Dữ liệu mới phục vụ điều hành chính sách tiền tệ: Thực tiễn các quốc gia châu Á và bài học kinh nghiệm
13/07/2023 13.967 lượt xem
Tóm tắt: Sự tiến bộ nhanh chóng của công nghệ thông tin và truyền thông trong thời gian qua đã tạo ra sự bùng nổ về lượng thông tin được thu thập, dẫn đến kỉ nguyên mới của dữ liệu. Trong bối cảnh đó, các ngân hàng trung ương (NHTW) ngày càng quan tâm và chú trọng đến việc phân tích và sử dụng các nguồn dữ liệu mới nhằm nâng cao tính hiệu quả, kịp thời trong công tác điều hành chính sách tiền tệ. Bài nghiên cứu tổng quan về dữ liệu mới phục vụ chính sách tiền tệ, thực tiễn NHTW các quốc gia châu Á, từ đó đề xuất một số bài học kinh nghiệm cho Việt Nam.
 
Từ khóa: Dữ liệu mới, điều hành chính sách tiền tệ, NHTW.
 
NEW DATA SOURCES FOR MONETARY POLICY MANAGEMENT: 
PRACTICAL IMPLEMENTATION IN SOME ASIA COUNTRIES AND LESSONS FOR VIETNAM
 
Abstract: The rapid advancement of communication and information technology in recent times has created an explosion in the amount of information collected, leading to a new era of data. In that context, central banks are increasingly interested and focus on the analysis and use of new data sources to improve the efficiency and timeline in the impletation of monetary policy. This paper synthesizes an overview of new data sources for monetary policy management, practical implementation in some Asia countries’ central banks, thereby drawing lessons learned for Vietnam.
 
Keywords: New data sources, monetary policy management, central bank.
 
1. Tổng quan về dữ liệu mới phục vụ điều hành chính sách tiền tệ

1.1. Khái niệm về dữ  liệu mới phục vụ điều hành chính sách tiền tệ
 
Sự tiến bộ nhanh chóng của công nghệ thông tin và truyền thông trong thời gian qua đã tạo ra sự bùng nổ về lượng thông tin được thu thập, dẫn đến kỉ nguyên mới của dữ liệu. Tính đến cuối năm 2022, đã có 5,2 tỉ người sử dụng Internet và hơn 8,6 tỉ người sử dụng điện thoại di động để liên lạc và giao dịch (Ngân hàng Thế giới, 2023). Dữ liệu đang được cung cấp ở mức độ lớn chưa từng thấy từ trước đến nay trên toàn cầu. Nhiều đổi mới đã được thực hiện theo hướng nâng cao năng lực công nghệ để tạo, lưu trữ và phân tích dữ liệu từ nhiều nguồn và cho nhiều mục đích khác nhau. Khoảng 2,5 triệu byte dữ liệu được tạo ra mỗi ngày và khoảng 90 phần trăm dữ liệu hiện có được tạo ra chỉ trong hai năm qua (Tomar và cộng sự, 2016). Thực tế, có một khối lượng dữ liệu khổng lồ mà các khu vực tư nhân và khu vực công đang lưu trữ. Lượng dữ liệu lớn đáng kinh ngạc này có thể giúp các nhà hoạch định chính sách hiểu thêm về nền kinh tế vĩ mô và kinh tế vi mô.
 
Sau cuộc khủng hoảng tài chính tại Mỹ 2007 - 2009, việc thu thập dữ liệu trong lĩnh vực tài chính - ngân hàng ngày càng được chú trọng và phát triển hơn đối với cơ quan quản lí và các nhà đầu tư. Bên cạnh đó, các NHTW ngày càng quan tâm hơn đến việc phân tích sử dụng các nguồn dữ liệu trong công tác điều hành (IFC, 2017; Tissot, 2017; Nymand - Andersen và Pantelidis, 2018; Merhofff, 2019). NHTW có thể sử dụng nguồn dữ liệu trong nhiều lĩnh vực như là điều hành chính sách tiền tệ, ổn định tài chính, nghiên cứu và thống kê (Cornelli, 2022). Mặc dù vai trò của nguồn dữ liệu đối với NHTW rất rõ ràng, nhưng đến nay chưa có một định nghĩa nào về nguồn dữ liệu cho điều hành chính sách tiền tệ của NHTW. Chỉ có một nghiên cứu có tiếp cận gần với định nghĩa về vấn đề này là Piechocki và Leslie - Bini (2017). Các tác giả nhận định rằng, nguồn dữ liệu cho điều hành chính sách tiền tệ của NHTW là các chỉ báo được dùng để phân tích các thông tin thu thập được để hỗ trợ chính sách tiền tệ và ổn định hệ thống tài chính. Nhóm nghiên cứu còn khẳng định, nguồn dữ liệu và điều hành chính sách tiền tệ của NHTW hoạt động giống như hệ thống tĩnh mạch của con người với dữ liệu là máu và cơ chế điều hành chính sách tiền tệ là hệ thống tĩnh mạch và NHTW đóng vai trò đảm bảo mọi thứ đập cùng một nhịp điệu.
 
Một nhánh các nghiên cứu gần đây lại tập trung định nghĩa về dữ liệu lớn dành cho NHTW (Serena, 2021; Cornelli, 2022): Dữ liệu lớn được định nghĩa với 3Vs bao gồm (i) Volume: Khối lượng lớn, được sản xuất từ nhiều nguồn như các giao dịch, truyền thông, hình ảnh, âm thanh, giao tiếp cá nhân; (ii) Velocity: Vận tốc tạo ra dữ liệu nhanh và (iii) Variety: Sự đa dạng về định dạng của dữ liệu từ dữ liệu số, tài liệu văn bản, email và thậm chí cả video và âm thanh. Dữ liệu lớn dành cho NHTW là loại dữ liệu được thu thập cho mục đích giám sát trong lĩnh vực tài chính, ngân hàng (Coeuré, 2017; Draghi, 2018). 
 
Hiện nay, chưa có định nghĩa về dữ liệu mới phục vụ điều hành chính sách tiền tệ. Dựa trên tổng quan các vấn đề về dữ liệu, nghiên cứu nhận định rằng, dữ liệu mới có thể được định nghĩa là dữ liệu được thu thập, phân tích bằng các phương pháp hiện đại hoặc từ thu thập những nguồn dữ liệu hiện đại (phi truyền thống) để hỗ trợ cho công tác điều hành chính sách tiền tệ và ổn định hệ thống tài chính của NHTW.
 
