HIỆU QUẢ CỦA CÁC PHƯƠNG PHÁP HỌC MÁY TRONG DỰ BÁO TỔNG SẢN PHẨM QUỐC NỘI: TRƯỜNG HỢP VIỆT NAM

Lê Thái Sơn

Trường Đại học Sài Gòn, TP. Hồ Chí Minh, Việt Nam

Hoàng Đức Thắng

Trường Đại học Sài Gòn, TP. Hồ Chí Minh, Việt Nam

Nguyễn Văn 

Trường Đại học Hàng hải Việt Nam, Hải Phòng, Việt Nam

Ngày nhận: 08/06/2025; Ngày hoàn thành biên tập: 23/09/2025; Ngày duyệt đăng: 12/1/2026

DOI: https://doi.org/10.38203/jiem.vi.062025.1306

Tóm tắt: Nghiên cứu nhằm đánh giá hiệu quả của các phương pháp học máy trong dự báo tổng sản phẩm quốc nội thực theo quý của Việt Nam, đồng thời so sánh với các mô hình kinh tế lượng truyền thống. Dữ liệu chuỗi số liệu theo quý giai đoạn 2010-2024, chia thành hai giai đoạn kiểm thử gồm thời kỳ đại dịch Covid-19 (2019-2021) và giai đoạn phục hồi hậu đại dịch (2023-2024), được phân tích bằng các mô hình học máy gồm hồi quy Ridge, hồi quy Lasso, hồi quy Elastic-Net, hồi quy véc-tơ hỗ trợ, mạng nơ-ron nhiều lớp (MLP) và mạng trí nhớ ngắn–dài (LSTM), đồng thời so sánh với mô hình hồi quy thông thường. Kết quả cho thấy các mô hình học máy đạt độ chính xác dự báo cao hơn đáng kể so với mô hình kinh tế lượng truyền thống, đặc biệt trong bối cảnh nền kinh tế có nhiều biến động. Trong đó, LSTM là mô hình có hiệu suất tốt nhất ở cả hai giai đoạn, khẳng định ưu thế của mạng nơ-ron sâu trong dự báo chuỗi thời gian kinh tế vĩ mô. Kết quả nghiên cứu gợi ý các cơ quan hoạch định chính sách nên xem xét áp dụng các mô hình học sâu trong công tác dự báo kinh tế và điều hành vĩ mô để nâng cao độ chính xác dự báo và khả năng phản ứng của chính sách.

Từ khóa: Dự báo tổng sản phẩm quốc nội, Học máy, Hồi quy chính quy, Hồi quy véc tơ hỗ trợ, Mạng nơ-ron sâu

THE EFFECTIVENESS OF MACHINE LEARNING METHODS IN FORECASTING GROSS DOMESTIC PRODUCT: THE CASE OF VIETNAM

Abstract: This study aims to evaluate the effectiveness of machine learning methods in forecasting Vietnam’s quarterly real gross domestic product, while comparing their performance with traditional econometric models. The quarterly time-series data from 2010 to 2024, divided into two testing phases— the Covid-19 pandemic period (2019-2021) and the post-pandemic recovery period (2023-2024)— were analyzed using machine learning models, including Ridge regression, Lasso regression, Elastic-Net regression, Support Vector Regression (SVR), Multi-Layer Perceptron (MLP), and Long Short-Term Memory (LSTM) networks, and were compared with the conventional regression model. The results show that machine learning models achieve significantly higher forecasting accuracy than traditional econometric models, particularly under volatile economic conditions. Among them, the LSTM model demonstrates the best performance across both periods, highlighting the superiority of deep neural networks in forecasting macroeconomic time series. These findings suggest that policymakers should consider adopting deep learning models in economic forecasting and macroeconomic management to enhance prediction accuracy and policy responsiveness.

Keywords: Deep Neural Networks, GDP Forecasting, Machine Learning, Regularized Regression, Support Vector Regression