Nhiệm vụ 6
Thu Hà
16:22:36, 16 - 03 - 2024
1 Bộ dữ liệu từ World Bank
1.1 Giới thiệu bộ dữ liệu World Bank
Bộ dữ liệu của Ngân hàng Thế giới (World Bank) là một trong những nguồn thông tin toàn diện và được sử dụng rộng rãi nhất về phát triển kinh tế và xã hội trên toàn cầu. Nó bao gồm dữ liệu từ hơn 200 quốc gia và khu vực, kéo dài qua nhiều thập kỷ, và bao gồm hàng nghìn chỉ số về nhiều lĩnh vực khác nhau bao gồm kinh tế, giáo dục, sức khỏe, dân số, môi trường, và nhiều hơn nữa. Các bộ dữ liệu này được sử dụng bởi các nhà hoạch định chính sách, nhà nghiên cứu, và các tổ chức phi chính phủ trên toàn thế giới để phân tích, so sánh và dự báo các xu hướng phát triển.
1.2 Giới thiệu indicator SP.URB.TOTL.IN.ZS
SP.URB.TOTL.IN.Z là một mã chỉ báo từ Ngân hàng Thế giới, dùng để đại diện cho “tỷ lệ dân số sống ở khu vực đô thị” trên tổng dân số. Chỉ số này phản ánh phần trăm dân số của một quốc gia hoặc khu vực được xem là sống trong các khu vực được phân loại là đô thị, theo tiêu chí và định nghĩa cụ thể của mỗi quốc gia.
Chỉ số này rất quan trọng trong việc nghiên cứu và phân tích sự di chuyển của dân số từ nông thôn sang đô thị (đô thị hóa), cũng như để hiểu rõ hơn về cách thức mà sự phát triển đô thị ảnh hưởng đến kinh tế, môi trường và xã hội. Sự đô thị hóa nhanh chóng có thể mang lại nhiều cơ hội phát triển kinh tế và xã hội nhưng cũng đặt ra thách thức lớn liên quan đến quản lý đô thị, cung cấp dịch vụ công, bảo vệ môi trường và đảm bảo an sinh xã hội.
SP: thường đứng cho “Population”, tức là “dân số”. Trong các mã chỉ báo của Ngân hàng Thế giới, “SP” thường xuất hiện trong các chỉ số liên quan đến dân số.
URB: chỉ ra rằng chỉ số này tập trung vào “Urban”, tức là các khu vực đô thị. Điều này phản ánh chỉ số đang đo lường hoặc liên quan đến dân số sống trong các khu vực được định nghĩa hoặc xác định là đô thị theo tiêu chuẩn của mỗi quốc gia.
TOTL:là viết tắt của “Total”, nghĩa là tổng số. Trong trường hợp này, nó chỉ tổng dân số đô thị.
IN: có thể đứng cho từ “Indicator” hoặc là một phần của cú pháp mã hóa chỉ báo, giúp phân biệt các loại dữ liệu và cách chúng được đo lường.
ZS: thường liên quan đến định dạng hoặc loại dữ liệu của chỉ báo. Trong trường hợp này, nó có thể không mang một ý nghĩa cụ thể rõ ràng mà là một phần của mã chỉ báo tổng thể.
1.3 Load bộ dữ liệu
library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.3.3## Warning: package 'ggplot2' was built under R version 4.3.3## Warning: package 'tidyr' was built under R version 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(WDI)## Warning: package 'WDI' was built under R version 4.3.3ind <- WDIsearch('Total Population')
total_population <- WDI(indicator = 'SP.URB.TOTL.IN.ZS', country = c('VNM'), start= 2000, end = 2022)
a <- total_population %>% select(year,SP.URB.TOTL.IN.ZS)
a1 <- na.omit(a)
names(a1) <- c('year','Dansothanhthi')
library(DT)## Warning: package 'DT' was built under R version 4.3.3datatable(a1)1.4 Phân tích indicator theo thời gian
1.4.1 Dân Số Thành Thị (% tổng dân số) từ 2000 đến 2004 tại Việt Nam
library(ggplot2)
a2 <- a1 %>% filter(year >= 2000 & year <= 2004)
ggplot(a2, aes(x = year, y = Dansothanhthi)) +
geom_line(color = "blue", linewidth = 1) +
geom_point(color = "red", size = 3) +
geom_text(aes(label = Dansothanhthi), vjust = -0.5, color = "black") +
labs(title = "Dân Số Thành Thị (% tổng dân số) từ 2000- 2004 tại Việt Nam",
x = "Năm", y = "Dân Số Thành Thị (% tổng dân số)") +
theme_minimal() 
Giải thích câu lệnh:
ggplot(a2, aes(x = year, y = Dansothanhthi)) khởi tạo biểu đồ với a2 là khung dữ liệu bạn muốn sử dụng, và aes xác định các trục.
