GIẢI THÍCH CÁCH NGHIÊN CỨU TÍNH THEO MÙA VÀ TẠI SAO NÓ CÓ THỂ BỊ PHÁ VỠ

Tính thời vụ đề cập đến những biến động có thể dự đoán và lặp lại trong dữ liệu tương ứng với các khoảng thời gian cụ thể, chẳng hạn như ngày, tháng hoặc quý. Những mô hình này thường được quan sát thấy trong các chỉ số kinh tế, xu hướng bán hàng, thị trường tài chính và thậm chí cả chu kỳ việc làm. Việc hiểu và nghiên cứu tính thời vụ là điều cần thiết để dự báo, lập kế hoạch và ra quyết định hiệu quả. Nhưng chính xác thì các nhà kinh tế và nhà phân tích đo lường nó như thế nào?

Các kỹ thuật thống kê để xác định tính thời vụ

Các nhà phân tích thường bắt đầu bằng việc xem xét dữ liệu chuỗi thời gian — một chuỗi các điểm dữ liệu thường được đo lường theo các khoảng thời gian đều đặn. Để xác định các mô hình theo mùa, một số kỹ thuật thống kê được sử dụng:

• Đường trung bình động: Việc làm mịn biến động ngắn hạn giúp làm lộ ra các xu hướng theo mùa cơ bản.
• Phân tích theo mùa: Sử dụng các mô hình như phân tích cổ điển hoặc X-13ARIMA-SEATS, các nhà phân tích chia nhỏ chuỗi thời gian thành các thành phần xu hướng, theo mùa và bất thường.
• Phân tích Fourier: Một phương pháp toán học xác định các chu kỳ đều đặn trong một chuỗi dữ liệu bằng cách sử dụng các hàm sin và cosin.
• Hàm tự tương quan (ACF): Một công cụ thống kê được sử dụng để đo lường mối tương quan giữa các quan sát ở các độ trễ khác nhau, thường hữu ích trong việc phát hiện các chu kỳ lặp lại.

Học máy trong Theo dõi Tính thời vụ Hiện đại

Ngoài thống kê truyền thống, các phương pháp tiếp cận hiện đại bao gồm các thuật toán học máy có thể phát hiện các mô hình theo mùa phức tạp, phi tuyến tính. Những điều này có thể bao gồm:

• Các mô hình dự báo chuỗi thời gian: Chẳng hạn như mạng nơ-ron ARIMA, SARIMA, Prophet và LSTM.
• Phát hiện dị thường: Các thuật toán đánh dấu các sai lệch so với hành vi theo mùa thông thường, hữu ích trong việc phát hiện gian lận hoặc kiểm soát hàng tồn kho.

Các ứng dụng theo ngữ cảnh cụ thể

Tính thời vụ nổi bật trong nhiều lĩnh vực. Ví dụ:

• Bán lẻ: Doanh số bán hàng tăng đột biến trong các dịp lễ, chẳng hạn như mua sắm vào Thứ Sáu Đen hoặc Giáng sinh.
• Nông nghiệp: Chu kỳ cây trồng và mùa thu hoạch ảnh hưởng đến nguồn cung và giá cả.
• Du lịch: Kỳ nghỉ và các mô hình du lịch liên quan đến thời tiết.
• Tài chính: "Hiệu ứng tháng 1" hoặc mùa báo cáo thu nhập hàng quý tác động đến giá tài sản.

Các mô hình này được định lượng bằng cách sử dụng dữ liệu và dự báo lịch sử, thường được phân chia thành các chỉ số theo mùa để biểu thị hiệu suất tương đối hoặc độ lệch liên quan đến các giai đoạn cụ thể.

Phương pháp Điều chỉnh Theo Mùa

Để diễn giải tốt hơn các xu hướng cơ bản, dữ liệu thường được "điều chỉnh theo mùa" — loại bỏ các hiệu ứng hoàn toàn do biến động theo mùa gây ra. Các tổ chức như Cục Thống kê Lao động Hoa Kỳ sử dụng các kỹ thuật như X-13ARIMA-SEATS để tạo chuỗi thời gian điều chỉnh nhằm lọc bỏ các thay đổi định kỳ dự kiến.

