1 - World Bank

1.1 - Giới thiệu về bộ dữ liệu World Bank

  • World Bank Data là một nền tảng trực tuyến do Ngân hàng Thế giới vận hành, cung cấp dữ liệu và thống kê về phát triển toàn cầu. Nó cho phép người dùng truy cập các chỉ số kinh tế, xã hội và môi trường từ các quốc gia trên thế giới để nghiên cứu và theo dõi các xu hướng phát triển.

1.2 - Giới thiệu về Indicator “SL.UEM.BASC.ZS”

  • Dữ liệu “Thất nghiệp với trình độ học vấn cơ bản (% trên tổng lực lượng lao động có trình độ học vấn cơ bản)”
library(tidyverse)
## Warning: package 'tidyverse' 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     1.3.0
## ✔ 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 errors
library(WDI)
## Warning: package 'WDI' was built under R version 4.3.3
ind <- WDIsearch('education')
wb <- WDI(indicator = 'SL.UEM.BASC.ZS', country = c('VNM'))
hv <- wb %>% select(year,SL.UEM.BASC.ZS)
hv <- na.omit(hv)
head(hv,13)
##    year SL.UEM.BASC.ZS
## 1  2022          1.110
## 2  2021          2.016
## 3  2020          1.405
## 4  2019          1.269
## 5  2018          0.857
## 6  2017          1.271
## 7  2016          1.169
## 8  2015          1.244
## 9  2014          0.729
## 10 2013          0.809
## 11 2012          0.674
## 12 2011          0.711
## 13 2010          0.814

  • Bộ dữ liệu “SL.UEM.BASC.ZS” từ World Bank là một chỉ số thể hiện tỷ lệ thất nghiệp cơ bản (% của lực lượng lao động) trong một quốc gia. Trong trường hợp cụ thể, bộ dữ liệu này nói về VNM (Việt Nam). Đây là một chỉ số quan trọng để đánh giá tình hình thất nghiệp và khả năng tạo việc làm trong một nền kinh tế.

  • SL.UEM.BASC.ZS đại diện cho tỷ lệ thất nghiệp cơ bản (% của tổng lực lượng lao động) được ước tính theo phương pháp mô phỏng của Tổ chức Lao động Quốc tế (ILO). Chỉ số này cho biết tỷ lệ người không có việc làm trong tổng số lực lượng lao động và được sử dụng để đánh giá tình hình thất nghiệp trong một quốc gia.

  • Dưới đây là giải thích về các thành phần trong mã định danh này:

∘ “SL”: Đây là viết tắt của “Series Line” (dòng chuỗi), thường được sử dụng trong các bộ dữ liệu của World Bank để định danh các chỉ số.

∘ “UEM”: Đây là viết tắt của “Unemployment” (thất nghiệp).

∘ “BASC”: Đây là viết tắt của “Basic” (cơ bản), có thể chỉ đến phương pháp ước tính được sử dụng để tính toán chỉ số.

∘ “ZS”: Đây là viết tắt của “Percent of total labor force” (phần trăm của tổng lực lượng lao động).

1.3 - Phân tích dữ liệu

  • Chúng ta sẽ phân tích tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2010 đến 2022, sử dụng bộ dữ liệu “SL.UEM.BASC.ZS” từ World Bank. Tỷ lệ thất nghiệp cơ bản là một chỉ số quan trọng để đánh giá tình hình thất nghiệp trong một quốc gia và có tác động lớn đến sự phát triển kinh tế và xã hội. Bằng cách phân tích dữ liệu này, chúng ta sẽ có cái nhìn tổng quan về xu hướng thất nghiệp cơ bản của Việt Nam trong khoảng thời gian này và điều gì có thể đằng sau sự biến đổi của nó.

1.3.1 - Giai đoạn 2010 - 2014

Vẽ biểu đồ và nhận xét

hv1 <- hv %>% filter( year >= 2010 & year <= 2014) 
  ggplot(hv1,aes(x=year, y=SL.UEM.BASC.ZS, group = 1)) +
  geom_point(color='white') +
  geom_col(fill='green') +
  geom_line(color='black', linewidth =1) +
    labs(x = "Năm", y = "Tỷ lệ thất nghiệp cơ bản của Việt Nam", title = "Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ 2010 đến 2014")

Nhận xét kết quả

  • Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến đổi trong tỷ lệ thất nghiệp cơ bản của Việt Nam trong khoảng thời gian nghiên cứu.

  • Trong giai đoạn từ năm 2010 đến năm 2011, tỷ lệ thất nghiệp cơ bản của Việt Nam đã tăng nhẹ. Từ năm 2011 đến năm 2012, tỷ lệ thất nghiệp cơ bản tiếp tục gia tăng một cách đáng kể. Tuy nhiên, từ năm 2012 đến năm 2013, chúng ta thấy một sự giảm tỷ lệ thất nghiệp cơ bản đáng kể. Từ năm 2013 đến năm 2014, tỷ lệ thất nghiệp cơ bản tiếp tục giảm nhẹ.

  • Xu hướng chung của tỷ lệ thất nghiệp cơ bản có thể được nhìn thấy qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng tỷ lệ thất nghiệp cơ bản của Việt Nam đã có xu hướng tăng từ năm 2010 đến năm 2012, sau đó giảm từ năm 2012 đến năm 2014. Điều này cho thấy có sự biến động trong tình hình thất nghiệp cơ bản của đất nước trong giai đoạn nghiên cứu.

Nhận xét và kết luận

  • Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2010 đến năm 2014 cho thấy sự biến đổi và xu hướng trong tình hình thất nghiệp của đất nước. Tỷ lệ thất nghiệp cơ bản đã tăng từ năm 2010 đến năm 2012, sau đó giảm từ năm 2012 đến năm 2014.

  • Các biến đổi này có thể phản ánh tình hình kinh tế và chính sách thất nghiệp của Việt Nam trong thời gian nghiên cứu. Có thể có nhiều yếu tố góp phần vào sự tăng giảm này, chẳng hạn như sự thay đổi trong mức độ phát triển kinh tế, chính sách thất nghiệp của chính phủ, hoặc các yếu tố khác liên quan đến thị trường lao động.

Các yếu tố ảnh hưởng đến tỷ lệ thất nghiệp của Việt Nam giai đoạn 2014-2019

  • Có nhiều yếu tố có thể ảnh hưởng đến tỷ lệ thất nghiệp cơ bản của Việt Nam trong giai đoạn từ năm 2010 đến 2014. Dưới đây là một số yếu tố quan trọng có thể đã góp phần vào xu hướng giảm tỷ lệ thất nghiệp trong thời gian đó:

  1. Tăng trưởng kinh tế: Trong giai đoạn này, Việt Nam đã đạt được mức tăng trưởng kinh tế đáng kể. Tăng trưởng kinh tế mạnh có thể tạo điều kiện thuận lợi cho việc tạo ra việc làm mới và giảm tỷ lệ thất nghiệp.

  2. Đầu tư nước ngoài: Sự gia tăng đầu tư nước ngoài vào Việt Nam có thể tạo ra nhiều cơ hội việc làm và thúc đẩy sự phát triển của các ngành công nghiệp, đặc biệt là trong lĩnh vực chế biến, xuất khẩu và dịch vụ.

  3. Chính sách công: Chính phủ Việt Nam đã áp dụng chính sách và biện pháp nhằm giảm tỷ lệ thất nghiệp và tạo việc làm. Điều này có thể bao gồm việc tạo ra môi trường kinh doanh thuận lợi, hỗ trợ cho các doanh nghiệp nhỏ và vừa, đẩy mạnh đào tạo nghề nghiệp và tạo ra các chương trình khuyến khích việc làm.

  4. Đổi mới công nghệ và công nghiệp hóa: Sự tiến bộ trong công nghệ và sự chuyển đổi từ nền kinh tế dựa vào nông nghiệp sang công nghiệp có thể tạo ra nhiều cơ hội việc làm mới trong các ngành công nghiệp và dịch vụ.

