I. Giới thiệu về Data Set

World Bank Data

World Bank Data là một nguồn dữ liệu quan trọng cung cấp thông tin về kinh tế, phát triển, và các chỉ số xã hội từ hơn 200 quốc gia trên thế giới. Trong số các chỉ số này, “Tỷ lệ nghèo đói” (Poverty Rate) là một trong những chỉ số quan trọng nhất, được đo bằng tỷ lệ dân số sống dưới mức sống tối thiểu quốc gia. Chỉ số này giúp đánh giá mức độ nghèo đói và phát triển xã hội của một quốc gia.

IMF Data

library(tidyverse)

## Warning: package 'ggplot2' 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

library(flextable)

## Warning: package 'flextable' was built under R version 4.3.3

## 
## Attaching package: 'flextable'
## 
## The following object is masked from 'package:purrr':
## 
##     compose

library(DT)

## Warning: package 'DT' was built under R version 4.3.3

library(ggplot2)

II. PHÂN TÍCH TỶ LỆ NGHÈO ĐÓI CỦA VIỆT NAM SO VỚI CÁC QUỐC GIA KHÁC TRÊN THẾ GIỚI - Phân tích từ World Bank Data

1. Giới thiệu về Tỷ lệ nghèo đói (SI.POV.DDAY)

Giới thiệu về chỉ số

Chỉ số SI.POV.DDAY là một trong những chỉ số được cung cấp bởi World Bank để đo lường mức độ nghèo đói trong một quốc gia. Mã này biểu thị tỷ lệ dân số sống dưới mức sống tối thiểu quốc gia, thường được biểu diễn dưới dạng phần trăm.

Dựa vào dữ liệu về thu nhập và mức sống tối thiểu của mỗi quốc gia, chỉ số SI.POV.DDAY đo lường tỷ lệ người dân sống dưới mức sống tối thiểu quốc gia đó. Mức sống tối thiểu thường được xác định dựa trên mức thu nhập hoặc các tiêu chuẩn sống cụ thể, và việc sống dưới mức sống tối thiểu thường đồng nghĩa với việc đối diện với rủi ro cao về nghèo đói và khó khăn trong cuộc sống hàng ngày.

Cung cấp cái nhìn quan trọng về mức độ nghèo đói và phát triển con người trong một quốc gia. Nó giúp chính phủ, tổ chức quốc tế và các nhà nghiên cứu hiểu rõ hơn về tình hình kinh tế và xã hội của quốc gia đó, từ đó đề xuất các chính sách và biện pháp phát triển phù hợp để cải thiện chất lượng cuộc sống và giảm thiểu nghèo đói.

Tỷ lệ Nghèo Đói Của Các Quốc Gia Trên Thế Giới

htp <- WDI(country = "all", indicator = "SI.POV.DDAY", start = 2000, end = 2020, extra = TRUE)
htp <- htp[, c("country", "year", "SI.POV.DDAY")]
names(htp) <- c("Quốc Gia", "Năm", "Tỷ lệ Nghèo Đói")
htp <- na.omit(htp)
head(htp)

##    Quốc Gia  Năm Tỷ lệ Nghèo Đói
## 64  Albania 2018             0.0
## 65  Albania 2017             0.4
## 68  Albania 2014             1.0
## 70  Albania 2016             0.1
## 71  Albania 2015             0.1
## 74  Albania 2012             0.6

datatable(htp)

Tỷ lệ Nghèo Đói Của VIỆT NAM

htpvn <- WDI(country = "VN", indicator = "SI.POV.DDAY", start = 2000, end = 2020, extra = TRUE)
htpvn <- htpvn[, c("country", "year", "SI.POV.DDAY")]
names(htpvn) <- c("Quốc Gia", "Năm", "Tỷ lệ Nghèo Đói")
htpvn <- na.omit(htpvn)
head(htpvn)

##    Quốc Gia  Năm Tỷ lệ Nghèo Đói
## 1  Viet Nam 2020             0.7
## 3  Viet Nam 2018             1.2
## 5  Viet Nam 2016             1.3
## 7  Viet Nam 2014             1.9
## 9  Viet Nam 2012             1.7
## 11 Viet Nam 2010             2.9

datatable(htpvn)

Qua đó chúng ta đã có cái nhìn tổng quan về Tỷ Lệ Nghèo Đói của Việt Nam so với Tỷ Lệ Nghèo Đói của Các Quốc Gia Khác trên Thế Giới. Và hãy cùng nhau tìm hiểu và phân tích sâu hơn về Tỷ Lệ này.

