Dự báo kim ngạch xuất khẩu hàng may mặc của Việt Nam bằng mô hình chuỗi thời gian ARIMA

ThS. Nguyễn Thị Cẩm Loan
Trường Đại học Tài chính – Marketing

(Quanlynhanuoc.vn) – Bằng mô hình chuỗi thời gian ARIMA theo phương pháp Box-Jenkins, nghiên cứu nhằm dự báo kim ngạch xuất khẩu hàng may mặc của Việt Nam đến năm 2025. Dự báo dựa trên số liệu về kim ngạch xuất khẩu hàng may mặc được thống kê từ tháng 01/2015 – 3/2024 của Tổng cục Thống kê Việt Nam. Nghiên cứu sử dụng biểu đồ tương quan ACF và PACF để kiểm tra tính dừng của chuỗi và xác định các tham số mô hình. Kết quả nghiên cứu cho thấy, mô hình phù hợp nhất để dự báo là ARIMA, mô hình dự báo này cho kết quả với độ chính xác cao. Theo đó, bài viết đề xuất mô hình nghiên cứu ARIMA và ứng dụng để dự báo kim ngạch xuất khẩu hàng may mặc của Việt Nam hiện nay. 

Từ khóa: Mô hình chuỗi ARIMA; dự báo kim ngạch xuất khẩu; hàng may mặc Việt Nam. 

1. Đặt vấn đề

Hiện nay, ngành Dệt may là một trong những ngành công nghiệp chính của Việt Nam có thị trường xuất khẩu lớn đến 100 nước, vùng lãnh thổ¹, kim ngạch xuất khẩu cao, chiếm 12 – 16% tổng kim ngạch xuất khẩu hàng hóa của cả nước². Các thị trường nhập khẩu hàng may mặc trọng điểm của Việt Nam hiện nay là Mỹ, Nhật Bản, Hàn Quốc, Liên minh Châu Âu, tiếp đến là Canada. Tuy nhiên, theo Hiệp hội Dệt may Việt Nam (VITAS), trong năm 2023, kim ngạch xuất khẩu dệt may nói chung của Việt Nam giảm 10% so với năm 2022³, trong đó kim ngạch xuất khẩu đến các thị trường chính đều sụt giảm do nhiều nguyên nhân. Nhưng theo các chuyên gia trong ngành, xuất khẩu dệt may nói chung và hàng may mặc nói riêng vẫn có triển vọng trong thời gian tới. Đến nay, vẫn chưa có nghiên cứu dự báo kim ngạch xuất khẩu hàng may mặc đến năm 2025, vì vậy, bài viết sẽ tiến hành dự báo kim ngạch xuất khẩu hàng may mặc trong thời gian tới dựa trên dữ liệu cụ thể để cung cấp một cơ sở khoa học chính thức nhằm giúp ngành Dệt may sắp xếp bố trí, sử dụng nguồn lực một cách hiệu quả. 

2. Cơ sở lý thuyết

Thứ nhất, tổng quan các nghiên cứu.

Theo lược khảo của tác giả, có một số mô hình và phương pháp được dùng để nghiên cứu dự báo, tên gọi của các phương pháp dự báo cũng chưa thống nhất nhau. Theo Gordon (một nhà nghiên cứu người Mỹ làm việc tại Tổ chức nghiên cứu toàn cầu – The Millennium Project), có 8 phương pháp dự báo, gồm: tiên đoán, ngoại suy xu hướng, phương pháp chuyên gia, phương pháp mô phỏng, phương pháp ma trận tác động qua lại, phương pháp kịch bản, phương pháp cây quyết định, phương pháp dự báo tổng hợp. 

Ở Việt Nam, các phương pháp dự báo nói chung được chia làm hai loại: phương pháp định tính và phương pháp định lượng. Phương pháp định tính có mức độ phức tạp khác nhau, thực hiện dự báo dựa trên ý kiến đánh giá của những người liên quan hay sử dụng các kỹ thuật phân tích, thống kê, mô tả, hệ thống hóa các dữ liệu, thông tin. Phương pháp này phù hợp cho đối tượng nghiên cứu có số liệu thống kê chưa đầy đủ, phát triển có độ bất ổn lớn. Trong khi đó, phương pháp dự báo định lượng là phương pháp xây dựng mô hình dự báo dựa trên số liệu quá khứ, những số liệu này được giả sử có liên quan đến tương lai và có thể tìm được đầy đủ qua chuỗi thời gian; từ đó, vận dụng mô hình hồi quy tuyến tính đơn giản, hoặc mô hình toán học để dự báo. 

