10...
-0.10...
57-0.02...
-0.14... ở Bảng
-0.10...
-0.05...
-0.05...
-0.18...
3.3352 2.
12.927
3.3352
0.044
0.503
0.503
13.6100.645
0.021 3.3549 0.059
5 -0.02... 0.021 3.3549 0.645
68-0.07...
0.065-0.16...
-0.17... 3.5001
13.7600.744
0.088
Thực hiện các mô hình theo thứ tự để xem xét lựa chọn mô hình
7 phù hợp 3.6118
0.103-0.09...
-0.05... -0.08...
-0.09... nhất. Kết
0.116 quả của các mô hình
6 -0.07... -0.16... 3.5001 0.744
79-0.05... 14.1880.823
3.6118 0.823
1...
8 -0.17...-0.18...
8 -0.08...
-0.08... -0.16... 3.8435
-0.18... 15.6360.871
3.8435 0.111
0.871
được thể hiện ở Bảng 3. 1... -0.10...-0.10...
9 -0.05...
9 -0.05... 0.141 3.9563
-0.10... 16.1830.914
3.9563 0.134
0.914
1...-0.03...
1...
1... 0.041-0.13...
-0.03... -0.18... 3.9986
-0.13... 16.2900.947
3.9986 0.178
0.947

Từ các tiêu chí trên, mô hình có giá trị AIC và SIC nhỏ nhất,1...
R-0.11...
1...
1...
2
điều
1... -0.11...
0.030
0.030
chỉnh
-0.18...
-0.12...
-0.12... 4.7226cao
-0.18... 4.6644
4.7226 0.967nhất sẽ được lựa chọn.
4.6644 0.946
0.946
0.967
Nguồn: nghiên cứu của nhóm tác giả.
Chuỗi công nghiệp chế biến có mô hình ARMA3 phù hợp nhất.
Nguồn: nghiên cứu của nhóm tác giả.
Hình 10: Biểu đồ tương quan sau khi lấy sai phân bậc 1 Chuỗi LS
Sample: 1997 2014
Included observations: 17

Autocorrelation Partial Correlation AC PAC Q-Sta... Prob

1 -0.21... -0.21... 0.9226 0.337

2 -0.18... -0.24... 1.6732 0.433
3 0.247 0.161 3.0763 0.380
4 -0.10... -0.05... 3.3352 0.503
5 -0.02... 0.021 3.3549 0.645
6 -0.07... -0.16... 3.5001 0.744
7 -0.05... -0.09... 3.6118 0.823
8 -0.08... -0.18... 3.8435 0.871
9 -0.05... -0.10... 3.9563 0.914
1... -0.03... -0.13... 3.9986 0.947
1... -0.11... -0.18... 4.6644 0.946
1... 0.030 -0.12... 4.7226 0.967

Nguồn: nghiên cứu của nhóm tác giả.