2. Phân tích về Tỷ lệ nghèo đói (SI.POV.DDAY)

2.1 Phân tích các chỉ số theo thời gian

Biểu đồ xu hướng tỷ lệ nghèo đói của Việt Nam

ggplot(htpvn, aes(x = Năm, y = `Tỷ lệ Nghèo Đói`)) +
  geom_line(color = "navy")

  labs(title = "Xu Hướng Tỷ Lệ Nghèo Đói của Việt Nam",
       x = "Năm",
       y = "Tỷ lệ Nghèo Đói (%)") +
  theme_minimal()

## NULL

Biểu đồ thể hiện rõ xu hướng tỷ lệ nghèo đói tại Việt Nam từ năm 2000 đến 2020. Dưới đây là phân tích kết quả của biểu đồ:

Tăng giảm không đều: Biểu đồ cho thấy tỷ lệ nghèo đói tại Việt Nam đã có xu hướng tăng giảm không đều qua các năm. Điều này có thể phản ánh ảnh hưởng của các biến động kinh tế, chính sách xã hội, và sự phát triển của đất nước.

Tăng trưởng kinh tế và giảm nghèo: Các giai đoạn tăng trưởng kinh tế mạnh mẽ thường đi kèm với việc giảm tỷ lệ nghèo đói. Điều này phản ánh mối quan hệ giữa sự phát triển kinh tế và giảm nghèo đói.

Ảnh hưởng của các chính sách xã hội và chính sách giảm nghèo: Các biến động trong tỷ lệ nghèo đói có thể phản ánh sự hiệu quả của các chính sách xã hội và chính sách giảm nghèo của chính phủ Việt Nam. Các biện pháp như chính sách bảo hiểm xã hội, chính sách giáo dục, và hỗ trợ cho người nghèo có thể đã có ảnh hưởng đến biến động của chỉ số này.

So sánh biến động của tỷ lệ nghèo đói trung bình mỗi giai đoạn 5 năm của Việt Nam so với các Quốc Gia khác trên thế giới

Tính tỷ lệ nghèo đói trung bình cho mỗi giai đoạn 5 năm của các Quốc gia khác trên thế giới

htp$Giai_Doan <- cut(htp$Năm, breaks = seq(2000, 2020, by = 5), labels = FALSE)
GiaTriTBcuaQG <- aggregate(htp$`Tỷ lệ Nghèo Đói`, by = list(htp$Giai_Doan), mean)

Tính tỷ lệ nghèo đói trung bình cho mỗi giai đoạn 5 năm của Việt Nam

htpvn$Giai_Doan <- cut(htpvn$Năm, breaks = seq(2000, 2020, by = 5), labels = FALSE)
GiaTriTrungBinhVN <- aggregate(htpvn$`Tỷ lệ Nghèo Đói`, by = list(htpvn$Giai_Doan), mean)

Biểu đồ biểu thị Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Theo Giai Đoạn 5 Năm

ggplot(GiaTriTrungBinhVN, aes(x = Group.1, y = x)) +
  geom_line(color = "gold") +
  geom_point(color = "navy", size = 3) +
  labs(title = "Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Theo Giai Đoạn 5 Năm",
       x = "Giai Đoạn",
       y = "Tỷ lệ Nghèo Đói Trung Bình (%)") +
  theme_minimal()

Biểu đồ So sánh Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Với Các Quốc Gia Khác Trên Thế Giới Theo Giai Đoạn 5 Năm

ggplot() +
  geom_line(data = GiaTriTrungBinhVN, aes(x = Group.1, y = x, color = "Việt Nam"), size = 1.5) +
  geom_line(data = GiaTriTBcuaQG, aes(x = Group.1, y = x, color = "Quốc Gia Khác"), size = 1.5) +
  labs(title = "Tỷ Lệ Nghèo Đói Trung Bình Theo Giai Đoạn 5 Năm",
       x = "Các Giai Đoạn",
       y = "Tỷ Lệ Nghèo Đói Trung Bình") +
  scale_color_manual(name = "Quốc Gia", values = c("Việt Nam" = "red", "Quốc Gia Khác" = "gold")) +
  theme_minimal()

## 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.

Qua biểu đồ trên cho ta thấy:

Ở giai đoạn 1 (2000-2004): Việt Nam có Tỷ Lệ Nghèo Đói Trung Bình cao hơn so với Thế Giới. Mặc dù cả hai đường biểu đồ đều có xu hướng giảm, nhưng tỷ lệ nghèo đói trung bình của Việt Nam có vẻ cao hơn so với các quốc gia khác ởgiai đoạn naỳ. Điều này có thể phản ánh sự khác biệt về điều kiện kinh tế và xã hội giữa các quốc gia.
Cả hai đường biểu đồ cho thấy một xu hướng giảm tỷ lệ nghèo đói trung bình qua các giai đoạn 5 năm. Điều này cho thấy rằng cả Việt Nam và các quốc gia khác đã có những nỗ lực đáng kể trong việc giảm nghèo đói trong thời gian gần đây.
KẾT LUẬN: Nhìn chung, biểu đồ này cung cấp cái nhìn tổng quan về xu hướng và hiệu quả của các chính sách giảm nghèo đói ở cả Việt Nam và các quốc gia khác trong thời gian qua.