  5. Thúc đẩy xuất khẩu: Việt Nam đã tăng cường xuất khẩu các mặt hàng như dệt may, điện tử, và các sản phẩm nông sản. Sự mở rộng thị trường xuất khẩu có thể tạo ra nhiều việc làm mới và giảm tỷ lệ thất nghiệp trong ngành xuất khẩu.

  6. Đổi mới giáo dục và đào tạo: Việc cải thiện hệ thống giáo dục và đào tạo có thể đáp ứng nhu cầu về lao động chất lượng cao trong các ngành công nghiệp và dịch vụ, từ đó giảm tỷ lệ thất nghiệp.

⟹ Các yếu tố trên có thể đã tác động đến tỷ lệ thất nghiệp cơ bản của Việt Nam trong giai đoạn từ năm 2010 đến 2014. Tuy nhiên, cần phân tích sâu hơn và xem xét thêm các yếu tố khác để có cái nhìn toàn diện về tình hình thất nghiệp trong giai đoạn đó.

1.3.2 - Giai đoạn 2015 - 2019

Vẽ biểu đồ và nhận xét

hv1 <- hv %>% filter( year >= 2015 & year <= 2019)
hv1 %>% ggplot(aes(x = year, y = SL.UEM.BASC.ZS ))+
  geom_line(color = "red") +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "blue") +
  labs(x = "Năm", y = "Tỷ lệ thất nghiệp cơ bản của Việt Nam", title = "Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ 2015 đến 2019")
## `geom_smooth()` using formula = 'y ~ x'

Phân tích kết quả

  • Từ biểu đồ, chúng ta có thể nhận thấy một số biến đổi và xu hướng trong tỷ lệ thất nghiệp cơ bản của Việt Nam trong khoảng thời gian nghiên cứu.

  • Trong giai đoạn từ năm 2015 đến năm 2016, tỷ lệ thất nghiệp cơ bản của Việt Nam giảm đáng kể. Từ năm 2016 đến năm 2017, chúng ta thấy một sự gia tăng nhẹ trong tỷ lệ thất nghiệp cơ bản. Từ năm 2017 đến năm 2018, tỷ lệ thất nghiệp cơ bản tiếp tục giảm nhẹ. Cuối cùng, từ năm 2018 đến năm 2019, tỷ lệ thất nghiệp cơ bản tăng trở lại.

  • Xu hướng tỷ lệ thất nghiệp cơ bản được thể hiện bằng đường màu xanh lá cây, dựa trên mô hình hồi quy tuyến tính. Đường này cho thấy sự ổn định và không có xu hướng rõ ràng trong tỷ lệ thất nghiệp cơ bản trong giai đoạn nghiên cứu.

Nhận xét và kết luận

  • Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2015 đến năm 2019 cho thấy sự biến đổi và xu hướng trong tình hình thất nghiệp củaquốc gia này. Trong giai đoạn nghiên cứu, tỷ lệ thất nghiệp cơ bản của Việt Nam đã có sự giảm nhẹ, sau đó tăng trở lại.

  • Tuy biểu đồ chỉ cho thấy xu hướng chung, nhưng không cung cấp các nguyên nhân cụ thể dẫn đến sự biến đổi này. Để hiểu rõ hơn về nguyên nhân và ảnh hưởng của các yếu tố kinh tế, chính sách công, và xã hội đối với tỷ lệ thất nghiệp cơ bản, cần tiến hành nghiên cứu và phân tích sâu hơn.

  • Bài phân tích này chỉ tập trung vào biểu đồ và kết quả trực quan từ nó. Để có cái nhìn toàn diện hơn về tình hình thất nghiệp cơ bản của Việt Nam, cần kết hợp nhiều nguồn thông tin và phương pháp nghiên cứu khác nhau.

Các yếu tố ảnh hưởng đến tỷ lệ thất nghiệp của Việt Nam giai đoạn 2015-2019

  • Trong giai đoạn từ năm 2015 đến 2019, có một số yếu tố ảnh hưởng đến tỷ lệ thất nghiệp cơ bản của Việt Nam. Dưới đây là một số yếu tố quan trọng:

  1. Tăng trưởng kinh tế: Việt Nam đã duy trì mức tăng trưởng kinh tế ổn định trong giai đoạn này. Tăng trưởng kinh tế mạnh có thể tạo ra nhiều cơ hội việc làm mới và giảm tỷ lệ thất nghiệp.

  2. Đầu tư nước ngoài: Sự gia tăng đầu tư nước ngoài vào Việt Nam tiếp tục trong giai đoạn này, đặc biệt là trong các lĩnh vực công nghệ, sản xuất và dịch vụ. Điều này đã tạo ra nhiều cơ hội việc làm mới và giảm tỷ lệ thất nghiệp.

  3. Chính sách công: Chính phủ Việt Nam đã tiếp tục áp dụng các chính sách và biện pháp nhằm giảm tỷ lệ thất nghiệp và tạo việc làm. Điều này có thể bao gồm việc tạo ra môi trường kinh doanh thuận lợi, hỗ trợ doanh nghiệp nhỏ và vừa, đẩy mạnh đào tạo nghề nghiệp và tạo ra các chương trình khuyến khích việc làm.

  4. Đổi mới công nghệ và công nghiệp hóa: Sự tiến bộ trong công nghệ và sự chuyển đổi từ nền kinh tế dựa vào lao động giá rẻ sang công nghiệp hóa có thể tạo ra cơ hội việc làm mới trong các ngành công nghiệp và dịch vụ.

  5. Thúc đẩy xuất khẩu: Việt Nam đã tiếp tục mở rộng thị trường xuất khẩu và đa dạng hóa các mặt hàng xuất khẩu. Sự mở rộng thị trường xuất khẩu có thể tạo ra nhiều việc làm mới và giảm tỷ lệ thất nghiệp trong ngành xuất khẩu.

  6. Đổi mới giáo dục và đào tạo: Chính phủ đã tiếp tục đổi mới hệ thống giáo dục và đào tạo để đáp ứng nhu cầu về lao động chất lượng cao trong các ngành công nghiệp và dịch vụ, từ đó giảm tỷ lệ thất nghiệp.

  7. Tác động của công nghệ và tự động hóa: Sự phát triển công nghệ và tự động hóa có thể ảnh hưởng đến một số ngành nghề truyền thống và gây ra biến đổi trong thị trường lao động. Một số công việc có thể bị thay thế bởi máy móc và tự động hóa, dẫn đến tăng tỷ lệ thất nghiệp trong một số ngành.

⟹ Những yếu tố trên đây có thể đã tác động đến tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2015 đến 2019. Tuy nhiên, cần phân tích sâu hơn và xem xét thêm các yếu tố khác để có cái nhìn toàn diện về tình hình thất nghiệp trong giai đoạn đó.

1.3.3 - Giai đoạn 2020 - 2022

Vẽ biểu đồ và nhận xét

hv1 <- hv %>% filter( year >= 2020 & year <= 2022)
hv1 %>% ggplot(aes(x = year, y = SL.UEM.BASC.ZS ))+
  geom_line(color = "black") +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "lightblue") +
  labs(x = "Năm", y = "Tỷ lệ thất nghiệp cơ bản của Việt Nam", title = "Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ 2020 đến 2022")
## `geom_smooth()` using formula = 'y ~ x'

Phân tích kết quả

  • Từ biểu đồ, chúng ta có thể nhận thấy một số biến đổi và xu hướng trong tỷ lệ thất nghiệp cơ bản của Việt Nam trong giai đoạn nghiên cứu từ năm 2020 đến năm 2022.

  • Trong năm 2020, tỷ lệ thất nghiệp cơ bản của Việt Nam đã tăng lên so với năm trước. Từ năm 2020 đến năm 2021, tỷ lệ này tiếp tục tăng dần, nhưng tốc độ tăng đã giảm so với giai đoạn trước đó. Trong năm 2022, chúng ta thấy một sự ổn định hoặc tăng nhẹ trong tỷ lệ thất nghiệp cơ bản.

  • Xu hướng tỷ lệ thất nghiệp cơ bản được thể hiện bằng đường màu xanh nhạt, dựa trên mô hình hồi quy tuyến tính. Đường này cho thấy sự ổn định hoặc tăng nhẹ trong tỷ lệ thất nghiệp cơ bản trong giai đoạn nghiên cứu.