Hạn chế của Nghiên cứu Tính thời vụ

Mặc dù tính thời vụ có thể cải thiện độ chính xác của dự báo, nhưng việc phụ thuộc quá mức có thể gây hiểu lầm. Các bất thường, sửa đổi dữ liệu hoặc thay đổi mô hình có thể khiến các mô hình đã được thiết lập trở nên lỗi thời. Việc tính đến các sự kiện gián đoạn đơn lẻ hoặc những thay đổi cấu trúc trong nền kinh tế hoặc thị trường khi xây dựng mô hình theo mùa cũng rất khó khăn.

Tuy nhiên, khi được triển khai đúng cách, phân tích tính thời vụ cung cấp một công cụ mạnh mẽ để phân bổ nguồn lực, lập kế hoạch tồn kho và ra quyết định chiến lược trong các lĩnh vực nhạy cảm với thời gian.

Mặc dù tính thời vụ có xu hướng lặp lại với một mức độ nhất định, nhưng nó không phải là bất biến. Có những trường hợp quan trọng mà các mô hình theo mùa bị phá vỡ hoặc biến mất hoàn toàn. Việc xác định những tình huống này là rất cần thiết cho việc quản lý rủi ro, dự báo và điều chỉnh chiến lược trong bối cảnh kinh tế và kinh doanh.

Cú sốc bên ngoài và sự gián đoạn tính thời vụ

Lý giải phổ biến nhất cho sự gián đoạn tính thời vụ đến từ các sự kiện bên ngoài không lường trước được làm gián đoạn các mô hình thông thường. Ví dụ bao gồm:

• Đại dịch: Sự bùng phát của COVID-19 vào năm 2020 đã làm gián đoạn mạnh mẽ thị trường lao động toàn cầu, chuỗi cung ứng, hoạt động bán lẻ và thị trường tài chính. Nhiều ngành công nghiệp — chẳng hạn như du lịch, khách sạn và sản xuất — đã chứng kiến ​​các xu hướng theo mùa hiện tại biến mất.
• Dị thường về thời tiết: Bão lớn, hạn hán hoặc biến đổi khí hậu trái mùa có thể làm mất hiệu lực tính thời vụ dự kiến ​​của ngành nông nghiệp hoặc bán lẻ.
• Căng thẳng địa chính trị: Chiến tranh, lệnh trừng phạt hoặc gián đoạn thương mại có thể làm lu mờ các xu hướng theo mùa của hàng hóa, hậu cần và thương mại quốc tế.

Những thay đổi về cấu trúc trong ngành hoặc hành vi của người tiêu dùng

Các ngành công nghiệp phát triển, và cùng với những thay đổi này là những thay đổi trong các mô hình hành vi có thể làm thay đổi hoặc loại bỏ các tác động theo mùa. Các ví dụ đáng chú ý bao gồm:

• Thương mại điện tử và bán lẻ: Việc chuyển đổi từ các cửa hàng truyền thống sang các nền tảng trực tuyến đã thay đổi thời điểm và tác động của các mùa bán lẻ. Các đợt giảm giá chớp nhoáng và chương trình khuyến mãi kỹ thuật số thường phân bổ nhu cầu của người tiêu dùng đồng đều hơn trong suốt cả năm.
• Xu hướng làm việc tại nhà: Sau đại dịch, ít người đi làm hoặc tham gia các kỳ nghỉ lễ truyền thống hơn, làm giảm tính thời vụ trong các lĩnh vực như giao thông công cộng, sử dụng năng lượng và du lịch nghỉ dưỡng.
• Tiêu thụ phương tiện truyền thông: Video theo yêu cầu và các nền tảng kỹ thuật số đã làm giảm lượng người xem đạt đỉnh trước đây vốn gắn liền với lịch trình theo mùa.