1.2. Phân loại dữ liệu mới phục vụ điều hành chính sách tiền tệ
 
Khi phân loại dữ liệu cho điều hành chính sách tiền tệ của NHTW, mỗi nghiên cứu có các cách phân loại khác nhau. Tuy nhiên, một số cách phân loại điển hình có thể kể đến là phân loại dựa trên sự phát triển của dữ liệu, phân loại dựa trên nguồn thu thập của dữ liệu, phân loại dựa trên sự phổ biến và hữu ích của dữ liệu và phân loại dựa trên mục đích sử dụng của dữ liệu.
 
Casey (2014) phân loại dữ liệu cho điều hành chính sách tiền tệ của NHTW thành hai loại chính là (i) Dữ liệu truyền thống; (ii) Dữ liệu mới. Dữ liệu truyển thống bao gồm dữ liệu vĩ mô, dữ liệu khảo sát và dữ liệu từ các tổ chức tài chính. Dữ liệu kiểu mới bao gồm dữ liệu không cấu trúc (báo cáo giám sát, thông tin mạng xã hội…), dữ liệu vi mô và dữ liệu từ bên thứ ba. (Hình 1)
 
Hình 1: Phân loại dữ liệu dựa trên sự phát triển của dữ liệu
Nguồn: Casey, 2014
 
Học hỏi từ cách phân loại của Casey (2014), Tissot và cộng sự (2015) đề xuất cách phân loại dựa trên nguồn thu thập bao gồm 05 loại: (i) Dữ liệu từ cơ sở dữ liệu của NHTW và các cơ quan thống kê quốc gia; (ii) Dữ liệu từ các cơ quan chính phủ khác; (iii) Dữ liệu từ Internet; (iv) Dữ liệu từ các tổ chức tài chính; (v) Dữ liệu từ phương tiện truyền thông và mạng xã hội. (Hình 2)
 
Hình 2: Phân loại dữ liệu dựa trên nguồn thu thập của dữ liệu
Nguồn: Tissot và cộng sự, 2015
 
Gần đây nhất, Wibisono và cộng sự (2019) đề xuất cách phân loại thành 04 loại dựa trên sự phổ biến và hữu ích đối với NHTW là: (i) Dữ liệu từ Internet; (ii) Dữ liệu được thương mại hóa; (iii) Dữ liệu từ thị trường tài chính và (iv) Dữ liệu quản lí. (Hình 3)
 
Hình 3: Phân loại dữ liệu dựa trên sự phổ biến và hữu ích đối với NHTW
Nguồn: Wibisono và cộng sự, 2019
 
Ngoài ra, có một cách không phổ biến được NHTW Kenya (2016) sử dụng là chia dữ liệu theo mục đích sử dụng dữ liệu là: (i) Dữ liệu thống kê tiền tệ; (ii) Dữ liệu thống kê tài chính công; (iii) Dữ liệu thống kê cán cân thanh toán; (iv) Dữ liệu thống kê các ngành. Cách phân loại này của NHTW Kenya bộc lộ nhiều hạn chế do việc phân tích các loại dữ liệu dựa trên mục đích sử dụng sẽ không làm rõ được tính chất, đặc điểm của các loại dữ liệu. (Hình 4)
 
Hình 4: Phân loại dữ liệu dựa trên mục đích sử dụng của dữ liệu
Nguồn: NHTW Kenya, 2016
 
Ngoại trừ cách phân loại của NHTW Kenya (2016), cách phân loại của Casey (2014), Tissot và cộng sự (2015) và Wibisono và cộng sự (2019) có nhiều điểm chung. Tuy nhiên, mỗi cách phân loại theo quan điểm của nhóm nghiên cứu có một số điểm hạn chế nhất định. Đối với các phân loại của Casey (2014) tương đối ưu việt khi phân loại thành kiểu truyền thống và mới, nhưng khi đề cập đến các loại dữ liệu mới các tác giả lại phân loại thành các nhóm không cân bằng nhau. Cụ thể, dữ liệu không cấu trúc đề cập đến các dữ liệu hình ảnh, câu chuyện, thì dữ liệu vi mô đề cập đến việc mô tả đối tượng khai thác dữ liệu hay dữ liệu từ bên thứ ba đề cập tới nguồn thu thập. Việc phân loại này rất khó để so sánh các loại hình dữ liệu với nhau. Đối với cách phân loại của Tissot và cộng sự (2015), cách phân loại dựa trên các nguồn thu thập đã khắc phục được hạn chế không cân bằng của Casey (2014), tuy nhiên lại chưa làm nổi bật đến vấn đề “dữ liệu mới” trong NHTW hiện nay đang được quan tâm. Bên cạnh đó, dữ liệu từ cơ sở dữ liệu của NHTW, cơ quan thống kê quốc gia và dữ liệu từ các cơ quan chính phủ khác có đặc điểm tương đối giống nhau. Đối với các phân loại của Wibisono và cộng sự (2019) đã rút gọn và đơn giản hóa cách phân loại hơn và đã khái quát được toàn cảnh bức tranh về các nguồn dữ liệu trong điều hành chính sách tiền tệ của NHTW, nhưng cách phân loại này cũng chưa đề cập đến vấn đề dữ liệu mới như Tissot và cộng sự (2015). Kế thừa các nghiên cứu đi trước, nhóm nghiên cứu đề xuất cách phân loại dữ liệu thành hai loại: Dữ liệu truyền thống (bao gồm dữ liệu vĩ mô, dữ liệu khảo sát, dữ liệu từ các tổ chức tài chính) và dữ liệu mới (bao gồm dữ liệu Internet, dữ liệu thương mại hóa, dữ liệu trên thị trường tài chính và dữ liệu quản lí). 
 
Trong đó:
 
Dữ liệu vĩ mô là các dữ liệu cơ bản được thống kê để phản ánh sản lượng của một nền kinh tế, chính phủ hay một khu vực.
Dữ liệu khảo sát là các dữ liệu được thu thập từ các cuộc khảo sát được thực hiện bởi các tổ chức có uy tín, các cơ quan quản lí nhà nước.
 