Nhiều tác giả cho rằng, trong số các mô hình dự báo theo phương pháp định lượng thì mô hình ARIMA thể hiện khả năng vượt trội để dự báo các yếu tố vĩ mô và vi mô. Trong đó có dự báo chỉ số giá tiêu dùng, dự báo giá tôm sú Việt Nam, dự báo kim ngạch xuất khẩu hàng may mặc Việt Nam. Tương tự, một số tác giả ở nước ngoài cũng sử dụng ARIMA để dự báo kết quả xuất khẩu hàng hóa như dự báo kim ngạch xuất khẩu trà từ Ấn Độ, dự báo lượng hàng xuất khẩu của Indonexia, dự báo kim ngạch xuất khẩu của Pakistan,…

Thứ hai, số liệu xuất khẩu hàng may mặc.

Theo Tổng cục Thống kê (GSO), kim ngạch xuất khẩu hàng dệt may mà GSO thống kê không bao gồm kim ngạch xuất khẩu xơ, sợi dệt các loại; nguyên phụ liệu dệt, may, da, giày; túi xách, ví, va li, mũ, ô dù. Hay nói cách khác, kim ngạch xuất khẩu hàng dệt may do GSO thống kê chỉ bao gồm kim ngạch xuất khẩu của các sản phẩm may mặc làm từ vải (hay còn gọi là hàng may mặc). Số liệu xuất khẩu hàng may mặc qua các năm được thể hiện chi tiết trong Bảng 1.

Bảng 1: Số liệu kim ngạch xuất khẩu hàng may mặc từ tháng 01/2015 – 3/2024

Đơn vị tính: 1.000 USD

	Năm
Tháng	2015	2016	2017	2018	2019	2020	2021	2022	2023	2024
1	1.888.759,43	2.036.969,05	2.143.173,43	2.490.923,25	3.294.071,98	2.470.383,35	2.660.832,01	3.571.336,19	2.250.526,49	3.132.954,01
2	1.312.249,61	1.214.877,11	1.391.138,54	1.624.195,34	1.305.399,93	2.226.006,09	1.822.841,77	2.065.292,68	2.298.070,25	2.024.071,17
3	1.606.512,14	1.846.755,23	2.104.734,94	2.310.199,72	2.526.658,50	2.336.230,17	2.722.180,88	3.041.730,05	2.622.850,67	2.663.520,36
4	1.612.619,62	1.737.833,70	1.868.234,20	2.106.846,59	2.335.191,79	1.614.993,94	2.455.257,41	3.153.379,95	2.548.661,87
5	1.685.970,03	1.770.536,23	1.917.462,27	2.382.486,73	2.730.828,63	1.917.268,45	2.570.137,53	3.168.068,20	2.929.642,53
6	2.092.553,65	2.224.010,57	2.362.111,59	2.727.293,89	2.899.580,43	2.616.869,92	3.079.457,86	3.530.808,06	3.079.823,82
7	2.365.737,24	2.302.096,22	2.451.320,49	2.880.791,41	3.311.054,90	3.064.738,96	3.150.865,23	3.709.007,29	3.318.494,57
8	2.268.458,06	2.448.172,27	2.660.375,51	3.238.397,31	3.369.103,12	3.016.784,41	2.647.964,06	4.045.062,99	3.464.876,92
9	2.114.812,17	2.148.940,38	2.367.773,81	2.689.559,01	2.841.583,06	2.899.726,35	2.298.221,81	2.729.365,91	2.582.511,54
10	1.957.462,89	1.922.813,97	2.220.659,60	2.720.939,42	2.673.852,46	2.566.563,83	2.683.315,89	2.715.943,61	2.575.378,22
11	1.706.000,00	1.883.716,56	2.160.554,00	2.525.419,59	2.583.706,20	2.247.969,75	3.050.596,16	2.915.583,83	2.755.358,53
12	2.197.591,16	2.288.157,35	2.472.256,02	2.791.640,80	2.979.194,32	2.832.267,10	3.611.928,07	2.921.066,77	2.902.949,13
Tổng	22.808.725,99	23.824.878,63	26.119.794,40	30.488.693,07	32.850.225,31	29.809.802,31	32.753.598,67	37.566.645,54	33.329.144,54
Tăng trưởng		4%	10%	17%	8%	-9%	10%	15%	-11%