Số 282 tháng 12/2020 48

 11

Bảng 6: Kiểm định ADF

Biến Giá trị thống Giá trị tới Biến Giá trị thống kê t Giá trị tới hạn
kê t hạn
L1 -1,509007 -2,666593
11∆L1 -4,411069*** -3,92035
DT1 -2,149403 -2,666593 ∆DT1 -4,739109*** -3,920350
VSX1 -1,496044 -2,666593 ∆VSX1 -4,932805*** -3,959148
LS -2,468770 Bảng
-3,8867516: Kiểm định
∆LS ADF-4,625157*** -3,920350
Biến
***: mức ý nghĩa 1% Giá trị thống Giá trị tới Biến Giá trị thống kê t Giá trị tới hạn
Nguồn: nghiên cứu của nhóm kê t tác giả. hạn
L1 -1,509007 -2,666593 ∆L1 -4,411069*** -3,92035
Để lựa chọnSau khimôcác
hình phùthời
chuỗi hợpgian
nhấtđều
thì cùng
mô hìnhdừng11 đótạiphải
bậc đáp
tích ứng
hợp các kiểm
thứ 1. định về
Sự đồng liênnhiễu trắng.
kết được Kiểm định
kiểm
nghiệm DT1 đơn vị cho -2,149403
phần dư bằng biểu -2,666593
đồ tương quan ∆DT1kê Q và
thống -4,739109***
ADF đều cho thấy -3,920350
phần dư của cả hai
tra bằng các kiểm định Trace và kiểm định giá trị riêng nhỏ nhất để xem xét liệu rằng có tồn tại mối
VSX1 -1,496044 -2,666593 ∆VSX1 -4,932805***
chuỗi đều có tính dừng và các giá trị ACF và PACF của phần dư đều nằm trong khoảng tin cậy 95% ở tất cả -3,959148
quan hệ trong dài hạn giữa các biến hay không.
các độ LStrễ, nên phần dư -2,468770
của mô hình là-3,886751
nhiễu trắng. Mô∆LS hình ARIMA3 -4,625157***
của chuỗi công nghiệp -3,920350
chế biến đáp
ứng ***:
điềumức
kiệnýcác 1% không tự tươngBảng
nhiễu
nghĩa quan6:nên Kiểmlà mô định ADF
hình phù hợp nhất (Hình 4, Bảng 4).
Nguồn: nghiên cứu của Bảng
nhóm 7:tác
Kiểm
giả. định tính đồng liên kết giữa các biến
Như vậy, Biếntrong số cácGiámô trị hình
thống ARIMA Giáở trị
Bảngtới 3 thì mô Biếnhình ARIMA3Giá trịlàthống
mô hìnhkê t phù hợp Giánhất.
trị tớiKết
hạnquả
H0 HA Kiểm định Trace Kiểm định giá trị riêng nhỏ nhất
hồi quy củaSau các khi
môcáchình đượckê t thể hiện ở Bảng hạn 5.
Giá trịchuỗi
thốngthời Giágiantrị
đềutớicùng Giádừng trịtại
p bậc Giá
tíchtrị
hợp thứ 1. SựGiá
thống đồng trị liên
tới kết được kiểm
Giá trị p
Mặc L1 dù ARIMA3 được -1,509007
xem là phù -2,666593
hợp nhất, nhưng ∆L1
mô hình -4,411069***
chỉ hoàn hảo khi các hệ số-3,92035
có ý nghĩa thống
tra bằng các kiểmkêđịnh Trace Trace và kiểm
hạn mức tin định giá trị riêng nhỏ nhất để
kê cực đại xem xét liệu
hạn mức tinrằng có tồn tại mối
kê trong
DT1 việc
quan giảidài
hệ trong thích sựgiữa
thay
-2,149403
hạn cácđổi của
biến số không.
lao động của∆DT1
-2,666593
hay các doanh-4,739109***
nghiệp tại Bình Dương.-3,920350 Bảng 5 cho thấy
cậy 95% Eigen cậy 95%
tất cảVSX1
các hệ số đều không-1,496044có ý nghĩa thống
-2,666593 kê trong việc
∆VSX1giải thích mức độ
-4,932805*** ảnh hưởng của các biến AR và
-3,959148
MA LSr=0* r=1 55,11029
lên sự thay đổi cầu 47,85613
lao động. Tuy-3,886751 0,0090
nhiên, do mục tiêu 37,80106
của bài-4,625157*** 27,58434
nghiên cứu là minh họa-3,920350 0,0017
việc dự báo, nên
-2,468770
Bảng 7: Kiểm định tính đồng ∆LSliên kết giữa các biến
r≤1
mô***:
hìnhmức r=2
vẫn ýđược 17,30923
chấp 29,79707 0,6172 12,60618 21,13162 0,4891
H H nghĩa 1% nhận với Kiểm
kết quả dự báo.
định Trace Kiểm định giá trị riêng nhỏ nhất
r≤2 Mô nghiên
4.2.
Nguồn:
0 r=3 VECM
hình
A 4,703051
cứu của nhóm tác 15,49471
giả. 0,8395 4,456207 14,26460 0,8083
r≤3 r=4 Giá trị thống 3,841466
0,246844 Giá trị tới 0,6193 Giá trị p 0,246844Giá trị thống 3,841466Giá trị tới 0,6193 Giá trị p
Để áp dụng mô hình VECM, trước tiên, tính dừng của các chuỗi phải được đánh giá qua đồ thị và biểu