geom_line và geom_point thêm vào biểu đồ một đường và các điểm dữ liệu tương ứng với từng năm và tỷ lệ dân số thành thị.
geom_text được sử dụng để hiển thị giá trị số trên mỗi điểm dữ liệu. vjust = -0.5 dùng để điều chỉnh vị trí của text so với điểm dữ liệu, giúp text không bị chồng lên điểm.
labs cho phép bạn thêm tiêu đề và nhãn cho các trục.
theme_minimal() áp dụng một theme đơn giản, sạch sẽ cho biểu đồ.
Kết quả:
Biểu đồ đường: Sẽ hiển thị một đường màu xanh nối các điểm dữ liệu, với mỗi điểm đại diện cho “Dân Số Thành Thị (% tổng dân số)” tại Việt Nam từ năm 2000 đến 2004. Đường này phản ánh xu hướng thay đổi của tỷ lệ dân số thành thị trong khoảng thời gian đó.
Điểm dữ liệu: Các điểm sẽ được vẽ bằng màu đỏ và kích thước lớn (size = 3), làm nổi bật chúng trên đường biểu đồ. Mỗi điểm tương ứng với tỷ lệ dân số thành thị cho mỗi năm từ 2000 đến 2004.
Giá trị số: Bên cạnh mỗi điểm, giá trị số của “Dân Số Thành Thị (% tổng dân số)” sẽ được hiển thị dưới dạng văn bản màu đen. vjust = -0.5 đảm bảo rằng các giá trị này được hiển thị một chút phía trên mỗi điểm dữ liệu, giúp tránh chồng lấn giữa văn bản và điểm.
Tiêu đề và nhãn trục: Biểu đồ sẽ có tiêu đề là “Dân Số Thành Thị (% tổng dân số) từ 2000 đến 2004 tại Việt Nam” và nhãn trục x là “Năm” cùng với nhãn trục y là “Dân Số Thành Thị (% tổng dân số)”.
1.4.2 Dân Số Thành Thị (% tổng dân số) từ 2005 đến 2009 tại Việt Nam
a3 <- a1 %>% filter(year >= 2005 & year <= 2009)
ggplot(a3, aes(x = year, y = Dansothanhthi)) +
geom_line(color = "blue", linewidth = 1) +
geom_point(color = "red", size = 3) +
geom_text(aes(label = Dansothanhthi), vjust = -0.5, color = "black") +
labs(title = "Dân Số Thành Thị (% tổng dân số) từ 2005- 2009 tại Việt Nam",
x = "Năm", y = "Dân Số Thành Thị (% tổng dân số)") +
theme_minimal() 
Giải thích câu lệnh:
geom_line: dùng để vẽ đường nối các điểm.
geom_point: dùng để vẽ các điểm dữ liệu, ở đây là màu đỏ.
geom_text được sử dụng để hiển thị giá trị số trên mỗi điểm dữ liệu. vjust = -0.5 dùng để điều chỉnh vị trí của text so với điểm dữ liệu, giúp text không bị chồng lên điểm.
labs và theme_minimal(): giúp tùy chỉnh tiêu đề, nhãn trục và áp dụng một theme đơn giản cho biểu đồ.
Kết quả:
Biểu đồ đường: Sẽ hiển thị một đường màu xanh nối các điểm dữ liệu, với mỗi điểm đại diện cho “Dân Số Thành Thị (% tổng dân số)” tại Việt Nam từ năm 2005 đến 2009. Đường này phản ánh xu hướng thay đổi của tỷ lệ dân số thành thị trong khoảng thời gian đó.
Điểm dữ liệu: Các điểm sẽ được vẽ bằng màu đỏ và kích thước lớn (size = 3), làm nổi bật chúng trên đường biểu đồ. Mỗi điểm tương ứng với tỷ lệ dân số thành thị cho mỗi năm từ 2005 đến 2009.
Giá trị số: Bên cạnh mỗi điểm, giá trị số của “Dân Số Thành Thị (% tổng dân số)” sẽ được hiển thị dưới dạng văn bản màu đen. vjust = -0.5 đảm bảo rằng các giá trị này được hiển thị một chút phía trên mỗi điểm dữ liệu, giúp tránh chồng lấn giữa văn bản và điểm.