Nhìn chung, kim ngạch xuất khẩu hàng may mặc tăng trưởng qua các năm, trừ năm 2020 và năm 2023. Năm 2020, kim ngạch xuất khẩu hàng may mặc sụt giảm so với năm trước do ảnh hưởng nặng nề của đại dịch Covid-19, các nước áp lệnh giãn cách xã hội, phong tỏa từ cục bộ đến toàn diện dẫn đến tổng cầu hàng may mặc sụt giảm chưa từng có trong năm 2020, khách hàng hoãn hoặc hủy nhiều đơn hàng. Đặc biệt, dịch bệnh diễn biến phức tạp tại các thị trường nhập khẩu lớn như Mỹ và châu Âu khiến hàng may mặc cũng như các mặt hàng khác xuất sang các thị trường này đều sụt giảm mạnh. Ngoài ra, giá nhập khẩu hàng thời trang trong thời gian đó vào các thị trường lớn cũng giảm sút ở mức độ chưa từng có. Đến năm 2021, 2022, dịch bệnh dần được kiểm soát, kinh tế dần phục hồi nên nhu cầu tiêu dùng hàng may mặc quay trở lại. Tuy nhiên, năm 2023, kim ngạch xuất khẩu hàng may mặc lại sụt giảm so với năm trước, do khách hàng đã nhập khẩu khối lượng rất lớn hàng dệt may để sẵn sàng cho nền kinh tế phục hồi, nhưng sau đó nền kinh tế suy thóai, người dân thắt chặt chi tiêu nên lượng hàng tồn kho rất lớn. Dù vậy, kim ngạch xuất khẩu năm 2023 cũng có xu hướng vượt qua thời điểm trước đại dịch Covid-19. 

Thứ ba, mô hình nghiên cứu dự báo ARIMA.

Mô hình ARIMA được cho là rất phù hợp đối với những quan hệ tuyến tính giữa dữ liệu hiện tại, dữ liệu quá khứ. Mô hình này được xây dựng theo phương pháp luận Box-Jenkins gọi là mô hình trung bình trượt, đồng tích hợp, tự hồi quy (Autoregressive Intergrated Moving Avera), được hình thành bởi sự kết hợp 3 thành phần  chính:  AR (Augmented  Reality) là tự hồi quy, I (Intergrated) là tính dừng của chuỗi thời gian và MA (Moving Average) là trung bình trượt⁵. 

– Mô hình  tự hồi  quy (AR): Mô hình tự hồi quy bậc p, viết là (AR(p)) mô tả các giá trị hiện tại của biến Y_t phụ thuộc tuyến tính vào các giá trị trễ của nó. Mô hình tự hồi quy bậc p có dạng như sau: 

Y_t=B₀+B₁Y_t−1+B₂Y_t−2+⋯+BpY_t−p+ε_t       (1)

trong đó, Y_t: các giá trị biến Y dự đoán; Y_t−1, Y_t−2, …, Y_t−p: là các giá trị trễ của biến Y trong khoảng thời gian T; ε_t là sai số của phương trình; B₀, B₁, B₂, B_P: Hệ số phương trình độ dốc

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

Mô hình trung bình trượt MA(q) có dạng: 

Y_t = θ₀ +ε_t + θ₁ε_t−1 + θ₂ε_t−2 + ⋯ + θ_qε_t−q,      t=1,2,…n  (2)

trong đó, Y_t: các giá trị biến Y được dự báo; θ₀, θ₁, θ₂, θ_q: là các trọng số; ε_t: sai số ngẫu nhiên; ε_t−1,ε_t−2, ε_t−q : là độ trễ của biến ước lượng Y_t

– Mô hình trung bình trượt và tự hồi quy (ARMA): Cơ chế để có Y_t không chỉ là AR hoặc MA mà có thể kết hợp cả 02 yếu tố này. Khi kết hợp cả 2 yếu tố, mô hình được gọi là mô hình trung bình trượt tự hồi quy ARMA. Trong đó, Y_t là mô hình ARMA(1,1) nếu Y_t có thể biểu diễn dưới dạng:

Y_t = θ + B₁Y_t−1+ θ₀ε_t + θ₁ε_t−1       (3)

