The role of Python in economic analysis
TS. Phạm Duy
PGS.TS Đỗ Thị Kim Tiên
Học viện Hành chính và Quản trị công
Email: duyp@apag.edu.vn
(Quanlynhanuoc.vn) – Bài viết tập hợp và phân tích 14 nghiên cứu được công bố trong giai đoạn 2012–2026, thu thập từ các cơ sở dữ liệu thư mục OpenAlex và Semantic Scholar; trong đó, Python hoặc một thư viện Python cụ thể đóng vai trò là đối tượng phân tích chính trong bối cảnh kinh tế học, thay vì chỉ là một chi tiết triển khai kỹ thuật không được chú trọng. Các công trình được đưa vào bao gồm bài viết về thư viện và gói phần mềm, giới thiệu bộ công cụ và khung làm việc, so sánh ngôn ngữ, minh họa ứng dụng và các nghiên cứu về chương trình giảng dạy. Mục tiêu của bài viết là cung cấp cho các nhà kinh tế học và giảng viên phương pháp nghiên cứu một bức tranh tổng thể về hệ sinh thái Python trong kinh tế học, đồng thời xác định những khoảng trống về phạm vi ứng dụng kinh tế lượng, thực hành khả năng tái lập nghiên cứu và bằng chứng về kết quả học tập mà các nghiên cứu trong tương lai cần giải quyết.
Từ khóa: Vai trò của Python; phân tích kinh tế; ứng dụng kinh tế lượng; bằng chứng; kết quả nghiên cứu.
Abstract: This article compiles and analyzes 14 studies published between 2012 and 2026, sourced from the OpenAlex and Semantic Scholar bibliographic databases; in these studies, Python or a specific Python library serves as the primary subject of analysis in the context of economics, rather than merely a technical implementation detail that receives little attention. The included works encompass articles on libraries and software packages, introductions to toolkits and frameworks, language comparisons, application examples, and studies on curricula. This paper aims to provide economists and instructors with a comprehensive overview of the Python ecosystem in economics, while identifying gaps in econometric applications, research reproducibility practices, and evidence on learning outcomes that future studies need to address.
Keywords: The role of Python; economic analysis; econometric applications; evidence; research findings.
1. Đặt vấn đề
Sự tiến bộ của kinh tế lượng hiện đại trong kỷ nguyên số đang yêu cầu các công cụ tính toán không chỉ chuẩn xác về mặt lý thuyết mà còn phải có khả năng mở rộng để xử lý các tập dữ liệu lớn phục vụ hoạch định chính sách. Các phân tích kinh tế đã và đang chuyển từ các phương thức tính toán khép kín, độc quyền sang quy trình làm việc mở hơn.Thay cho các phần mềm thương mại độc quyền: MATLAB, Stata, EViews hoặc SAS cho phân tích kinh tế, Python gia nhập lĩnh vực này từ bên ngoài với tư cách là một ngôn ngữ mã nguồn mở đa năng, có hệ sinh thái khoa học.
Đóng góp của Python nằm ở việc tạo ra một lớp trung gian mang tính tạm thời, kiểm chứng nằm giữa dữ liệu và chính sách; lớp trung gian trong hoạch định chính sách này cần được củng cố bởi yếu tố dữ liệu lịch sử ở khâu đầu vào cùng các hiệu quả kinh tế ở khâu đầu ra. Cho đến nay, chưa có công trình tổng hợp nào kết nối các khía cạnh này để đánh giá xem, xét một cách tổng thể về vai trò của Python trong phân tích kinh tế, những xu hướng sử dụng Python để dự báo và giải quyết các mô hình kinh tế, cách nó hỗ trợ thu thập và xử lý các bộ dữ liệu lớn.
2. Phương pháp nghiên cứu
Bài viết được thực hiện và báo cáo tuân theo PRISMA 2020 (Page et al., 2021), với sự điều chỉnh phù hợp với các quy ước của một báo cáo tổng hợp bằng chứng, nơi mục tiêu là lập bản đồ tổng quan về các tài liệu nghiên cứu (bao gồm cả lý thuyết phương pháp luận và ứng dụng thực tiễn) thay vì gộp các ước tính về hiệu quả. Các bằng chứng được tổng hợp bao gồm những nghiên cứu đã xuất bản mà trong đó ngôn ngữ lập trình Python (hoặc một thư viện Python cụ thể) là đối tượng phân tích chính trong bối cảnh kinh tế, bao gồm các bài viết mô tả thư viện và gói phần mềm, tài liệu về bộ công cụ và khung làm việc, so sánh ngôn ngữ thay vì các công trình chỉ sử dụng Python như một chi tiết kỹ thuật triển khai không được chú trọng đặc biệt. Câu hỏi nghiên cứu, chiến lược tìm kiếm, tiêu chí lựa chọn và phương pháp tổng hợp đã được xác định cụ thể trước khi bắt đầu quá trình sàng lọc. Do các tài liệu nghiên cứu chủ yếu báo cáo về khả năng của phần mềm thay vì các ước tính về hiệu quả, nên việc tổng hợp được lên kế hoạch theo hướng định tính và phân tích theo chủ đề.