Tiêu đề và nhãn trục: Biểu đồ sẽ có tiêu đề là “Dân Số Thành Thị (% tổng dân số) từ 2005 đến 2009 tại Việt Nam” và nhãn trục x là “Năm” cùng với nhãn trục y là “Dân Số Thành Thị (% tổng dân số)”.
1.4.3 Dân Số Thành Thị (% tổng dân số) từ 2010 đến 2014 tại Việt Nam
a4 <- a1 %>% filter(year >= 2010 & year <= 2014)
ggplot(a4, aes(x = year, y = Dansothanhthi)) +
geom_line(color = "blue", linewidth = 1) +
geom_point(color = "red", size = 3) +
geom_text(aes(label = Dansothanhthi), vjust = -0.5, color = "black") +
labs(title = "Dân Số Thành Thị (% tổng dân số) từ 2010- 2014 tại Việt Nam",
x = "Năm", y = "Dân Số Thành Thị (% tổng dân số)") +
theme_minimal() 
Kết quả:
Biểu đồ đường: Sẽ hiển thị một đường màu xanh nối các điểm dữ liệu, với mỗi điểm đại diện cho “Dân Số Thành Thị (% tổng dân số)” tại Việt Nam từ năm 2010 đến 2014. Đường này phản ánh xu hướng thay đổi của tỷ lệ dân số thành thị trong khoảng thời gian đó.
Điểm dữ liệu: Các điểm sẽ được vẽ bằng màu đỏ và kích thước lớn (size = 3), làm nổi bật chúng trên đường biểu đồ. Mỗi điểm tương ứng với tỷ lệ dân số thành thị cho mỗi năm từ 2010 đến 2014.
Giá trị số: Bên cạnh mỗi điểm, giá trị số của “Dân Số Thành Thị (% tổng dân số)” sẽ được hiển thị dưới dạng văn bản màu đen. vjust = -0.5 đảm bảo rằng các giá trị này được hiển thị một chút phía trên mỗi điểm dữ liệu, giúp tránh chồng lấn giữa văn bản và điểm.
Tiêu đề và nhãn trục: Biểu đồ sẽ có tiêu đề là “Dân Số Thành Thị (% tổng dân số) từ 2010 đến 2014 tại Việt Nam” và nhãn trục x là “Năm” cùng với nhãn trục y là “Dân Số Thành Thị (% tổng dân số)”.
1.4.4 Dân Số Thành Thị (% tổng dân số) từ 2015 đến 2019 tại Việt Nam
a5 <- a1 %>% filter(year >= 2015 & year <= 2019)
ggplot(a5, aes(x = year, y = Dansothanhthi)) +
geom_line(color = "blue", linewidth = 1) +
geom_point(color = "red", size = 3) +
geom_text(aes(label = Dansothanhthi), vjust = -0.5, color = "black") +
labs(title = "Dân Số Thành Thị (% tổng dân số) từ 2015- 2019 tại Việt Nam",
x = "Năm", y = "Dân Số Thành Thị (% tổng dân số)") +
theme_minimal() 
Kết quả:
Biểu đồ đường: Sẽ hiển thị một đường màu xanh nối các điểm dữ liệu, với mỗi điểm đại diện cho “Dân Số Thành Thị (% tổng dân số)” tại Việt Nam từ năm 2015 đến 2019. Đường này phản ánh xu hướng thay đổi của tỷ lệ dân số thành thị trong khoảng thời gian đó.
Điểm dữ liệu: Các điểm sẽ được vẽ bằng màu đỏ và kích thước lớn (size = 3), làm nổi bật chúng trên đường biểu đồ. Mỗi điểm tương ứng với tỷ lệ dân số thành thị cho mỗi năm từ 2015 đến 2019.
Giá trị số: Bên cạnh mỗi điểm, giá trị số của “Dân Số Thành Thị (% tổng dân số)” sẽ được hiển thị dưới dạng văn bản màu đen. vjust = -0.5 đảm bảo rằng các giá trị này được hiển thị một chút phía trên mỗi điểm dữ liệu, giúp tránh chồng lấn giữa văn bản và điểm.
Tiêu đề và nhãn trục: Biểu đồ sẽ có tiêu đề là “Dân Số Thành Thị (% tổng dân số) từ 2015 đến 2019 tại Việt Nam” và nhãn trục x là “Năm” cùng với nhãn trục y là “Dân Số Thành Thị (% tổng dân số)”.