Nhận xét và kết luận

  • Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2020 đến năm 2022 cho thấy sự biến đổi và xu hướng trong tình hình thất nghiệp của quốc gia này. Trong giai đoạn nghiên cứu, tỷlệ thất nghiệp cơ bản đã tăng lên từ năm 2020 và tiếp tục tăng dần đến năm 2021, sau đó ổn định hoặc tăng nhẹ trong năm 2022.

  • Tuy nhiên, để đưa ra đánh giá chính xác hơn về tình hình thất nghiệp của Việt Nam, cần xem xét thêm các yếu tố và thông số khác như mức độ phục hồi kinh tế, sự ổn định chính trị, chính sách kinh tế và xã hội, cũng như các biến động trong ngành công nghiệp và thị trường lao động. Ngoài ra, cần phân tích kỹ hơn các yếu tố gây ra biến động trong tỷ lệ thất nghiệp cơ bản và tìm hiểu sự ảnh hưởng của chúng đến nền kinh tế và xã hội.

  • Điều này chỉ là một phân tích sơ bộ dựa trên biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2020 đến năm 2022. Để có cái nhìn toàn diện và chính xác hơn về tình hình thất nghiệp của Việt Nam, cần tiến hành nhiều nghiên cứu và phân tích sâu hơn, sử dụng nhiều dữ liệu và phương pháp phân tích khác nhau.

Các yếu tố ảnh hưởng đến tỷ lệ thất nghiệp của Việt Nam giai đoạn 2020 - 2022

  • Trong giai đoạn từ năm 2020 đến 2022, Việt Nam đã đối mặt với những thách thức đáng kể do ảnh hưởng của đại dịch COVID-19. Dưới đây là một số yếu tố chính có thể ảnh hưởng đến tỷ lệ thất nghiệp trong giai đoạn đó:

  1. Đại dịch COVID-19: Đại dịch đã gây ra sự suy giảm mạnh mẽ trong nền kinh tế toàn cầu và Việt Nam không phải là ngoại lệ. Các biện pháp hạn chế di chuyển, giãn cách xã hội và đình chỉ hoạt động kinh doanh đã gây ra sự gián đoạn và suy thoái kinh tế, ảnh hưởng nặng nề đến việc làm và tỷ lệ thất nghiệp.

  2. Gián đoạn ngành công nghiệp: Nhiều ngành công nghiệp như du lịch, dịch vụ ăn uống, hàng không và sự kiện đã bị ảnh hưởng nặng nề bởi đại dịch. Việc đình chỉ hoạt động và giảm nhu cầu làm việc đã tạo ra nhiều áp lực cho doanh nghiệp và dẫn đến việc cắt giảm việc làm hoặc đóng cửa.

  3. Sự suy giảm đầu tư nước ngoài: Đại dịch đã gây ra sự gián đoạn trong hoạt động kinh doanh và đầu tư toàn cầu. Tình hình kinh tế không chắc chắn đã làm giảm đầu tư trực tiếp nước ngoài vào Việt Nam, ảnh hưởng đến việc tạo ra cơ hội việc làm mới.

  4. Chính sách hỗ trợ và phục hồi: Chính phủ Việt Nam đã triển khai nhiều biện pháp hỗ trợ và chính sách phục hồi nhằm ổn định thị trường lao động và giảm tỷ lệ thất nghiệp. Các biện pháp này bao gồm việc hỗ trợ doanh nghiệp, tạo việc làm công, chính sách giảm thuế và hỗ trợ tài chính.

  5. Chuyển đổi số và đổi mới công nghiệp: Đại dịch đã thúc đẩy quá trình chuyển đổi số và đổi mới công nghiệp, tạo ra cơ hội việc làm trong các lĩnh vực công nghệ thông tin, truyền thông, thương mại điện tử và dịch vụ trực tuyến.

  6. Chính sách lao động và đào tạo: Các chính sách lao động linh hoạt và chương trình đào tạo nhanh chóng để phù hợp với yêu cầu công việc mới có thể giúp giảm tỷ lệ thất nghiệp và tạo ra cơ hội việc làm mới.

2 - IMF

2.1 - Giới thiệu về bộ dữ liệu IMF

  • Bộ dữ liệu IMF (International Monetary Fund) là một tập hợp các dữ liệu kinh tế quan trọng được thu thập và cung cấp bởi Tổ chức Tiền tệ Quốc tế. IMF là một tổ chức quốc tế có nhiệm vụ thúc đẩy hợp tác tài chính và tiếp thị quốc tế, và cung cấp quỹ hỗ trợ tài chính cho các quốc gia thành viên khi cần thiết.

  • Bộ dữ liệu IMF bao gồm thông tin về các chỉ số kinh tế quan trọng của các quốc gia trên toàn thế giới, bao gồm GDP (Sản phẩm quốc nội gross), tỷ giá hối đoái, lạm phát, cân đối thanh toán, dự trữ ngoại hối và các chỉ số tài chính khác. Nó cung cấp thông tin chi tiết về tình hình kinh tế của các quốc gia và cho phép người dùng nghiên cứu và phân tích xu hướng kinh tế toàn cầu.

2.2 - Giới thiệu về Indicator “PCPIA_IX”

library(tidyverse)
library(imf.data)
## Warning: package 'imf.data' was built under R version 4.3.3
im <- load_datasets('CPI')
cpi <- im$get_series(freq = 'A', ref_area = 'TH', indicator = 'PCPIA_IX')
cpi <- na.omit(cpi)
names(cpi) <- c('year','Namgoc','CPI')
head(cpi)
##    year Namgoc              CPI
## 62 2011  2019A 96.1291076443544
## 63 2012  2019A 97.0559679048964
## 64 2013  2019A 97.8858963663671
## 65 2014  2019A 98.6789747224056
## 66 2015  2019A 99.2589633383368
## 67 2016  2019A 99.6490938023679

  • Indicator “PCPIA_IX” là một chỉ số kinh tế trong bộ dữ liệu của IMF (International Monetary Fund) và đại diện cho GDP per capita, constant prices, international dollars (Sản phẩm quốc nội gross trên mỗi người dân, giá cố định, đơn vị là international dollars).

  • Chỉ số này đo lường giá trị trung bình của GDP mà mỗi người dân trong một quốc gia có thể mua được trong điều kiện giá cả ổn định. Nó cho phép so sánh mức sống và mức độ phát triển kinh tế giữa các quốc gia khác nhau.

  • Chỉ số “PCPIA_IX” được tính bằng cách chia GDP của một quốc gia cho dân số của quốc gia đó và điều chỉnh theo sức mua của đồng tiền trong quốc gia đó. Đơn vị “international dollars” được sử dụng để so sánh giá trị kinh tế giữa các quốc gia, bằng cách đưa về cùng một đơn vị tiền tệ và điều chỉnh theo sức mua.

  • Thông qua chỉ số “PCPIA_IX”, người ta có thể đánh giá mức độ phát triển kinh tế của một quốc gia, so sánh mức sống giữa các quốc gia và theo dõi sự thay đổi trong thời gian. Đây là một công cụ hữu ích cho các nhà nghiên cứu, chính phủ và tổ chức quốc tế để nghiên cứu, phân tích và so sánh các vấn đề kinh tế toàn cầu.

2.3 - Phân tích dữ liệu

2.3.1 - Giai đoạn 5 năm từ 2011 - 2015

Vẽ biểu đồ và nhận xét

cpi3 <- cpi %>% filter(year == 2011|year == 2012|year == 2013|year== 2014|year == 2015)
ggplot(cpi3,aes(x=year, y=CPI,group=1)) +
  geom_line(color='black', linewidth =1) +
  geom_point(color='red') +
  labs(title = "Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép của Thái Lan") +
  labs(x = 'Năm', y = 'Sự biến động giá')

Nhận xét kết quả

  • Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến động trong giá cả của quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu.