Chiến lược tìm kiếm được thực hiện trên hai cơ sở dữ liệu thư mục: OpenAlex (thông qua OpenAlex API, api.openalex.org) và Semantic Scholar (thông qua Semantic Scholar Graph API, api.semanticscholar.org). Nghiên cứu cũng không thực hiện tìm kiếm trên các cơ sở dữ liệu yêu cầu đăng ký trả phí hay các chỉ mục chuyên biệt về tài liệu nghiên cứu sơ bộ (working-paper). Phạm vi tìm kiếm giới hạn ở các tài liệu xuất bản trong giai đoạn 2015-2026 và các bản ghi bằng tiếng Anh; các truy vấn được thực hiện trên trường tiêu đề và tóm tắt của tài liệu. Do lĩnh vực này không có hệ thống từ khóa chuẩn hóa, nên không sử dụng từ điển thuật ngữ hay các thuật ngữ tiêu đề chủ đề ; thay vào đó, các từ khóa tự do được kết hợp bằng các toán tử Boolean: các thuật ngữ mô tả công cụ được kết hợp bằng toán tử OR, các thuật ngữ mô tả lĩnh vực phương pháp kinh tế được kết hợp bằng toán tử OR, và hai nhóm thuật ngữ này được kết hợp với nhau bằng toán tử AND. Khoảng thời gian xuất bản được tự động hiệu chỉnh dựa trên cơ sở dữ liệu tham chiếu để đưa số lượng tài liệu thu được về mức mục tiêu, và khoảng thời gian 15 năm đã được lựa chọn. Chuỗi tìm kiếm chính được sử dụng trên OpenAlex là:
(“Python” OR “Python programming” OR “Jupyter” OR “statsmodels” OR “QuantEcon”) AND (“econometrics” OR “econometric analysis” OR “computational economics” OR “quantitative economics” OR “economic forecasting” OR “economic research”)
Thông tin về lĩnh vực nghiên cứu chỉ được dùng để xếp hạng các tài liệu dựa trên mức độ phù hợp với chuyên ngành chứ không dùng để lọc bỏ chúng: do tính chất liên ngành của các tài liệu này, không có tài liệu nào bị loại bỏ chỉ dựa trên lĩnh vực được gán nhãn, bởi việc áp dụng bộ lọc lĩnh vực cứng nhắc có nguy cơ loại bỏ cả những công trình nghiên cứu phù hợp nhất.
Quá trình tìm kiếm trên các cơ sở dữ liệu đã thu thập được 517 tài liệu (OpenAlex: n = 328; Semantic Scholar: n = 189) được sàng lọc theo tiêu chí chọn các bài viết có những nghiên cứu cụ thể về ứng dụng phần mềm mã nguồn mở Python, các bài viết chỉ đơn thuần nghiên cứu các kỹ thuật kinh tế lượng sẽ bị loại bỏ. Trong giai đoạn tổng hợp và chuẩn hóa dữ liệu, 184 tài liệu trùng lặp đã bị loại bỏ và 16 tài liệu khác bị đánh dấu là không hợp lệ thông qua các bước kiểm tra, để lại 317 tài liệu. Tất cả 317 tài liệu này đều được đưa vào bước sàng lọc; quy trình ưu tiên mức độ phù hợp tự động không loại bỏ tài liệu nào, do đó toàn bộ 317 tài liệu đều được đánh giá tính hợp lệ dựa trên tiêu đề và tóm tắt.