1.4.5 Dân Số Thành Thị (% tổng dân số) từ 2020 đến 2022 tại Việt Nam
a6 <- a1 %>% filter(year >= 2020)
ggplot(a6, aes(x = year, y = Dansothanhthi)) +
geom_line(color = "blue", linewidth = 1) +
geom_point(color = "red", size = 3) +
geom_text(aes(label = Dansothanhthi), vjust = -0.5, color = "black") +
labs(title = "Dân Số Thành Thị (% tổng dân số) từ 2020 đến 2022 tại Việt Nam",
x = "Năm", y = "Dân Số Thành Thị (% tổng dân số)") +
theme_minimal() 
Kết quả:
Biểu đồ đường: Sẽ hiển thị một đường màu xanh nối các điểm dữ liệu, với mỗi điểm đại diện cho “Dân Số Thành Thị (% tổng dân số)” tại Việt Nam từ năm 2020 đến 2022. Đường này phản ánh xu hướng thay đổi của tỷ lệ dân số thành thị trong khoảng thời gian đó.
Điểm dữ liệu: Các điểm sẽ được vẽ bằng màu đỏ và kích thước lớn (size = 3), làm nổi bật chúng trên đường biểu đồ. Mỗi điểm tương ứng với tỷ lệ dân số thành thị cho mỗi năm từ 2020 đến 2022.
Giá trị số: Bên cạnh mỗi điểm, giá trị số của “Dân Số Thành Thị (% tổng dân số)” sẽ được hiển thị dưới dạng văn bản màu đen. vjust = -0.5 đảm bảo rằng các giá trị này được hiển thị một chút phía trên mỗi điểm dữ liệu, giúp tránh chồng lấn giữa văn bản và điểm.
Tiêu đề và nhãn trục: Biểu đồ sẽ có tiêu đề là “Dân Số Thành Thị (% tổng dân số) từ 2020 đến 2022 tại Việt Nam” và nhãn trục x là “Năm” cùng với nhãn trục y là “Dân Số Thành Thị (% tổng dân số)”.
1.5 Các yếu tố ảnh hưởng:
Yếu tố ảnh hưởng đến tỷ lệ dân số đô thị Việt Nam trong giai đoạn 2000-2022:
- Phát triển kinh tế:
- Công nghiệp hóa: Thu hút lao động từ khu vực nông thôn vào các khu vực công nghiệp, thúc đẩy đô thị hóa.
- Dịch vụ: Nhu cầu về dịch vụ gia tăng, đặc biệt là ở các thành phố lớn, kéo theo sự gia tăng dân số đô thị.- Chính sách:
- Chính sách khuyến khích đô thị hóa: Chính phủ Việt Nam có nhiều chính sách nhằm thúc đẩy đô thị hóa, như đầu tư vào cơ sở hạ tầng, phát triển các khu công nghiệp mới, v.v.
- Chính sách di dân: Các chính sách di dân có thể ảnh hưởng đến tốc độ và quy mô đô thị hóa.- Yếu tố xã hội:
- Tỷ lệ sinh: Giảm tỷ lệ sinh dẫn đến giảm tỷ lệ gia tăng dân số, có thể ảnh hưởng đến tốc độ đô thị hóa.
- Giáo dục: Nâng cao trình độ giáo dục có thể thúc đẩy di cư từ nông thôn sang thành thị để tìm kiếm việc làm tốt hơn.- Yếu tố môi trường:
- Biến đổi khí hậu: Biến đổi khí hậu có thể khiến người dân di cư từ các khu vực ven biển và đồng bằng thấp đến các khu vực đô thị cao hơn.
- Thiên tai: Thiên tai có thể phá hủy nhà cửa và cơ sở hạ tầng ở khu vực nông thôn, buộc người dân phải di dời đến các khu vực đô thị.Phân tích:
Tỷ lệ dân số đô thị Việt Nam đã tăng từ 23,7% năm 2000 lên 39,2% năm 2022. Đây là kết quả của sự kết hợp các yếu tố trên.
Phát triển kinh tế là yếu tố quan trọng nhất thúc đẩy đô thị hóa ở Việt Nam. Quá trình công nghiệp hóa và phát triển dịch vụ đã tạo ra nhiều việc làm ở các khu vực đô thị, thu hút lao động từ khu vực nông thôn.
Chính sách cũng đóng vai trò quan trọng trong việc thúc đẩy đô thị hóa. Chính phủ Việt Nam đã đầu tư mạnh vào cơ sở hạ tầng đô thị, phát triển các khu công nghiệp mới và xây dựng nhà ở cho người dân ở các khu vực đô thị.