Tổng quát, Y_t là quá trình ARMA(p,q) nếu Y_t có thể biểu diễn dưới dạng:

Y_t=θ+B₁Y_t−1+B₂Y_t−2+…+B_pY_t−p + θ₀ε_t + θ₁ε_t−1+…+θ_qε_t−q        (4)

– Mô hình trung bình trượt, tích hợp, tự hồi quy (ARIMA): Một chuỗi thời gian có thể chuỗi dừng hoặc chuỗi không dừng. Chuỗi được gọi là tích hợp hay dừng tại bậc d, nếu sai phân bậc d là một chuỗi dừng, ký hiệu I(d). Nghĩa là nếu d=0 thì chuỗi xuất phát là chuỗi dừng, nếu d=1, chuỗi xuất phát không dừng và sai phân bậc 1 là chuỗi dừng. Quá trình tích hợp này có thể được lặp lại nhiều lần cho đến khi có một chuỗi dừng. Nếu chuỗi Y_t dừng tại sai phân bậc d, áp dụng mô hình ARMA(p,q) cho chuỗi sai phân bậc d thì mô hình là ARIMA(p,d,q). Trong đó, d là số lần sai phân chuỗi Yt để được một chuỗi dừng, p và q là bậc tương ứng của chuỗi dừng với p là bậc của AR, q là bậc của MA.

Tổng quát hơn, nếu biết các tham số p, q, d, khi đó ta có thể mô hình hóa được chuỗi Y_t như sau: 

Y_t = B₀ + B₁Y_t−1 +⋯+ B_pY_t−p + θ₁ε_t−1 +⋯+ θ_qε_t−q + ε_t      (5)

3. Dữ liệu và phương pháp nghiên cứu ARIMA

(1) Dữ liệu chuỗi thời gian của nghiên cứu này là dữ liệu thứ cấp về kim ngạch xuất khẩu hàng may mặc được tổng hợp từ các báo cáo của Tổng cục Thống kê qua các năm. Dữ liệu gồm 111 số liệu kim ngạch xuất khẩu của các tháng, bắt đầu từ tháng 01/2015 – 3/2024, được xử lý bằng phần mềm Excel và Eviews 12.

(2) Phương pháp nghiên cứu ARIMA, nghiên cứu dự báo theo mô hình ARIMIA phương pháp luận Box-Jenkins gồm bốn bước:

Bước 1: Nhận dạng xem mô hình thuộc AR, MA, ARMA hay ARIMA. Xem xét tính dừng của mô hình và xác định các giá trị p, d, q. Nếu chuỗi xuất phát dừng thì mô hình là MA, AR hoặc ARMA. Nếu chuỗi không dừng thì xác định sai phân d để chuỗi dừng và mô hình lúc đó là ARIMA (p,d,q). 

Tiếp theo, kiểm tra lược đồ của hàm tự tương quan (ACF- Autocorrelation Function) và hàm tương quan riêng phần PACF tại các độ trễ để xác định bậc tự hồi quy p và bậc trung bình trượt q, từ đó xác định các mô hình. 

Bước 2: Ước lượng mô hình là ước lượng các tham số, nghiên cứu sử dụng phương pháp ước lượng cực đại hợp lý để ước lượng giá trị các tham số này. Ở bước này, cần xem xét số biến có ý nghĩa, R-bình phương hiệu chỉnh, AIC, SBIC của các mô hình để lựa chọn mô hình phù hợp nhất.

Bước 3: Kiểm định, sau khi tạm thời chọn được mô hình phù hợp nhất, cần tiến hành kiểm định tính hợp lý, tính hiệu quả của mô hình được lựa chọn bằng cách phân tích phần dư. Nếu mô hình chưa đạt, cần quay lại bước 1 để tìm mô hình tốt hơn.

Bước 4: Tiến hành dự báo là dự báo một phần giá trị trong quá khứ và so sánh với thực tế để kiểm tra xem dự báo chính xác với thực tế không, và sau đó dự báo giá trị tương lai của dữ liệu, đồng thời đưa ra khoảng tin cậy của dự báo.

4. Kết quả nghiên cứu

a. Kiểm tra tính dừng và xác định sai phân d cho chuỗi dừng

Tiến hành kiểm tra chuỗi số liệu xuất phát lấy từ website của Tổng Cục Hải Quan. Đồ thị cho thấy chuỗi số liệu về kim ngạch xuất khẩu hàng may mặc của Việt Nam (Y_t) tăng lên, giảm xuống biến động ngẫu nhiên, như vậy là chuỗi dữ liệu không dừng.