Quá trình sàng lọc xác định tính hợp lệ chỉ dựa trên tiêu đề và tóm tắt, trong khi toàn văn tài liệu chỉ được thu thập để tham khảo chứ không dùng cho việc đánh giá tính hợp lệ. Trong số các tài liệu được đánh giá, 279 tài liệu đã bị loại bỏ: 231 tài liệu không đáp ứng các tiêu chí hợp lệ, 43 tài liệu có kết quả đánh giá không chắc chắn hoặc có phần tóm tắt không đủ thông tin để đưa ra quyết định chính xác, và 5 tài liệu về nguyên tắc là hợp lệ nhưng thiếu phần tóm tắt nên không thể đóng góp vào quá trình tổng hợp dựa trên tóm tắt. Kết quả còn lại là 38 nghiên cứu; tất cả các nghiên cứu này đều được đưa vào bước tổng hợp và tạo thành tập hợp bằng chứng khép kín có thể trích dẫn. Sau đó trong quá trình đọc kỹ và rà soát các nội dung phù hợp, tác giả tiếp tục sàng lọc các nghiên cứu theo hướng các công bố có kết quả rõ ràng, hiệu quả phù hợp với các ứng dụng của Python trong phân tích kinh tế hơn và quyết định lấy 14 nghiên cứu đưa vào danh mục tài liệu tham khảo.
3. Các ứng dụng Python trong phân tích kinh tế
Python được ứng dụng mạnh trong hầu hết các khâu trong phân tích dữ liệu kinh tế xã hội từ xử lý dữ liệu thiếu, chuẩn hoá, ghép nối dữ liệu, … gần đây ngày càng nhiều hơn các thư viện Python hỗ trợ dự báo kinh tế, phân tích kinh tế lượng và suy diễn thống kê. Mô hình phát triển chung của các công cụ này là sự kết hợp giữa tính chặt chẽ của lý thuyết kinh tế lượng, trải nghiệm API tối ưu và khả năng phân phối công khai. Điều này tạo ra một sự chuyển dịch mang tính hệ thống: những phương pháp phân định định lượng từng bị giới hạn trong các hộp công cụ độc quyền đắt đỏ nay đã được tích hợp gọn gàng trong các gói phần mềm dễ tiếp cận, tạo nền tảng vững chắc cho công tác nghiên cứu định lượng và hoạch định chính sách dựa trên bằng chứng dữ liệu trong thời đại số.
Trong lĩnh vực mô hình hóa lựa chọn rời rạc, nền tảng cho việc phân tích hành vi và dự báo tác động chính sách công, gói TorchDCM đã giải quyết triệt để bài toán mở rộng quy mô bằng cách tích hợp dữ liệu lựa chọn và các cấu hình mô hình vào một công cụ tính toán hàm hợp lý dựa trên nền tảng PyTorch (Mo et al., 2026). Trong phân tích năng suất và hiệu quả kinh tế, gói pyStoNED – một giải pháp mã nguồn mở được giới thiệu trên Journal of Statistical Software nhằm giải quyết bài toán hồi quy lồi đa biến, hồi quy phân vị lồi, hồi quy expectile lồi, hồi quy đẳng trương và bao dữ liệu phi tham số ngẫu nhiên. Sự ra đời của công cụ này trực tiếp tháo gỡ điểm nghẽn về gánh nặng tính toán và sự thiếu vắng các công cụ minh bạch từng kìm hãm việc ứng dụng rộng rãi các phương pháp ước lượng biên vào quá trình đánh giá hiệu quả thực tế (Dai et al., 2021).
Bên cạnh các bộ ước lượng hồi quy tiêu chuẩn, Python được ứng dụng trong suy diễn nhân quả, phân rã dữ liệu theo thời gian và các phương pháp Bayes nhằm giải quyết các bài toán phức tạp hơn dựa trên dữ liệu lớn.Trong công tác xử lý dữ liệu vĩ mô, khung phân rã dữ liệu theo thời gian tempdisagg đóng vai trò quan trọng trong việc chuyển đổi các dữ liệu tổng hợp tần suất thấp thành chuỗi dữ liệu tần suất cao nhất quán (Jaime, 2025). Những cải tiến này giúp các nhà nghiên cứu kinh tế dễ dàng xử lý các chuỗi dữ liệu không đồng nhất để phục vụ mô hình hóa kịp thời. Song song đó, các phương pháp Bayes cũng được tích hợp liền mạch vào hệ sinh thái Python.