Sau khicứucáckê Trace
chuỗi thời gianhạn mứccùng
giả.đều tin dừng tại bậc tíchkê cựcthứ
hợp đại1. Sự đồng
hạn mức liên tin
kết được kiểm
đồNguồn:
tương quannghiên ở Hìnhcủa5, nhóm
Hình tác6, Hình 7 với các chuỗi DT1, VSX1, LS. Đồ thị và biểu đồ tương quan ở tất
tra bằng các kiểm định Trace và kiểm cậy 95%định giá trị riêng nhỏ nhấtEigen để xem xét liệu cậyrằng
95%có tồn tại mối
cả ba chuỗi đều cho thấy các chuỗi không có tính dừng, với các giá trị ACF và PACF ở một số độ trễ khác
quanr=0*hệBảng
trong
r=17dài
cho hạn
thấygiữa
55,11029 vớicác biến
cả hai hay định
47,85613
kiểm không.đều0,0090
chấp nhận giả 37,80106
thuyết chuỗi có27,58434
tính đồng kết hợp 0,0017
với
không có ý nghĩa thống kê. Tương tự, kết quả kiểm định ADF ở Bảng 6 càng khẳng định chắc chắn hơn các
mứcr≤1ý nghĩar=2 17,30923
5%. Hay nói cách khác, 29,79707
có 1 phương 0,6172
trình đồng12,60618
kết hợp nên các chuỗi21,13162
có thể chệch 0,4891
khỏi
r≤2 r=3 4,703051 Bảng 7: Kiểm
15,49471 định tính đồng
0,8395 liên kết giữa
4,456207 các biến
nhau trong ngắn hạn nhưng lại hội tụ kết hợp với nhau trong dài hạn. Vì vậy, mô hình VECM phù hợp 14,26460 0,8083
đểHr≤3
dự0 báo H r=4
cho
A ngành.0,246844
Mô hình KiểmVECMđịnhphụ
3,841466 Trace
thuộc0,6193
không chỉ vào Kiểm
0,246844
các định
biến độcgiá trị
màriêng
3,841466
lập nhỏthể
còn có nhất
0,6193
được
Nguồn: nghiên Giá
cứu trị
của thống
nhóm Giá
tác trị
giả. tới Giá trị p Giá trị thống Giá
giải thích bởi biến trễ của chính nó và các biến trễ của các biến giải thích. Vì vậy, cần xác định những trị tới Giá trị p
kê Trace
biến trễ nào sẽ làm cho mô hình tốihạnưumức tin
nhất. kê cực đại hạn mức tin
Bảng 7 cho thấy với cả hai cậykiểm
95%định đều chấp nhận giả Eigen
thuyết chuỗi có cậytính
95% đồng kết hợp với
r=0*ý nghĩa
mức r=1 5%. 55,11029
Hay nói cáchBảng 47,85613
khác,8:có 0,0090
1 phương
Xác định độtrình 37,80106
đồng
trễ của mô kếthình
hợp nên các 27,58434
chuỗi có thể chệch0,0017
khỏi
r≤1 trong
nhau r=2ngắn 17,30923
hạn nhưng lại hội 29,79707
tụ kết hợp với 0,6172
nhau trong 12,60618
dài hạn. Vì vậy,21,13162
mô hình VECM0,4891 phù hợp
Độ
để trễ
r≤2dự báo r=3 LR
cho ngành.
4,703051 Mô hình 15,49471 FPE
VECM phụ thuộc 0,8395không chỉAIC vào các biến độc
4,456207 SC lập mà còn có0,8083
14,26460 HQ
thể được
giải
r≤30 thích bởi
r=4 biến trễ
0,246844 của chính nó và
3,841466 các biến trễ của các biến giải thích. Vì vậy, cần xác định những
NA 0,000 0,6193 -9,909093 0,246844 3,841466
-9,715946* 0,6193
-9,899202
biến trễnghiên
Nguồn: nào sẽ cứu
làm của
cho nhóm
mô hình
tác tối
giả.ưu0,000*
nhất.
1 28,49063* -10,49915 -9,533414 -10,44970
2 17,08578 0,000 -10,93998* -9,201652 -10,85096*
Bảng 7 cho thấy với cả hai Bảngkiểm8: định
Xác định độ trễ
đều chấp củagiả
nhận mô hình chuỗi có tính đồng kết hợp với
thuyết
Nguồn:
mức nghiên
ý nghĩa cứu
5%. Haycủanói nhóm
cáchtác giả.có 1 phương trình đồng kết hợp nên các chuỗi có thể chệch khỏi
khác,
Độ trễ LR FPE AIC SC HQ
nhau trong ngắn hạn nhưng lại hội tụ kết hợp với nhau trong dài hạn. Vì vậy, mô hình VECM phù hợp
để dự 0báo cho ngành. NA Mô hình VECM phụ thuộc không chỉ
0,000 vào các biến độc
-9,909093 lập mà còn có -9,899202
-9,715946* thể được
giải thích
1 bởi biến28,49063*
trễ của chính nó và các biến trễ của các-10,49915
0,000* biến giải thích. Vì vậy, cần xác định
-9,533414 những
-10,44970
biến trễ2 nào sẽ làm17,08578
cho mô hình tối ưu nhất. 0,000 -10,93998* -9,201652 -10,85096*

