Tên đề tài luận án: Nghiên cứu xây dựng mô hình dự báo GDP và một số chỉ tiêu kinh tế vĩ mô khác dựa trên dữ liệu đa nguồn.

1. Họ và tên nghiên cứu sinh: Đồng Thị Ngọc Lan.                                               2. Giới tính: Nữ

3. Ngày sinh: 01/01/1982                                                                                     4. Nơi sinh: Ninh Bình

5. Quyết định công nhận nghiên cứu sinh số: 1200/QĐ-CTSV ngày 29 tháng 12 năm 2020 của Hiệu trưởng Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

6. Các thay đổi trong quá trình đào tạo:

7. Tên đề tài luận án: Nghiên cứu xây dựng mô hình dự báo GDP và một số chỉ tiêu kinh tế vĩ mô khác dựa trên dữ liệu đa nguồn.

8. Ngành đào tạo: Hệ thống thông tin.                                             9. Mã số: 9480104

10. Cán bộ hướng dẫn khoa học: : PGS. TS. Nguyễn Hà Nam

                                                         TS. Nguyễn Thị Hậu

Thông tin luận án Tiến sỹ của NCS Đồng Thị Ngọc Lan (tiếng Anh)

11. Tóm tắt các kết quả mới của luận án:

– Mục đích và đối tượng nghiên cứu của luận án.

Mục đích của luận án tập trung xây dựng cơ sở khoa học và thực nghiệm để phát triển mô hình dự báo GDP và một số chỉ tiêu kinh tế vĩ mô khác dựa trên dữ liệu đa nguồn.

Đối tượng chính của luận án là: Các mô hình dự báo; GDP và một số chỉ tiêu kinh tế vĩ mô khác.

– Các phương pháp nghiên cứu đã sử dụng:

Thứ nhất, phương pháp tổng quan tài liệu.

Thứ hai, phương pháp phân tích – tổng hợp: Được sử dụng để đánh giá đặc điểm, cấu trúc và tính chất của dữ liệu kinh tế vĩ mô; đồng thời phân tích logic và đối chiếu các mô hình truyền thống và hiện đại để rút ra tiêu chí lựa chọn mô hình phù hợp.

Thứ ba, phương pháp xử lý và khai thác dữ liệu: Bao gồm các cách thu thập, tích hợp, làm sạch, chuẩn hóa, phân tích đặc trưng, tạo tập dữ liệu huấn luyện – kiểm tra từ các nguồn dữ liệu truyền thống như WB, GSO, PWT,…

Thứ bốn, phương pháp mô hình hóa và huấn luyện mô hình học máy: Nghiên cứu tiến hành xây dựng, huấn luyện và đánh giá các mô hình học máy như Randomforest, XGBoot, LSTM, Bi-LSTM, Transformer, DQN,… Quá trình mô hình hóa bao gồm lựa chọn kiến trúc mạng và tối ưu siêu tham số.

Thứ năm, phương pháp đánh giá thực nghiệm: Các mô hình sẽ được kiểm định hiệu suất dự báo trên bộ dữ liệu thực tế, sử dụng các chỉ số như RMSE, MAE, MAPE, R². Đồng thời so sánh với các mô hình truyền thống để kiểm tra mức độ cải thiện.

Thứ sáu, phương pháp đối sánh và kiểm chứng khả năng tổng quát: Mô hình đề xuất sẽ được áp dụng thử nghiệm trên dữ liệu của nhiều quốc gia để kiểm chứng khả năng mở rộng, ứng dụng và tính khái quát của mô hình theo thời gian và không gian.

– Các kết quả chính và kết luận:

Những kết quả chính đạt được

Thứ nhất, luận án đã xây dựng được bộ dữ liệu kinh tế vĩ mô đa nguồn, tích hợp từ các tổ chức uy tín như World Bank, PWT, GSO…. Dữ liệu được xử lý đảm bảo khả năng học tốt cho các mô hình dự báo chuỗi thời gian.

Thứ hai, nghiên cứu đã triển khai và đánh giá hệ thống các mô hình dự báo kinh tế vĩ mô từ truyền thống đến hiện đại. Kết quả thực nghiệm cho thấy các mô hình học sâu vượt trội hơn trong việc mô hình hóa quan hệ phi tuyến và ghi nhớ phụ thuộc dài hạn.