Sự mở rộng của statsmodels sang suy diễn Bayes cho các mô hình chuỗi thời gian đã hợp nhất các quy trình khớp mô hình, dự báo, phân rã, mô phỏng và phân tích phản ứng xung vào chung một môi trường duy nhất. Nhờ đó, các nhà nghiên cứu có thể linh hoạt chuyển đổi giữa các cơ sở khoa học suy diễn mà không gặp rào cản về công nghệ (Fulton, 2022). Khi nhìn nhận tổng thể, sự phát triển của các công cụ này cho thấy hệ sinh thái Python đang chuyển dịch mạnh mẽ từ việc ước lượng các mô hình tuyến tính tĩnh sang khám phá cấu trúc động, căn chỉnh tần suất và định lượng độ bất định. Qua đó, các kỹ thuật học máy và định lượng hiện đại ngày càng đóng vai trò là những công cụ bổ trợ đắc lực, nâng cao chất lượng bằng chứng định lượng cho quá trình hoạch định chính sách trong thời đại số.
Kinh tế lượng không gian và tích hợp liên ngành là lĩnh vực mà quá trình cùng phát triển giữa phương pháp và phần mềm được ghi nhận rõ nét nhất, đồng thời cũng là lĩnh vực minh chứng cho vai trò cốt lõi và lâu dài của Python trong việc hiện đại hóa hạ tầng nghiên cứu định lượng phục vụ hoạch định chính sách. Quá trình này đã được phác thảo qua một bài đánh giá về công nghệ nền tảng cho ước lượng không gian, ghi nhận sự chuyển dịch từ các chương trình độc lập truyền thống như SpaceStat và GeoDa đến hệ sinh thái mã nguồn mở PySAL; đồng thời, đặt ra tiêu chuẩn so sánh với các quy trình xử lý không gian trong R và Stata. Tác phẩm này cũng đề xuất tầm nhìn về một “bàn làm việc kinh tế lượng không gian” tích hợp sâu vào cơ sở hạ tầng nghiên cứu số hiện đại, với trọng tâm đặt vào các cấu trúc dữ liệu tối ưu, khả năng minh bạch hóa nguồn gốc dữ liệu và năng lực tính toán hiệu năng cao để hỗ trợ ra quyết định dựa trên bằng chứng thực nghiệm (Anselin & Rey, 2012). Bước tiến này tiếp tục được củng cố qua một nghiên cứu so sánh chuyên sâu trên Journal of Statistical Software, nơi các tác giả tiến hành kiểm nghiệm thực nghiệm năng lực vận hành của các công cụ thông qua việc ước lượng các mô hình không gian phức trên nền tảng dữ liệu lớn cấp hạt tại Hoa Kỳ.
Nghiên cứu đã đối chiếu độ tin cậy kết quả và các thước đo tác động chính sách giữa các hệ sinh thái: bộ công cụ Spatial Econometrics của MATLAB, gói sppack trên Stata, Python với PySAL, cùng các gói chuyên dụng spdep, sphet và McSpatial trên R (Bivand & Piras, 2015). Những phát hiện này khẳng định tính ưu việt của các giải pháp lập trình hiện đại trong việc đảm bảo khả năng tái lập cao – một yêu cầu cốt lõi trong thời đại dữ liệu số. Tư duy tích hợp này tiếp tục được kế thừa và mở rộng sang các lĩnh vực chuyên ngành mới thông qua các sáng kiến như Climate Econometrics Toolkit (Bộ công cụ Kinh tế lượng Khí hậu).
Được phát triển trên nền tảng Python với cả giao diện dòng lệnh lẫn giao diện đồ họa trực quan, bộ công cụ này đã tự động hóa toàn bộ chuỗi giá trị dữ liệu lớn: từ tổng hợp dữ liệu khí hậu dạng lưới, xây dựng mô hình kinh tế lượng đến dự báo tác động chính sách vĩ mô trong một nền tảng thống nhất. Thông qua các đánh giá thực tế từ người dùng và các nghiên cứu tái lập công trình đã công bố, giải pháp này chứng minh hiệu quả vượt trội trong việc chuẩn hóa các lựa chọn thống kê, giảm thiểu sự trùng lặp mã nguồn và nâng cao độ tin cậy của các phân tích phục vụ hoạch định chiến lược trong toàn ngành (Freedman et al., 2025).