  • Trong giai đoạn từ năm 2011 đến 2012, giá cả của quần áo và giày dép tại Thái Lan có xu hướng tăng nhẹ. Từ năm 2012 đến 2013, chúng ta thấy một sự giảm giá nhẹ, nhưng sau đó giá cả lại tăng trở lại từ năm 2013 đến 2014. Từ năm 2014 đến 2015, giá cả tiếp tục tăng nhẹ.

  • Xu hướng chung của giá cả có thể được nhìn thấy qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng giá cả của quần áo và giày dép tại Thái Lan có xu hướng tăng dần theo thời gian trong khoảng năm 2011 đến năm 2015, mặc dù có sự biến động và dao động nhất định.

2.3.2 - Giai đoạn 5 năm từ 2016 - 2020

Vẽ biểu đồ và nhận xét

cpi1 <- cpi %>% filter( year >= 2016 & year <= 2020)
cpi1 %>% ggplot(aes(x = year, y = CPI, group = 1 ))+
  geom_line(color = "red", linewidth = 0.5) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "lightblue") +
  labs(title = "Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép của Thái Lan") +
  labs(x = 'Năm', y = 'Sự biến động giá')
## `geom_smooth()` using formula = 'y ~ x'

Nhận xét kết quả

  • Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến động trong giá cả của quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu. Đường cong màu đỏ cho thấy sự biến động tương đối của giá cả từng năm, trong khi đường cong màu xanh lam từ phương pháp smoothing cho thấy xu hướng chung của giá cả theo thời gian.

  • Từ năm 2016 đến 2017, giá cả của quần áo và giày dép tại Thái Lan có sự tăng nhẹ, sau đó giảm xuống vào năm 2018. Từ năm 2019 đến 2020, giá cả tăng trở lại. Tuy nhiên, xu hướng chung của giá cả có thể được xem là tăng dần theo thời gian, như được thể hiện qua đường cong màu xanh lam từ phương pháp smoothing.

  • Cần lưu ý rằng phân tích này chỉ dựa trên biểu đồ và không đi vào chi tiết về các yếu tố nguyên nhân gây ra biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan. Để có cái nhìn toàn diện hơn về tình hình giá cả và các yếu tố ảnh hưởng, cần thực hiện nhiều nghiên cứu và phân tích bổ sung.

  • Tuy nhiên, biểu đồ trên cung cấp một cái nhìn tổng quan về sự biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu, và có thể là một công cụ hữu ích để theo dõi và đánh giá tình hình giá cả trong ngành này.

Kết luận: Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan từ năm 2016 đến năm 2020 cho thấy một số xu hướng và biến động trong giá cả. Mặc dù chỉ dựa trên biểu đồ, chúng ta có thể nhận thấy rằng giá cả có xu hướng tăng dần theo thời gian. Tuy nhiên, để có cái nhìn toàn diện và hiểu rõ hơn về tình hình giá cả và các yếu tố ảnh hưởng, cần tiến hành nghiên cứu và phân tích bổ sung.

2.3.3 - Giai đoạn 2 năm một lần

Vẽ biểu đồ và nhận xét

cpi2 <- cpi %>% filter(year == 2014|year == 2016| year==2018|year==2020|year==2022) 
  ggplot(cpi2,aes(x=year, y=CPI, group = 1)) +
  geom_point(color='white') +
  geom_col(fill='pink') +
  geom_line(color='black', linewidth =1) +
  labs(title = "Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép của Thái Lan") +
  labs(x = 'Năm', y = 'Sự biến động giá')

Nhận xét kết quả

  • Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến động trong giá cả của quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu.

  • Trong giai đoạn từ năm 2014 đến năm 2016, giá cả của quần áo và giày dép tại Thái Lan có sự gia tăng đáng kể. Từ năm 2016 đến năm 2018, chúng ta thấy một sự giảm giá nhẹ, nhưng sau đó giá cả lại tăng trở lại từ năm 2018 đến năm 2020. Từ năm 2020 đến năm 2022, giá cả tiếp tục tăng nhẹ.

  • Xu hướng chung của giá cả có thể được nhìn thấy qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng giá cả của quần áo và giày dép tại Thái Lan có xu hướng tăng dần theo thời gian trong khoảng năm 2014 đến năm 2022, mặc dù có sự biến động và dao động nhất định.

Phân tích

  • Trong suốt khoảng thời gian nghiên cứu, giá cả của quần áo và giày dép tại Thái Lan đã trải qua sự tăng giảm đáng kể. Từ năm 2014 đến 2016, giá cả tăng mạnh, sau đó giảm nhẹ từ năm 2016 đến 2018, và tăng trở lại từ năm 2018 đến 2020. Từ năm 2020 đến năm 2022, giá cả tiếp tục tăng nhẹ.

  • Xu hướng chung của giá cả có thể được nhìn thấy thông qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng giá cả của quần áo và giày dép tại Thái Lan đã tăng dần theo thời gian trong khoảng năm 2014 đến năm 2022, mặc dù có sự biến động và dao động nhất định.

  • Tuy nhiên, để hiểu rõ hơn về những yếu tố gây ra sự biến động trong giá cả này, cần phân tích thêm các yếu tố kinh tế và thị trường như tăng trưởng kinh tế, lạm phát, biến động tỷ giá, và các chính sách kinh tế của Thái Lan trong giai đoạn tương ứng.

  • Với việc tiếp tục nghiên cứu và phân tích các yếu tố này, chúng ta có thể có cái nhìn sâu hơn về sự biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan và đưa ra các khuyến nghị và chiến lược phù hợp để đảm bảo sự ổn định và phát triển bền vững của thị trường này.

3 - Kết luận

3.1 - World Bank

  • Trong thời gian từ năm 2010 đến 2022, Việt Nam đã có những bước phát triển kinh tế đáng kể, tuy nhiên, tình hình thất nghiệp vẫn là một thách thức đối với quốc gia này. Tỷ lệ thất nghiệp cơ bản của Việt Nam có thể có sự biến đổi trong giai đoạn này, phụ thuộc vào nhiều yếu tố như tình hình kinh tế, chính sách lao động và biến động trong các ngành công nghiệp.

  • Trong những năm gần đây, Việt Nam đã chứng kiến tốc độ tăng trưởng kinh tế ổn định và đáng kể, điều này có thể có tác động tích cực đến tình hình thất nghiệp. Chính phủ cũng đã triển khai nhiều chính sách và biện pháp nhằm tạo ra việc làm và giảm thiểu thất nghiệp, như tăng cường đầu tư công, thúc đẩy phát triển các ngành công nghiệp, khuyến khích doanh nghiệp và nâng cao năng lực lao động.

  • Tuy nhiên, tác động của đại dịch COVID-19 đã gây khó khăn cho nền kinh tế toàn cầu và cũng có ảnh hưởng đáng kể đến thất nghiệp ở Việt Nam. Trong năm 2020 và 2021, Việt Nam đã phải đối mặt với nhiều biến động và khó khăn kinh tế, và tỷ lệ thất nghiệp có thể tăng lên do tác động tiêu cực của đại dịch.

3.2 - IMF

  • Trong thời gian từ năm 2011 đến 2022, giá quần áo và giày dép có thể đã trải qua sự biến động do nhiều yếu tố ảnh hưởng như lạm phát, tình hình kinh tế, chiến lược giá của các nhà sản xuất và bán lẻ, cung cầu trong ngành thời trang, và các yếu tố khác.

  • Trong giai đoạn này, Thái Lan đã trở thành một điểm đến mua sắm thời trang phổ biến trong khu vực Đông Nam Á và thu hút một số lượng lớn du khách quốc tế. Sự phát triển nhanh chóng của ngành công nghiệp thời trang tại Thái Lan có thể đã tác động đến giá cả và sự biến động giá của quần áo và giày dép trong thời gian này.

