Kỹ thuật dự báo trong công nghiệp | Môn Quản lý dự án công nghiệp - Đại học Cần Thơ

lOMoAR cPSD| 58493804
CHƯƠNG I: GIỚI THIỆU
1.1. ĐẶT VẤN ĐỀ (1 BẠN) - Quý
Thuỷ sản nói chung và ngành tôm nuôi nói riêng là ngành kinh tế mũi nhọn,
giữ vai trò quan trọng trong sự phát triển của nền kinh tế Việt Nam với quy mô
ngày càng được mở rộng. Thương hiệu tôm nuôi Việt Nam không chỉ được khẳng
định trong nước mà còn được đón nhận bởi nhiều quốc gia trên thế giới. Với đường
bờ biển dài 3.260 km đi qua 28 tỉnh/thành, có nhiều vũng vịnh kín gió, phần diện
tích biển thuộc chủ quyền Việt Nam chiếm khoảng một phần ba diện tích của Biển
Đông, đây chính là những điều kiện thuận lợi cũng như được đánh giá là tiềm năng
rất lớn để thúc đẩy phát triển ngành tôm nuôi ở nước ta.
Hiện tại, ngành tôm đang trải qua thời điểm rất khó khăn trong sản xuất và
xuất khẩu. Ở trong nước, ảnh hưởng của thời tiết khiến mùa vụ nuôi mới gặp nhiều
trở ngại giá vật tư đầu vào trong nuôi tôm đang ở mức cao và vẫn còn khả năng
tăng cao hơn nữa trong khi giá tôm thương phẩm đang giảm sâu, nhiều doanh
nghiệp lo lắng sẽ thiếu nguyên liệu khi thị trường phục hồi trở lại. Về xuất khẩu
hệ lụy của covid-19 vẫn còn tiếp diễn lạm phát cao tại nhiều quốc gia chi phí
Logistic tăng cao khiến cho nhiều đơn hàng bị hoãn hủy xuất khẩu giảm rất sâu
theo số liệu của cục thủy sản 6 tháng đầu năm 2023 kim ngạch xuất khẩu thủy sản
nước đạt khoảng 4,13 tỷ đô la Mỹ giảm 27,4% so cùng kỳ năm 2022 Và chỉ đạt
41,4% kế hoạch của năm. Riêng mặt hàng tôm, mặc dù vẫn giữ vị trí chủ lực nhưng
tổng kim ngạch xuất khẩu chỉ 1,56 tỷ USD, thấp hơn 31% nửa đầu năm 2022.
Trong chiến lược phát triển thủy sản trở thành ngành kinh tế quan trọng, tỉnh
Kiên Giang đã chú trọng đầu tư phát triển nuôi tôm theo hướng sản xuất hàng hóa,
an toàn bền vững và hiệu quả, tập trung kiểm dịch tôn giáo vận chuyển chẩn đoán
xét nghiệm bệnh, chủ động nguồn hóa chất khử trùng giám sát chặt chẽ tình hình
dịch bệnh, phát hiện sớm kịp thời áp dụng các biện pháp xử lý khống chế không
để dịch bệnh lây lan diện rộng ngoài ra phối hợp với cơ quan có liên quan địa
phương ban ngành vận hành hệ thống công trình thủy lợi điều tiết nước phục vụ
cho nuôi tôm. Tĩnh cũng tiếp tục chuyển đổi đất trồng lúa kém hiệu quả sang phát
triển các mô hình Tôm lúa tôm càng xanh sang tôm sú và tôm cua kết hợp đặt
chuẩn chứng nhận VietGAP, GlobalGAP, ASC,.. nhằm tăng năng xuất.
Nhìn chung, nhờ những quyết định hỗ trợ đầu tư và tầm nhìn đúng đắn, trong
giai đoạn từ năm 2012-2023, sản lượng khai thác thuỷ sản ở Kiên Giang luôn có chiều
hướng tăng dần qua các năm. Theo tổng cục thống kê Việt Nam, giai đoạn này, sản
lượng tôm nuôi có sự tăng trưởng nhưng không đều, vì thế việc dự báo sản lượng khai
thác tôm nuôi tại tỉnh Kiên Giang là rất cần thiết để các bên liên quan có nguồn số
liệu làm cơ sở và nền tảng để so sánh, chỉnh sửa kế hoạch và kịp thời điều hành hoạt
động để đạt được nhiệm vụ đề ra. lOMoAR cPSD| 58493804
1.2. MỤC TIÊU CHUYÊN ĐỀ (1 BẠN) – CHÚC
1.2.1. MỤC TIÊU TỔNG QUÁT
Thu thập sản lượng nuôi tôm của Việt Nam từ năm 2012 – 2023 và dự báo sản lượng
nuôi tôm của Việt Nam trong năm 2024 thông qua các mô hình dự báo. Thông qua
bộ số liệu đã tìm các mô hình dự báo phù hợp.