Python hỗ trợ dự báo và học máy trong kinh tế. Các tài liệu chuyên khảo đều thống nhất quan điểm rằng các phương pháp chuỗi thời gian truyền thống vẫn đóng vai trò là chuẩn mực tham chiếu (baseline), trong khi học máy chỉ được lồng ghép một cách có chọn lọc. Điển hình như nghiên cứu so sánh đa lĩnh vực trên các tài sản tài chính, hợp đồng tương lai, hàng hóa và chỉ số thị trường đã thiết lập các công cụ dự báo toàn diện bằng Python, bao gồm quy trình tiền xử lý dữ liệu cuối tháng, tự động chọn bậc mô hình ARIMA, tích hợp các thành phần mùa vụ dạng Fourier và tuần hoàn, cũng như hiệu chỉnh phần dư bằng học máy (Zherlitsyn et al., 2025).
Song song với các phương pháp kinh tế lượng truyền thống, công cụ dự báo tức thời mang tên Maynard mở ra một hướng tiếp cận tiên tiến hơn khi được giới thiệu như một gói phần mềm Python kết hợp linh hoạt giữa chuỗi thời gian kinh điển và thuật toán hiện đại. Maynard tự động cập nhật và ước tính lại toàn bộ dự báo từ đầu mỗi khi biến số hoặc cấu trúc thay đổi, tích hợp các nguyên tắc trí tuệ nhân tạo có thể giải thích được nhằm giúp nhà hoạch định chính sách dễ dàng kiểm tra các biến số chi phối đánh giá ngắn hạn về tình trạng chu kỳ kinh tế (Jowik & Gamrot, 2026). Thông điệp xuyên suốt trong nghiên cứu kinh tế định lượng hiện đại là giá trị của Python không nằm ở việc áp đặt một lớp mô hình phức tạp mới, mà ở việc thiết lập một quy trình làm việc minh bạch, có khả năng tái lập và kiểm chứng; trong đó, các mô hình cơ sở vững chắc vẫn được duy trì làm nền tảng, tạo không gian để học máy phát huy tối đa hiệu quả ở những khâu thực sự cần thiết.
Việc ứng dụng các khung máy học bằng Python trong phân tích tài chính đang mở ra hướng tiếp cận mới nhằm nới lỏng các giả định về tính tuyến tính và chiều thấp của các mô hình vĩ mô – tài chính truyền thống, đồng thời duy trì sự đánh giá thận trọng về hiệu quả thực tế của công nghệ này. Ở bình diện vĩ mô toàn cầu, một khung phân tích đa quốc gia ứng dụng thuật toán phân cụm và phân tích thành phần chính trên 13 chỉ số của 217 quốc gia giai đoạn 2010-2025 đã xác định bốn cụm kinh tế riêng biệt, trong đó các nền kinh tế thu nhập trung bình chiếm 57,4% số quan sát. Đáng chú ý, nghiên cứu này chỉ ra một điểm bất đối xứng quan trọng: các chỉ số tài chính có khả năng dự báo cao thông qua thuật toán Rừng ngẫu nhiên, trong khi động lực tăng trưởng lại khó dự báo hơn. Điều này ngụ ý rằng các nhà hoạch định chính sách nên ưu tiên tập trung nguồn lực vào các cơ chế tài chính có thể kiểm soát thay vì cố gắng dự báo sự biến động của tăng trưởng (Saadouni et al., 2025).
Ở quy mô doanh nghiệp, để bảo đảm tính minh bạch – yếu tố cốt lõi trong hoạch định chính sách, một mô hình cảnh báo sớm rủi ro tài chính dành cho 30 doanh nghiệp vừa và nhỏ tại Maroc giai đoạn 2019-2021 đã kết hợp phân tích thành phần chính và hồi quy logistic từng bước trên nền tảng Python. Mô hình này đã cô đọng thành công ba tỷ trọng cốt lõi gồm vòng quay hàng tồn kho, lợi nhuận kinh tế và lợi nhuận thương mại, đạt độ chính xác kiểm chứng chéo 10 lần, lần lượt là 87% và 83% trước thời điểm phá sản từ một đến ba năm. Kết quả củng cố luận điểm rằng, các phương pháp kinh tế lượng có khả năng giải thích cao vẫn phát huy giá trị vượt trội trong bối cảnh thị trường mới nổi khan hiếm dữ liệu (Ait Lahcen & Amghar, 2025).