Dữ liệu từ các tổ chức tài chính là các dữ liệu được thu thập từ báo cáo của các tổ chức tài chính.
 
Dữ liệu Internet là các dữ liệu được thu thập trên Internet với đa dạng các hình thức và nguồn, ví dụ: Lịch sử tìm kiếm, số lần truy cập, các thông tin hiển thị và đăng tải.
 
Dữ liệu thương mại hóa là các dữ liệu được cung cấp bởi các tổ chức có uy tín và được cung cấp với mục đích thương mại hóa.
 
Dữ liệu trên thị trường tài chính là các dữ liệu thu thập từ thị trường tài chính.
 
Dữ liệu quản lí là các dữ liệu thu thập từ các cơ quan quản lí trong lĩnh vực tài chính ngân hàng. (Hình 5)
 
Hình 5: Đề xuất phân loại dữ liệu dựa trên nghiên cứu của Casey (2014) và Wibisono và cộng sự (2019)
Nguồn: Nhóm nghiên cứu

1.3. Vai trò của dữ liệu mới trong điều hành chính sách tiền tệ của NHTW
 
Thông tin, số liệu thống kê có vai trò vô cùng quan trọng đối với công tác hoạch định và điều hành các chính sách vĩ mô. Trong đó, số liệu thống kê chi tiết sẽ hỗ trợ việc đưa ra quyết sách nhanh chóng, kịp thời, qua đó phát huy tối đa hiệu quả của CSTT. Các dữ liệu giúp NHTW xác định được diễn biến trên thị trường tiền tệ giúp các cán bộ chuyên trách nắm được cơ chế truyền tải của CSTT và cho phép nắm bắt được các dữ liệu tổng thể và nâng cao chất lượng dự báo. Vai trò của dữ liệu trong điều hành CSTT thể hiện ở các điểm sau: Thứ nhất, cơ sở để NHTW xây dựng và ban hành các văn bản quy phạm pháp luật về CSTT, tín dụng, lãi suất, tỉ giá, thanh toán, ngân quỹ, ngoại hối, thị trường tiền tệ, giám sát an toàn hoạt động ngân hàng… phù hợp với diễn biến thị trường, cũng như có các phân tích, đánh giá, dự báo về hoạt động kinh tế, ngân hàng và điều chỉnh chính sách thích hợp cho từng thời kì; giúp theo dõi sát diễn biến tiền tệ và hoạt động ngân hàng, đáp ứng yêu cầu điều hành CSTT của NHTW. Thứ hai, yếu tố đầu vào cho việc xây dựng mô hình phân tích và dự báo kinh tế, tiền tệ. Thứ ba, căn cứ để xây dựng các chỉ tiêu kế hoạch, định hướng mục tiêu, nhiệm vụ và các giải pháp trong điều hành CSTT, hoạt động ngân hàng và các chính sách kinh tế vĩ mô khác. Thứ tư, giúp nâng cao hiệu quả truyền thông về điều hành CSTT. Việc sử dụng số liệu thống kê một cách phù hợp sẽ giúp cho người dân, doanh nghiệp và thị trường hiểu đúng về các giải pháp, kết quả thực hiện, cũng như định hướng điều hành CSTT, hoạt động ngân hàng. Thứ năm, cung cấp cho các cơ quan, tổ chức, cá nhân theo quy định, đáp ứng nhu cầu quản lí, kiểm tra, giám sát của các cơ quan chức năng, nhu cầu hợp tác, thực hiện các cam kết với các tổ chức quốc tế.
 
Bên cạnh các dữ liệu truyền thống vốn được sử dụng trong việc hoạch định chính sách, thì dữ liệu mới, hay việc sử dụng dữ liệu lớn, là một trong những chủ đề được quan tâm gần đây tại các NHTW. Trong một cuộc khảo sát được thực hiện bởi IFC (2015), phần lớn NHTW tại các quốc gia đánh giá cao khả năng ứng dụng dữ liệu lớn, đặc biệt là ở cấp quyết định chính sách cấp cao. Theo đánh giá, dữ liệu lớn là một công cụ tiềm năng hiệu quả để hỗ trợ việc ban hành các chính sách tiền tệ. Tính linh hoạt và sự sẵn có theo thời gian thực của dữ liệu lớn mở ra khả năng trích xuất các tín hiệu kinh tế kịp thời hơn và áp dụng các phương pháp thống kê mới hơn. Từ đó, việc sử dụng dữ liệu mới giúp tăng cường khả năng dự báo kinh tế vĩ mô cũng như khả năng đánh giá sự ổn định của hệ thống tài chính, đồng thời giúp các nhà hoạch định chính sách thu được các phản hồi kịp thời, nhanh chóng về tác động của các chính sách ban hành. Có thể khẳng định, không phải lúc nào NHTW cũng cần sử dụng dữ liệu mới cho mục tiêu chính sách. Tuy nhiên, có những lĩnh vực cụ thể mà ở đó, các quy trình của NHTW có thể phải thay đổi đáng kể với sự ra đời của dữ liệu lớn, ví dụ như dự báo ngắn hạn, dự báo tức thời, hay vấn đề bảo mật thông tin.
 
2. Kinh nghiệm tại NHTW các quốc gia châu Á
 
Các phương pháp phân tích dữ liệu mới gần đây được các NHTW châu Á quan tâm và sử dụng có bốn loại chính: (i) Lập trình ngôn ngữ tư duy (NLP); (ii) Dự báo trong ngắn hạn; (iii) Các ứng dụng do NHTW phát triển; (iv) Ứng dụng Suptech và Regtech.
 