Yếu tố xã hội cũng ảnh hưởng đến đô thị hóa. Giảm tỷ lệ sinh và nâng cao trình độ giáo dục đều góp phần thúc đẩy di cư từ nông thôn sang thành thị.
Yếu tố môi trường ngày càng trở nên quan trọng trong việc ảnh hưởng đến đô thị hóa. Biến đổi khí hậu và thiên tai có thể buộc người dân di dời từ các khu vực ven biển và đồng bằng thấp đến các khu vực đô thị cao hơn.
2 Bộ dữ liệu IMF
2.1 Giới thiệu bộ dữ liệu IFS và indicator FDSBEA_EUR
Bộ dữ liệu IFS là một bộ dữ liệu kinh tế toàn cầu được biên soạn và công bố bởi Quỹ Tiền tệ Quốc tế (IMF). Bộ dữ liệu này cung cấp thông tin chi tiết về các chỉ số kinh tế và tài chính của các quốc gia trên toàn thế giới, bao gồm thông tin về sản xuất, tài chính, thương mại, lao động, giá cả, tài chính công, và nhiều lĩnh vực khác.
Bộ dữ liệu IFS cung cấp dữ liệu thống kê từ nhiều nguồn khác nhau, bao gồm cả dữ liệu từ các cơ quan quốc tế, ngân hàng trung ương và các tổ chức quốc gia. Dữ liệu trong bộ IFS thường được cập nhật định kỳ và có sẵn từ nhiều năm trước đến hiện tại.
Indicator FDSBEA_EUR: Đây là một chỉ số quan trọng được sử dụng để đo lường tổng lượng tiền nước ngoài đầu tư vào chứng khoán, trái phiếu và các loại tài sản tài chính khác mà không phải là cổ phiếu trong đồng tiền chung của khu vực tiền Euro (EUR).
Cụ thể, FDSBEA_EUR cho thấy giá trị của các tài sản tài chính nước ngoài được bảo đảm trong đồng tiền Euro. Các tài sản này thường bao gồm trái phiếu doanh nghiệp hoặc chính phủ, chứng khoán, và các loại tài sản tài chính khác được định giá và thanh toán trong đồng tiền Euro.
2.2 Load indicator FDSBEA_EUR của bộ dữ liệu IFS
library(tidyverse)
library(imf.data)## Warning: package 'imf.data' was built under R version 4.3.3library(DT)
a <- load_datasets('IFS')
ha <- a$get_series(freq='A', ref_area='FR', indicator='FDSBEA_EUR')
ha1 <- na.omit(ha)
names(ha1)<- c('Year','Luuluongtientenuocngoai')
datatable(ha1)2.3 Phân tích indicator FDSBEA_EUR theo thời gian
2.3.1 Giai đoạn năm 2001- 2005
ha2 <- filter(ha1, Year >= 2001 & Year <= 2005)
ggplot(data = ha2, aes(x = Year, y = Luuluongtientenuocngoai)) +
geom_col(fill='violet') +
geom_text(aes(label= Luuluongtientenuocngoai, vjust=0), color= 'black') +
labs(title = "Biểu đồ phân tích lưu lượng tiền tệ nước ngoài năm 2001- 2005",
x = "Năm",
y = "Lưu lượng tiền tệ") +
theme_minimal()
Biểu đồ thể hiện lưu lượng tiền tệ nước ngoài từ năm 2001 đến năm 2005. Dữ liệu cho thấy lưu lượng tiền tệ nước ngoài tăng đều đặn trong giai đoạn này.
Cụ thể:
Năm 2001: Lưu lượng tiền tệ nước ngoài là 1.010.206.
Năm 2002: Lưu lượng tiền tệ nước ngoài tăng lên 1.063.908, tăng 5,33% so với năm 2001.
Năm 2003: Lưu lượng tiền tệ nước ngoài tiếp tục tăng lên 1.149.527, tăng 8,02% so với năm 2002.
Năm 2004: Lưu lượng tiền tệ nước ngoài đạt 1.235.972, tăng 7,54% so với năm 2003.
Năm 2005: Lưu lượng tiền tệ nước ngoài đạt 1.345.811, tăng 8,93% so với năm 2004.
Nhận xét:
Tốc độ tăng trưởng: Tốc độ tăng trưởng của lưu lượng tiền tệ nước ngoài khá cao và ổn định trong giai đoạn 2001-2005. Mức tăng trưởng trung bình hàng năm là 7,36%.