Thứ ba, luận án đề xuất mô hình học sâu mới có tên PAA-LSTM (Phase-Adaptive Attention LSTM) kết hợp LSTM nhiều tầng với cơ chế chú ý thích ứng theo pha chu kỳ kinh tế để dự báo GDP Quốc Gia. Mô hình cho phép học trọng số attention riêng biệt theo từng giai đoạn (suy thoái, phục hồi, tăng trưởng, tăng trưởng mạnh), từ đó phản ánh sát hơn đặc trưng động học của nền kinh tế. Mô hình được kiểm chứng thực nghiệm trên dữ liệu GDP của các quốc gia thuộc các nhóm thể chế khác nhau khẳng định tính hiệu quả và khả năng mở rộng của mô hình đề xuất.

Kết luận

Luận án “Nghiên cứu xây dựng mô hình dự báo GDP và một số chỉ tiêu kinh tế vĩ mô khác dựa trên dữ liệu đa nguồn” đã tập trung giải quyết bài toán dự báo kinh tế vĩ mô trong bối cảnh dữ liệu ngày càng phức tạp, phi tuyến và biến động mạnh theo thời gian. Trên nền tảng lý luận kinh tế học kết hợp với các kỹ thuật hiện đại của học máy và học sâu, luận án đã hệ thống cơ sở lí luận, xây dựng cơ sở dữ liệu đa nguồn và đề xuất xây dựng mô hình dự báo được kiểm chứng bằng thực nghiệm nhằm nâng cao hiệu quả dự báo trong các môi trường kinh tế đa dạng.

12. Khả năng ứng dụng trong thực tiễn:

• Mô hình dự báo được đề xuất trong luận án có thể hỗ trợ các cơ quan hoạch định chính sách như Bộ Tài chính, Ngân hàng Nhà nước và Cục Thống kê trong việc phân tích, dự báo và ra quyết định kinh tế – tài chính kịp thời trước các biến động vĩ mô.
• Ngoài ra, doanh nghiệp và tổ chức tài chính có thể sử dụng kết quả mô hình để nhận diện xu hướng tăng trưởng, lạm phát và rủi ro vĩ mô, phục vụ công tác lập kế hoạch, đầu tư và điều chỉnh chiến lược.

13. Những hướng nghiên cứu tiếp theo:

• Mở rộng mô hình sang các chỉ tiêu kinh tế khác như lạm phát, cán cân thương mại, tỷ lệ thất nghiệp,… nhằm kiểm chứng tính linh hoạt và độ khái quát hóa của mô hình PAA-LSTM.
• Tích hợp dữ liệu thời gian thực và phi truyền thống, bao gồm tín hiệu từ Google Trends, mạng xã hội, dữ liệu vệ tinh, để kiểm chứng khả năng thích ứng nhanh của mô hình trước các biến động thị trường.
• Kết hợp với các phương pháp giải thích mô hình như SHAP,… để tăng cường tính minh bạch của mô hình và hỗ trợ ra quyết định cho các nhà hoạch định chính sách.

14. Các công trình đã công bố có liên quan đến luận án:

• Lan Dong Thi Ngoc, Khai Phan Van, Ngo-Thi-Thu-Trang, Gyoo Seok Choi, Ha-Nam Nguyen, “A Multiple Variable Regression-based Approaches to Long-term Electricity Demand Forecasting”, International Journal of Advanced Smart Convergence, Vol.10 No.4, page 59-65, 2021
• Lan Dong Thi Ngoc, Ha-NamNguyen, Khai Phan Van, Nam Nguyen Hoai, Hoa Tran Xuan, Dung Hoang Van, GyooSeokChoi, “Research and application of multi-regression analysis method to forecast the electricity consumption demand for Vietnam’s residential sector”, 9th International Symposium, ISAAC 2021 in Conjunction with ICACT, page 99-102, 2021
• Lan Dong Thi Ngoc, Duy-Linh Bui, Sang Van Ha, Huong Tran Thi, Viet Pham Minh, Ha-Nam Nguyen, “Using Machine Learning to Improve Forecasting Efficiency for the Stock Market”, International Conference on Research in Management & Technovation, page 439-447, Springer Nature Singapore, 2023.
• Lan Dong Thi Ngoc, Ngo-Thi-Thu-Trang, Kyoung-Mok Kim, Vung Pham and Ha-Nam Nguyen, “Study of Machine Learning Models for Forecasting Macroeconomic Indicators,” 25th International Conference on Advanced Communication Technology (ICACT), page 22-233, IEEE, 2025 (Hội nghị trong danh mục scopus)
• Lan Dong Thi Ngoc, N. D. Hoan, and Ha-Nam Nguyen, “Gross Domestic Product Forecasting Using Deep Learning Models with a Phase-Adaptive Attention Mechanism, “Gross Domestic Product Forecasting Using Deep Learning Models with a Phase-Adaptive Attention Mechanism,” Electronics, vol. 14, no. 11, Art. no. 2132, May 2025. (Tạp chí thuộc danh mục trong Scopus, SCIE (WoS) Q2)