NLP: Nhằm mục đích để chuyển đổi các thông tin định tính thành định lượng. Ví dụ như chỉ số bất ổn chính sách của nền kinh tế (EPU) để đánh giá mức độ bất ổn mà nền kinh tế phải đối mặt, được NHTW Ấn Độ đo lường bằng cách thiết lập các danh mục định nghĩa của các thuật ngữ về sự bất ổn, và sau đó thực hiện thuật toán tìm kiếm chúng trong các văn bản (bài báo, Internet…). Sau đó, thực hiện phương pháp thống kê, tổng hợp để xây dựng chỉ số phản ánh mức độ không chắc chắn được phản ánh qua các tài liệu đang quan tâm. Bên cạnh đó, NLP cũng hiệu quả trong việc đánh giá chính sách. Ví dụ như NHTW Indonesia có thể đánh giá kì vọng của thị trường về các chính sách lãi suất bằng cách phân tích các bình luận trên Internet. Việc ứng dụng NLP cho phép có thể thực hiện phân tích kì vọng của người tham gia thị trường thường xuyên và thuận tiện hơn so với khảo sát truyền thống. Các thông tin kì vọng về thị trường tương lai sẽ đặc biệt hữu ích khi thị trường đang đứng trước những nguy cơ như thiếu thanh khoản hay các cú sốc (Amstad và cộng sự, 2020; Armas và cộng sự, 2021). Ngoài ra, các NHTW châu Á cũng sử dụng NLP nhằm mục đích: (i) Đánh giá độ tin cậy của các chính sách; (ii) Đảm bảo tính nhất quán trong việc truyền thông các chính sách; (iii) Nâng cao hiệu quả trong việc tổng hợp số liệu; (iv) Đánh giá tình trạng của thị trường; (v) Trích xuất thông tin phản hồi từ các bên có liên quan.
 
Dự báo trong ngắn hạn: Theo khảo sát của Cornelli và cộng sự, 2022), hơn 40% các NHTW châu Á sử dụng phương pháp này để khai thác dữ liệu mới nhằm khai thác thêm các thông tin về chi tiêu tư nhân, doanh thu các ngành công nghiệp/bán lẻ, giá nhà và thất nghiệp. Dự báo trong ngắn hạn được cập nhật thường xuyên ngay khi có dữ liệu mới và sử dụng nhiều kĩ thuật khác nhau. Đặc biệt, phương pháp này có lợi thế lớn khi cách tiếp cận vấn đề không phụ thuộc vào các giả định có trước của các mối quan hệ (ví dụ như mô hình cung cầu), do đó, phù hợp với thời kì nền kinh tế có nhiều biến động.
 
Các ứng dụng do các NHTW  phát triển để trích xuất thông tin chi tiết về toàn bộ nền kinh tế từ dữ liệu tài chính chi tiết hoặc các nguồn phi truyền thống khác cho dữ liệu vi mô. Dữ liệu mới trong đó có dữ liệu lớn về tài chính bao gồm các bộ dữ liệu có cấu trúc và độc quyền lớn, chẳng hạn như dữ liệu từ kho giao dịch cho các giao dịch phái sinh hoặc từ cơ quan đăng kí tín dụng cho các khoản vay hoặc thanh toán cá nhân (Giulio và cộng sự, 2021). NHTW các quốc gia châu Á đặc biệt chú ý đến việc trích xuất thông tin từ dữ liệu phi truyền thống, chẳng hạn như các truy vấn tìm kiếm trên Internet như Google xu hướng đang hỗ trợ các hoạt động giám sát do Ngân hàng Thái Lan thực hiện (Sawaengsuksant, 2019). Các nguồn dữ liệu phi truyền thống khác bao gồm phân tích: (i) Mức tiêu thụ điện để theo dõi thị trường bất động sản nhà ở hoặc hóa đơn xuất khẩu để phân tích sức mạnh của ngành xuất khẩu ở Malaysia (Wanitthanankun và Dummee, 2017); (ii) Số lượng việc làm tìm kiếm để theo dõi sự phát triển của thị trường lao động ở Thái Lan (Nuprae và cộng sự, 2017); (iii) Lưu lượng người dùng điện thoại di động để đánh giá tác động của Covid-19 đối với di chuyển và di cư (Chantapong và Tassanoonthornwong, 2021); (iv) Đơn đăng kí bằng sáng chế của các công ty khởi nghiệp để ước tính tác động kinh tế của các đổi mới đầu tư mạo hiểm ở Nhật Bản (Washimi, 2021; (vi) Doanh số bán hàng thương mại điện tử (Yezekyan, 2018).
 
Ứng dụng Suptech và Regtech để hỗ trợ các chính sách giám sát vi mô: Theo khảo sát Cornelli và cộng sự (2022), 55% NHTW châu Á được khảo sát sử dụng thông tin cấp công ty được thu thập  từ các báo cáo tài chính hoặc báo chí để hỗ trợ các hoạt động cảnh báo sớm hoặc 45% sử dụng để nâng cao điểm tín dụng. Một lĩnh vực quan trọng khác liên quan đến phát hiện gian lận (khoảng 30% NHTW châu Á đề cập tới), ví dụ bằng cách sàng lọc các hợp đồng tín dụng để tìm các điều khoản và điều kiện đáng ngờ nhằm tăng cường bảo vệ người tiêu dùng. Cuối cùng, gần một phần ba các NHTW châu Á triển khai các thuật toán dữ liệu lớn cho các mục đích chống rửa tiền/chống tài trợ cho khủng bố (AML/CFT), chẳng hạn như khi phân tích các giao dịch thanh toán để xác định các mẫu đáng ngờ. 
 
Có thể thấy, các NHTW và cơ quan giám sát ở châu Á đã sử dụng rộng rãi các nguồn dữ liệu mới và phân tích như máy học cho mục đích nghiên cứu, cung cấp thông tin đối với các quyết định về chính sách tiền tệ, tạo thuận lợi cho các nhiệm vụ tổng hợp thống kê của họ cũng như để điều tiết và giám sát. Tuy nhiên, việc sử dụng dữ liệu lớn đặt ra nhiều thách thức khác nhau cho các cơ quan này. Kết quả phỏng vấn cho thấy các NHTW châu Á quan tâm tới những lưu ý khi sử dụng dữ liệu mới cho hoạch định chính sách tiền tệ, chẳng hạn như sự sẵn có của cơ sở hạ tầng công nghệ thông tin và nguồn nhân lực, các vấn đề pháp lí, bảo mật và quyền riêng tư, cũng như tính sẵn có và việc sử dụng dữ liệu lớn một cách chiến lược. Bên cạnh đó, an ninh mạng và sự phát triển của một chiến lược chính thức cho việc sử dụng dữ liệu lớn là những chủ đề được thảo luận tích cực. (Bảng 1)

Bảng 1: Những dự án áp dụng dữ liệu mới phục vụ điều hành chính sách tiền tệ tại một số NHTW châu Á

Nguồn: IFC, 2021
 
3. Bài học kinh nghiệm
 
Thứ nhất, áp dụng các phương pháp phân tích dữ liệu hiện đại. Với dữ liệu truyền thống, phương pháp phân tích dữ liệu phổ biến nhằm phục vụ cho mục tiêu điều hành chính sách tiền tệ bao gồm các tác vụ tương đối đơn giản như trực quan hóa dữ liệu, điều chỉnh mô hình, thử nghiệm giả thuyết cổ điển nhằm kiểm tra tầm quan trọng của một biến trong mô hình (kiểm tra T) hoặc để chọn một mô hình trong các phương án thay thế khác nhau (kiểm tra F). 
 