Cũng có thể thể kiểm tra thêm tính dừng của chuỗi bằng cách kiểm tra ADF (Augmented Dickey-Fuller) bậc 0. Kết quả có P-value = 0.9586 (lớn hơn 5%) nên một lần nữa khẳng định chuỗi số liệu kim ngạch xuất khẩu hàng may mặc là chuỗi không dừng.

Tiếp đến, cần xác định sai phân d dể chuỗi dừng. Kết quả cho thấy tại sai phân bậc 1, P-value rất nhỏ = 0.0000 nên kết luận chuỗi dừng tại sai phân bậc 1.

Dùng EViews xử lý 95 mẫu số liệu từ tháng 01/2015 – 12/2022 để tìm bậc cho AR và MA, giữ lại số liệu từ tháng 01/2023 – 3/2024 để sau này so sánh dự báo và thực tế. Dựa vào kết quả lược đồ tự tương quan (ACF) và tương quan riêng (PACF), giá trị nằm ngoài khoảng tin cậy có thể là bậc của mô hình và từ đó xác định bậc q của AR và bậc p của MA. Đồ thị cho thấy bậc của AR (1, 12, 24, 36), bậc của MA(1, 11). Vậy, cần xem xét lựa chọn mô hình phù hợp trong các mô hình ARIMA(1,1,1), ARIMA(1,1,11), ARIMA(12,1,1), ARIMA(12,1,11), ARIMA (24,1,1), ARIMA(24,1,11), ARIMA(36,1,1), ARIMA(36,1,11).

b. Ước lượng mô hình và lựa chọn mô hình phù hợp

Dùng EViews ước lượng các mô hình trên, ta có các tham số của các mô hình.

Bảng 2: So sánh các tham số từ các mô hình

Các mô hình	Số biến có ý nghĩa	R2 hiệu chỉnh	AIC	SBIC
ARIMA(1,1,1)	2	0,25	28,8	28,88
ARIMA(1,1,11)	1	0,09	28,99	29,06
ARIMA(12,1,1)	2	0,48	28,48	28,55
ARIMA(12,1,11)	1	0,33	28,71	28,79
ARIMA(24,1,1)	2	0,49	28,5	28,57
ARIMA(24,1,11)	1	0,36	28,72	28,8
ARIMA(36,1,1)	2	0,6	28,37	28,45
ARIMA(36,1,11)	1	0,51	28,57	28,65

Khi lựa chọn mô hình, ưu tiên mô hình có nhiều biến ý nghĩa, R-bình phương hiệu chỉnh cao, AIC thấp và SBIC thấp. Trong số các mô hình có 2 biến có ý nghĩa ở Bảng 2, mô hình ARIMA(36,1,1) là mô hình tối ưu nhất.

c. Kiểm định mô hình

Xem xét phần dư để kiểm định lại tính hiệu quả của mô hình ARIMA(36,1,1). Lược đồ ACF và PACF của mô hình này không có bậc nào bị nằm ngoài khoảng tin cậy, vậy, kết luận mô hình này hiệu quả để tiến hành dự báo.

d. Tiến hành dự báo

Trước hết cần kiểm tra sai số của dự báo. Dữ liệu đầu vào của mô hình là kim ngạch xuất khẩu hàng may mặc từ tháng 01/2015 – 12/2022 được lọc ra từ Bảng 1. Tiến hành dự báo số liệu về kim ngạch xuất khẩu hàng may mặc cho các quý trong năm 2023 và Quý I/2024 để so sánh với số liệu thực tế. 

Đồ thị dự báo của mô hình ARIMA(36,1,1) thể hiện Export_v (là kim ngạch xuất khẩu thực tế) và Export_VF (là kim ngạch xuất khẩu dự báo), hai đường này đi theo xu hướng giống nhau hay đồ thị cho thấy dự báo khá chính xác. 

Kết quả dự báo được trình bày trong Bảng 3 cho thấy, dự báo kim ngạch xuất khẩu năm 2023 và Quý I/2024 với mức sai số chấp nhận được. Sai số trung bình của nguyên năm 2023 là -1,1% (trong đó, sai số lớn nhất là Quý II với tỉ lệ -8%, sai số nhỏ nhất là của Quý IV/2023 với tỉ lệ 1%), còn sai số dự báo của Quý I/2024 so với thực tế là 3,1%. 