Những thay đổi này có thể khiến các mô hình theo mùa vốn đáng tin cậy trước đây trở nên kém hiệu quả.

Những tiến bộ công nghệ

Các công nghệ mới, đặc biệt là tự động hóa và AI, đã mang lại mức độ phản hồi có thể trung hòa một số biến động theo mùa. Ví dụ:

• Hệ thống chuỗi cung ứng tự động có thể điều chỉnh linh hoạt theo nhu cầu thay đổi.
• Quản lý hàng tồn kho được hỗ trợ bởi ML có thể tối ưu hóa mức tồn kho mà không phụ thuộc vào nhu cầu theo mùa dự kiến.

Thay đổi về Quy định và Chính sách

Chính phủ và các tổ chức có thể thực hiện các chính sách mới có tác động đáng kể đến tính thời vụ. Ví dụ bao gồm:

• Những thay đổi về thời hạn nộp thuế, luật lao động hoặc lãi suất ảnh hưởng đến chu kỳ thị trường tài chính.
• Các biện pháp kích thích kinh tế hoặc thắt lưng buộc bụng làm thay đổi thói quen chi tiêu của người tiêu dùng ngoài các giai đoạn mùa vụ truyền thống.

Lỗi về Phương pháp luận hoặc Độ cứng của Mô hình

Trong một số trường hợp, tính thời vụ không biến mất mà là lỗi trong cách đo lường tính thời vụ. Điều này có thể bao gồm:

• Không điều chỉnh đúng cách cho các đường cơ sở thay đổi hoặc các giá trị ngoại lai trong dữ liệu chuỗi thời gian.
• Mô hình quá khớp với dữ liệu quá khứ, giả định rằng các mô hình sẽ lặp lại mà không cần đánh giá lại.
• Các chỉ số theo mùa lỗi thời không còn phản ánh thực tế thị trường.

Do đó, điều quan trọng đối với các nhà phân tích và dự báo là liên tục đánh giá lại các giả định và tham số mô hình, đặc biệt là sau những cú sốc hoặc diễn biến thị trường đáng kể.

Kết luận

Tính thời vụ không phải là một quy luật cố định của kinh tế học hay tự nhiên. Nó là một sản phẩm phái sinh của môi trường, bối cảnh và hành vi con người. Do đó, nó rất mong manh - dễ bị tổn thương trước những thay đổi về cấu trúc, hành vi và các gián đoạn bên ngoài. Nhận thức được tính mong manh này là chìa khóa để tránh sự phụ thuộc mù quáng vào các mô hình lịch sử và đảm bảo việc ra quyết định linh hoạt, dựa trên dữ liệu trong thời kỳ bất ổn.

Hiểu được tính thời vụ phân chia ở đâu và như thế nào mang lại những hiểu biết thực tế trên nhiều lĩnh vực thực tế. Từ doanh nghiệp, nhà hoạch định chính sách đến nhà đầu tư cá nhân, việc nhận ra những thay đổi này có thể cung cấp thông tin cho việc phát triển chiến lược chủ động và quản lý rủi ro.

Nghiên cứu tình huống 1: Ngành bán lẻ hậu COVID

Tính thời vụ trong ngành bán lẻ trước đây xoay quanh các sự kiện lễ hội lớn như Giáng sinh, Thứ Sáu Đen và các chương trình khuyến mãi chào đón năm học mới. Tuy nhiên, sau COVID, chuyển đổi số đã tăng tốc, dẫn đến đường cầu phẳng hơn. Amazon Prime Days hoặc các chương trình giảm giá chớp nhoáng trong những tháng ngoài cao điểm đã phân bổ lại hoạt động mua sắm của người tiêu dùng. Ví dụ, doanh số bán hàng Giáng sinh năm 2021 không quá nổi bật so với sự tăng đột biến của doanh số bán hàng trực tuyến vào đầu mùa thu. Các mô hình dự báo theo mùa không được điều chỉnh đã không tối ưu hóa được mức tồn kho và nhân sự, dẫn đến tình trạng dư thừa hoặc thiếu hụt.