Tuy nhiên, các mô hình kinh tế dự báo và dự báo tức thời này khó có thể mở rộng linh hoạt để quản lí và duy trì cấu trúc dữ liệu lớn, như các dữ liệu thô về hành động của người dùng, dữ liệu hình ảnh, video và cảm biến. Phần lớn dữ liệu lớn ở các định dạng đa chiều phức tạp và việc sử dụng chúng để phân tích kinh tế đòi hỏi các bộ công cụ mới. Trên thực tế, các kĩ thuật truyền thống không hiệu quả khi xử lí với dữ liệu kích thước lớn hoặc tăng nhanh. Trong bối cảnh này, các nhà khoa học đã phát triển các kĩ thuật khoa học dữ liệu để có thể giúp mô hình hóa kinh tế trước những yêu cầu mới, như kĩ thuật học sâu, kĩ thuật mạng lưới liên kết thông tin.
 
Tuy nhiên, việc sử dụng các thuật toán khoa học dữ liệu trong việc hoạch định chính sách có thể trở nên vô dụng nếu chúng có thể mở rộng dễ dàng và có hiệu suất cao nhưng lại khó hiểu và khó áp dụng. Do đó, khoa học dữ liệu được áp dụng trong lĩnh vực kinh tế - tài chính đòi hỏi sự cân bằng giữa các khía cạnh và thường liên quan đến sự kết hợp giữa kiến thức chuyên môn và các công cụ phân tích thống kê để đạt được mức hiệu suất mô hình, khả năng diễn giải và tự động hóa theo yêu cầu của NHTW. 
 
Thứ hai, vấn đề quản lí rủi ro bảo mật và quyền riêng tư khi sử dụng dữ liệu lớn. Việc sử dụng dữ liệu mới, ví dụ như nguồn Internet, gây ra những rủi ro nhất định với NHTW so với việc sử dụng các số liệu thống kê truyền thống. Các rủi ro này bao gồm các vấn đề về mặt pháp lí, tài chính và đạo đức khi tiếp cận và phân tích thông tin cá nhân. Bảo vệ dữ liệu là một khía cạnh quan trọng cần được xem xét khi xử lí dữ liệu kinh tế và tài chính. Các cá nhân và tổ chức khi phải đối mặt với việc sử dụng dữ liệu liên quan đến tài chính của họ thường quan tâm đến việc dữ liệu đó có được lưu trữ trong cơ sở dữ liệu an toàn và tôn trọng quyền riêng tư hay không. 
 
Dữ liệu cấp độ cá nhân về tín dụng là một ví dụ rõ ràng về dữ liệu nhạy cảm có thể rất hữu ích trong phân tích kinh tế và tài chính, nhưng quyền truy cập thường bị hạn chế vì lí do bảo vệ dữ liệu. Việc khai thác hợp lí dữ liệu đó có thể mang lại những cải tiến lớn về nhiều mặt: Các tổ chức tài chính có thể hưởng lợi từ các mô hình rủi ro tín dụng tốt hơn, giúp xác định chính xác hơn những người đi vay có rủi ro và giảm các tổn thất tiềm ẩn liên quan đến vỡ nợ; người tiêu dùng có thể tiếp cận tín dụng dễ dàng hơn nhờ phân bổ nguồn lực hiệu quả cho những người vay đáng tin cậy, đồng thời Chính phủ và NHTW có thể theo dõi tình trạng nền kinh tế của họ theo thời gian thực bằng cách kiểm tra sức khỏe của thị trường tín dụng. Để tận dụng được nguồn dữ liệu lớn trong khi đảm bảo yếu tố an toàn và quyền riêng tư, chính phủ các quốc gia cần ban hành các quy định cụ thể về tiếp cận và phân tích dữ liệu, bao gồm việc mã hóa dữ liệu thành dạng ẩn danh để đảm bảo an toàn thông tin. Trong trường hợp đó, các kĩ thuật phân tích dữ liệu cần được điều chỉnh để hoạt động với dữ liệu đã được mã hóa hoặc phân tán. 
 
Thứ ba, quản lí chất lượng dữ liệu. Chất lượng dữ liệu thể hiện việc dữ liệu có được thu thập đúng cách và có thể hiện đúng bản chất mà NHTW quan tâm không? Trong nhiều trường hợp, lỗi sai sót, sự không nhất quán, hoặc làm sai lệch dữ liệu có thể tạo ra sự khác biệt đáng kể giữa dữ liệu thu thập được với những gì nhà phân tích mong muốn. Do đó, khi sử dụng dữ liệu lớn, NHTW cần kiểm tra nguồn gốc dữ liệu nhằm mục đích thu thập thông tin về toàn bộ quá trình tạo dữ liệu, chẳng hạn như phần mềm được sử dụng, các bước thử nghiệm được thực hiện trong việc thu thập dữ liệu hoặc bất kì chi tiết nào của các hoạt động trước đó được thực hiện trên dữ liệu thô. Việc theo dõi những thông tin như vậy cho phép người nhận dữ liệu hiểu được nguồn dữ liệu, nghĩa là dữ liệu được thu thập như thế nào, trong những điều kiện nào, cũng như cách dữ liệu được xử lí và chuyển đổi trước khi được lưu trữ. Điều này quan trọng không chỉ đối với khả năng lặp lại của phân tích mà còn để hiểu được độ tin cậy của dữ liệu có thể ảnh hưởng đến kết quả trong nghiên cứu kinh tế.
 