Nguồn: nghiên cứu của nhóm tác giả.

Bảng 8: Xác định độ trễ của mô hình

Độtháng
Số 282 trễ 12/2020
LR FPE 49 AIC SC HQ

0 NA 0,000 -9,909093 -9,715946* -9,899202

1 28,49063* 0,000* -10,49915 -9,533414 -10,44970
 Theo Bảng 8, các biến ở độ trễ ở 1 hoặc 2 đều có cùng số lượng các giá trị LR, FPE, AIC, SC
và HQ nhỏ nhất. Tuy nhiên, do số lượng quan sát của các biến không đủ đảm bảo để thực hiện hồi quy
có độ trễ là 2, sẽ làm giảm bậc tự do, nên thực hiện mô hình với độ trễ 1 vẫn hợp lí. Như vậy, mô hình
có độ trễ bằng 1 và một phương trình đồng liên kết, kết quả hồi quy như Bảng 9.

Bảng 9: Kết quả hồi quy mô hình VECM về cầu lao động
Các biến ∆L1t Thống kê t
 -0,011229 -0,68261
α 0,276609 0,95269
L1t-1 1
DT1t-1 -0,186827 -4,08857***
VSX1t-1 -0,662096 -4,32150***
LSt-1 4,018987 11,6671***
ρ0 -0,572466
Các biến Hệ số Thống kê t
∆L1t-1 -0,426332 -1,36600
∆DT1t-1 -0,017101 -0,15175
∆VSX1t-1 -0,645374 -2,47204**
∆LSt-1 -1,041357 -1,25718
R2 0,5025
Sum sq. resids 0,0404
S.E. equation 0,06359
Log likelihood 25,1413
***: Mức ý nghĩa 1%
**: Mức ý nghĩa 5%
Nguồn: nghiên cứu của nhóm tác giả.

Mô hình
chuỗi có nghiệm đơnhồivị,quy cầu lao
vì vậy, độngkhông
chuỗi trong dừng.
dài hạn với các biến như sau:
L1phân
Tiếp tục xem xét sai = - 0,572466 + 0,186827DT1
bậc 1, lúc này, tất cả các+ chuỗi
0,662096VSX1
đều dừng.- 4,018987LS
Có thể thấy rõ điều này qua biểu đồ
(4,08857) (4,32150) (11,6671)
tương quan và kiểm định ADF. Tất cả các chuỗi sau khi lấy sai phân bậc một đều có các giá trị ACF và PACF
Kết quảtin
nằm trong khoảng hồicậy
quy95%
cho thấy
(Hìnhphương trình
8, Hình cân bằng
9, Hình 10) trong
và giádài
trị hạn phùkêhợp
thống t bédohơn
cácgiá
biến
trịđộc
tới lập
hạnđều
(Bảng 6).
có ý nghĩa thống kê trong việc giải thích cầu lao động dài hạn ngành công nghiệp chế biến ở mức ý
Sau khi các chuỗi thời gian đều cùng dừng tại bậc tích hợp thứ 1. Sự đồng liên kết được kiểm tra bằng
nghĩa 1%. Kết quả cũng cho thấy hướng tác động của mô hình cũng phù hợp với kỳ vọng ban đầu, khi
các kiểm định Trace và kiểm định giá trị riêng nhỏ nhất để xem xét liệu rằng có tồn tại mối quan hệ trong
doanh thu và vốn sản xuất tăng thì cầu lao động tăng, trong khi đó, lãi suất tăng sẽ khiến cho chi phí
dài hạn giữa các biến hay không.
vay vốn tăng và làm giảm nhu cầu gia tăng lao động.
Bảng 7 cho thấy với cả hai kiểm định đều chấp nhận giả thuyết chuỗi có tính đồng kết hợp với mức ý
Bảng 9 cũng cho thấy sự tác động của các 13
biến đến cầu lao động trong ngắn hạn. Trong ngắn
nghĩa 5%. Hay nói cách khác, có 1 phương trình đồng kết hợp nên các chuỗi có thể chệch khỏi nhau trong
hạn chỉ có sự tác động của biến trễ VSX1 cho thấy có ý nghĩa thống kê mức 5%, trong khi đó sự giải
thích của các biến trễ củaBảng
chính10:
cầuKiểm
lao động
định(L1),
mốiDT1
quanvàhệLSnhân
lại không có ý nghĩa thống kê trong mô
quả Granger
hình này. Như vậy, chỉ có vốn sản
củaxuất
các có sự độc
biến tác động và biến
lập với ảnh hưởng trong cả dài hạn và ngắn hạn tới
phụ thuộc
biến động của cầu lao động, trong khi đó các nhân tố doanh thu và lãi suất đều thất bại trong việc kết
hợp với nhau và với vốn sản xuất để tác động lên cầu lao động trong
Kiểm địnhdàiF hạn. Tuy nhiên,
KiểmDT1, VSX1
định χ2
vàGiả
LS lại không
thuyết H0 có sự hiệu chỉnh về cân bằng trong dài hạn.F Giá trị p χ2 Giá trị p
Bảng 10: Kiểm định mối quan hệ nhân quả Granger

DT1 không gây nhân quả Granger đối với L1 3,62021 0,0779 0,023029 0,8794

VSX1 không gây nhân quả Granger đối với L1 5,77942 0,0306 6,110997 0,0134

LS không gây nhân quả Granger đối với L1 0,46489 0,5065 1,580496 0,2087

Nguồn: nghiên cứu của nhóm tác giả.

