MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU TÁC ĐỘNG TIÊU THỤ NĂNG LƯỢNG TÁI TẠO ĐẾN TĂNG TRƯỞNG KINH TẾ

Một lượng lớn các nghiên cứu về mối quan hệ giữa tiêu thụ năng lượng tái tạo với tăng trưởng kinh tế đã sử dụng hàm sản xuất tân cổ điển, được bắt nguồn từ mô hình Cobb-Douglas. Kế thừa các nghiên cứu của Usama Al-mulali [208], Muhammad Shahbaz [126], Ocal và Aslan [143], Tang [194] mô hình nghiên cứu tác động tiêu thụ năng lượng tái tạo đến tăng trưởng kinh tế dựa trên hàm sản xuất Cobb-Douglas được viết dưới dạng sau:

GDP_t = F (REC_t, L_t, K_t)

Trong đó: GDP, REC, K, L lần lượt là tổng sản phẩm trong nước (tính theo giá cố định năm 2015), tổng tiêu thụ năng lượng tái tạo, tổng vốn cố định trong nước (tính theo giá cố định năm 2015), tổng số lao động và t là khoảng thời gian.

Mô hình trên có thể được viết lại dưới dạng mô hình kinh tế lượng như

sau:

Theo Bhattachcharya và cộng sự [41], để mô hình có kết quả đáng tin cậy hơn, cần logarit tự nhiên hai vế, sẽ giúp hiệu chỉnh phương sai thay đổi của phần dư.

Trong đó: ln GDP, ln REC, ln L, Ln K lần lượt là logarit của tổng sản phẩm trong nước, tổng tiêu thụ năng lượng tái tạo, tổng vốn cố định trong nước, tổng số lao động, e_t là sai số của mô hình.

 Dữ liệu nghiên cứu

Nghiên cứu sử dụng dữ liệu thứ cấp, hàng năm từ năm 1995-2019 để phân tích mối quan hệ giữa tiêu thụ năng lượng tái tạo và tăng trưởng kinh tế tại Việt Nam. Luận án lựa chọn giai đoạn nghiên cứu này là do dữ liệu đầy đủ và được tổng hợp từ nhiều nguồn khác nhau.

Ngoài ra, các biến được lựa chọn phù hợp với các tài liệu về lý thuyết và thực nghiệm: tổng sản phẩm trong nước, tổng mức tiêu thụ năng lượng tái tạo. Biến tổng vốn cố định trong nước và tổng số lao động được thêm vào bộ dữ liệu để giải thích cho sai lệch của các biến bị bỏ qua. Tất cả các biến được logarit tự nhiên để giảm các sai sót về độ lệch.

Các biến được sử dụng cụ thể như sau (được tóm tắt trong bảng 3.1):

• Tổng sản phẩm trong nước (tính theo giá cố định năm 2015) (GDP), đơn vị tỷ USD được chọn làm biến đại diện cho tăng trưởng kinh tế vì đây là chỉ số được sử dụng rộng rãi nhất trong các tài liệu nghiên cứu. Trong trường hợp có ảnh hưởng của lạm phát, nên mức giá cố định được ưu tiên sử dụng. Dữ liệu được lấy từ cơ sở dữ liệu trực tuyến của Ngân hàng thế giới.
• Tổng tiêu thụ năng lượng tái tạo (REC) được đo bằng triệu tỷ BTU và được sử dụng làm chỉ số cho tất cả các dạng năng lượng tái tạo: thủy điện, sinh khối, gió, địa nhiệt và mặt trời. Dữ liệu này được thu thập từ Cục Quản lý thông tin năng lượng Mỹ (EIA).

Một số nghiên cứu sử dụng biến REC làm biến đại diện như nghiên cứu của Apergis và Payne [9], Tang [194], Ocal và Aslan [143]

• Tổng vốn cố định trong nước (tính theo giá cố định năm 2015) (K) được đo bằng USD, là thước đo đầu tư ròng trong nước của Việt Nam và được sử dụng như một biến đại diện cho trữ lượng vốn trong hàm sản xuất. Dữ liệu

tính theo giá cố định năm 2015 nhằm mục đích thiết lập mối quan hệ hợp lệ với GDP đã điều chỉnh theo lạm phát. Dữ liệu được thu thập từ Ngân hàng thế giới.

Một số nghiên cứu sử dụng biến K làm biến đại diện như nghiên cứu của Apergis và Payne [9], Tang [194], Stern [178,180], Ocal và Aslan [143]

• Tổng số lao động (L) là những người từ 15 tuổi trở lên cung cấp sức lao động để sản xuất hàng hóa và dịch vụ trong một thời kỳ nhất định, bao gồm những người hiện đang có việc làm và những người thất nghiệp nhưng đang tìm việc cũng như những người lần đầu tìm việc tại Việt Nam và được đo bằng triệu người. Dữ liệu được thu thập từ cơ sở dữ liệu của Ngân hàng thế giới.