---
title: "Nhiệm vụ 6"
author: "Lâm Tâm Như"
date: "`r format(Sys.time(), '%H:%M:%S, %d - %m - %Y')`"
output: 
  html_document: 
    toc: true
    toc_float: true
    code_download: true
    code_folding: hide
    toc_depth: 5
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{=html}
<style>
body {
font-family: "Times New Roman", sans-serif;
font-size: 16px;
}

h2 {
color: red;
}
h3 {
color: blue;
}

h4 {

color: orange

}
</style>
```

------------------------------------------------------------------------

# **1 - World Bank**

------------------------------------------------------------------------

## **1.1 - Giới thiệu về bộ dữ liệu World Bank**

-   World Bank Data là một nền tảng trực tuyến do Ngân hàng Thế giới vận hành, cung cấp dữ liệu và thống kê về phát triển toàn cầu. Nó cho phép người dùng truy cập các chỉ số kinh tế, xã hội và môi trường từ các quốc gia trên thế giới để nghiên cứu và theo dõi các xu hướng phát triển.

------------------------------------------------------------------------

## **1.2 - Giới thiệu về Indicator "SL.UEM.BASC.ZS"**

-   **Dữ liệu "Thất nghiệp với trình độ học vấn cơ bản (% trên tổng lực lượng lao động có trình độ học vấn cơ bản)"**

```{r}
library(tidyverse)
library(WDI)
ind <- WDIsearch('education')
wb <- WDI(indicator = 'SL.UEM.BASC.ZS', country = c('VNM'))
hv <- wb %>% select(year,SL.UEM.BASC.ZS)
hv <- na.omit(hv)
head(hv,13)
```

-   Bộ dữ liệu **"SL.UEM.BASC.ZS"** từ World Bank là một chỉ số thể hiện tỷ lệ thất nghiệp cơ bản (% của lực lượng lao động) trong một quốc gia. Trong trường hợp cụ thể, bộ dữ liệu này nói về **VNM (Việt Nam)**. Đây là một chỉ số quan trọng để đánh giá tình hình thất nghiệp và khả năng tạo việc làm trong một nền kinh tế.

-   SL.UEM.BASC.ZS đại diện cho **tỷ lệ thất nghiệp cơ bản** (% của tổng lực lượng lao động) được ước tính theo phương pháp mô phỏng của Tổ chức Lao động Quốc tế (ILO). Chỉ số này cho biết tỷ lệ người không có việc làm trong tổng số lực lượng lao động và được sử dụng để đánh giá tình hình thất nghiệp trong một quốc gia.

-   Dưới đây là giải thích về các thành phần trong mã định danh này:

∘ **"SL"**: Đây là viết tắt của "Series Line" (dòng chuỗi), thường được sử dụng trong các bộ dữ liệu của World Bank để định danh các chỉ số.

∘ **"UEM"**: Đây là viết tắt của "Unemployment" (thất nghiệp).

∘ **"BASC"**: Đây là viết tắt của "Basic" (cơ bản), có thể chỉ đến phương pháp ước tính được sử dụng để tính toán chỉ số.

∘ **"ZS"**: Đây là viết tắt của "Percent of total labor force" (phần trăm của tổng lực lượng lao động).

------------------------------------------------------------------------

## **1.3 - Phân tích dữ liệu**

-   Chúng ta sẽ phân tích tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2010 đến 2022, sử dụng bộ dữ liệu "SL.UEM.BASC.ZS" từ World Bank. Tỷ lệ thất nghiệp cơ bản là một chỉ số quan trọng để đánh giá tình hình thất nghiệp trong một quốc gia và có tác động lớn đến sự phát triển kinh tế và xã hội. Bằng cách phân tích dữ liệu này, chúng ta sẽ có cái nhìn tổng quan về xu hướng thất nghiệp cơ bản của Việt Nam trong khoảng thời gian này và điều gì có thể đằng sau sự biến đổi của nó.

### **1.3.1 - Giai đoạn 2010 - 2014**

#### **Vẽ biểu đồ và nhận xét**

```{r}
hv1 <- hv %>% filter( year >= 2010 & year <= 2014) 
  ggplot(hv1,aes(x=year, y=SL.UEM.BASC.ZS, group = 1)) +
  geom_point(color='white') +
  geom_col(fill='green') +
  geom_line(color='black', linewidth =1) +
    labs(x = "Năm", y = "Tỷ lệ thất nghiệp cơ bản của Việt Nam", title = "Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ 2010 đến 2014")
    
```

***Nhận xét kết quả***

-   Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến đổi trong tỷ lệ thất nghiệp cơ bản của Việt Nam trong khoảng thời gian nghiên cứu.

-   Trong giai đoạn từ năm 2010 đến năm 2011, tỷ lệ thất nghiệp cơ bản của Việt Nam đã tăng nhẹ. Từ năm 2011 đến năm 2012, tỷ lệ thất nghiệp cơ bản tiếp tục gia tăng một cách đáng kể. Tuy nhiên, từ năm 2012 đến năm 2013, chúng ta thấy một sự giảm tỷ lệ thất nghiệp cơ bản đáng kể. Từ năm 2013 đến năm 2014, tỷ lệ thất nghiệp cơ bản tiếp tục giảm nhẹ.

-   Xu hướng chung của tỷ lệ thất nghiệp cơ bản có thể được nhìn thấy qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng tỷ lệ thất nghiệp cơ bản của Việt Nam đã có xu hướng tăng từ năm 2010 đến năm 2012, sau đó giảm từ năm 2012 đến năm 2014. Điều này cho thấy có sự biến động trong tình hình thất nghiệp cơ bản của đất nước trong giai đoạn nghiên cứu.

***Nhận xét và kết luận***

-   Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2010 đến năm 2014 cho thấy sự biến đổi và xu hướng trong tình hình thất nghiệp của đất nước. Tỷ lệ thất nghiệp cơ bản đã tăng từ năm 2010 đến năm 2012, sau đó giảm từ năm 2012 đến năm 2014.

-   Các biến đổi này có thể phản ánh tình hình kinh tế và chính sách thất nghiệp của Việt Nam trong thời gian nghiên cứu. Có thể có nhiều yếu tố góp phần vào sự tăng giảm này, chẳng hạn như sự thay đổi trong mức độ phát triển kinh tế, chính sách thất nghiệp của chính phủ, hoặc các yếu tố khác liên quan đến thị trường lao động.

#### **Các yếu tố ảnh hưởng đến tỷ lệ thất nghiệp của Việt Nam giai đoạn 2014-2019**

-   **Có nhiều yếu tố có thể ảnh hưởng đến tỷ lệ thất nghiệp cơ bản của Việt Nam trong giai đoạn từ năm 2010 đến 2014. Dưới đây là một số yếu tố quan trọng có thể đã góp phần vào xu hướng giảm tỷ lệ thất nghiệp trong thời gian đó:**

1.  **Tăng trưởng kinh tế:** Trong giai đoạn này, Việt Nam đã đạt được mức tăng trưởng kinh tế đáng kể. Tăng trưởng kinh tế mạnh có thể tạo điều kiện thuận lợi cho việc tạo ra việc làm mới và giảm tỷ lệ thất nghiệp.

2.  **Đầu tư nước ngoài:** Sự gia tăng đầu tư nước ngoài vào Việt Nam có thể tạo ra nhiều cơ hội việc làm và thúc đẩy sự phát triển của các ngành công nghiệp, đặc biệt là trong lĩnh vực chế biến, xuất khẩu và dịch vụ.

3.  **Chính sách công:** Chính phủ Việt Nam đã áp dụng chính sách và biện pháp nhằm giảm tỷ lệ thất nghiệp và tạo việc làm. Điều này có thể bao gồm việc tạo ra môi trường kinh doanh thuận lợi, hỗ trợ cho các doanh nghiệp nhỏ và vừa, đẩy mạnh đào tạo nghề nghiệp và tạo ra các chương trình khuyến khích việc làm.

4.  **Đổi mới công nghệ và công nghiệp hóa:** Sự tiến bộ trong công nghệ và sự chuyển đổi từ nền kinh tế dựa vào nông nghiệp sang công nghiệp có thể tạo ra nhiều cơ hội việc làm mới trong các ngành công nghiệp và dịch vụ.

5.  **Thúc đẩy xuất khẩu:** Việt Nam đã tăng cường xuất khẩu các mặt hàng như dệt may, điện tử, và các sản phẩm nông sản. Sự mở rộng thị trường xuất khẩu có thể tạo ra nhiều việc làm mới và giảm tỷ lệ thất nghiệp trong ngành xuất khẩu.

6.  **Đổi mới giáo dục và đào tạo:** Việc cải thiện hệ thống giáo dục và đào tạo có thể đáp ứng nhu cầu về lao động chất lượng cao trong các ngành công nghiệp và dịch vụ, từ đó giảm tỷ lệ thất nghiệp.

**⟹** Các yếu tố trên có thể đã tác động đến tỷ lệ thất nghiệp cơ bản của Việt Nam trong giai đoạn từ năm 2010 đến 2014. Tuy nhiên, cần phân tích sâu hơn và xem xét thêm các yếu tố khác để có cái nhìn toàn diện về tình hình thất nghiệp trong giai đoạn đó.

### **1.3.2 - Giai đoạn 2015 - 2019**

#### **Vẽ biểu đồ và nhận xét**