Nghiên cứu tình huống 2: Nhu cầu năng lượng và các bất thường về khí hậu

Mức tiêu thụ năng lượng thường đạt đỉnh vào mùa đông (sưởi ấm) và mùa hè (làm mát) ở hầu hết các quốc gia phát triển. Tuy nhiên, mùa đông ôn hòa ở châu Âu trong năm 2022 đã thay đổi đáng kể mô hình này. Các quốc gia như Đức, vốn dự kiến ​​nhu cầu khí đốt cao, đã chứng kiến ​​mức sử dụng thấp kỷ lục do thời tiết ấm áp bất thường. Các công ty và nhà đầu tư bỏ qua các biến động khí hậu và quá phụ thuộc vào dự báo theo mùa đã phải chịu lỗ hoặc hoạt động kém hiệu quả so với các đối thủ cạnh tranh có chiến lược linh hoạt hơn.

Nghiên cứu tình huống 3: Điều chỉnh chuỗi cung ứng và nông nghiệp

Tính thời vụ trong nông nghiệp, đặc biệt là năng suất cây trồng và chu kỳ thu hoạch, là một trong những tính chất truyền thống và được đo lường nhất. Tuy nhiên, các hiện tượng thời tiết khắc nghiệt và gián đoạn địa chính trị như xung đột Ukraine năm 2022 đã ảnh hưởng đến xuất khẩu ngũ cốc và mùa vụ canh tác. Vụ gieo trồng mùa xuân truyền thống đã bị trì hoãn, tác động đến nguồn cung lúa mì toàn cầu. Các nhà giao dịch điều chỉnh mô hình gần như theo thời gian thực bằng cách đưa dữ liệu vệ tinh và khí hậu địa phương vào có lợi thế hơn so với những người dựa vào mức trung bình lịch sử.

Nghiên cứu tình huống 4: Tính thời vụ của thị trường tài chính

Thị trường tài chính từ lâu đã thể hiện các chỉ báo theo mùa — cái gọi là "hiệu ứng tháng 1" hoặc khối lượng giao dịch tăng lên quanh mùa báo cáo thu nhập. Tuy nhiên, giao dịch thuật toán, tái cân bằng chỉ số và khả năng tiếp cận thị trường toàn cầu 24/7 đã làm giảm bớt nhiều hiệu ứng này. Ví dụ, nghiên cứu cho thấy hiệu ứng tháng 1 đã yếu đi về mặt thống kê trong thập kỷ qua. Hơn nữa, trong năm 2020, các mô hình đã thay đổi một cách khó lường khi các thông báo về gói kích thích kinh tế, tin tức về lệnh phong tỏa và thông tin cập nhật về vắc-xin tác động đến tâm lý nhà đầu tư nhiều hơn các tín hiệu truyền thống.

Những điểm chính

• Khả năng thích ứng là tối quan trọng: Các tổ chức phải liên tục cập nhật mô hình để tính đến sự thay đổi.
• Công nghệ mang lại sự linh hoạt: AI và nguồn cấp dữ liệu thời gian thực cho phép phản ứng linh hoạt với tính thời vụ bị phá vỡ.
• Các giả định cần được đánh giá lại: Việc dựa dẫm một cách mù quáng vào dữ liệu lịch sử mà không có bối cảnh có thể dẫn đến sai sót trong dự báo.
• Khí hậu, Chính sách và Hành vi của Người tiêu dùng là những yếu tố quan trọng: Những yếu tố này ngày càng có ảnh hưởng trong việc xác định liệu các mô hình theo mùa có duy trì được hay không.

Cuối cùng, mặc dù tính thời vụ vẫn là một cấu trúc phân tích hữu ích, nhưng giá trị của nó nằm ở việc liên tục xem xét kỹ lưỡng. Việc xây dựng các hệ thống phục hồi có tính đến tính thời vụ trong khi chuẩn bị cho khả năng sụp đổ của nó sẽ mang lại lợi thế chiến lược lớn nhất trong bối cảnh biến động hiện nay.