Thứ tư, tập trung vào các nguồn dữ liệu quan trọng. Dữ liệu kinh tế và tài chính đang phát triển với tốc độ đáng kinh ngạc chưa từng thấy trong quá khứ. Khối lượng và tốc độ dữ liệu ngày càng tăng đặt ra những thách thức kĩ thuật mới mà các nhà nghiên cứu, phân tích có thể phải đối mặt bằng cách tận dụng khoa học dữ liệu. Dù ý nghĩa của dữ liệu lớn đối với hệ thống thông tin của các NHTW là rất lớn, nhưng để quản lí và phân tích dữ liệu này, NHTW buộc phải bổ sung nguồn chi phí xử lí công nghệ thông tin lớn và áp dụng công nghệ, kĩ thuật thống kê hiện đại và phức tạp. Bên cạnh đó, nếu “sa đà” vào việc thu thập các tập dữ liệu lớn khác nhau bao gồm nhiều mục đích quá rộng, NHTW có thể gặp phải rủi ro là dành quá nhiều thời gian và nguồn lực cho các hoạt động rườm rà như làm sạch dữ liệu, tổ chức các nền tảng cơ bản…; thay vì thực sự phân tích và sử dụng dữ liệu. Để giải quyết rủi ro, NHTW cần tập trung vào các mục đích, trường hợp sử dụng cụ thể và lựa chọn loại dữ liệu lớn phù hợp nhất. 
 
Thứ năm, chú trọng phát triển nguồn nhân lực. Phát triển nguồn nhân lực là thực sự cần thiết, đặc biệt là về công nghệ thông tin, khoa học dữ liệu, cũng như chuyên môn pháp lí, có thể không có sẵn trong nội bộ NHTW. Với nguồn cung sinh viên tốt nghiệp hạn chế, các NHTW có thể phải đối mặt với việc cạnh tranh về mặt nhân lực với các tổ chức khác. Đây có thể là một trở ngại chính, vì đội ngũ nhân viên lành nghề là điều kiện tiên quyết nếu các NHTW muốn hưởng lợi từ các cơ hội dữ liệu lớn cũng như quản lí các rủi ro liên quan. Hơn nữa, sự thiếu hụt kĩ năng cũng đặt ra những câu hỏi xung quanh chế độ đãi ngộ và khả năng thăng tiến của nhân viên, cũng như các vấn đề về quản lí.


Tài liệu tham khảo:
 
1. Amstad, M., Cornelli, G., Gambacorta, L., & Xia, F. D. (2020). Investors’ risk attitudes in the pandemic and the stock market: New evidence based on internet searches. BIS Bulletin, (25).
2. Armas, J. C. A., & Tuazon, P. K. A. (2021). Revealing investors’ sentiment amid Covid-19: the Big Data evidence based on internet searches (Vol. 55). Bank for International Settlements.
3. Casey, M. (2014). Emerging opportunities and challenges with central bank data. In the 7th ECB Statistics Conference.
4. Chantharat S., Lamsam A., Samphantharak K. & Tangsawadirat P. (2017). A new perspective on Thai household debt through credit bureaus’ Big Data. PIER discussion paper 10/2017 
5. Cœuré, B. (2017). Policy analysis with big data. In Speech at the Conference on” Economic and Financial Regulation in the Era of Big Data”. Paris: European Central Bank.
6. Cornelli, G., Doerr, S., Gambacorta, L., & Tissot, B. (2022). Big data in Asian central banks. Asian Economic Policy Review, 17(2), pages 255-269.
7. Cornelli, G., Doerr, S., Gambacorta, L., & Tissot, B. (2022). Big data in Asian central banks. Asian Economic Policy Review, 17(2), 255-269.
8. Draghi, M. (2018). Welcome remarks at the third annual conference of the ESRB, September.
9. Giulio, C, Sebastian, D., Gambacorta, L., and Tisot, B. (2021). Big Data in Asian Central Bank. JCER Working Paper: AEPR serries No. 2021-2-4
10. IFC. (2017). Big data, IFC Bulletin, no 44, March.
11. Irving Fisher Committee (2021). Use of big data sources and applications at central banks. IFC Report 13.
12. Mehrhoff,  J. (2019). Demysistics  -  it’s  not  rocket science, IFC Bulletin, no 49.
13. Nymand-Andersen, P., & Pantelidis, E. (2018). Google econometrics: nowcasting euro area car sales and big data quality requirements (No. 30). ECB Statistics Paper.
14. Piechocki, M., & Leslie-Bini, A. (2017). Data as a critical factor for central banks (Vol. 44). Bank for International Settlements.
15. Sawaengsuksant P (2019). Standardised approach in developing economic indicators using internet searching applications. IFC Bulletin 50.
16. Serena, J. M., Tissot, B., Doerr, S., & Gambacorta, L. (2021). Use of big data sources and applications at central banks (No. 13). Bank for International Settlements.
17. Tissot, B., Hülagü, T., Nymand-Andersen, P., & Suarez, L. C. (2015). Central banks’ use of and interest in” big data”. Bank for International Settlements.
18. Tomar, L., Guicheney, W., Kyarisiima, H., Zimani, T., Roseth, B., & Acevedo, S. (2016). Big Data in the Public Sector. Inter_Amercian Developmnet Bank.
19. Wanitthanankun J. & Dummee J. (2017). Micro Data Usage Enhancement in Bank of Thailand. MyStats, Department of Statistic Malaysia. 
20. Washimi K. (2021). Venture Capital and Startup Innovation-- Big Data Analysis of Patent Data. BOJ reports & research papers, Bank of Japan. 
21. Wibisono, O., Ari, H. D., Widjanarti, A., Zulen, A. A., & Tissot, B. (2019). The use of big data analytics and artificial intelligence in central banking. IFC Bulletins, Bank for International Settlements.
22. Yezekyan L. (2018). Compilation of e-commerce data for balance of payments statistics. IFC Bulletin no. 48.


