Tải bản đầy đủ (.doc) (19 trang)

tiểu luận dự báo kinh tế dự báo lựợng khách quốc tế đến việt nam sử dụng mô hình arima

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (248.04 KB, 19 trang )

Tóm tắt
Bài viết sử dụng mô hình ARIMA nhằm dự báo lượng khách quốc tế đến Việt Nam dựa
trên số liệu công bố của Tổng cục Du lịch Việt Nam. Bài viết cũng đưa ra dự báo về
lượng khách quốc tế đến Việt Nam từ tháng 3 năm 2019 đến tháng 6 năm 2019 với sai
số dự báo là khoảng 3.5%.
Từ khoá: dự báo, khách quốc tế, ARIMA.
Giới thiệu
Ở Việt Nam, du lịch đang dần trở thành một trong những ngành kinh tế mũi nhọn vì
nước ta có tiềm năng du lịch đa dạng và phong phú. Với những lợi thế đặc biệt về vị trí
địa lý, kinh tế và chính trị, Việt Nam có nhiều thuận lợi để phát triển du lịch. Nằm ở
trung tâm Đông Nam Á, lãnh thổ Việt Nam bao gồm cả đất liền và đại dương, vị trí
giao lưu quốc tế thuận lợi cả đường biển, đường bộ và đường hàng không. Đây là tiền
đề rất quan trọng trong việc mở rộng và phát triển du lịch quốc tế.
Việc khai thác hiệu quả các tiềm năng du lịch, cũng như khắc phục những rủi ro trong
kinh doanh dịch vụ du lịch và lên kế hoạch cho những chặng đường phát triển tiếp theo
là vấn đề cấp thiết để phát triển ngành kinh tế du lịch. Đồng thời, việc tạo dấu ấn trong
lòng du khách sẽ giúp thu hút lượng khách quốc tế đến Việt Nam và nâng cao chất
lượng của ngành du lịch Việt Nam.
Nhận ra tầm quan trọng của vấn đề này, nhóm tác giả quyết định chọn đề tài: „Dự báo
lượng khách quốc tế đến Việt Nam bằng mô hình SARIMA‟ nhằm đưa ra một số hàm
ý chính sách để giúp du lịch Việt Nam phát triển trong thời gian tới.

1


1

Các nghiên cứu liên quan

Tác giả


Tác phẩm

Năm

Nội dung

xuất
bản
Engin

Forecasting

2015

Dự báo lượng khách du lịch đến Turkey bằng mô

Yilmaz

tourist

hình SARIMA.

arrivals to

Kết quả nghiên cứu cho thấy, mô hình SARIMA

Turkey

cho kết quả với sai số dự báo nhỏ hơn mô hình
STM (sai số MAPE của mô hình SARIMA là

2.95%, trong khi sai số MAPE của mô hình STM
là 4.90%). Như vậy, việc xây dựng mô hình
SARIMA để dự báo lượng khách du lịch đến
Turkey cho kết quả có độ đáng tin cậy cao hơn.

Chế

Khóa luận tốt

2016

Minh

nghiệp: Các

các mô hình dự báo đơn giản: mô hình trung bình

Hải

phương pháp

di động, mô hình trung bình di động có trọng số,

Bùi Lê

dự báo kinh

mô hình san mũ đơn giản, mô hình san mũ kép và

Tuấn


tế

mô hình san mũ Holt-Winters.

Đạt

Dự báo lượng khách du lịch đến Việt Nam bằng

Kết quả nghiên cứu cho thấy các mô hình tác giả
sử dụng để dự báo đều cho sai số MAPE > 10%.
Trong đó, mô hình san mũ Holt- Winters (mô hình
nhân) cho sai số dự báo nhỏ nhất là 10.0976%

Nghiêm

Ứng dụng mô

2017

Bài viết xây dựng mô hình SARIMA để đưa ra dự

Phúc

hình

báo thử nghiệm về lượng khách quốc tế đến Việt

Hiếu


SARIMA dự

Nam những tháng cuối năm 2017 và dự báo lượng

báo lượng

du khách trong 3 năm tới.

khách du lịch

Kết quả dự báo cho thấy, sai số dự báo MAPE chỉ

đến Việt Nam

từ 1.7% đến 12.4% và dự báo lượng khách quốc tế

tới năm 2020

đến Việt Nam trong 3 năm tới có xu hướng tăng.
2


2

Dữ liệu và phƣơng pháp nghiên cứu

2.1 Dữ liệu
Số liệu phục vụ cho đề tài được tổng hợp từ dữ liệu báo cáo của tổng cục du lịch Việt
Nam. Cụ thể, nhóm tác giả thu thập lượng khách quốc tế đến Việt Nam (TRAVEL) từ
tháng 01/2014 đến tháng 2/2019 gồm 62 quan sát.