1.2.2. MỤC TIÊU CỤ THỂ
Phân tích các mô hình dự báo đã chọn.
Đề xuất mô hình dự báo tốt nhất về sản lượng nuôi tôm cho năm 2024 nhằm tạo cơ sở
và điều kiện cho cơ quan nắm bắt được tổng sản lượng để có kế hoạch cho việc cungcầu
và phân bổ diện tích nuôi trồng tôm phù hợp.
Giới thiệu và ứng dụng được mô hình ARIMA vào dự báo sản lượng nuôi tôm của Việt năm năm 2024.
Ứng dụng phần mềm SPSS để dự báo sản lượng nuôi tôm của Việt Nam năm 2024.
1.3. PHƯƠNG PHÁP THỰC HIỆN (1 BẠN) - NHƯ
Sử dụng số liệu ở bảng …, tiến hành dự báo sản lượng tôm nuôi ở tỉnh Kiên Giang
năm 2024 bằng các phương pháp:
- Phương pháp bình quân di động có trọng số
- Phương pháp san bằng số có điều chỉnh xu hướng
- Phương pháp hồi quy tuyến tính đơn giản
CHƯƠNG 2: PHÂN TÍCH VÀ KẾT QUẢ
2.1. BÌNH QUÂN DI ĐỘNG CÓ TRỌNG SỐ (Hiền) Chúc
Bình quân di động có trọng số là phương pháp dự báo định lượng dựa trên giá trị trung
bình cộng của các giá trị thực tế ở các thời kỳ trước đó. Khác với phương pháp bình
quân di động, phương pháp này có sử dụng bộ trọng số để nhấn mạnh giá trị của các dữ
liệu gần nhất. Dựa trên quan điểm rằng các quan sát càng gần với hiện tại càng mang
nhiều thông tin chi tiết và chính xác hơn về tình hình hiện tại, nên các dữ liệu ở thời
gian càng gần với thời điểm dự báo được gán trọng số càng lớn. Trọng số có thể giúp
hạn chế độ trễ so với xu hướng hiện tại hơn so với phương pháp bình quân di động giản
đơn. Công thức tính F A
t=W1 At−p+W2 At−p+1p+....+W p−1 At−2+W p t−1 ∑❑Wk k=1 p
∑❑W k=1,v ớik={1,2,...., p} k=1
F = dự báo ở thời điểm t t lOMoAR cPSD| 58493804
A = giá trị thực tế ở thời điểm t t
W = trọng số ở giai đoạn k, k = (1,2,...,p) k t Năm
Sản lượng thực tế Dự báo WMA (3) (1,2,7) 1 2012 40292 - 2 2013 41978 - 3 2014 51430 - 4 2015 52210 48425.8 5 2016 56875 51030.8 6 2017 66290 55397.5 7 2018 74160 62999 8 2019 82767 70857.5 9 2020 98109 79397.9 10 2021 104126 92645.7 11 2022 110600 100786.7 12 2023 121000 108056.1 13 2024 117232.6 MAD= 10726.66
2.2. SAN BẰNG SỐ MŨ CÓ XU HƯỚNG (Quý) Hiền
Mô hình san bằng số mũ có điều chỉnh xu hướng (DES) được phát triển bởi Holt
và Winters vào cuối những năm 1960. Ông hai là hai nhà kinh tế học người Anh, và mô
hình này ban đầu được thiết kế để dự đoán và phân tích dữ liệu bán lẻ. Ban đầu, mô
hình DES chỉ bao gồm một phiên bản cơ bản, gọi là mô hình san bằng số mũ (ES),
được sử dụng để dự đoán các dữ liệu chuỗi thời gian không có xu hướng. Tuy nhiên, lOMoAR cPSD| 58493804
Holt và Winters đã mở rộng mô hình này bằng cách thêm vào chức năng điều chỉnh xu
hướng, tạo ra mô hình san bằng số mũ có điều chỉnh xu hướng.