Ở tầng trung gian kết nối giữa hai cấp độ trên, một quy trình phân tích kết hợp phương pháp gán giá trị lân cận gần nhất, lựa chọn biến LASSO, thuật toán LightGBM và phân bổ SHAP đã chứng minh rằng các mô hình tăng cường độ dốc vượt trội hơn mô hình kinh tế lượng thông thường trong việc dự báo GDP và lạm phát, nhưng vẫn đảm bảo được tính minh bạch và sự nhất quán với lý thuyết kinh tế (L et al., 2025). Từ lăng kính dự báo doanh nghiệp, phân tầng vĩ mô xuyên quốc gia cho đến bài toán tối ưu tốc độ tính toán, có thể thấy việc ứng dụng Python và máy học trong nghiên cứu kinh tế đã mở rộng đáng kể giới hạn ước tính định lượng. Dẫu vậy, công cụ này chỉ thực sự hữu dụng khi năng lực giải thích được bảo toàn và hiệu quả dự báo được kiểm chứng bằng thực nghiệm chứ không dựa trên sự kỳ vọng cảm tính. Tuy nhiên, bài toán ứng dụng máy học cũng vấp phải những thách thức không nhỏ về độ ổn định. Nghiên cứu dự báo giá đa lĩnh vực đã chỉ ra rằng các mô hình máy học rất dễ rơi vào trạng thái mất ổn định và quá khớp (overfitting) khi xử lý chuỗi dữ liệu ngắn hạn theo tháng, từ đó nhấn mạnh rằng hiệu suất mô hình phụ thuộc chặt chẽ vào đặc thù lĩnh vực thay vì mặc định ưu ái một phương pháp truyền thống nào (Zherlitsyn et al., 2025).
Python hỗ trợ kinh tế học tính toán và mô phỏng mô hình. Trong kinh tế học tính toán, thư viện cộng đồng QuantEcon.py đóng vai trò nền tảng cho phần lớn các công trình nghiên cứu hiện đại. Mục đích cốt lõi của thư viện này là đáp ứng sự chuyển dịch phương pháp luận trong ngành: các nhà kinh tế học đã dịch chuyển từ các mô hình đơn giản, dễ giải quyết bằng giải tích truyền thống sang các bài toán quy mô lớn liên quan đến các tác nhân không đồng nhất và những tương tác phi tuyến phức tạp (Batista et al., 2024). Việc xây dựng một bộ công cụ tính toán chung, đã được kiểm chứng và tối ưu hóa chính là giải pháp thiết yếu để giải quyết những thách thức này (Batista et al., 2024).
4. Thảo luận kết quả
Trong số 14 nghiên cứu được tổng hợp tại đây, việc ứng dụng Python vào phân tích kinh tế đã định hình thành một số phương thức phổ biến: cung cấp các thư viện đa năng và môi trường nghiên cứu; phát triển các gói phần mềm chuyên biệt để triển khai một loại công cụ ước lượng kinh tế lượng cụ thể; xây dựng quy trình có khả năng tái lập cho công tác dự báo và các phương pháp học máy; tạo ra các bộ giải số cho các mô hình động và mô hình cấu trúc; thiết lập quy trình thu thập và xử lý dữ liệu quy mô lớn. Điểm đáng chú ý là sự nhất quán trong cơ sở lý luận của các phương thức này.
Các tác giả thường lý giải đóng góp của mình bằng cách chỉ ra một phương pháp vốn đã vững chắc về mặt lý thuyết nhưng lại thiếu các phần mềm mã nguồn mở có khả năng mở rộng; họ đáp ứng nhu cầu này bằng cách triển khai giải pháp bám sát lý thuyết, tinh gọn và sử dụng giao diện lập trình (API) quen thuộc, chẳng hạn như trong các gói phần mềm về phân rã chuỗi thời gian (temporal-disaggregation) và ước lượng biên hiệu quả (frontier-estimation) (Jaime, 2025). Các nghiên cứu về dự báo thường thống nhất ở việc duy trì các mô hình cơ sở cổ điển về chuỗi thời gian và chỉ bổ sung học máy khi phương pháp này thực sự mang lại độ chính xác cao hơn (Zherlitsyn et al., 2025).
Các công trình nghiên cứu về kinh tế học tính toán coi mã nguồn là yếu tố không thể tách rời khỏi mô hình, với lập luận rằng quá trình hội tụ, hiệu chỉnh tham số và thử nghiệm chính sách được xác lập ngay trong quá trình triển khai mô hình chứ không phải là các bước thực hiện song song (Alemu et al., 2026).