2.2 Phương pháp nghiên cứu
Mô hình tích hợp trung bình trượt tự hồi quy (mô hình ARIMA – Auto Regressive
Integrated Moving Average) được tích hợp từ 3 quá trình: Tự hồi quy (AR) đối với các
số liệu kinh tế - xã hội, trung bình trượt (MA) đối với phần sai số của số liệu (hay phần
nhiễu ngẫu nhiên) và quá trình tích hợp hay sai phân (I) nhằm biến đổi chuỗi không
dừng thành chuỗi dừng trước khi thực hiện các thao tác phân tích và dự báo khác. Bản
chất của mô hình ARIMA là dự báo giá trị tương lai của một biến số (biểu thị theo
chuỗi thời gian) dựa trên giá trị quá khứ và các sai số ngẫu nhiên. Tuy nhiên, mô hình
ARIMA chỉ thích hợp cho việc phân tích, dự báo dữ liệu chuỗi thời gian không có yếu
tố mùa vụ.
Một đặc điểm rất quan trọng của các dữ liệu chuỗi thời gian về kinh tế - xã hội là có
yếu tố mùa vụ cao, chẳng hạn như trong chính nghiên cứu của nhóm, lượng khách
quốc tế đến Việt Nam thường tăng vào các tháng hè hoặc dịp lễ hội. Ngoài ra, nhóm tác
giả phát hiện chuỗi có yếu tố mùa vụ khi chạy lệnh graph seasonal và thu được kết quả:

3


TRAVEL by Season
1,600,000
1,400,000
1,200,000
1,000,000
800,000
600,000
400,000
Jan

Feb


Mar

Apr

May

Jun

Jul

Aug

Sep

Oct

Nov

Dec

Means by Season

Hình 1. Đồ thị xem xét yếu tố mùa vụ trong chuỗi TRAVEL
Từ hình trên, ta thấy khoảng cách biên độ lượng khách du lịch giữa các khoảng thời
gian khá lớn nên chuỗi số liệu này có yếu tố mùa vụ. Vì vậy, nhóm tác giả sử dụng mô
hình ARIMA tách yếu tố mùa vụ để dự báo cho chuỗi số liệu này.
Mô hình ARIMA
Mô hình ARIMA được kết hợp bởi 3 thành phần chính: AR (thành phần tự hồi quy), I
(tính dừng của chuỗi thời gian) và MA (thành phần trung bình trượt).
Mô hình tự tương quan bậc p (viết tắt là AR(p)) là quá trình phụ thuộc tuyến tính của

các giá trị trễ và sai số ngẫu nhiên được diễn giải như sau:

Mô hình trung bình trượt bậc q, viết tắt là MA(q), là quá trình được mô tả hoàn toàn
bằng phương trình tuyến tính có trọng số của các sai số ngẫu nhiên hiện hành và các
giá trị trễ của nó. Mô hình được viết như sau:

4


Mô hình tự tương quan tích hợp với trung bình trượt có dạng ARIMA (p,d,q), được xây
dựng dựa trên sự tích hợp hai phương trình trên. Phương trình tổng quát là:

2.3 Quy trình dự báo
Quy trình dự báo gồm 6 bước:
Bƣớc 1: Tách yếu tố mùa vụ
Để tách yếu tố mùa vụ ra khỏi chuỗi, cần thực hiện xác định mô hình là mô hình nhân
tính hay mô hình cộng tính bằng cách vẽ biểu đồ biên độ dao động của mẫu. Nếu mô
hình có biên độ dao động thay đổi thì mô hình sẽ là mô hình nhân tính còn nếu mô hình
có biên độ dao động không đổi thì sử dụng mô hình cộng tính.
Sau đó sử dụng phương pháp trung bình trượt để tách yếu tố mùa vụ với mô hình phụ
hợp để cho chuỗi mới đã loại bỏ yếu tố mùa vụ.
Bƣớc 2: Kiểm tra tính dừng
Nếu mỗi chuỗi thời gian gọi là dừng thì trung bình, phương sai, (tại các độ trễ khác
nhau) sẽ giữ nguyên không đổi dù cho chúng được xác định tại mọi thời điểm .
Trung bình: E(Yt)= μ = const
Phương sai: Var(Yt) = const
Để xem một chuỗi thời gian có dừng hay không, ta có thể sử dụng mô hình tự
hồi quy Yt = ρYt-1 + Ut, với giả thiết:
{


+ Nếu chuỗi thời gian dừng ở bậc không ta có I(d=0).
+ Nếu sai phân bậc 1 của chuỗi dừng ta có I(d=1).
+ Nếu sai phân bậc 2 của chuỗi dừng ta có I(d=2)
5


Bƣớc 3: Nhận dạng mô hình
Sau khi kiểm định tính dừng, ta sẽ xác định bậc của thành phần AR và MA thông qua
biểu đồ tự tương quan (ACF) và biểu đồ tự tương quan riêng phần (PACF).
+ Nếu chuỗi có dạng AR(p) thì biểu đồ PACF sẽ có các hệ số tương quan riêng
phần có ý nghĩa thống kê từ 1 tới p và các giá trị, sau đó sẽ giảm nhanh về không, đồng
thời ACF có các hệ số tương quan sẽ giảm dần về không.
+ Nếu chuỗi có dạng MA(q) thì biểu đồ ACF sẽ có các hệ số tương quan có ý
nghĩa thống kê từ 1 tới q và các giá trị sau đó sẽ giảm nhanh về không. Còn đối với
PACF, các hệ số tương quan riêng phần sẽ giảm dần về không.
Bƣớc 4: Ước lượng mô hình
+ Kiểm định ý nghĩa thống kê của mô hình
+ Kiểm định tính ổn định và khả nghịch
Nếu kiểm định mô hình được lựa chọn không thỏa mãn thì quay lại từ giai đoạn
nhận dạng để lựa chọn mô hình khác hợp lý hơn.
Bƣớc 5: Kiểm định nhiễu trắng
Mô hình được kiểm tra mức độ phù hợp với chuỗi dữ liệu nghiên cứu bằng kiểm định
phần dư, theo quy định về kiểm định phần dư yêu cầu mô hình phải vượt qua kiểm
định tự tương quan ở ít nhất 12 độ trễ liên tiếp.
Nếu kiểm định mô hình được lựa chọn không thỏa mãn thì quay lại từ giai đoạn nhận
dạng để lựa chọn mô hình khác hợp lý hơn.
Bƣớc 6: Dự báo
Dự báo sau khi kiểm định sai số, nếu mô hình là phù hợp, mô hình sẽ được sử dụng
vào việc dự báo bằng cách nhân hoặc cộng chuỗi hiện tại đã tách yếu tố mùa vụ lại với
yếu tố mùa vụ đã tách. Các tiêu chí được sử dụng để so sánh hiệu quả dự báo là RMSE,

MAE và R2.

6


3

Kết quả

Tách yếu tố mùa vụ
Để tách yếu tố mùa vụ ra khỏi chuỗi, nhóm tác giả thực hiện xác định mô hình là mô
hình nhân tính hay mô hình cộng tính bằng cách sử dụng lệnh line. Nhóm tác giả thu
được đồ thị:
1,600,000
1,400,000
1,200,000
1,000,000
800,000
600,000
400,000
I II III IV
2014

I

II III IV
2015

I


II III IV
2016

I

II III IV
2017

I

II III IV
2018

I
2019

Hình 2. Số lượng khách quốc tế đến Việt Nam từ tháng 1 năm 2014 đến tháng 2 năm
2019
Qua đồ thị, chúng ta nhận thấy dữ liệu có biên độ dao động thay đổi. Do đó, nhóm tác
giả thực hiện tách yếu tố mùa vụ bằng phương pháp trung bình trượt đối với mô hình
nhân tính và thu được bảng sau:

7


Scaling Factors:
1

1.118906


2

1.183383

3

1.039582

4

1.059977

5

0.929549

6

0.877714

7

0.936782

8

1.031236

9


0.912886

10

0.907107

11

1.009389

12

1.040328

Bảng 1. Giá trị yếu tố mùa vụ
Kiểm định tính dừng
Tiếp theo, để thực hiện dự báo cho chuỗi travelsa bằng mô hình ARIMA chuỗi số liệu
được sử dụng phải là chuỗi dừng. Vì vậy cần phải xem xét chuỗi số liệu đã dừng hay
chưa. Trước tiên, dựa vào việc quan sát đồ thị của chuỗi số liệu, sau đó tiến hành kiểm
tra tính dừng này thông qua kiểm định nghiệm đơn vị (Unit Root Test).

8


Null Hypothesis: D(TRAVELSA) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic

Prob.*


Augmented Dickey-Fuller test statistic

-11.93914

0.0000

Test critical values: 1% level

-3.544063

5% level

-2.910860

10% level

-2.593090

Bảng 2. Kết quả kiểm định đơn vị của chuỗi TRAVEL
Theo kết quả của bảng 2 cho thấy, chuỗi travel đã dừng ở sai phân bậc 1.
Nhận dạng mô hình
Sau khi kiểm định được chuỗi travel dừng ở sai phân bậc 1, chúng ta thực hiện chọn
bậc AR(p) tối ưu và bậc MA(q) tối ưu thông qua thao tác lập mô hình Correlogram, ta
được kết quả sau:

9


Partial

Autocorrelation

***| .

|

Correlation

***| .

|

AC

PAC Q-StatProb

-

-

1 0.421 0.421 11.377 0.001
-

.|.

|

.*| .

.|.


|

.|.

|

2 0.048 0.158 11.526 0.003

|

3 0.073 0.037 11.877 0.008
-

.|.

|

.|.

.|.

|

. |*.

|

4 0.003 0.068 11.877 0.018
|


5 0.040 0.092 11.988 0.035
-

.|.

|

.|.

|

6 0.009 0.048 11.993 0.062

.|.

|

.|.

|

7 0.048 0.071 12.160 0.095
-

.|.

|

.|.


|

8 0.010 0.035 12.167 0.144

.|.

|

.|.

|

9 0.029 0.041 12.229 0.201

.|.

|

.|.

|

10 0.041 0.070 12.353 0.262

. |*.

|

. |**


|

11 0.179 0.282 14.817 0.191
-

**| .

|

. |*.

|

.|.

|

12 0.217 0.031 18.493 0.102

.|.

|

13 0.135 0.011 19.954 0.096
-

.*| .

|


-

.*| .

|

14 0.075 0.107 20.419 0.117
-

.|.

|

.*| .

.|.

|

**| .

-

|

-

15 0.031 0.145 20.501 0.154
|


16 10

-

20.743 0.189


0.053 0.224
. |*.

|

.|.

|

17 0.117 0.010 21.942 0.187
-

.*| .

|

.*| .

. |*.

|


.|.

.|.

|

|

18 0.121 0.094 23.248 0.181

|

. |*.

19 0.089 0.062 23.974 0.197
|

20 0.060 0.142 24.316 0.229
-

.*| .

|

.*| .

. |*.

|


.|.

-

|

-

21 0.171 0.099 27.122 0.167

|

22 0.164 0.042 29.760 0.124
-

.*| .

|

.|.

|

23 0.096 0.060 30.687 0.131
-

.*| .

|


.*| .

|

24 0.066 0.119 31.144 0.150
-

.|.

|

.|.

-

|

-

25 0.016 0.059 31.170 0.183
-

-

.|.

|

.|.


|

26 0.028 0.061 31.259 0.219

.|.

|

.|.

|

27 0.070 0.052 31.818 0.239
-

.|.

|

.|.

|

-

28 0.064 0.036 32.293 0.263

Bảng 3. Biểu đồ hàm tự tương quan ACF và tự tương quan từng phần PACF
Nhìn vào bảng 3, nhóm tác giả sử dụng các hệ số ACF để chọn bậc q cho MA và PACF
để chọn bậc p cho AR. Vì D(TRAVELSA) là chuỗi dừng nên ta chọn p,q là những giá

trị nằm ngoài khoảng tin cậy (mức ý nghĩa 5%). Do đó, nhóm tác giả lựa chọn AR(1)
và MA(1,2).