Mô hình DES sử dụng một hàm tuyến tính để mô hình hóa sự thay đổi của dữ
liệu theo thời gian và một hàm số mũ để mô hình hóa xu hướng tăng hoặc giảm. Điều
chỉnh xu hướng cho phép mô hình đáp ứng linh hoạt với các biến động trong xu hướng
dữ liệu theo thời gian, bao gồm cả những biến động dài hạn và ngắn hạn. Cách hoạt
động cụ thể của mô hình DES là sử dụng một quá trình hai giai đoạn, trong đó trước
tiên một mô hình san bằng số mũ được sử dụng để điều chỉnh xu hướng, sau đó một
mô hình autoregressive (AR) được áp dụng cho các sai số còn lại. Kết hợp giữa các
phần này giúp cải thiện khả năng dự đoán và phân tích xu hướng của mô hình.
Phương trình dự báo: F Trong
t+m=at+mbt đó:
Mức độ tại thời điểm t: at=α At+(1−α)(at−1+bt−1)
Xu hướng chuỗi thời gian ở thời điểm t: bt=β (at−at−1)+(1−β)bt−1 Yêu cầu sử dụng 2 trọng số:
+ α cho mức độ của chuỗi giá trị (giá trị ban đầu)
+ β cho xu hướng (hệ số) α ,β= Trọng số/hệ số san bằng
(α:0.1−0.35;β:0.01−0.1)
Khi α ,β càng lớn, thông tin mới càng có ảnh hưởng vào dự đoán. Alpha Alpha 0.35 0.107 Beta Beta 0.1 0.01 Nhu cầu thực tế Dự báo (Ft) từ Năm (At)
Dự báo (Ft) từ t=1 t=2 2013 40292 2014 41978 40292 2015 51430 40941.1 43664.00 2016 52210 45038.3 50475.05 2017 56875 48225.6 57352.46 2018 66290 52232.7 64716.18 2019 74160 58624.6 73079.68 2020 82767 66077.6 82275.01 lOMoAR cPSD| 58493804 2021 98109 74518.6 92381.13 2022 104126 86200.7 104126.03 2023 110600 96527.3 116499.39 2024 121000 105998.1 129549.60 MAD= 12986.644 MAD= 2750.203
2.3. PHƯƠNG PHÁP HỒI QUY TUYẾN TÍNH ĐƠN GIẢN(Như + Chúc) Quý Công thức:
Y i=β0+β1 Xi+εi
∀i=1,...,n → Y^=^β0+β^1 X n n n
n(∑❑Xi Y i)−∑❑Xi∑❑Y i ^β1= i=1 n i=1i=1
n∑❑(X¿¿i)2−¿¿¿¿ i=1
^β0= ΣYin −^β1 ΣXin =Y −^β1X
Y = Giá trị của biến phụ thuộc trong quan sát/giai đoạn thứ i , i β0
β = Hệ số hồi quy (các tham số của mô hình) 1
εi = thành phần lỗi ngẫu nhiên. Giả định: NID(0, constant σ²) lOMoAR cPSD| 58493804
Y^ = giá trị dự đoán của biến phụ thuộc
X = giá trị của biến độc lập trong quan sát/giai đoạn thứ i i
β = giá trị dự đoán của hoặc giá trị ban đầu (intercept) của 0 β0
Y^ ^β1 = giá trị dự đoán của β1 hoặc hệ số góc (slope) của mô hình i = 1, 2,..., n
n = số lượng quan sát hoặc thử nghiệm n= 12 beta 1 = 7654.89 beta 0 = 25229.62 Sản
Dự báo |At-Ft| lượng Xi Xi^2 XiYi tôm nuôi Năm (Yi) 32884.5 7407.49 1 2012 40292 1 40292 1 40539.4 1438.60 2 2013 41978 4 83956 0 48194.3 3235.70 3 2014 51430 9 154290 0 4 2015 52210 16 208840 55849.1 3639.19 9 63504.0 6629.08 5 2016 56875 25 284375 8 71158.9 4868.97 6 2017 66290 36 397740 7 lOMoAR cPSD| 58493804 78813.8 4653.86 7 2018 74160 49 519120 6 86468.7 3701.75 8 2019 82767 64 662136 5 94123.6 3985.35 9 2020 98109 81 882981 5 101778. 2347.46 10 2021 104126 100 1041260 54 109433. 1166.57 11 2022 110600 121 1216600 43 117088. 3911.68 12 2023 121000 144 1452000 32 Tổng 78 899837 650 6943590 Trung 6,5 74986,41 bình 13 2024 - - - 124743. - 21 MAD = 3915.48 lOMoAR cPSD| 58493804
2.4. MÔ HÌNH ARIMA SỬ DỤNG SPSS (Hiền) H. Như 2.4.1 Mô hình ARIMA
Mô hình ARIMA được xây dựng dựa trên giả định rằng giá trị hiện tại của một chuỗi
thời gian có thể được giải thích bằng cách kết hợp các giá trị quá khứ của chính nó (tự
hồi quy - AR), giá trị sai phân của chuỗi thời gian (tích hợp - I) và lỗi dự báo từ các giai
đoạn trước (trung bình trượt - MA). Mô hình này được phát triển bởi hai nhà thống kê
George Box và Gwilym Jenkins vào năm 1976 và được xem là một công cụ mạnh mẽ
để phân tích và dự báo các biến đổi theo thời gian trong nhiều lĩnh vực khác nhau.