Mức độ biến động: Mức độ biến động của lưu lượng tiền tệ nước ngoài không đáng kể. Biểu đồ thể hiện xu hướng tăng liền tục và không có sự sụt giảm nào.
Nguyên nhân: Có nhiều nguyên nhân dẫn đến sự gia tăng lưu lượng tiền tệ nước ngoài trong giai đoạn này, bao gồm:
Sự gia tăng đầu tư trực tiếp nước ngoài (FDI): FDI vào Việt Nam tăng mạnh trong giai đoạn 2001-2005, góp phần gia tăng nguồn vốn ngoại tệ.
Sự gia tăng xuất khẩu: Xuất khẩu của Việt Nam tăng trưởng mạnh trong giai đoạn này, giúp gia tăng nguồn thu ngoại tệ.
Sự gia tăng kiều hối: Kiều hối gửi về Việt Nam cũng tăng trưởng mạnh trong giai đoạn này, góp phần gia tăng nguồn vốn ngoại tệ.
2.3.2 Giai đoạn năm 2006- 2010
ha3 <- filter(ha1, Year >= 2006 & Year <= 2010)
ggplot(data = ha3, aes(x = Year, y = Luuluongtientenuocngoai)) +
geom_col(fill='violet') +
geom_text(aes(label= Luuluongtientenuocngoai, vjust=0), color= 'black') +
labs(title = "Biểu đồ phân tích lưu lượng tiền tệ nước ngoài năm 2006- 2010",
x = "Năm",
y = "Lưu lượng tiền tệ") +
theme_minimal()
Biểu đồ thể hiện lưu lượng tiền tệ nước ngoài vào Việt Nam từ năm 2006 đến năm 2010. Dữ liệu cho thấy lưu lượng tiền tệ nước ngoài tăng trong giai đoạn này, nhưng không đều đặn.
Cụ thể:
Năm 2006: Lưu lượng tiền tệ nước ngoài là 1.495.847.
Năm 2007: Lưu lượng tiền tệ nước ngoài tăng lên 1.727.251, tăng 15,53% so với năm 2006.
Năm 2008: Lưu lượng tiền tệ nước ngoài tiếp tục tăng lên 1.753.919, tăng 1,55% so với năm 2007.
Năm 2009: Lưu lượng tiền tệ nước ngoài giảm xuống 1.837.480, tăng 4,82% so với năm 2008.
Năm 2010: Lưu lượng tiền tệ nước ngoài tăng lên 1.869.973, tăng 1,77% so với năm 2009.
Nhận xét:
Tốc độ tăng trưởng: Tốc độ tăng trưởng của lưu lượng tiền tệ nước ngoài không ổn định trong giai đoạn 2006-2010. Mức tăng trưởng trung bình hàng năm là 6,23%.
Mức độ biến động: Mức độ biến động của lưu lượng tiền tệ nước ngoài khá cao. Biểu đồ thể hiện xu hướng tăng không đều đặn và có sự sụt giảm vào năm 2009.
Nguyên nhân: Có nhiều nguyên nhân dẫn đến sự biến động của lưu lượng tiền tệ nước ngoài trong giai đoạn này, bao gồm:
Khủng hoảng tài chính toàn cầu năm 2008: Khủng hoảng tài chính toàn cầu năm 2008 đã ảnh hưởng tiêu cực đến nền kinh tế Việt Nam, dẫn đến sự sụt giảm lưu lượng tiền tệ nước ngoài vào năm 2009.
Sự thay đổi chính sách thu hút đầu tư: Chính sách thu hút đầu tư của Việt Nam có sự thay đổi trong giai đoạn này, ảnh hưởng đến dòng vốn đầu tư trực tiếp nước ngoài (FDI) và gián tiếp ảnh hưởng đến lưu lượng tiền tệ nước ngoài.
2.3.3 Giai đoạn năm 2011- 2015
ha4 <- filter(ha1, Year >= 2011 & Year <= 2015)
ggplot(data = ha4, aes(x = Year, y = Luuluongtientenuocngoai)) +
geom_col(fill='violet') +
geom_text(aes(label= Luuluongtientenuocngoai, vjust=0), color= 'black') +
labs(title = "Biểu đồ phân tích lưu lượng tiền tệ nước ngoài năm 2011- 2015",
x = "Năm",
y = "Lưu lượng tiền tệ") +
theme_minimal()
Kết quả:
Lưu lượng tiền tệ nước ngoài:Có sự biến động trong giai đoạn 2011-2015.