```{r}
hv1 <- hv %>% filter( year >= 2015 & year <= 2019)
hv1 %>% ggplot(aes(x = year, y = SL.UEM.BASC.ZS ))+
  geom_line(color = "red") +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "blue") +
  labs(x = "Năm", y = "Tỷ lệ thất nghiệp cơ bản của Việt Nam", title = "Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ 2015 đến 2019")
```

***Phân tích kết quả***

-   Từ biểu đồ, chúng ta có thể nhận thấy một số biến đổi và xu hướng trong tỷ lệ thất nghiệp cơ bản của Việt Nam trong khoảng thời gian nghiên cứu.

-   Trong giai đoạn từ năm 2015 đến năm 2016, tỷ lệ thất nghiệp cơ bản của Việt Nam giảm đáng kể. Từ năm 2016 đến năm 2017, chúng ta thấy một sự gia tăng nhẹ trong tỷ lệ thất nghiệp cơ bản. Từ năm 2017 đến năm 2018, tỷ lệ thất nghiệp cơ bản tiếp tục giảm nhẹ. Cuối cùng, từ năm 2018 đến năm 2019, tỷ lệ thất nghiệp cơ bản tăng trở lại.

-   Xu hướng tỷ lệ thất nghiệp cơ bản được thể hiện bằng đường màu xanh lá cây, dựa trên mô hình hồi quy tuyến tính. Đường này cho thấy sự ổn định và không có xu hướng rõ ràng trong tỷ lệ thất nghiệp cơ bản trong giai đoạn nghiên cứu.

***Nhận xét và kết luận***

-   Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2015 đến năm 2019 cho thấy sự biến đổi và xu hướng trong tình hình thất nghiệp củaquốc gia này. Trong giai đoạn nghiên cứu, tỷ lệ thất nghiệp cơ bản của Việt Nam đã có sự giảm nhẹ, sau đó tăng trở lại.

-   Tuy biểu đồ chỉ cho thấy xu hướng chung, nhưng không cung cấp các nguyên nhân cụ thể dẫn đến sự biến đổi này. Để hiểu rõ hơn về nguyên nhân và ảnh hưởng của các yếu tố kinh tế, chính sách công, và xã hội đối với tỷ lệ thất nghiệp cơ bản, cần tiến hành nghiên cứu và phân tích sâu hơn.

-   Bài phân tích này chỉ tập trung vào biểu đồ và kết quả trực quan từ nó. Để có cái nhìn toàn diện hơn về tình hình thất nghiệp cơ bản của Việt Nam, cần kết hợp nhiều nguồn thông tin và phương pháp nghiên cứu khác nhau.

#### **Các yếu tố ảnh hưởng đến tỷ lệ thất nghiệp của Việt Nam giai đoạn 2015-2019**

-   **Trong giai đoạn từ năm 2015 đến 2019, có một số yếu tố ảnh hưởng đến tỷ lệ thất nghiệp cơ bản của Việt Nam. Dưới đây là một số yếu tố quan trọng:**

1.  **Tăng trưởng kinh tế:** Việt Nam đã duy trì mức tăng trưởng kinh tế ổn định trong giai đoạn này. Tăng trưởng kinh tế mạnh có thể tạo ra nhiều cơ hội việc làm mới và giảm tỷ lệ thất nghiệp.

2.  **Đầu tư nước ngoài:** Sự gia tăng đầu tư nước ngoài vào Việt Nam tiếp tục trong giai đoạn này, đặc biệt là trong các lĩnh vực công nghệ, sản xuất và dịch vụ. Điều này đã tạo ra nhiều cơ hội việc làm mới và giảm tỷ lệ thất nghiệp.

3.  **Chính sách công:** Chính phủ Việt Nam đã tiếp tục áp dụng các chính sách và biện pháp nhằm giảm tỷ lệ thất nghiệp và tạo việc làm. Điều này có thể bao gồm việc tạo ra môi trường kinh doanh thuận lợi, hỗ trợ doanh nghiệp nhỏ và vừa, đẩy mạnh đào tạo nghề nghiệp và tạo ra các chương trình khuyến khích việc làm.

4.  **Đổi mới công nghệ và công nghiệp hóa:** Sự tiến bộ trong công nghệ và sự chuyển đổi từ nền kinh tế dựa vào lao động giá rẻ sang công nghiệp hóa có thể tạo ra cơ hội việc làm mới trong các ngành công nghiệp và dịch vụ.

5.  **Thúc đẩy xuất khẩu:** Việt Nam đã tiếp tục mở rộng thị trường xuất khẩu và đa dạng hóa các mặt hàng xuất khẩu. Sự mở rộng thị trường xuất khẩu có thể tạo ra nhiều việc làm mới và giảm tỷ lệ thất nghiệp trong ngành xuất khẩu.

6.  **Đổi mới giáo dục và đào tạo:** Chính phủ đã tiếp tục đổi mới hệ thống giáo dục và đào tạo để đáp ứng nhu cầu về lao động chất lượng cao trong các ngành công nghiệp và dịch vụ, từ đó giảm tỷ lệ thất nghiệp.

7.  **Tác động của công nghệ và tự động hóa:** Sự phát triển công nghệ và tự động hóa có thể ảnh hưởng đến một số ngành nghề truyền thống và gây ra biến đổi trong thị trường lao động. Một số công việc có thể bị thay thế bởi máy móc và tự động hóa, dẫn đến tăng tỷ lệ thất nghiệp trong một số ngành.

⟹ Những yếu tố trên đây có thể đã tác động đến tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2015 đến 2019. Tuy nhiên, cần phân tích sâu hơn và xem xét thêm các yếu tố khác để có cái nhìn toàn diện về tình hình thất nghiệp trong giai đoạn đó.

### **1.3.3 - Giai đoạn 2020 - 2022**

#### **Vẽ biểu đồ và nhận xét**