11


Ƣớc lƣợng mô hình
Sau các kiểm định đã thực hiện, nhóm tác giả thu được kết quả mô hình ước lượng như
sau:
Variable

Coefficient

Std. Error t-Statistic

Prob.

C

5585.950

8339.331 0.669832

0.5057

AR(1)

0.944328

0.063067 14.97337


0.0000

MA(1)

-1.568844

0.104175 -15.05974

0.0000

MA(2)

0.672848

0.110592 6.084036

0.0000

SIGMASQ

1.72E+09

3.76E+08 4.586405

0.0000

R-squared

0.258456


Mean dependent var

10628.88

Adjusted R-squared

0.205488

S.D. dependent var

48598.18

S.E. of regression

43318.17

Akaike info criterion

24.28992

Sum squared resid

1.05E+11

Schwarz criterion

24.46295

Log likelihood


-735.8427

Hannan-Quinn criter.

24.35773

F-statistic

4.879525

Durbin-Watson stat

1.870045

Prob(F-statistic)

0.001904

Inverted AR Roots

.94

Inverted MA Roots

.78+.24i .78-.24i
Bảng 4. Kết quả ước lượng của mô hình

Kết quả hồi quy bảng 4 cho thấy, có ba hệ số có ý nghĩa ở mức 1 %. Từ đó nhóm tác
giả đi đến kết luận mô hình có ý nghĩa thông kê.

Tiếp đến, chúng ta nhìn vào hai chỉ số inverted AR Roots và Inverted MA Roots, cả hai
chỉ số này đều nằm trong khoảng từ (-1 ; 1). Nhóm tác giả đi đến kết luận mô hình ổn
định và khả nghịch.

12


Kiểm định phần dƣ
Mô hình sau đó được kiểm tra mức độ phù hợp với chuỗi dữ liệu nghiên cứu bằng
kiểm định phần dư. Ở kiểm định này, nhóm tác giả thực hiện kiểm định tự tương quan
ở ít nhất 12 độ trể liên tiếp.
Autocorrelation

Partial Correlation

AC

PAC

Q-Stat Prob

.|.

|

.|.

|

1


0.058 0.058

0.2154

.|.

|

.|.

|

2

0.022 0.019

0.2472

.|.

|

.|.

|

3

-0.011 -0.014 0.2554


.*| .

|

.*| .

|

4

-0.092 -0.091 0.8240 0.364

.*| .

|

.*| .

|

5

-0.087 -0.077 1.3418 0.511

.*| .

|

.*| .


|

6

-0.095 -0.084 1.9695 0.579

.|.

|

.|.

|

7

-0.023 -0.013 2.0068 0.735

.|.

|

.|.

|

8

0.013 0.009


2.0200 0.846

. |*.

|

. |*.

|

9

0.105 0.091

2.8371 0.829

. |*.

|

. |*.

|

10 0.172 0.146

5.0543 0.653

. |*.


|

. |*.

|

11 0.176 0.154

7.4392 0.490

.*| .

|

.*| .

|

12 -0.153 -0.186 9.2864 0.411

Bảng 5. Biểu đồ tương quan của bình phương phần dư
Biểu đồ ACF của phần dư ở bảng 5 cho thấy, không có thanh nào vượt quá hai đường
biên hay nói cách khác, không có tự tương quan ở 12 độ trễ liên tiếp. Do đó, sai số là
một nhiễu trắng, mô hình thông qua kiểm định nhiễu trắng.
Dự báo
Để thực hiện dự báo, nhóm tác giả tiến hành dự báo toàn mẫu từ tháng 1 năm 2014 đến
tháng 2 năm 2019 và thu được kết quả:

13



2,500,000
2,000,000
1,500,000
1,000,000
500,000
0
-500,000
IIIIIIIVI II III IV
2014

2015

IIIIIIIVI
2016
TRAVELSAF

II III IV I

II III IV

2017

2018

I

Forecast: TRAVELSAF
Actual: TRAVELSA

Forecast sample: 2014M01 2019M02
Adjusted sample: 2014M03 2019M02
Included observations: 60
Root Mean Squared Error
175129.2
Mean Absolute Error
149184.2
Mean Abs. Percent Error
16.16709
Theil Inequality Coefficient
0.094635
Bias Proportion
0.039058
Variance Proportion
0.885102
Covariance Proportion
0.075840
Theil U2 Coefficient
3.311885
Symmetric MAPE
16.09700

2019

± 2 S.E.