Một sự giằng co xuyên suốt các tài liệu nghiên cứu là giữa niềm hứng khởi đối với học máy và yêu cầu khắt khe về khả năng diễn giải kết quả. Một số nghiên cứu giới thiệu các khung học máy dựa trên Python như một giải pháp vượt qua giới hạn của các mô hình kinh tế lượng truyền thống trong phân tích kinh tế vĩ mô (Saadouni et al., 2025) trong khi đó, các nghiên cứu khác lại chủ động lựa chọn quy trình kinh tế lượng tinh gọn, minh bạch thay vì các thuật toán phức tạp, với lập luận rằng khả năng diễn giải là yếu tố quan trọng nhất, đặc biệt là trong bối cảnh khan hiếm dữ liệu – nơi các công cụ này thực sự cần thiết (Ait Lahcen & Amghar, 2025). Đây không hẳn là sự mâu thuẫn, mà đúng hơn là một vấn đề chưa có lời giải về việc ngành kinh tế học ứng dụng nên định vị mình ở đâu trên ranh giới giữa khả năng diễn giải và tính linh hoạt; hiện nay, các nghiên cứu về Python đang khám phá cả hai hướng tiếp cận này mà chưa có một tiêu chuẩn chung nào để đánh giá hay lựa chọn giữa chúng.
Khoảng trống lớn nhất nằm ở khâu báo cáo và kiểm chứng kết quả. Nhiều tác giả nhận thấy, các nhà nghiên cứu sử dụng ngôn ngữ lập trình hiếm khi giải thích lý do chọn một thuật toán hay quy trình cụ thể, điều này làm hạn chế sự tiến bộ mang tính tích lũy của lĩnh vực. Việc kiểm chứng độc lập để xác nhận liệu một gói phần mềm có tái lập được các kết quả kinh điển hay không cũng rất hiếm khi diễn ra; truyền thống kinh tế lượng không gian – nơi các phương pháp triển khai thường được đối chiếu chéo lẫn nhau là trường hợp ngoại lệ chứ không phải quy luật chung.
Mức độ bao phủ của các nghiên cứu cũng không đồng đều: hệ sinh thái này tương đối phong phú đối với các lĩnh vực kinh tế lượng chuỗi thời gian, kinh tế lượng không gian, kinh tế lượng tài chính và kinh tế vĩ mô tính toán; tuy nhiên, lại khá hạn chế đối với kinh tế lượng vi mô cấu trúc, mô hình lựa chọn rời rạc động (ngoại trừ một gói phần mềm mới xuất hiện gần đây) và bộ công cụ hiện đại về phân tích nhân quả với dữ liệu bảng. Một phần lớn các công trình được đề cập cũng xuất hiện bên ngoài các tạp chí kinh tế học chủ chốt, chẳng hạn như các diễn đàn về phần mềm, các kênh giáo dục thống kê và các ấn phẩm định kỳ khu vực cho thấy, việc ứng dụng Python trong kinh tế học vẫn chưa thực sự hòa nhập hoàn toàn vào hệ thống tài liệu chuyên ngành.
5. Kết luận
Python đã trở thành một nền tảng làm việc hiệu quả cho phân tích kinh tế chứ không chỉ là một thử nghiệm bên lề, hỗ trợ ước lượng kinh tế lượng, dự báo, mô phỏng mô hình, thu thập và phân tích dữ liệu thông qua một hệ sinh thái chung gồm các thư viện mở. Python đóng góp thường xuyên như là một công cụ chuyên sâu mở rộng năng lực xử lý dữ liệu, mở rộng khả năng lựa chọn và kết hợp các phương pháp khác nhau, tích hợp giữa kinh tế thống kê và trí tuệ nhân tạo, trung thực với lý thuyết do khả năng tái lập nghiên cứu công khai và ngày càng nhiều hơn, một quy trình làm việc được chỉa sẻ mạnh mẽ.
Tuy nhiên, bên cạnh những giá trị của Python mang lại đối với phân tích kinh tế, những giới hạn và phạm vi sử dụng Python phụ thuộc nhiều vào năng lực, hành vi, thói quen của người sử dụng. Công cụ tính toán càng mạnh thì yêu cầu về năng lực phương pháp luận của người phân tích càng cao.Việc lựa chọn phân tích nào, chất lượng dữ liệu yêu cầu ra sao, tính đúng đắn của mô hình như thế nào phụ thuộc nhiều vào năng lực của người sử dụng. Việc người sử dụng lựa chọn Python như một ứng dụng chính trong phân tích cũng ít được báo cáo, tính đúng đắn của gói phần mềm hiếm khi được xác minh độc lập, và phương pháp sư phạm dựa trên sự tham gia hơn là việc chứng minh được khả năng học tập. Việc hợp nhất các thực tiễn này thành các tiêu chuẩn chung về khả năng tái tạo và xác minh là bước cần thiết để biến một hệ sinh thái hiệu quả thành một phương pháp kinh tế đáng tin cậy.