Cụ thể:
2011: 1.914.533
2012: 1.952.390 (tăng 2% so với 2011)
2013: 1.964.244 (tăng 0,6% so với 2012)
2014: 2.042.355 (tăng 4% so với 2013)
2015: 2.087.080 (tăng 2,2% so với 2014)
Năm có lượng tiền tệ nước ngoài cao nhất: 2015 (2.087.080)
Năm có lượng tiền tệ nước ngoài thấp nhất: 2011 (1.914.533)
Nhận xét:
Xu hướng chung: Lưu lượng tiền tệ nước ngoài có xu hướng tăng trong giai đoạn 2011-2015.
Tốc độ tăng trưởng:
Tăng trưởng đều đặn: 2011-2013
Tăng trưởng mạnh: 2014-2015
Mức độ tăng trưởng:
Tăng trưởng thấp: 2012-2013 (tăng 0,6%)
Tăng trưởng cao: 2014-2015 (tăng 4% và 2,2%)
2.3.4 Giai đoạn năm 2016- 2020
ha5 <- filter(ha1, Year >= 2016 & Year <= 2020)
ggplot(data = ha5, aes(x = Year, y = Luuluongtientenuocngoai)) +
geom_col(fill='violet') +
geom_text(aes(label= Luuluongtientenuocngoai, vjust=0), color= 'black') +
labs(title = "Biểu đồ phân tích lưu lượng tiền tệ nước ngoài năm 2016- 2020",
x = "Năm",
y = "Lưu lượng tiền tệ") +
theme_minimal()
Năm 2016 có lượng tiền tệ nước ngoài thấp nhất trong khoảng 5 năm, với giá trị khoảng 2,212,329.
Từ năm 2016 đến năm 2017, đã có một sự tăng trưởng đáng kể, lên mức khoảng 2,381,725.
Năm 2018, có một sự giảm nhẹ so với năm 2017, với giá trị khoảng 2,487,610.
Tuy nhiên, từ năm 2018 đến năm 2019, lại có một bước nhảy vọt lên giá trị 2,632,317.
Năm 2020 đánh dấu mức cao nhất trong chuỗi dữ liệu này với giá trị lên tới 3,094,132.
Nhận xét chung về biểu đồ:
Có một xu hướng tăng trưởng chung về lượng tiền tệ nước ngoài qua các năm từ 2016 đến 2020.
2.3.5 Giai đoạn 2021- 2023
### **Giai đoạn năm 2021- 2023**
ha6 <- filter(ha1, Year >= 2021 )
ggplot(data = ha6, aes(x = Year, y = Luuluongtientenuocngoai)) +
geom_col(fill='violet') +
geom_text(aes(label= Luuluongtientenuocngoai, vjust=0), color= 'black') +
labs(title = "Biểu đồ phân tích lưu lượng tiền tệ nước ngoài 2021- 2023",
x = "Năm",
y = "Lưu lượng tiền tệ") +
theme_minimal()
Năm 2021, lưu lượng tiền tệ giảm nhẹ so với năm 2020, khoảng 3285197
Năm 2022, có một sự tăng nhẹ lên khoảng 3397430.
Đến năm 2023, lưu lượng tiền tệ lại tiếp tục tăng và đạt mức cao nhất trong ba năm, với khoảng 3440487
Nhận xét chung:
có thể thấy rằng lưu lượng tiền tệ nước ngoài có xu hướng tăng lên, điều này có thể là dấu hiệu của sự tăng trưởng kinh tế, sự thu hút vốn đầu tư nước ngoài hoặc các yếu tố khác liên quan đến dòng tiền quốc tế.
2.4 Các yếu tố ảnh hưởng :
Tình hình Kinh tế vĩ mô:
Tăng trưởng GDP: Sự tăng trưởng hoặc suy giảm của GDP có ảnh hưởng đáng kể đến tình hình tài chính và kinh tế của Pháp, từ đó có thể ảnh hưởng đến chỉ số FDSBEA_EUR.
Lạm phát: Tỷ lệ lạm phát cao có thể làm suy yếu giá trị đồng tiền và ảnh hưởng đến khả năng mua sắm, qua đó tác động đến chỉ số FDSBEA_EUR.
Chính sách Tiền tệ và Tài chính:
Chính sách lãi suất của Ngân hàng Trung ương Châu Âu (ECB): Lãi suất chính sách của ECB có thể ảnh hưởng đến tỷ lệ lãi suất trong nước, từ đó ảnh hưởng đến chỉ số FDSBEA_EUR qua việc điều chỉnh chi phí vốn và sức hấp dẫn của đầu tư.