Hình 3. Kết quả dự báo chuỗi TRAVELSA từ tháng 1 năm 2014 đến tháng 2 năm 2019
Sau đó sử dụng lệnh “line” để xem xét vị trí tương quan của hai đường TRAVELSA và
TRAVELSAF. Từ đó chọn ra đoạn có sai số nhỏ nhất để xem kết quả dự báo có đáng
tin cậy hay không.

1,400,000
1,300,000
1,200,000
1,100,000
1,000,000
900,000
800,000
700,000
600,000
500,000
I IIIIIIVI
2014

II III

IV I II III IVI IIIIIIVI

2015

2016
TRAVELSA

II III IV
2017

2018

I
2019


TRAVELSAF

Hình 4. Đồ thị phân phối của chuỗi TRAVELSA và chuỗi TRAVELSAF
14


Quan sát hình 4, chúng ta nhận thấy ở đoạn từ tháng 1 năm 2016 đến tháng 6 năm
2016, hai đường TRAVELSA và TRAVELSAF cắt nhau và có chênh lệch không đáng
kể. Do đó, nhóm tác giả quyết định chọn đoạn để xem xét chất lượng dự báo là đoạn
2016m01-2016m06.
1,000,000
960,000

Forecast: TRAVELSAF
Actual: TRAVELSA

920,000

Forecast sample: 2016M01 2016M06

Included observations: 6
Root Mean Squared Error 29300.85
Mean Absolute Error 26162.15
Mean Abs. Percent Error 3.511622
Theil Inequality Coefficient 0.019035
Bias Proportion
0.235391
Variance Proportion 0.276336
Covariance Proportion 0.488274
Theil U2 Coefficient

0.565870
Symmetric MAPE
3.450525

880,000
840,000
800,000
760,000
720,000
680,000
640,000
M1

M2

M3

M4

M5

M6

2016
TRAVELSAF

± 2 S.E.

Hình 5. Kết quả dự báo chuỗi TRAVELSA từ tháng 1 năm 2016 đến tháng 6 năm 2016
Chúng ta thấy chỉ số mean Abs.Percent Error = 3.511622 % < 5%, chứng minh kết quả

dự báo có thể tin cậy, có thể tiến hành dự báo ngoài mẫu.

15


Để thực hiện dự báo ngoài mẫu, nhóm tác giả mở rộng bộ dữ liệu đến tháng 6 năm
2019 và tiến hành dự báo lượng khách quốc tế đến Việt Nam từ tháng 3 năm 2019 đến
tháng 6 năm 2019.
1,500,000
1,450,000
1,400,000
1,350,000
1,300,000
1,250,000
1,200,000
2019m3

2019m4
TRAVELSAF

2019m5

2019m6

± 2 S.E.

Hình 6. Kết quả dự báo chuỗi TRAVELSA từ tháng 3 năm 2019 đến tháng 6 năm 2019
Bước tiếp theo, chúng ta dự báo cho chuỗi gốc TRAVEL bằng cách sử dụng lệnh “genr
travel=travelsa*s” và thu được bảng kết quả:
Thời gian


Lượng khách quốc tế đến Việt Nam

2019M03

1395751

2019M04

1428420

2019M05

1257322

2019M06

1191643

Bảng 6. Kết quả dự báo lượng khách quốc tế đến Việt Nam từ tháng 3
năm 2019 đến tháng 6 năm 2019

16


Sau đó, dùng lệnh “line travelf travel” để vẽ đồ thị dự báo cho chuỗi gốc.
1,600,000
1,400,000