Để xem xét rõ hơn tác động của các biến lên cầu lao động Bình Dương, kiểm định nhân quả
Số 282 tháng 12/2020 50
Granger được thực hiện ở Bảng 10. Đối với kiểm định F, bác bỏ giả thuyết H0 đối với tác động của
doanh thu và vốn sản xuất lên cầu lao động. Tăng trưởng doanh thu và vốn sản xuất có tác động nhân
quả lên tăng trưởng cầu lao động ngành với mức ý nghĩa 10% và 5% theo thứ tự. Ngược lại, biến động
 theo kết quả kiểm định Granger của tất cả các biến thì sự kết hợp giữa các biến DT1, VSX1 và LS đều
thực sự là nguyên nhân gây ra sự biến động của cầu lao động với giá trị p < 0,05 (0,0221).
Cuối cùng, các kiểm định được thực hiện để kiểm tra việc thỏa mãn các giả định của mô hình
đối với phần dư. Kết quả kiểm định cho thấy mô hình không có tương quan chuỗi giữa các biến trong
mô hình với các biến trễ của nó, mô hình có hiện tượng phương sai không đổi, phần dư là nhiễu trắng.
Bảng 11: Các kiểm định mô hình VECM
Kiểm định Giá trị thống kê13 Giá trị p
LM(1) 14,20148 0,5837
H Bảng 10: Kiểm định
105,4964 mối quan hệ nhân quả Granger
0,3341
của các biến độc lập với biến phụ thuộc
NORM 2,709871 0,6075
Nguồn: nghiên cứu của nhóm tác giả
Bảng 12: Dự báo Kiểm định F Kiểm định χ2
ngắn hạn nhưng lại hội tụ kết hợp với nhau trong dài hạn.F Vì vậy, mô
Giả Giá hình
trị p VECMχ2phù hợpGiá
để trị
dựpbáo cho
Nămthuyết H0Giá trị ARIMA VECM
ngành. Mô hình VECM phụ thuộc không chỉ vào các biến độc lập mà còn có thể được giải thích bởi biến
trễ của chính nóthực Dựcủa
và các biến trễ báocác biến giải
Saithích.
số Vì vậy, cần
Dự xác
báo định những Sai
biếnsốtrễ nào sẽ làm cho
2015
môDT1
hìnhkhông 838402
tối ưugây nhân quả Granger đối864984
nhất. với L1 3,171%
3,62021 0,0779 873180
0,023029 4,15%
0,8794
2016 Bảng 8,893570
Theo 919655
các biến ở độ trễ ở 1 hoặc 2,919%
2 đều có cùng 935079
số lượng các giá trị LR, FPE, AIC, SC4,65%
và HQ nhỏ
2017 937208 967102 3,190% 994376 6,10%
nhất. Tuy nhiên, do số lượng quan sát của các biến không đủ đảm bảo để thực hiện hồi quy có độ trễ là 2,
VSX1 không gây nhân quả Granger đối với L1 5,77942 0,0306 6,110997 0,0134
sẽ làm giảm bậc tự do, nên thực hiện mô hình với độ trễ3,093%
MAPE 1 vẫn hợp lí. Như vậy, mô hình có độ 4,964%
trễ bằng 1 và
mộtLSphương
không trình
Theil đồngquả
gây nhân liên kết, kếtđối
Granger quảvớihồi
L1quy như Bảng 9.
0,03002
0,46489 0,5065 1,580496 0,04859
0,2087
MôNguồn:
hình hồi quy cứu
nghiên cầu lao
của động
nhóm trong
tác giảdài hạn với các biến như sau:
Nguồn: nghiên cứu của nhóm tác giả.
L1 = - 0,572466 + 0,186827DT1 + 0,662096VSX1 - 4,018987LS
(4,08857) Để xem xét (4,32150) (11,6671)
rõ hơn tác động của các biến lên cầu lao động Bình Dương, kiểm định nhân quả
Kết quả hồi
Granger quy
được chohiện
thực thấyở phương
Bảng 10.trình
Đốicân
với bằng
kiểm trong dàibác
định F, hạnbỏphù
giảhợp do các
thuyết biếnvới
H0 đối độctáclập đềucủa
động có ý nghĩa
thống
doanhkê trong
thu vàviệc
vốn giải thíchlên
sản xuất cầu laolaođộng
cầu động.dàiTăng
hạn trưởng
ngành doanh
công nghiệp chế biến
thu và vốn ở mức
sản xuất ý nghĩa