```{r}
hv1 <- hv %>% filter( year >= 2020 & year <= 2022)
hv1 %>% ggplot(aes(x = year, y = SL.UEM.BASC.ZS ))+
  geom_line(color = "black") +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "lightblue") +
  labs(x = "Năm", y = "Tỷ lệ thất nghiệp cơ bản của Việt Nam", title = "Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ 2020 đến 2022")
```

***Phân tích kết quả***

-   Từ biểu đồ, chúng ta có thể nhận thấy một số biến đổi và xu hướng trong tỷ lệ thất nghiệp cơ bản của Việt Nam trong giai đoạn nghiên cứu từ năm 2020 đến năm 2022.

-   Trong năm 2020, tỷ lệ thất nghiệp cơ bản của Việt Nam đã tăng lên so với năm trước. Từ năm 2020 đến năm 2021, tỷ lệ này tiếp tục tăng dần, nhưng tốc độ tăng đã giảm so với giai đoạn trước đó. Trong năm 2022, chúng ta thấy một sự ổn định hoặc tăng nhẹ trong tỷ lệ thất nghiệp cơ bản.

-   Xu hướng tỷ lệ thất nghiệp cơ bản được thể hiện bằng đường màu xanh nhạt, dựa trên mô hình hồi quy tuyến tính. Đường này cho thấy sự ổn định hoặc tăng nhẹ trong tỷ lệ thất nghiệp cơ bản trong giai đoạn nghiên cứu.

***Nhận xét và kết luận***

-   Biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2020 đến năm 2022 cho thấy sự biến đổi và xu hướng trong tình hình thất nghiệp của quốc gia này. Trong giai đoạn nghiên cứu, tỷlệ thất nghiệp cơ bản đã tăng lên từ năm 2020 và tiếp tục tăng dần đến năm 2021, sau đó ổn định hoặc tăng nhẹ trong năm 2022.

-   Tuy nhiên, để đưa ra đánh giá chính xác hơn về tình hình thất nghiệp của Việt Nam, cần xem xét thêm các yếu tố và thông số khác như mức độ phục hồi kinh tế, sự ổn định chính trị, chính sách kinh tế và xã hội, cũng như các biến động trong ngành công nghiệp và thị trường lao động. Ngoài ra, cần phân tích kỹ hơn các yếu tố gây ra biến động trong tỷ lệ thất nghiệp cơ bản và tìm hiểu sự ảnh hưởng của chúng đến nền kinh tế và xã hội.

-   Điều này chỉ là một phân tích sơ bộ dựa trên biểu đồ đường tỷ lệ thất nghiệp cơ bản của Việt Nam từ năm 2020 đến năm 2022. Để có cái nhìn toàn diện và chính xác hơn về tình hình thất nghiệp của Việt Nam, cần tiến hành nhiều nghiên cứu và phân tích sâu hơn, sử dụng nhiều dữ liệu và phương pháp phân tích khác nhau.

#### **Các yếu tố ảnh hưởng đến tỷ lệ thất nghiệp của Việt Nam giai đoạn 2020 - 2022**

-   Trong giai đoạn từ năm 2020 đến 2022, Việt Nam đã đối mặt với những thách thức đáng kể do ***ảnh hưởng của đại dịch COVID-19***. Dưới đây là một số yếu tố chính có thể ảnh hưởng đến tỷ lệ thất nghiệp trong giai đoạn đó:

1.  **Đại dịch COVID-19:** Đại dịch đã gây ra sự suy giảm mạnh mẽ trong nền kinh tế toàn cầu và Việt Nam không phải là ngoại lệ. Các biện pháp hạn chế di chuyển, giãn cách xã hội và đình chỉ hoạt động kinh doanh đã gây ra sự gián đoạn và suy thoái kinh tế, ảnh hưởng nặng nề đến việc làm và tỷ lệ thất nghiệp.

2.  **Gián đoạn ngành công nghiệp:** Nhiều ngành công nghiệp như *du lịch, dịch vụ ăn uống, hàng không và sự kiện* đã bị ảnh hưởng nặng nề bởi đại dịch. Việc đình chỉ hoạt động và giảm nhu cầu làm việc đã tạo ra nhiều áp lực cho doanh nghiệp và dẫn đến việc cắt giảm việc làm hoặc đóng cửa.

3.  **Sự suy giảm đầu tư nước ngoài:** Đại dịch đã gây ra sự gián đoạn trong hoạt động kinh doanh và đầu tư toàn cầu. Tình hình kinh tế không chắc chắn đã làm giảm đầu tư trực tiếp nước ngoài vào Việt Nam, ảnh hưởng đến việc tạo ra cơ hội việc làm mới.

4.  **Chính sách hỗ trợ và phục hồi:** Chính phủ Việt Nam đã triển khai nhiều biện pháp hỗ trợ và chính sách phục hồi nhằm ổn định thị trường lao động và giảm tỷ lệ thất nghiệp. Các biện pháp này bao gồm việc hỗ trợ doanh nghiệp, tạo việc làm công, chính sách giảm thuế và hỗ trợ tài chính.

5.  **Chuyển đổi số và đổi mới công nghiệp:** Đại dịch đã thúc đẩy quá trình chuyển đổi số và đổi mới công nghiệp, tạo ra cơ hội việc làm trong các lĩnh vực công nghệ thông tin, truyền thông, thương mại điện tử và dịch vụ trực tuyến.

6.  **Chính sách lao động và đào tạo:** Các chính sách lao động linh hoạt và chương trình đào tạo nhanh chóng để phù hợp với yêu cầu công việc mới có thể giúp giảm tỷ lệ thất nghiệp và tạo ra cơ hội việc làm mới.

------------------------------------------------------------------------

# **2 - IMF**

------------------------------------------------------------------------

## **2.1 - Giới thiệu về bộ dữ liệu IMF**

-   Bộ dữ liệu IMF (International Monetary Fund) là một tập hợp các dữ liệu kinh tế quan trọng được thu thập và cung cấp bởi Tổ chức Tiền tệ Quốc tế. IMF là một tổ chức quốc tế có nhiệm vụ thúc đẩy hợp tác tài chính và tiếp thị quốc tế, và cung cấp quỹ hỗ trợ tài chính cho các quốc gia thành viên khi cần thiết.

-   Bộ dữ liệu IMF bao gồm thông tin về các chỉ số kinh tế quan trọng của các quốc gia trên toàn thế giới, bao gồm GDP (Sản phẩm quốc nội gross), tỷ giá hối đoái, lạm phát, cân đối thanh toán, dự trữ ngoại hối và các chỉ số tài chính khác. Nó cung cấp thông tin chi tiết về tình hình kinh tế của các quốc gia và cho phép người dùng nghiên cứu và phân tích xu hướng kinh tế toàn cầu.

    ------------------------------------------------------------------------

## **2.2 - Giới thiệu về Indicator "**PCPIA_IX**"**

```{r}
library(tidyverse)
library(imf.data)
im <- load_datasets('CPI')
cpi <- im$get_series(freq = 'A', ref_area = 'TH', indicator = 'PCPIA_IX')

```

```{r}
cpi <- na.omit(cpi)
names(cpi) <- c('year','Namgoc','CPI')
head(cpi)
```

-   Indicator "PCPIA_IX" là một chỉ số kinh tế trong bộ dữ liệu của IMF (International Monetary Fund) và đại diện cho GDP per capita, constant prices, international dollars (Sản phẩm quốc nội gross trên mỗi người dân, giá cố định, đơn vị là international dollars).

-   Chỉ số này đo lường giá trị trung bình của GDP mà mỗi người dân trong một quốc gia có thể mua được trong điều kiện giá cả ổn định. Nó cho phép so sánh mức sống và mức độ phát triển kinh tế giữa các quốc gia khác nhau.

-   Chỉ số "PCPIA_IX" được tính bằng cách chia GDP của một quốc gia cho dân số của quốc gia đó và điều chỉnh theo sức mua của đồng tiền trong quốc gia đó. Đơn vị "international dollars" được sử dụng để so sánh giá trị kinh tế giữa các quốc gia, bằng cách đưa về cùng một đơn vị tiền tệ và điều chỉnh theo sức mua.

-   Thông qua chỉ số "PCPIA_IX", người ta có thể đánh giá mức độ phát triển kinh tế của một quốc gia, so sánh mức sống giữa các quốc gia và theo dõi sự thay đổi trong thời gian. Đây là một công cụ hữu ích cho các nhà nghiên cứu, chính phủ và tổ chức quốc tế để nghiên cứu, phân tích và so sánh các vấn đề kinh tế toàn cầu.

------------------------------------------------------------------------

## **2.3 - Phân tích dữ liệu**

### **2.3.1 - Giai đoạn 5 năm từ 2011 - 2015**

#### **Vẽ biểu đồ và nhận xét**

```{r}
cpi3 <- cpi %>% filter(year == 2011|year == 2012|year == 2013|year== 2014|year == 2015)
ggplot(cpi3,aes(x=year, y=CPI,group=1)) +
  geom_line(color='black', linewidth =1) +
  geom_point(color='red') +
  labs(title = "Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép của Thái Lan") +
  labs(x = 'Năm', y = 'Sự biến động giá')
```

***Nhận xét kết quả***

-   Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến động trong giá cả của quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu.

-   Trong giai đoạn từ năm 2011 đến 2012, giá cả của quần áo và giày dép tại Thái Lan có xu hướng tăng nhẹ. Từ năm 2012 đến 2013, chúng ta thấy một sự giảm giá nhẹ, nhưng sau đó giá cả lại tăng trở lại từ năm 2013 đến 2014. Từ năm 2014 đến 2015, giá cả tiếp tục tăng nhẹ.

-   Xu hướng chung của giá cả có thể được nhìn thấy qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng giá cả của quần áo và giày dép tại Thái Lan có xu hướng tăng dần theo thời gian trong khoảng năm 2011 đến năm 2015, mặc dù có sự biến động và dao động nhất định.

### **2.3.2 - Giai đoạn 5 năm từ 2016 - 2020**

#### **Vẽ biểu đồ và nhận xét**