Chuyển hoá dữ liệu thô thành những hiệu quả chính sách cụ thể là một quá trình dài, đòi hỏi nhiều nỗ lực của các bên liên quan như nhà nước, viện nghiên cứu, trường đại học, các tổ chức kinh tế và doanh nghiệp. Nhưng sự phát triển mạnh mẽ của hệ sinh thái khoa học liên ngành dựa trên Python sẽ tạo ra ngày càng nhiều hơn các bằng chứng cụ thể, minh bạch, có khả năng tái lập cao, với quy trình được chia sẻ rộng rãi; sẽ là công cụ mạnh mẽ hỗ trợ các nghiên cứu về kinh tế, và về khoa học liên ngành, tạo ra nhiều hơn những góc nhìn mới, đa chiều hơn, từng bước góp phần nâng cao hiệu quả trong xây dựng, hoạch định, triển khai, và giám sát chính sách.
Tài liệu tham khảo:
Ait Lahcen, D., & Amghar, N.-E. (2025). Econometric modeling for proactive risk management of financial failure in Moroccan SMEs: a stepwise logistic regression approach in python. Future Business Journal, 11(1), 190. https://doi.org/10.1186/s43093-025-00613-8
Alemu, W., Ayenew, B., Atinafu, S., & Zewudie, S. (2026). A computational and geometric analysis of economic dynamics using Pontryagin’s maximum principle: advanced numerical simulations perspective. Discover Applied Sciences, 8. https://doi.org/10.1007/s42452-026-08475-7
Anselin, L., & Rey, S. J. (2012). Spatial econometrics in an age of CyberGIScience. International Journal of Geographical Information Science, 26(12), 2211-2226. https://doi.org/10.1080/13658816.2012.664276
Batista, Q., Coleman, C., Furusawa, Y., Hu, S., Lunagariya, S., Lyon, S.,…others. (2024). QuantEcon. py: A community based Python library for quantitative economics. Journal of Open Source Software, 9(93), 5585.
Bivand, R., & Piras, G. (2015). Comparing Implementations of Estimation Methods for Spatial Econometrics. Journal of Statistical Software, 63(18), 1 – 36. https://doi.org/10.18637/jss.v063.i18
Dai, S., Fang, Y.-H., Lee, C.-Y., & Kuosmanen, T. (2021). pyStoNED: A Python Package for Convex Regression and Frontier Estimation. In.
Freedman, H., Rigden, A. J., van der Hoek, A., & Tomlinson, B. (2025). The climate econometrics toolkit. Ecological Informatics, 92, 103504. https://doi.org/https://doi.org/10.1016/j.ecoinf.2025.103504
Fulton, C. (2022). Bayesian Estimation and Forecasting of Time Series in statsmodels. https://doi.org/10.25080/majora-212e5952-00d
Jaime, V.-J. (2025). tempdisagg: A Python Framework for Temporal Disaggregation of Time Series Data. https://ideas.repec.org/p/arx/papers/2503.22054.html
Jowik, E., & Gamrot, M. (2026). Forecast what matters, when it matters: Introducing Maynard, a tool for modern nowcasting. SoftwareX, 33, 102466. https://doi.org/10.1016/j.softx.2025.102466
L, S., Biswas, T., Nasreen, V., Y, S., Nandal, N., & Chavan, N. (2025). Machine Learning in Economic Data Analysis. https://doi.org/10.1109/ICRISET64803.2025.11252134
Mo, B., You, Z. R., Chen, X. M., & Li, R. (2026). TorchDCM: A Unified PyTorch-Native Package for Discrete Choice Modeling. In.
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C.,…Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Saadouni, S., Ammari, S., & Habbani, S. (2025). Unveiling Global Economic Stratification: A Machine Learning Framework for Multi-Dimensional Macroeconomic Analysis. Data and Metadata, 4, 1180. https://doi.org/10.56294/dm20251180
Zherlitsyn, D., Kravchenko, V., Mints, O., Kolodiziev, O., Khadzhynova, O., & Shchepka, O. (2025). Econometric and Python-Based Forecasting Tools for Global Market Price Prediction in the Context of Economic Security. Econometrics, 13(4), 52.