có tác động 1%.
nhânKết quả
cũng cho thấy hướng tác động của mô hình cũng phù hợp với kỳ vọng ban đầu, khi doanh
quả lên tăng trưởng cầu lao động ngành với mức ý nghĩa 10% và 5% theo thứ tự. Ngược lại, biến động
thu và vốn sản
xuất tăng thì cầu lao động tăng, trong khi đó, lãi suất tăng sẽ khiến cho chi phí vay vốn tăng và làm giảm
lãi suất không cho thấy có tác động nhân quả Granger đối với cầu lao động khi chấp nhận giả thuyết H0
nhu cầu gia tăng lao động. 2
rằng biến lãi suất không có mối quan hệ nhân quả với biến cầu lao động ngành. Kết quả kiểm định χ
Bảng 9 cũng cho thấy sự tác động của các biến đến cầu lao động trong ngắn hạn. Trong ngắn hạn chỉ có
có sự khác biệt với kiểm định F ở yếu tố doanh thu, lúc này doanh thu không có ý nghĩa tác động lên
sự tác động của biến trễ VSX1 cho thấy có ý nghĩa thống kê mức 5%, trong khi đó sự giải thích của các biến
cầu lao động của ngành, còn các nhân tố khác đều thống nhất kết quả với kiểm định F. Thêm vào đó,
trễ của chính cầu lao động (L1), DT1 và LS lại không có ý nghĩa thống kê trong mô hình này. Như vậy, chỉ
theo kết quả kiểm định Granger của tất cả các biến thì sự kết hợp giữa các biến DT1, VSX1 và LS đều
có vốn sản xuất có sự tác động và ảnh hưởng trong cả dài hạn và ngắn hạn tới biến động của cầu lao động,
thựckhi
trong sựđó
là nguyên
các nhânnhân gây ra sự
tố doanh thubiến động
và lãi của
suất cầuthất
đều lao bại
động với giá
trong việctrịkết
p <hợp
0,05với
(0,0221).
nhau và với vốn sản xuất
để tác độngCuối cùng,
lên cầu laocác kiểmtrong
động địnhdài
được thực
hạn. Tuyhiện để kiểm
nhiên, DT1, traVSX1
việc thỏa
và LSmãnlạicác giả định
không có sựcủa môchỉnh
hiệu hình về cân
đối với phần dư.
bằng trong dài hạn. Kết quả kiểm định cho thấy mô hình không có tương quan chuỗi giữa các biến trong
mô xem
Để hình xét
với rõ
cáchơn
biến
táctrễđộng
của nó,
củamô
cáchình
biếncólênhiện
cầutượng phương
lao động BìnhsaiDương,
không đổi,
kiểmphần
địnhdưnhân
là nhiễu trắng. được
quả Granger
thực hiện ở Bảng 10. Đối với kiểm Bảngđịnh
11: Các kiểm
F, bác bỏ định mô hình
giả thuyết H0 VECM
đối với tác động của doanh thu và vốn sản
xuấtKiểm định
lên cầu lao động. Tăng trưởng doanhGiá trịthu
thống
và kê Giá trịnhân
vốn sản xuất có tác động p quả lên tăng trưởng cầu lao
độngLM(1)
ngành với mức ý nghĩa 10% và14,20148 5% theo thứ tự. Ngược lại, biến động lãi suất không cho thấy có tác
0,5837
độngHnhân quả Granger đối với cầu 105,4964
lao động khi chấp nhận giả thuyết H0 rằng biến lãi suất không có mối
0,3341
quanNORM
hệ nhân quả với biến cầu lao động ngành. Kết quả kiểm định χ 0,6075
2,709871
2
có sự khác biệt với kiểm định F ở yếu
tố doanh thu, lúc
Nguồn: nàycứu
nghiên doanhcủathu không
nhóm có ý nghĩa tác động lên cầu lao động của ngành, còn các nhân tố khác
tác giả
Bảng 12: Dự báo
Năm Giá trị ARIMA VECM
thực Dự báo Sai số Dự báo Sai số
2015 838402 864984 3,171% 873180 4,15%
2016 893570 919655 2,919% 935079 4,65%
2017 937208 967102 3,190% 994376 6,10%
MAPE 3,093% 4,964%
Theil 0,03002 0,04859
Nguồn: nghiên cứu của nhóm tác giả