1,200,000

1,000,000

800,000
600,000

400,000
I IIIIIIV I II III IV I
2014

2015

II III IV I

II III IV I

II III IV

I II

2016

2017

2018

2019

TRAVELF

travel


Hình 7. Đồ thị dự báo lượng khách quốc tế đến Việt Nam từ tháng 3 năm 2019 đến
tháng 6 năm 2019

4

Kết luận và gợi ý chính sách

4.1 Kết luận
Bài nghiên cứu sử dụng phương pháp BoxJenkins (1976) để lập mô hình và dự báo
lượng khách quốc tế đến Việt Nam. Kết quả cho thấy mô hình phù hợp nhất là mô hình
ARIMA tách yếu tố mùa vụ và dự báo trong 3 tháng (từ tháng 3 năm 2019 đến tháng 6
năm 2019) lượng khách du lịch đến Việt Nam có xu hướng giảm không đồng đều.
Tháng 3 năm 2019, dự báo lượng khách du lịch giảm từ 1588161 lượt xuống còn
1395751 lượt. Nhưng đến tháng 4 năm 2019, lượng du khách được dự báo tăng lên
1428420 lượt (tức tăng khoảng 32669 lượt khách). Tháng 6 năm 2019, lượng du khách
dự báo giảm đáng kể xuống còn 1191643 lượt khách.

17


Tuy nhiên, do có nhiều yếu tố tác động đến lượng khách du lịch đến Việt Nam như thời
tiết, thị hiếu du lịch,... và có thể ảnh hưởng đến kết quả dự báo, do đó việc dự báo
lượng khách du lịch đến Việt Nam trong tương lai sẽ tồn tại những sai số nhất định. Dù
vậy kết quả nghiên cứu này cũng phần nào cung cấp thông tin nghiên cứu thiết thực
cho các nhà làm chính sách và các công ty du lịch trong việc tìm kiếm những giải pháp
thích hợp để phòng ngừa rủi ro và phát triển ngành kinh tế du lịch Việt Nam.
4.2 Gợi ý chính sách
Với kết quả dự báo trên, nhóm tác giả nhận thấy lượng khách du lịch quốc tế đến Việt
Nam có xu hướng giảm trong thời gian tới, vì vậy nhóm tác giả gợi ý một số hàm ý

chính sách nhằm thu hút khách du lịch quốc tế, tạo ấn tượng tốt với các du khách. Do
đó, ngành du lịch cần chú trọng phát triển cơ sở vật chất hạ tầng du lịch, nâng cao chất
lượng ngành dịch vụ, chuân bị tốt nguồn nhân lực đáp ứng yêu cầu về chất lượng,
ngoại ngữ tốt, cơ cấu ngành nghề và tính chuyên nghiệp. Bên cạnh đó, ngành du lịch
nên tăng cường công nghệ thông tin hiện đại, khai thác hiệu quả Internet, báo chí và
truyền thông để phục vụ cho công tác quảng bá du lịch Việt Nam tại các thị trường
trọng điểm. Đồng thời, việc tăng cường hội nhập hợp tác quốc tế về du lịch là một giải
pháp hiệu quả trong việc mở rộng và phát triển du lịch Việt Nam.

18


5 Danh mục tài liệu tham khảo
TIẾNG VIỆT
GS.TS. Nguyễn Quang Dong, TS.Nguyễn Thị Minh, khoa Toán kinh tế, Đại học Kinh
tế Quốc dân, 2013, Giáo trình Kinh tế lượng.
Chế Minh Hải và Bùi Lê Tuấn Đạt, 2016, Các phương pháp dự báo kinh tế, Trường Đại
học Sài Gòn, Khóa luận tốt nghiệp.
Trường ĐH Kinh tế - Luật, tháng 5 năm 2018, Chuyên san Kinh tế Tài chính Ngân
hàng số 15.
Nghiêm Phúc Hiếu, 2017, Ứng dụng mô hình SARIMA dự báo lượng khách du lịch
đến Việt Nam tới năm 2020.
TIẾNG ANH
Engin Yilmaz, 2015, Forecasting tourist arrivals to Turkey.
NGUỒN SỐ LIỆU:
Tổng cục Du lịch Việt Nam.

19




Xem Thêm

×