Bảng 3: So sánh kết quả dự báo mô hình với số liệu thực tế

Đơn vị tính: 1.000 USD

Thời gian	kim ngạch xuất khẩu thực tế	kim ngạch xuất khẩu dự báo	Tỉ lệ
2023M01	2.250.526	2.436.950
2023M02	2.298.070	2.464.896
2023M03	2.622.851	2.742.500
Quý I/2023	7.171.447	7.644.346	6.6%
2023M04	2.548.662	2.334.713
2023M05	2.929.643	2.697.529
2023M06	3.079.824	2.840.084
Quý II/2023	8.558.129	7.872.326	-8.0%
2023M07	3.318.495	3.105.407
2023M08	3.464.877	3.221.645
2023M09	2.582.512	2.800.230
Quý III/2023	9.365.884	9.127.282	-2.5%
2023M10	2.575.378	2.739.000
2023M11	2.755.359	2.590.360
2023M12	2.902.949	2.990.000
Quý IV/2023	8.233.686	8.319.360	1.0%
Năm 2023	33.329.146	32.963.314	-1.10%
2024M01	3.132.954	2.871.036
2024M02	2.024.071	2.281.048
2024M03	2.663.520	2.914.229
Quý I/2024	7.820.545	8.066.313	3.1%

Như vậy, mô hình được lựa chọn cho kết quả dự báo khá chính xác, tác giả tiếp tục tiến hành dự báo kim ngạch xuất khẩu cho Quý II, III, IV/2024 và các Quý V/2025. Kết quả dự báo được trình bày trongBảng 4.

Bảng 4: Kết quả dự báo cho các quý còn lại của năm 2024 và năm 2025

Đơn vị tính: 1.000 USD

Thời gian	kim ngạch xuất khẩu dự báo	Thời gian	kim ngạch xuất khẩu dự báo
Năm 2024		Năm 2025
		2025M01	3.512.077
		2025M02	2.451.746
		2025M03	3.139.208
		Quý I/2025	9.103.031
2024M04	2.726.301	2025M04	3.217.815
2024M05	2.807.182	2025M05	3.228.156
2024M06	3.165.770	2025M06	3.483.543
Quý II/2024	8.699.253	Quý II/2025	9.929.514
2024M07	3.216.044	2025M07	3.609.005
2024M08	2.861.976	2025M08	3.845.605
2024M09	2.615.740	2025M09	2.919.287
Quý III/2024	8.693.760	Quý III/2025	10.373.897
2024M10	2.886.866	2025M10	2.909.837
2024M11	3.145.450	2025M11	3.050.394
2024M12	3.540.656	2025M12	3.054.254
Quý IV/2024	9.572.972	Quý IV/2025	9.014.485
Năm 2024	35.032.298	Năm 2025	38.420.927

5. Một số kiến nghị

Bài viết sử dụng số liệu về kim ngạch xuất khẩu hàng may mặc gần 10 năm trở lại đây (từ tháng 01/2015 – 3/2024) trên website chính thức của Tổng cục Thống Kê. Trong các mô hình dự báo, mô hình ARIMA(36,1,1) được xét thấy là mô hình phù hợp nhất để sử dụng dự báo kim ngạch xuất khẩu hàng may mặc. Khi so sánh kết quả dự báo của mô hình có tổng kim ngạch xuất khẩu hàng may mặc của Việt Nam năm 2023 là 33,329 tỷ USD với kết quả thực tế đã thực hiện được là 32,963 tỷ USD cho thấy, sai số dự báo là – 1,1%. Kim ngạch xuất khẩu hàng may mặc của Quý I/2024 dự báo là 8,066 tỷ USD so với kim ngạch xuất khẩu thực tế đã đạt được là 7,820 tỷ USD có sai số là 3,1%. Như vậy, nghiên cứu dự báo khá chính xác với sai số nhỏ so với chuỗi số liệu đã biết trong quá khứ, điều này cho thấy mô hình ARIMA(36,1,1) được lựa chọn là hợp lý và hiệu quả. Kết quả cho thấy kim ngạch xuất khẩu hàng may mặc cả năm 2024 dự báo đạt 35,032 tỷ USD, tăng 5,1% so với năm 2023 và kết quả dự báo của năm 2025 là 38,420 tỷ USD, tăng 15,3% so với năm 2023⁷.

