Nghiên cứu này được thực hiện để phân tích các tác động của kết nối vận tải hàng hải song phương đối với giá trị xuất khẩu của Việt Nam đến 40 quốc gia ven biển là đối tác xuất khẩu chính trong khoảng thời gian mười năm từ 2011 đến 2020. Nghiên cứu áp dụng phương pháp hồi quy Hai bước hệ thống GMM (Two-step system Generalized Method of Moments), và sử dụng các kiểm định cần thiết, để đảm bảo kết quả ước lượng của mô hình là vững, không chệch và phù hợp. Kết quả ước lượng của đa số các biến đều có ý nghĩa thống kê và phù hợp với các giả thuyết của mô hình trọng lực. Kết quả thực nghiệm không những khẳng định tầm quan trọng của kết nối vận tải hàng hải đối với xuất khẩu của Việt Nam mà còn kết luận kết nối vận tải đường biển song phương hiệu quả sẽ giúp giảm tác động tiêu cực của khoảng cách địa lý.

Download

Sử dụng dữ liệu về đầu tư trực tiếp nước ngoài (FDI) của 66 quốc gia đang phát triển giai đoạn 2013-2021, nghiên cứu này triển khai các phương pháp học máy bao gồm mạng nơ-ron nhân tạo (ANN), rừng ngẫu nhiên (RFA) nhằm so sánh chất lượng dự báo với một phương pháp tiếp cận kinh tế lượng là GMM sai phân (DGMM). Trong đó, DGMM phân tích mối liên hệ giữa các nhân tố đầu vào ảnh hưởng tới thu hút FDI, trong khi ANN và RF dựa vào các nhân tố có ý nghĩa thống kê để đưa ra dự báo. Kết quả cho thấy các nhân tố độ lớn thị trường, độ mở thương mại, mức độ dồi dào của lao động, sự phát triển của thị trường tài chính là những nhân tố chính trợ lực cho thu hút FDI tại các quốc gia này. Trong khi đó, xét về mặt dự báo, sai số của RF là nhỏ nhất và vượt trội so với các phương pháp so sánh. Các phát hiện của mô hình kinh tế lượng và mô hình học máy cũng được thảo luận trong nghiên cứu. <br><br> Abstract <br> Utilizing foreign direct investment (FDI) data from 66 developing countries for the period 2013–2021, this study implements machine learning methods, including artificial neural networks (ANN) and random forests (RF), to compare predictive quality with that of an econometric approach, the difference generalized method of moments (DGMM). In this context, DGMM analyzes the relationships between the input factors influencing FDI attraction, while ANN and RF make predictions based on statistically significant factors. The results indicate that market size, trade openness, labor abundance, and financial market development are primary drivers facilitating FDI attraction in these countries. Regarding predictive accuracy, RF exhibits the lowest error and significantly outperforms the selected methods. The findings from both the econometric model and the machine learning models are also discussed in the study.

Download

Nghiên cứu này khám phá vai trò của AI khả diễn (eXplainable AI hay XAI) ứng dụng thúc đẩy chiến lược đầu tư bền vững trong lĩnh vực công nghệ tài chính (FinTech) tại Việt Nam. Trong khi các mô hình AI góp phần nâng cao hiệu quả trong quá trình ra quyết định đầu tư, thì những hạn chế về tính minh bạch đang là rào cản đáng kể đối với việc tích hợp các tiêu chí Môi trường, Xã hội và Quản trị (ESG). XAI được xem là giải pháp tiềm năng để giải quyết vấn đề này bằng việc tăng cường tính minh bạch, cải thiện khả năng diễn giải, và có trách nhiệm giải trình nhằm củng cố niềm tin của nhà đầu tư trong quá trình ra quyết định. Với bối cảnh đang thay đổi của Việt Nam về AI và Dữ liệu lớn, cùng với tiềm năng tăng trưởng của công nghệ và ứng dụng FinTech. Nghiên cứu này dựa trên phân tích dữ liệu thứ cấp từ các báo cáo tài chính và ESG, đồng thời ứng dụng các mô hình AI tân tiến kết hợp nền tảng toán học SHAP nhằm làm rõ cách thức XAI được sử dụng để nâng cao hiệu quả phân bổ nguồn lực, quản lý rủi ro và thúc đẩy phát triển bền vững trong dài hạn. <br><br>Abstract <br> This study explores the role of eXplainable AI (XAI) in driving sustainable investment strategies in the financial technology (FinTech) sector in Vietnam. While AI models contribute to improving the efficiency of investment decision-making, transparency constraints are a significant barrier to the integration of Environmental, Social, and Governance (ESG) criteria. XAI is seen as a potential solution to address this issue by enhancing transparency, improving explainability, and accountability to strengthen investor confidence in the decision-making process. Given Vietnam’s changing landscape of AI and Big Data, along with the growth potential of FinTech technology and applications. This study is based on secondary data analysis from financial and ESG reports, and applies advanced AI models combined with the SHAP mathematical platform to clarify how XAI is used to improve resource allocation efficiency, manage risks, and promote long-term sustainable development.

Download

Các yếu tố Môi trường, Xã hội, và Quản trị trở nên quan trọng trong việc đánh giá hiệu suất và rủi ro của doanh nghiệp. Nghiên cứu này khám phá ứng dụng các mô hình học máy khả diễn XAI nhằm cải thiện khả năng diễn giải, tăng độ tin cậy trong phân tích rủi ro ESG. Thực nghiệm dữ liệu ESG của các doanh nghiệp S&P 500, cho thấy mô hình LightGBM có độ chính xác cao nhất với MAE (0.9233), MSE (1.7696), RMSE (1.3303), MAPE (4.21%), so với XGBoost và Random Forest. Phân tích giá trị SHAP chỉ ra rằng rủi ro ESG bị chi phối chủ yếu bởi ba yếu tố chính: rủi ro môi trường (Environment_Risk_Score - 3.34), rủi ro xã hội (Social_Risk_Score - 2.36) và rủi ro quản trị (Governance_Risk_Score - 1.39). Ngoài ra, mức độ rủi ro ESG tổng thể của doanh nghiệp (ESG_Risk_Level_Low - 1.04, ESG_Risk_Level_High - 0.39) cũng đóng vai trò quan trọng. Kết quả nghiên cứu làm nổi bật tiềm năng của các mô hình XAI trong việc tăng cường báo cáo và tuân thủ ESG, đồng thời cung cấp thông tin chi tiết cho các nhà đầu tư và nhà hoạch định chính sách. Hơn nữa, nghiên cứu này minh chứng cho việc tích hợp ML/AI khả diễn vào qui trình quản lý rủi ro của tổ chức, thúc đẩy tính minh bạch, trách nhiệm giải trình, và sự tin tưởng vào các đánh giá ESG.

Download