Số 282 tháng 12/2020 51

đều thống nhất kết quả với kiểm định F. Thêm vào đó, theo kết quả kiểm định Granger của tất cả các biến
thì sự kết hợp giữa các biến DT1, VSX1 và LS đều thực sự là nguyên nhân gây ra sự biến động của cầu lao
động với giá trị p < 0,05 (0,0221).
Cuối cùng, các kiểm định được thực hiện để kiểm tra việc thỏa mãn các giả định của mô hình đối với phần
dư. Kết quả kiểm định cho thấy mô hình không có tương quan chuỗi giữa các biến trong mô hình với các
biến trễ của nó, mô hình có hiện tượng phương sai không đổi, phần dư là nhiễu trắng.
Cả mô hình ARIMA và VECM đều có khả năng dự báo với độ chính xác cao với tỷ lệ sai số trong dự báo
của các mô hình đều nằm trong giới hạn chấp nhận được là 10% với sai số của mô hình ARIMA (3,09%)
thấp hơn so với mô hình VECM (4,96%). Bên cạnh đó hệ số U của cả hai mô hình đều thấp hơn nhiều so
với 1 và gần bằng 0, trong đó, mô hình ARIMA có độ chính xác cao hơn VECM với hệ số 0,03 so với 0,048.
Mô hình ARIMA và VECM đều có hệ số U gần bằng 0, có nghĩa là sai số dự báo gần như là 0 và điều này
cho thấy các mô hình lựa chọn khá hoàn hảo.
Kết quả nghiên cứu có sự thống nhất về chất lượng dự báo của hai mô hình ARIMA và VECM trong dự
báo cầu lao động với các nghiên cứu đi trước của Wong & cộng sự (2007), Wong & cộng sự (2011), Ho
(2012). Tuy nhiên, kết quả nghiên cứu của nhóm tác giả lại cho thấy ARIMA là mô hình tối ưu trong dự báo
cầu lao động tại Bình Dương hơn so với mô hình VECM. Song, lựa chọn một mô hình phù hợp nhất còn tùy
thuộc vào nhiều nguyên nhân. Nguyên nhân chính có thể thấy rõ, đó chính là không xuất hiện mối quan hệ
trong dài hạn của các biến ở mô hình VECM nên kết quả dự báo của VECM có độ chính xác thấp hơn so
với mô hình ARIMA. Ngoài ra, những nguyên nhân khác gián tiếp khiến cho kết quả khác với mong đợi có
thể kể đến như chất lượng và số lượng dữ liệu nghiên cứu. Cỡ mẫu nghiên cứu của nhóm tác giả khá nhỏ so
với cỡ mẫu ở các nghiên cứu đi trước. Thứ hai, là do các nhân tố được lựa chọn trong mô hình quá nghèo
nàn về số lượng. Thứ ba, vì khoảng thời gian thu thập dữ liệu quá ngắn nên không thể thử nghiệm với các
biến trễ lớn hơn (từ hai biến trễ trở lên). Những điều này có thể là nguyên nhân khiến cho mô hình dự báo
không đạt kết quả như mong muốn.
5. Kết luận
Dự báo cầu lao động có vai trò quan trọng đối với hoạt động quản lý kinh tế - xã hội nói chung, nhất là ở
quá trình lập kế hoạch, cung cấp thông tin và hoạch định chính sách. Cầu lao động, đặc biệt là lao động có
trình độ chịu ảnh hưởng bởi qui mô, cơ cấu và trình độ phát triển của nền kinh tế và tổng lực lượng lao động;
tính chất và trình độ phát triển của khoa học kỹ thuật.
Một số mô hình dự báo cầu lao động đã được thực hiện trong một số công trình nghiên cứu ở các nước
trên thế giới và ứng dụng để dự báo cầu lao động ở Việt Nam. Bài viết trình bày về các phương pháp dự báo
cầu lao động đã được sử dụng trong các công trình này, đặc biệt ứng dụng của phương pháp dự báo cho kết
quả cụ thể. Các điều kiện để thực hiện dự báo cầu lao động là điều kiện về số liệu, điều kiện về kinh phí thực
hiện, về kỹ thuật thực hiện. Tuy nhiên, do khả năng thu thập dữ liệu và trình độ thực hiện các mô hình dự
báo còn nhiều hạn chế nên kết quả dự báo chắc chắn không tránh khỏi thiếu sót.
Công tác dự báo cầu lao động tại địa phương là khâu tiên quyết, có vai trò quan trọng trong sự phát triển
kinh tế - xã hội địa phương. Đây là căn cứ khoa học để định hướng xây dựng chiến lược phát triển thị trường
lao động địa phương. Do đó, đòi hỏi các nhà hoạch định chính sách địa phương phải đầu tư nguồn lực lâu
dài cho công tác dự báo; đồng thời người làm công tác dự báo cũng phải tích cực, chủ động xây dựng mô
hình, quy trình dự báo cầu lao động phù hợp với điều kiện thực tế của địa phương, có như vậy, kết quả dự
báo mới mang lại độ tin cậy cao và có ý nghĩa thiết thực.