Để đạt được tăng trưởng về kim ngạch xuất khẩu hàng may mặc như dự báo, các bên liên quan trong lĩnh vực may mặc xuất khẩu cần nghiên cứu xây dựng các chiến lược phù hợp.

Một là, đối với Nhà nước cần tiếp tục phát triển nguồn nguyên liệu trong chuỗi cung ứng cho doanh nghiệp xuất khẩu may mặc (doanh nghiệp xuất khẩu may mặc) theo hướng đẩy mạnh tỷ lệ nội địa hóa phát huy chuỗi cung ứng nội tại nhằm giải quyết tình trạng thiếu nguyên phụ liệu lớn từ trong nước (một vấn đề kéo dài nhiều năm nay) phù hợp với xu thế khách hàng nhập khẩu chuyển từ chuỗi cung ứng ở nhiều nước sang chuỗi cung ứng tập trung; đáp ứng yêu cầu về xuất xứ của các nhà nhập khẩu theo các hiệp định thương mại tự do đã ký kết; giảm phụ thuộc vào nguồn nguyên liệu nhập khẩu từ Trung Quốc mà hiện nay Hoa Kỳ (thị trường nhập khẩu hàng may mặc lớn nhất của Việt Nam) kiểm soát gắt gao và không chấp nhận nguồn nguyên liệu thô để sản xuất vải từ khu Tân Cương do nguyên liệu vùng này được làm ra bởi lao động cưỡng bức. 

Quan tâm đến các quy định “xanh hóa chuỗi cung ứng ngành dệt may” từ các nước nhập khẩu, sớm hoàn thiện quy định về lao động, môi trường, quy trình để hướng dẫn doanh nghiệp nhanh chóng thích ứng với yêu cầu mới của thị trường. Hỗ trợ cho các doanh nghiệp thực hiện các dự án xanh hóa với vốn vay thấp.

Hai là, đối với Hiệp hội Dệt may Việt Nam. Tổ chức kết nối các doanh nghiệp trong nước với nhau và với các doanh nghiệp đầu tư nước ngoài nhằm hình thành chuỗi cung ứng, mở rộng thị trường xuất khẩu hàng may mặc. Nắm bắt xu hướng chuyển đổi xuất khẩu xanh, bền vững và truyền tải kịp thời thông tin, hướng dẫn đến doanh nghiệp, hội viên. Đồng thời, phối hợp với các tổ chức quốc tế có uy tín triển khai các chương trình hỗ trợ doanh nghiệp về quản trị, chuyển đổi xanh, công nghệ mới. Phổ biến tầm quan trọng về trách nhiệm xã hội (trước hết là các chính sách với người lao động) cho doanh nghiệp xuất khẩu may mặc

Ba là, đối với các doanh nghiệp xuất khẩu may mặc. Không ngừng nghiên cứu, cập nhật xu hướng, nhu cầu từ thị trường, hướng tới sản xuất xanh, xuất khẩu bền vững. Doanh nghiệp cần lưu tâm đến ba khía cạnh kinh tế, người lao động và môi trường, cụ thể: cần mạnh dạn tìm kiếm các đơn hàng với các phương thức sản xuất, xuất khẩu đem lại giá trị gia cao hơn như OEM, ODM, OBM thay vì tập trung vào gia công; đầu tư vào quản trị số, tự động hóa ở một số dây chuyền sản xuất, nâng cao tay nghề người lao động; triển khai thực hiện quy trình sản xuất xanh, tiêu tốn ít năng lượng và tiết kiệm tài nguyên, giảm thiểu phát thải các bon để hàng hóa có chứng chỉ xanh khi xuất khẩu nhằm đáp ứng yêu cầu hội nhập.  

6. Kết luận

Việc sử dụng mô hình ARIMA trong dự báo kim ngạch xuất khẩu hàng may mặc của Việt Nam giúp các doanh nghiệp xuất khẩu trong ngành nắm được số liệu dự báo xuất khẩu chung của ngành so với quá khứ, từ đó doanh nghiệp xuất khẩu hàng may mặc có các chiến lược, cách thức để hướng đến đạt được mức xuất khẩu mong muốn. Đồng thời, đây cũng là công cụ hỗ trợ, nguồn tham khảo đối với Hiệp hội Dệt may Việt Nam, các nhà hoạch định chính sách trong việc ra quyết định liên quan đến xuất khẩu hàng may mặc.