Một số nghiên cứu sử dụng biến L làm biến đại diện như nghiên cứu của Apergis và Payne [9], Stern [178,180], Tang [194], Ocal và Aslan [143].

Dữ liệu cũng có một số hạn chế do kích thước mẫu nhỏ có thể làm giảm ý nghĩa thống kê của phân tích. Điều này làm giảm độ tin cậy của kết quả. Tuy nhiên, lý do nghiên cứu bị hạn chế bởi kích thước mẫu nhỏ là do thiếu dữ liệu phân tích ở một vài biến không đồng đều. Mặc dù đã thu thập ở một số nguồn

khác nhau, nhưng số liệu các năm vẫn không đầy đủ tại tất cả các biến. Ngoài ra, mặc dù nên sử dụng dữ liệu hàng quý thay vì dữ liệu hàng năm, nhưng không có dữ liệu hàng quý về tiêu thụ năng lượng tái tạo.

Phương pháp ước lượng

Dựa trên các nghiên cứu trước đây về phân tích mối quan hệ giữa tăng trưởng kinh tế và tiêu thụ năng lượng tái tạo, đối với dữ liệu chuỗi thời gian, chủ yếu các nghiên cứu sử dụng các phương pháp phổ biến như ARDL, VAR hoặc VECM. Đối với phương pháp VAR, thì một phương trình cho mỗi biến sẽ được kiểm tra lần lượt. Mỗi biến sẽ được giải thích bởi độ trễ của biến đó và tất cả độ trễ của tất cả các biến khác. Đối với phương pháp ARDL, đây là một phương trình duy nhất trong đó biến phụ thuộc được giải thích bằng độ trễ của biến phụ thuộc, ngoài ra tất cả các biến phải không dừng ở bậc sai phân I(2) hoặc có thể dừng hoặc không dừng ở bậc I(1). Phương pháp VECM là một phần mở rộng của phương pháp VAR, được sử dụng trong trường hợp chuỗi dữ liệu là không dừng và chứa đựng mối quan hệ đồng kết hợp. Chính vì vậy, luận án sử dụng các phương pháp ước lượng tự hồi quy phân phối trễ tuyến tính ARDL do Pesaran và Shin [155], Pesaran và cộng sự [156] đề xuất và phương pháp kiểm định mối quan hệ nhân quả Granger do Engle và Granger [74] đề xuất.

Ưu điểm của phương pháp ước lượng tự hồi quy phân phối trễ tuyến tính so với các phương pháp đồng liên kết khác có những điểm nổi bật như sau:

• Để tìm mối quan hệ dài hạn, phương pháp ARDL không ước tính hệ phương trình, mà chỉ ước tính một phương trình duy nhất.
• Các biến số trong mô hình chỉ cần dừng ở bậc sai phân (bậc 1), hoặc có thể dừng ở không cùng bậc với nhau (bậc I(0) hoặc bậc I(1)). Tuy nhiên không có biến nào dừng ở bậc I(2).
• Mô hình tự tính toán được độ trễ tối ưu, cho phép các biến có độ trễ khác
• Kiểm định được tính ổn định của mô hình
• Hệ số tác động ngắn hạn và dài hạn được ước lượng đồng thời trong cùng một mô hình, và mô hình cung cấp hệ số hợp nhất điều chỉnh ngắn hạn và cân bằng dài hạn để không bị bỏ sót các thông tin trong dài hạn.
• Trong trường hợp số lượng mẫu nhỏ thì mô hình ARDL là cách tiếp cận có ý nghĩa thống kê hơn các phương pháp khác.

Mô hình (1) phân tích tác động giữa tiêu thụ năng lượng tái tạo và tăng trưởng kinh tế sử dụng hàm Cobb-Douglas. Mô hình (1) được biểu diễn dưới dạng mô hình ARDL như sau:

Đầu tiên, luận án kiểm định tính dừng theo phương pháp ADF do Dickey và Fuller (1995) đề xuất:

Để kiểm tra tính dừng, sẽ kiểm định hai giả thuyết: Giả thuyết H₀: δ=0 (có nghĩa là chuỗi thời gian không dừng) và giả thuyết H₁: δ≠0 (chuỗi thời gian dừng). Nếu giả thuyết H₀ được chấp nhận thì Y_t có nghiệm đơn vị và là chuỗi không dừng và ngược lại, nếu giả thuyết H₀ không được chấp nhận thì chuỗi thời gian có tính dừng.

Bước 2: Xác định độ trễ tối ưu của các biến

Để ước lượng mô hình ARDL, việc xác định độ trễ rất quan trọng trong phân tích dữ liệu chuỗi thời gian. Nếu độ trễ quá nhỏ dẫn đến mô hình bỏ sót những biến quan trọng, nếu độ trễ quá lớn dẫn đến các tham số cần ước lượng nhiều, đòi hỏi kích thước mẫu phải đảm bảo đủ lớn. Chính vì vậy, việc xác định độ trễ là rất cần thiết. Độ trễ tối ưu được xác định dựa trên các tiêu chuẩn AIC (Akaike Information Criterion), tiêu chuẩn thông tin SBC (Schwart Bayesian Criterion), tiêu chuẩn thông tin HQ (Hannan Qiunn Information Criterion). Độ trễ nào ứng với các tiêu chuẩn thông tin có giá trị nhỏ nhất là độ trễ tối ưu của mô hình ARDL.