ThS. Trương Hoàng Diệp Hương; ThS. Đào Bích Ngọc

Viện Nghiên cứu khoa học ngân hàng - Học viện Ngân hàng

Bình luận Ý kiến của bạn sẽ được kiểm duyệt trước khi đăng. Vui lòng gõ tiếng Việt có dấu
Đóng lại ok
Bình luận của bạn chờ kiểm duyệt từ Ban biên tập
Thực trạng phát triển sản phẩm và dịch vụ tài chính số tại các quốc gia châu Á
Thực trạng phát triển sản phẩm và dịch vụ tài chính số tại các quốc gia châu Á
19/06/2024 183 lượt xem
Dựa trên dữ liệu được thu thập từ các báo cáo về tài chính toàn diện của Ngân hàng Thế giới (WB) và Quỹ Tiền tệ quốc tế (IMF), nghiên cứu tập trung đánh giá thực trạng tiếp cận các dịch vụ tài chính số tại 19 quốc gia châu Á từ phía chủ thể cung cấp và chủ thể tiêu thụ sản phẩm, dịch vụ tài chính.
Yếu tố ảnh hưởng đến quyết định đầu tư tiền mã hóa của thế hệ Gen Z trên địa bàn Thành phố Hồ Chí Minh
Yếu tố ảnh hưởng đến quyết định đầu tư tiền mã hóa của thế hệ Gen Z trên địa bàn Thành phố Hồ Chí Minh
06/06/2024 1.008 lượt xem
Trong kỉ nguyên của công nghệ số, sự xuất hiện của một hình thức tiền tệ số hay tiền mã hóa là hoàn toàn cần thiết để đáp ứng sự tiến bộ nhanh chóng của công nghệ (Milutinovic, 2018). Tiền mã hóa sử dụng công nghệ mã hóa và chuỗi khối (Blockchain) để bảo đảm tính an toàn và bảo mật cho các giao dịch tài chính.
Các yếu tố mang lại thành công của một số ngân hàng phát triển nước ngoài và kinh nghiệm cho Việt Nam
Các yếu tố mang lại thành công của một số ngân hàng phát triển nước ngoài và kinh nghiệm cho Việt Nam
24/05/2024 1.870 lượt xem
Ngân hàng Tái thiết Đức (KfW), Ngân hàng Phát triển Trung Quốc (CDB) và Ngân hàng Phát triển Hàn Quốc (KDB) là những định chế tài chính phát triển lớn, thành công trên thế giới...
Quốc tế hóa Nhân dân tệ và hợp tác tiền tệ giữa Trung Quốc với các nước ASEAN
Quốc tế hóa Nhân dân tệ và hợp tác tiền tệ giữa Trung Quốc với các nước ASEAN
20/05/2024 2.262 lượt xem
Đi đôi với phát triển kinh tế, Trung Quốc dần hình thành và triển khai chiến lược bài bản xây dựng và củng cố sức mạnh tài chính - tiền tệ với trọng tâm là phát triển CNY trở thành đồng tiền quốc tế...
Quản lí tiền mã hóa ở một số quốc gia - Kinh nghiệm và một số khuyến nghị chính sách đối với Việt Nam
Quản lí tiền mã hóa ở một số quốc gia - Kinh nghiệm và một số khuyến nghị chính sách đối với Việt Nam
16/05/2024 3.037 lượt xem
Trong kỉ nguyên của nền công nghiệp 4.0, tiền mã hóa là một ứng dụng tiêu biểu của công nghệ số Blockchain. Các loại tiền mã hóa xuất hiện là tất yếu trong quá trình phát triển của các hình thái tiền tệ, đem đến sự phát triển vượt bậc về thương mại điện tử và mở ra cho thị trường tài chính một trang mới.
Tác động của thực thi ESG đến hệ thống ngân hàng: Góc nhìn từ Việt Nam và tham chiếu thế giới
Tác động của thực thi ESG đến hệ thống ngân hàng: Góc nhìn từ Việt Nam và tham chiếu thế giới
08/05/2024 3.210 lượt xem
Trong những năm qua, đại dịch Covid-19 đã gây rất nhiều khó khăn, tổn thất về người, kinh tế cho các doanh nghiệp nói chung và hệ thống ngân hàng nói riêng tại Việt Nam cũng như trên toàn thế giới. Tuy nhiên, thống kê cho thấy, doanh nghiệp nào theo đuổi chiến lược phát triển bền vững, công bố các chỉ tiêu ESG (Enviromental - môi trường, Social - xã hội, Governance - quản trị) trong nhiều năm qua luôn thu hút được sự đồng hành của các nhà đầu tư trong và ngoài nước.
Thực thi chính sách tín dụng nông thôn - Kinh nghiệm của Brazil
Thực thi chính sách tín dụng nông thôn - Kinh nghiệm của Brazil
16/04/2024 4.153 lượt xem
Chính sách tín dụng nông thôn (tín dụng nông thôn) ở Brazil là các chương trình cho vay nhằm hỗ trợ sản xuất nông nghiệp, năng suất và đầu tư; nâng cao thu nhập của các trang trại và doanh nghiệp; nâng cao mức sống của người dân nông thôn.
Cơ cấu thu ngân sách nhà nước bền vững: Kinh nghiệm quốc tế và khuyến nghị đối với Việt Nam
Cơ cấu thu ngân sách nhà nước bền vững: Kinh nghiệm quốc tế và khuyến nghị đối với Việt Nam
04/04/2024 5.659 lượt xem
Bài viết phân tích, đánh giá một số kinh nghiệm quốc tế về cơ cấu thu NSNN bền vững thông qua bốn loại thuế, gồm: Thuế TNDN, thuế TNCN, thuế GTGT, thuế TTĐB. Trên cơ sở đó, tác giả đề xuất một số khuyến nghị để hoàn thiện cơ cấu thu NSNN bền vững, góp phần ổn định kinh tế vĩ mô, tạo môi trường thuận lợi cho phát triển kinh tế - xã hội tại Việt Nam.
Phát triển Quỹ hưu trí tự nguyện tại doanh nghiệp - Một số kinh nghiệm quốc tế và bài học cho Việt Nam
Phát triển Quỹ hưu trí tự nguyện tại doanh nghiệp - Một số kinh nghiệm quốc tế và bài học cho Việt Nam
21/03/2024 7.303 lượt xem
Hệ thống hưu trí là một bộ phận quan trọng của hệ thống an sinh xã hội với hai hệ thống hưu trí bắt buộc và hệ thống hưu trí tự nguyện. Nghiên cứu kinh nghiệm phát triển quỹ hưu trí tự nguyện tại doanh nghiệp ở các nước trên thế giới rất quan trọng nhằm rút ra bài học kinh nghiệm cho Việt Nam.
Dự báo kinh tế thế giới năm 2024 vẫn còn nhiều khó khăn
Dự báo kinh tế thế giới năm 2024 vẫn còn nhiều khó khăn
19/03/2024 21.003 lượt xem
Năm 2023, kinh tế thế giới phục hồi yếu và không đồng đều giữa các nền kinh tế chủ chốt. Hoạt động sản xuất, từ sản lượng công nghiệp đến hoạt động đầu tư và thương mại quốc tế đều giảm.
Ứng phó với các thách thức nhân khẩu học: Chiến lược thích ứng của ngành Ngân hàng và gợi ý đối với Việt Nam
Ứng phó với các thách thức nhân khẩu học: Chiến lược thích ứng của ngành Ngân hàng và gợi ý đối với Việt Nam
07/03/2024 8.537 lượt xem
Những thay đổi về nhân khẩu học toàn cầu, đặc biệt là xu hướng già hóa dân số đang đặt ra những thách thức và rủi ro lớn cho hoạt động kinh doanh của các ngân hàng.
Chính sách tiền tệ của Fed năm 2024 và một số khuyến nghị đối với Việt Nam
Chính sách tiền tệ của Fed năm 2024 và một số khuyến nghị đối với Việt Nam
03/03/2024 12.197 lượt xem
Sau gần hai năm thực thi chính sách tiền tệ thắt chặt nhằm mục tiêu kiểm soát lạm phát và đưa lạm phát của nền kinh tế Hoa Kỳ về gần lạm phát mục tiêu là 2%, trong năm 2024, dự kiến Cục Dự trữ liên bang Mỹ (Fed) sẽ có những thay đổi lớn trong điều hành chính sách tiền tệ.
Chương trình đảm bảo và nâng cao chất lượng kiểm toán - Kinh nghiệm quốc tế và một số khuyến nghị
Chương trình đảm bảo và nâng cao chất lượng kiểm toán - Kinh nghiệm quốc tế và một số khuyến nghị
15/02/2024 8.732 lượt xem
Kiểm toán nội bộ có vai trò quan trọng trong việc tăng cường và bảo vệ giá trị của tổ chức thông qua chức năng cung cấp sự đảm bảo, tư vấn khách quan, chuyên sâu và theo định hướng rủi ro.
Ngân hàng Mizuho Việt Nam góp phần thúc đẩy hợp tác toàn diện kinh tế Việt Nam - Nhật Bản
Ngân hàng Mizuho Việt Nam góp phần thúc đẩy hợp tác toàn diện kinh tế Việt Nam - Nhật Bản
13/02/2024 9.317 lượt xem
Nhìn lại năm 2023, trên khắp Việt Nam và Nhật Bản đã diễn ra nhiều sự kiện kỷ niệm 50 năm thiết lập quan hệ ngoại giao giữa hai nước. Tháng 12/2023, Mizuho đã hỗ trợ Diễn đàn kinh tế Nhật Bản - Việt Nam tại Tokyo cùng với Ngân hàng Thương mại cổ phần Ngoại thương Việt Nam (Vietcombank) và các định chế tài chính khác.
Triển vọng kinh tế thế giới và Việt Nam năm 2024
Triển vọng kinh tế thế giới và Việt Nam năm 2024
26/01/2024 10.120 lượt xem
Sau những cú sốc mạnh trong năm 2022, hoạt động kinh tế toàn cầu có dấu hiệu ổn định vào đầu năm 2023.
Giá vàngXem chi tiết