Bộ số ARIMA(p, d, q) bao gồm p biểu thị số các số hạng tự hồi quy, d biểu thị số lần
chuỗi thời gian phải được tính sai phân cho tới khi có tính dừng, và q là số các số hạng trung bình trượt.
Các bước để dự báo dựa trên mô hình ARIMA B1 : Kiểm tra tính dừng
Một chuỗi dữ liệu được xem là dừng khi có những đặc điểm sau:
+ Dữ liệu dao động xung quanh một giá trị cố định hay giá trị trung bình
+ Dữ liệu có giá trị phương sai xác định và không thay đổi theo thời gian
+ Giá trị hiệp phương sai là một hằng số cho các thời điểm ở các độ trễ khác nhau
B2 : Xử lý chuỗi không dừng
Nếu chuỗi dữ liệu chưa có tính dừng, có thể sử dụng phương pháp sai phân để biến
nó thành chuỗi dừng. Sai phân đến khi chuỗi dữ liều có tính dừng, ta chọn được số d.
B3 : Chọn bậc AR(p) tối ưu
Sử dụng hệ số tự tương quan từng phần PACF để chọn bậc p cho AR.
B4 : Chọn bậc MA(q) tối ưu
Sử dụng hệ số tự tương quan ACF để chọn bậc q cho MA. lOMoAR cPSD| 58493804
B5 : Ước lượng mô hình ARIMA ( p, d, q) và chọn mô hình tối ưu
So sánh dự trên các chỉ số đánh giá dự báo như (RMSE, MAD, …) B6 : Dự báo
2.4.2 Sử dụng phần mềm SPSS để phân tích Biểu đồ
thể hiện sản lượngtôm nuôi của tỉnhKiên Giang Chuỗidữ liệu
chưa có tính dừng, cần tiến hành sai phân
Kết quả sai phân lần 1 (d=1) Tiếp tục sai phân lần 2 (d=2) Tiếp tục sai phần lần 3. Kết quả cho thấy chuỗi dữ liệu đã có tính dừng lOMoAR cPSD| 58493804 Khi đó, đồ thị tự tương quan ACF và đồ thị tự tương quan từng phần PACF cho chuỗi dữ liệu
Kết quả từ biểu đồ cho thấy, giá trị q bằng 1 hoặc 0 và giá trị p bằng 0 ARIMA (0,3,1) MAD = 5738.22 lOMoAR cPSD| 58493804 t Năm Sản lượng thực tế Dự báo ARIMA (0,3,1) 1 2012 40292 - 2 2013 41978 - 3 2014 51430 - 4 2015 52210 68318 5 2016 56875 52041 6 2017 66290 61872 7 2018 74160 76811 8 2019 82767 82275 9 2020 98109 91371 10 2021 104126 114080 lOMoAR cPSD| 58493804 11 2022 110600 109197 12 2023 121000 115954 13 2024 130454 14 138631 15 145201
CHƯƠNG 3: KẾT LUẬN ( KÈM BÌA + MỤC LỤC + DANH MỤC HÌNH + DANH
MỤC BẢNG) (1 BẠN) - T.HIỀN
1 BẠN LÀM PPT (Chúc + Quý)
Deadline Cho 3 chương: 12h trưa ngày 26/3
Deadline cho PPT: 12h trưa ngày 1/4