Bước 3: Kiểm định hiện tượng đồng liên kết

Khái niệm đồng liên kết gắn liền với mối quan hệ dài hạn giữa hai hoặc nhiều biến [155,156]. Nếu sự kết hợp tuyến tính của các biến này là đồng liên kết, điều đó hàm ý rằng tồn tại một mối quan hệ cân bằng trong dài hạn (Gujarati, [88]). Có nghĩa là, trạng thái cân bằng dài hạn được khôi phục bất kể những cú sốc có thể xảy ra trong ngắn hạn.

Pesaran và cộng sự [156] trình bày kỹ thuật kiểm định đồng liên kết mới được gọi là kỹ thuật kiểm định đường bao (ARDL bound test). Xét mô hình 1.1, kiểm định đường bao dựa trên giả thuyết H₀: δ_r = 0 (giữa các biến không tồn tại đồng liên kết), giả thuyết H₁ (giữa các biến có tồn tại đồng liên kết):   δ_r ≠ 0, r = 1, 2, 3, 4. Nếu giá trị của thống kê F tính toán trong kiểm định (F statistic) lớn hơn giá trị giới hạn trên của đường bao trên thì có bằng chứng để bác bỏ giả thuyết H₀, có nghĩa là giữa các biến của mô hình có tồn tại hiện tượng đồng liên kết và ngược lại, nếu giá trị thống kê F tính toán trong kiểm định đường bao nhỏ hơn hoặc bằng giới hạn đường bao dưới thì chấp nhận giả thuyết H₀.

Bước 4: Kiểm định tác động trong dài hạn

Nếu giữa các biến xảy ra hiện tượng đồng liên kết trong dài hạn, luận án sau đó sử dụng mô hình hiệu chỉnh sai số (ECM) để xác định các hệ số tác động trong ngắn hạn được thể hiện trong mô hình 1.2 và trong dài hạn được thể hiện trong mô hình 1.3.

Trong đó: ECT_t-1 là hệ số sửa lỗi (error correction term), Y là tốc độ điều chỉnh của ECT. Đối với mối quan hệ trong ngắn hạn, hệ số Y kỳ vọng mang dấu âm và có ý nghĩa thống kê. Nếu giá trị của Y nằm trong khoảng từ 0 đến 1, có nghĩa là chuỗi sẽ quay trở về điểm cân bằng sau cú sốc. Hệ số tốc độ điều chỉnh cho biết sự thay đổi này xảy ra nhanh như thế nào. Nếu Y dương, độ lệch từ điểm cân bằng không được xác định.

Bước 5: Kiểm định tính vững của mô hình

Theo Pesaran và cộng sự [155], mô hình ARDL chỉ đáng tin cậy khi thỏa mãn được kết quả kiểm định tính vững. Luận án sử dụng kiểm định tổng phần dư tích lũy CUSUM (Cumulative Sum of Recursive Residuals) và kiểm định tổng phần dư tích lũy có hiệu chỉnh CUSUMSQ (Cumulative Sum of Square Recursive Residuals) để kiểm định tính vững của mô hình với 2 giả thuyết: Giả thuyết H₀: Mô hình có tính vững

Giả thuyết H₁: Mô hình không có tính vững

Nếu giá trị của đường CUSUM và CUSUMSQ nằm trong giá trị giới hạn trên và dưới (mức ý nghĩa 5%) thì chấp nhận giả thuyết H₀, có nghĩa là kết quả thu được có tính vững và ngược lại.

• Sử dụng F statistic hoặc kiểm định Wald để kiểm định ý nghĩa của hệ số p trong chuỗi vi phân cấp 1 để đánh giá mối quan hệ nhân quả trong ngắn hạn giữa các biến.
• Sử dụng t statistic hoặc kiểm định Wald để kiểm định ý nghĩa của hệ số Y trên ECT để đánh giá mối quan hệ nhân quả trong dài hạn giữa các biến.

Bước 6: Các chỉ tiêu đánh giá khác

Để kết quả ước lượng của mô hình thu được là ước lượng tuyến tính không chệch tốt nhất, thì mô hình không được vi phạm một số khuyết tật như tự tương quan, phương sai sai số thay đổi, phần dư không có phân phối chuẩn. Chính vì vậy, luận án kiểm định bổ sung như kiểm định tính tự tương quan do Breusch và Godfrey đề xuất để phát hiện tự tương quan trong mô hình, kiểm định Jarque-Bera để kiểm định phân phối chuẩn của sai số, kiểm định Breusch – Pagan để kiểm định phương sai sai số thay đổi.