Chính sách tài khóa: Các quyết định về chi tiêu công và thuế của chính phủ Pháp có thể ảnh hưởng đến kinh tế vĩ mô và do đó ảnh hưởng đến chỉ số FDSBEA_EUR.
Sự kiện Quốc tế và Khu vực:
Biến động trên thị trường tài chính quốc tế: Những biến động này có thể ảnh hưởng đến vốn đầu tư vào Pháp và sự ổn định tài chính, từ đó ảnh hưởng đến FDSBEA_EUR.
Khủng hoảng kinh tế: Các sự kiện như khủng hoảng nợ công ở châu Âu có thể có tác động đáng kể đến chỉ số này.
Các yếu tố khác:
Tỷ giá hối đoái: Biến động tỷ giá hối đoái của Euro so với các đồng tiền khác có thể ảnh hưởng đến dữ liệu tài chính và kinh tế của Pháp.
Dự trữ ngoại hối và dòng vốn quốc tế: Sự thay đổi trong dự trữ ngoại hối và dòng vốn quốc tế có thể phản ánh hoặc ảnh hưởng đến chỉ số FDSBEA_EUR.
Để có cái nhìn chính xác và sâu sắc về cách các yếu tố này cụ thể ảnh hưởng đến chỉ số FDSBEA_EUR của Pháp trong giai đoạn 2001-2023, việc
Khủng hoảng Tài chính Toàn cầu (2008-2009)
Sự Sụt Giảm Tăng Trưởng Kinh tế: Tác động đến GDP: Khủng hoảng tài chính toàn cầu gây ra sự sụt giảm nặng nề trong tăng trưởng kinh tế, dẫn đến suy thoái kinh tế ở Pháp và nhiều nước khác. Điều này có thể làm giảm hoạt động kinh tế, qua đó ảnh hưởng tiêu cực đến các chỉ số tài chính và kinh tế, bao gồm FDSBEA_EUR.
Tăng Cường Biện Pháp Kích Thích Kinh tế: Chính sách tiền tệ và tài khóa: Để đối phó với khủng hoảng, Pháp và các nước EU khác đã áp dụng các biện pháp kích thích kinh tế, bao gồm việc giảm lãi suất và tăng chi tiêu công. Những biện pháp này nhằm thúc đẩy đầu tư và tiêu dùng nhưng cũng có thể làm tăng nợ công và ảnh hưởng đến chỉ số FDSBEA_EUR qua việc tăng cung tiền và nợ công.
Sự Biến Động của Thị Trường Tài chính: Ảnh hưởng đến các tổ chức tài chính: Khủng hoảng tài chính toàn cầu làm lộ ra sự yếu kém của hệ thống tài chính, bao gồm cả ngân hàng và bảo hiểm, ảnh hưởng đến niềm tin vào thị trường và có thể gây ra sự biến động trong chỉ số FDSBEA_EUR thông qua việc giảm giá trị tài sản và tăng tỷ lệ vỡ nợ.
Tác động đến Tỷ giá Hối đoái và Dòng Vốn: Biến động tỷ giá hối đoái: Trong thời kỳ khủng hoảng, tỷ giá hối đoái của Euro có thể biến động mạnh do sự không chắc chắn trên thị trường toàn cầu, ảnh hưởng đến chỉ số FDSBEA_EUR qua việc thay đổi giá trị của các giao dịch quốc tế và dòng vốn.
Sự Điều Chỉnh của Ngân hàng Trung ương Châu Âu (ECB): Chính sách lãi suất và mua lại tài sản: ECB đã đáp ứng khủng hoảng bằng cách giảm lãi suất và triển khai các chương trình mua lại tài sản lớn, nhằm bơm tiền vào hệ thống tài chính và thúc đẩy kinh tế. Những biện pháp này có thể ảnh hưởng đến chỉ số FDSBEA_EUR qua
library(ggplot2)
library(dplyr)
ggplot(ha1, aes(x = Year, y = Luuluongtientenuocngoai)) +
geom_line(color = "blue", size = 1) + # Vẽ đường biểu diễn chỉ số
geom_point(color = "red", size = 2, alpha = 0.5) + # Đánh dấu các điểm dữ liệu
geom_vline(xintercept = c(2008, 2009), color = "red", linetype = "dashed") + # Đánh dấu năm khủng hoảng
labs(title = "Biểu đồ phân tích lưu lượng tiền tệ nước ngoài 2021-2023 ",
x = "Năm", y = "Lưu lượng tiền tệ") +
theme_minimal() # Sử dụng theme gọn nhẹ## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?