Để có kết quả dự báo, trước hết bộ dữ liệu của GSO phải chuẩn chỉnh và cập nhật thường xuyên. Tuy nhiên, việc dự báo có thể bị ảnh hưởng của các yếu tố bất thường bên ngoài, như: lạm phát toàn cầu, tỷ lệ thất nghiệp, lãi suất, căng thẳng địa chính trị, thiên tai… Khi lạm phát giảm thì dù có xung đột khu vực, tăng trưởng thương mại có thể vẫn sẽ tốt lên (OECD, 2024; WB, 2024), tỷ lệ thất nghiệp hiện cũng đạt mức thấp và thu nhập thực tế của hộ gia đình được cải thiện tác động đến sức mua toàn cầu (ILO, 2024). Do vậy, nghiên cứu dự báo tiếp theo có thể đề cập đến các yếu tố bên ngoài.

Chú thích:
1. International Trade Center – Intracen (2024). Trade statistics. https://www.trademap.org/Country_SelProductCountry.aspx?nvpm=1%7c704%7c%7c%7c%7c61%7c%7c%7c2%7c1%7c2%7c2%7c1%7c%7c2%7c1%7c1%7c1.
2. Thúc đẩy xanh hóa ngành dệt may. https://tapchitaichinh.vn/thuc-day-xanh-hoa-nganh-det-may.
3. Vinatex (01/02/2024). Soi chiếu thị trường dệt may năm 2023 – Tìm xung lực cho năm 2024. https://vinatex.com.vn/soi-chieu-thi-truong-det-may-nam-2023-tim-xung-luc-cho-nam-2024.
4. Tổng cục Thống Kê (từ năm 2015 – 2024). Dữ liệu và số liệu thống kê. https://www.gso.gov.vn/du-lieu-va-so-lieu-thong-ke/.
5, 6. Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2008), Time series analysis: forecasting and control (4th ed.),  New Jersey, USA: John Wiley & Sons, p. 354 – 411.
7. Tổng cục Thống Kê (2023). Số liệu xuất nhập khẩu các tháng năm 2023.https://www.gso.gov.vn/du-lieu-va-so-lieu-thong-ke/2023/03/so-lieu-xuat-nhap-khau-cac-thang-nam-2023/.
Tài liệu tham khảo:
1. An, M. H. (2023). Sử dụng mô hình ARIMA dự báo kim ngạch xuất khẩu hàng may mặc Việt Nam. Tạp chí Công Thương, 10(4/2023), tr. 104 – 109.
2. Huyền, N. T. T., & Sơn, N. T. (2022). Dự báo chỉ số giá tiêu dùng tại Việt Nam bằng mô hình ARIMA. Tạp chí nghiên cứu tài chính kế toán, 7 (228), tr. 13 – 16.
3. Ngọc, L. N. B., Hòa, T. A., & Thông, L. Q. (2018). Mô hình dự báo giá tôm sú xuất khẩu Việt Nam. Tạp chí Khoa học Đại học Cần Thơ, 54(6), tr. 188 – 195. 
2. Ghauri, S. P., Ahmed, R. R., Streimikiene, D., & Streimikis, J. (2020). Forecasting Exports and Imports by using Autoregressive (AR) with Seasonal Dummies and Box-Jenkins Approaches: A Case of Pakistan. Engineering Economics, 31(3), p. 291 – 301.
3. Ghosh, S. (2017). Forecasting Exports of Tea from India : Application of Arima Model. Journal of Commerce & Trade, 12(2). 
4. Gordon, T. J. (1992). The methods of futures research. The Annals of the American Academy of Political and Social Science, No. 522(1), p. 25-35.
5. Kumar, K. A., Pinto, P., Spulbar, C., Birau, R., Hawaldar, I. T., Vishal, S., & Bărbăcioru, I. C. (2023). ARIMA model to forecast the RSS-1 rubber price in India: A case study for textile industry.  Industria Textila, 74(02), p. 238 – 245.
6. Royan, A. K., Desanti, R. I., & Yanti. (2021). Prediction of The Export Value in Indonesia for The Year 2021 as The Impact of Covid-19 Pandemic Using ARIMA Algorithm. 2021 6th International Conference on New Media Studies (CONMEDIA), xi, p. 46 – 53.