GIÁ VÀNG - XEM THEO NGÀY

Khu vực

Mua vào

Bán ra

HÀ NỘI

Vàng SJC 1L

74.980

76.980

TP.HỒ CHÍ MINH

Vàng SJC 1L

74.980

76.980

Vàng SJC 5c

74.980

77.000

Vàng nhẫn 9999

73.450

75.050

Vàng nữ trang 9999

73.350

74.350


Ngoại tệXem chi tiết
TỶ GIÁ - XEM THEO NGÀY 
Ngân Hàng USD EUR GBP JPY
Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra
Vietcombank 25,221 25,471 26,605 28,064 31,481 32,819 156.24 165.36
BIDV 25,251 25,471 26,786 28,052 31,719 32,813 156.92 165.09
VietinBank 25,251 25,471 26,773 28,068 31,886 32,896 158.15 165.95
Agribank 25,270 25,471 26,744 28,047 31,626 32,796 157.51 165.28
Eximbank 25,210 25,471 26,827 27,748 31,813 32,808 158.51 163.96
ACB 25,230 25,471 26,819 27,739 31,881 32,842 157.91 164.14
Sacombank 25,263 25,471 27,040 27,801 32,059 32,769 159.46 164.47
Techcombank 25,277 25,471 26,665 28,022 31,468 32,803 154.21 166.62
LPBank 25,011 25,471 26,667 28,248 31,936 32,833 157.42 168.06
DongA Bank 25,270 25,471 26,840 27,700 31,780 32,830 156.40 164.30
(Cập nhật trong ngày)
Lãi SuấtXem chi tiết
(Cập nhật trong ngày)
Ngân hàng
KKH
1 tuần
2 tuần
3 tuần
1 tháng
2 tháng
3 tháng
6 tháng
9 tháng
12 tháng
24 tháng
Vietcombank
0,10
0,20
0,20
-
1,60
1,60
1,90
2,90
2,90
4,60
4,70
BIDV
0,10
-
-
-
1,70
1,70
2,00
3,00
3,00
4,70
4,70
VietinBank
0,10
0,20
0,20
0,20
1,70
1,70
2,00
3,00
3,00
4,70
4,80
ACB
0,01
0,50
0,50
0,50
2,10
2,30
2,50
3,30
3,60
4,30
4,40
Sacombank
-
0,50
0,50
0,50
2,10
2,30
2,50
3,50
3,60
4,50
4,80
Techcombank
0,10
-
-
-
2,60
2,60
2,90
3,80
3,80
4,50
4,50
LPBank
0.20
0,20
0,20
0,20
2,00
2,00
2,30
3,20
3,20
5,00
5,30
DongA Bank
0,50
0,50
0,50
0,50
3,30
3,30
3,30
4,30
4,50
4,80
5,00
Agribank
0,20
-
-
-
1,60
1,60
1,90
3,00
3,00
4,70
4,70
Eximbank
0,50
0,50
0,50
0,50
2,90
3,10
3,20
4,00
4,00
4,80
5,10

Liên kết website
Bình chọn trực tuyến
Nội dung website có hữu ích với bạn không?