Số 282 tháng 12/2020 52

Tài liệu tham khảo
Box, G.E., Jenkins, G.M., Reinsel, G.C. & Ljung, G.M. (2015), Time series analysis: forecasting and control, John
Wiley & Sons, USA.
Bruha, J. (2011), ‘An Empirical Small Labor Market Model for the Czech Economy’, Finance a Uver: Czech Journal
of Economics & Finance, 61(5), 434-449.
CCo, L. (2007), Is it possible to accurately forecast labour market needs?, Canadian Council on Learning, Ottawa.
Crane, S.E. & Nourzad, F. (1998), ‘Improving local manufacturing employment forecasts using cointegration analysis’,
Growth and Change, 29(2), 175-195.
Edlund, P.O. & Karlsson, S. (1993), ‘Forecasting the Swedish unemployment rate VAR vs. transfer function modelling’,
International Journal of Forecasting, 9(1), 61-76.
Fauvel, Y., Paquet, A. & Zimmerman, C. (1999), Short-term forecasting of national and provincial employment in
Canada, Human Resources Development Canada, Canada.
Ho, P.H. (2010), ‘Forecasting construction manpower demand by gray model’, Journal of Construction Engineering
and Management, 136(12), 1299-1305.
Ho, P.H. (2012) ‘Comparison of the grey model and the Box–Jenkins model in forecasting manpower in the UK
construction industry’, Twenty-eighth annual conference September 2012 3–5, Association of Researchers in
Construction Management, UK, 369-379.
Krolzig, H.M., Marcellino, M. & Mizon, G.E. (2002), ‘A Markov-switching vector equilibrium correction model of the
UK labour market’ in Hamilton J.D. & Raj B.(eds), Advances in Markov-Switching Models, Physica, Heidelberg, 91-112.
LeSage, J.P. (1990a), ‘Forecasting metropolitan employment using an export‐base error‐correction model’, Journal of
Regional Science, 30(3), 307-323.
LeSage, J.P. (1990b), ‘A Comparison of the Forecasting Ability of ECM and VAR Models’, The review of Economics
and Statistics, 72(4), 664-671.
Puri, A. & Soydemir, G. (2000), ‘Forecasting industrial employment figures in Southern California: A Bayesian vector
autoregressive model’, The Annals of Regional Science, 34(4), 503-514.
Rapach, D. E., & Strauss, J. K. (2005), ‘Forecasting employment growth in Missouri with many potentially relevant
predictors: an analysis of forecast combining methods’, Federal Reserve Bank of St. Louis Regional Economic
Development, 1(1), 97-112.
Rapach, D. E., & Strauss, J. K. (2012), ‘Forecasting US state-level employment growth: An amalgamation approach’,
International Journal of Forecasting, 28(2), 315-327.
Sarantis, N., & Swales, C. (1999), ‘Modelling and forecasting regional service employment in Great Britain’, Economic
Modelling, 16(3), 429-453.
Vereen, S. C., Rasdorf, W., & Hummer, J. E. (2016), ‘Application and Results of a Skilled Labor Demand Forecast
Model for the US Construction Industry’, International Journal of engineering science invention, 5(10), 37-48.
Wong, J.M., Chan, A.P. & Chiang, Y.H. (2005), ‘Time series forecasts of the construction labour market in Hong Kong:
the Box‐Jenkins approach’, Construction Management and Economics, 23(9), 979-991.
Wong, J.M., Chan, A.P., & Chiang, Y.H. (2007), ‘Forecasting construction manpower demand: A vector error correction
model, ‘Building and Environment, 42(8), 3030-3041.
Wong, J.M., Chan, A.P. & Chiang, Y.H. (2011), ‘Construction manpower demand forecasting: A comparative study of
univariate time series, multiple regression and econometric modelling techniques’, Engineering, Construction
and Architectural Management, 18(1), 7-29.

Số 282 tháng 12/2020 53