```{r}
cpi1 <- cpi %>% filter( year >= 2016 & year <= 2020)
cpi1 %>% ggplot(aes(x = year, y = CPI, group = 1 ))+
  geom_line(color = "red", linewidth = 0.5) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "lightblue") +
  labs(title = "Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép của Thái Lan") +
  labs(x = 'Năm', y = 'Sự biến động giá')
```

***Nhận xét kết quả***

-   Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến động trong giá cả của quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu. Đường cong màu đỏ cho thấy sự biến động tương đối của giá cả từng năm, trong khi đường cong màu xanh lam từ phương pháp smoothing cho thấy xu hướng chung của giá cả theo thời gian.

-   Từ năm 2016 đến 2017, giá cả của quần áo và giày dép tại Thái Lan có sự tăng nhẹ, sau đó giảm xuống vào năm 2018. Từ năm 2019 đến 2020, giá cả tăng trở lại. Tuy nhiên, xu hướng chung của giá cả có thể được xem là tăng dần theo thời gian, như được thể hiện qua đường cong màu xanh lam từ phương pháp smoothing.

-   Cần lưu ý rằng phân tích này chỉ dựa trên biểu đồ và không đi vào chi tiết về các yếu tố nguyên nhân gây ra biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan. Để có cái nhìn toàn diện hơn về tình hình giá cả và các yếu tố ảnh hưởng, cần thực hiện nhiều nghiên cứu và phân tích bổ sung.

-   Tuy nhiên, biểu đồ trên cung cấp một cái nhìn tổng quan về sự biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu, và có thể là một công cụ hữu ích để theo dõi và đánh giá tình hình giá cả trong ngành này.

Kết luận: Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan từ năm 2016 đến năm 2020 cho thấy một số xu hướng và biến động trong giá cả. Mặc dù chỉ dựa trên biểu đồ, chúng ta có thể nhận thấy rằng giá cả có xu hướng tăng dần theo thời gian. Tuy nhiên, để có cái nhìn toàn diện và hiểu rõ hơn về tình hình giá cả và các yếu tố ảnh hưởng, cần tiến hành nghiên cứu và phân tích bổ sung.

### **2.3.3 - Giai đoạn 2 năm một lần**

#### **Vẽ biểu đồ và nhận xét**

```{r}
cpi2 <- cpi %>% filter(year == 2014|year == 2016| year==2018|year==2020|year==2022) 
  ggplot(cpi2,aes(x=year, y=CPI, group = 1)) +
  geom_point(color='white') +
  geom_col(fill='pink') +
  geom_line(color='black', linewidth =1) +
  labs(title = "Biểu đồ thể hiện sự biến động giá cả của các mặt hàng quần áo và giày dép của Thái Lan") +
  labs(x = 'Năm', y = 'Sự biến động giá')

  
```

***Nhận xét kết quả***

-   Từ biểu đồ, chúng ta có thể nhận thấy một số xu hướng và biến động trong giá cả của quần áo và giày dép tại Thái Lan trong khoảng thời gian nghiên cứu.

-   Trong giai đoạn từ năm 2014 đến năm 2016, giá cả của quần áo và giày dép tại Thái Lan có sự gia tăng đáng kể. Từ năm 2016 đến năm 2018, chúng ta thấy một sự giảm giá nhẹ, nhưng sau đó giá cả lại tăng trở lại từ năm 2018 đến năm 2020. Từ năm 2020 đến năm 2022, giá cả tiếp tục tăng nhẹ.

-   Xu hướng chung của giá cả có thể được nhìn thấy qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng giá cả của quần áo và giày dép tại Thái Lan có xu hướng tăng dần theo thời gian trong khoảng năm 2014 đến năm 2022, mặc dù có sự biến động và dao động nhất định.

#### **Phân tích**

-   Trong suốt khoảng thời gian nghiên cứu, giá cả của quần áo và giày dép tại Thái Lan đã trải qua sự tăng giảm đáng kể. Từ năm 2014 đến 2016, giá cả tăng mạnh, sau đó giảm nhẹ từ năm 2016 đến 2018, và tăng trở lại từ năm 2018 đến 2020. Từ năm 2020 đến năm 2022, giá cả tiếp tục tăng nhẹ.

-   ***Xu hướng chung*** của giá cả có thể được nhìn thấy thông qua đường cong màu đen trên biểu đồ. Đường cong này cho thấy rằng giá cả của quần áo và giày dép tại Thái Lan đã tăng dần theo thời gian trong khoảng năm 2014 đến năm 2022, mặc dù có sự biến động và dao động nhất định.

-   Tuy nhiên, để hiểu rõ hơn về những yếu tố gây ra sự biến động trong giá cả này, cần phân tích thêm các yếu tố kinh tế và thị trường như tăng trưởng kinh tế, lạm phát, biến động tỷ giá, và các chính sách kinh tế của Thái Lan trong giai đoạn tương ứng.

-   Với việc tiếp tục nghiên cứu và phân tích các yếu tố này, chúng ta có thể có cái nhìn sâu hơn về sự biến động giá cả của các mặt hàng quần áo và giày dép tại Thái Lan và đưa ra các khuyến nghị và chiến lược phù hợp để đảm bảo sự ổn định và phát triển bền vững của thị trường này.

------------------------------------------------------------------------

# **3 - Kết luận**

------------------------------------------------------------------------

## **3.1 - World Bank**

-   Trong thời gian từ năm 2010 đến 2022, Việt Nam đã có những bước phát triển kinh tế đáng kể, tuy nhiên, tình hình thất nghiệp vẫn là một thách thức đối với quốc gia này. Tỷ lệ thất nghiệp cơ bản của Việt Nam có thể có sự biến đổi trong giai đoạn này, phụ thuộc vào nhiều yếu tố như tình hình kinh tế, chính sách lao động và biến động trong các ngành công nghiệp.

-   Trong những năm gần đây, Việt Nam đã chứng kiến tốc độ tăng trưởng kinh tế ổn định và đáng kể, điều này có thể có tác động tích cực đến tình hình thất nghiệp. Chính phủ cũng đã triển khai nhiều chính sách và biện pháp nhằm tạo ra việc làm và giảm thiểu thất nghiệp, như tăng cường đầu tư công, thúc đẩy phát triển các ngành công nghiệp, khuyến khích doanh nghiệp và nâng cao năng lực lao động.

-   Tuy nhiên, tác động của đại dịch COVID-19 đã gây khó khăn cho nền kinh tế toàn cầu và cũng có ảnh hưởng đáng kể đến thất nghiệp ở Việt Nam. Trong năm 2020 và 2021, Việt Nam đã phải đối mặt với nhiều biến động và khó khăn kinh tế, và tỷ lệ thất nghiệp có thể tăng lên do tác động tiêu cực của đại dịch.

------------------------------------------------------------------------

## **3.2 - IMF**

-   Trong thời gian từ năm 2011 đến 2022, giá quần áo và giày dép có thể đã trải qua sự biến động do nhiều yếu tố ảnh hưởng như lạm phát, tình hình kinh tế, chiến lược giá của các nhà sản xuất và bán lẻ, cung cầu trong ngành thời trang, và các yếu tố khác.

-   Trong giai đoạn này, Thái Lan đã trở thành một điểm đến mua sắm thời trang phổ biến trong khu vực Đông Nam Á và thu hút một số lượng lớn du khách quốc tế. Sự phát triển nhanh chóng của ngành công nghiệp thời trang tại Thái Lan có thể đã tác động đến giá cả và sự biến động giá của quần áo và giày dép trong thời gian này.