2.2 Các yếu tố ảnh hưởng đến chỉ số

Dưới đây là một số yếu tố có thể ảnh hưởng đến tỷ lệ nghèo đói của Việt Nam:

Thu nhập trung bình
Chính sách xã hội
Đầu tư vào giáo dục
Đầu tư vào hạ tầng cơ bản
Biến động kinh tế toàn cầu

Phân tích các yếu tố này thông qua một phương pháp hồi quy tuyến tính có thể giúp xác định mức độ ảnh hưởng của từng yếu tố đối với tỷ lệ nghèo đói của Việt Nam.

2.3 Phân tích các yếu tố ảnh hưởng đến chỉ số

Thu nhập trung bình: Có thể có một mối liên hệ nghịch biến giữa tỷ lệ nghèo đói và thu nhập trung bình. Nếu thu nhập trung bình tăng lên, tỷ lệ nghèo đói có thể giảm xuống do dân số có thu nhập cao hơn.

Chính sách xã hội: Các chính sách xã hội như chương trình bảo hiểm xã hội, hỗ trợ người nghèo, và chăm sóc sức khỏe có thể ảnh hưởng đến mức độ nghèo đói trong xã hội.

Đầu tư vào giáo dục: Một hệ thống giáo dục mạnh mẽ có thể giúp giảm bớt tỷ lệ nghèo đói bằng cách tạo ra cơ hội hơn cho dân số có kiến thức và kỹ năng để tìm kiếm công việc tốt hơn và thu nhập cao hơn.

Đầu tư vào hạ tầng cơ bản: Việc xây dựng và phát triển hạ tầng cơ bản như đường giao thông, điện, nước sạch cũng là một yếu tố quan trọng giúp cải thiện điều kiện sống và tạo ra cơ hội kinh doanh và việc làm.

Biến động kinh tế toàn cầu: Sự biến động trên thị trường thế giới, chẳng hạn như suy thoái kinh tế, khủng hoảng tài chính có thể ảnh hưởng đến nền kinh tế Việt Nam, gây ra tăng đột biến tỷ lệ nghèo đói.

Kết luận: Phân tích chi tiết về các yếu tố ảnh hưởng và sự ảnh hưởng của chúng đối với tỷ lệ nghèo đói có thể cung cấp cái nhìn sâu sắc và chi tiết về tình hình nghèo đói trong mỗi quốc gia và đề xuất các chính sách và biện pháp thích hợp để giảm bớt nghèo đói và tăng cường phát triển xã hội.

II. PHÂN TÍCH TÝ LỆ TĂNG TRƯỞNG CỦA GDP - Phân tích từ IMF Data

1. Giới thiệu về Tỷ lệ tăng trưởng GDP (NY.GDP.MKTP.KD.ZG)

Chỉ số NY.GDP.MKTP.KD.ZG là một trong những chỉ số quan trọng trong bộ dữ liệu của Quỹ Tiền tệ Quốc tế (IMF). Đây là chỉ số đo lường tỷ lệ tăng trưởng thực của GDP (Gross Domestic Product) của một quốc gia trong một khoảng thời gian nhất định.

htp2 <- WDI(country = "all", indicator = "NY.GDP.MKTP.KD.ZG", start = 2000, end = 2020)
htp2 <- htp2[, c("country", "year", "NY.GDP.MKTP.KD.ZG")]
names(htp2) <- c("Quốc Gia", "Năm", "Tăng Trưởng GDP")
htp2 <- na.omit(htp2)
head(htp2)

##                      Quốc Gia  Năm Tăng Trưởng GDP
## 1 Africa Eastern and Southern 2020       -2.799038
## 2 Africa Eastern and Southern 2019        2.040617
## 3 Africa Eastern and Southern 2018        2.491355
## 4 Africa Eastern and Southern 2017        2.571941
## 5 Africa Eastern and Southern 2016        2.219015
## 6 Africa Eastern and Southern 2015        2.965062

datatable(htp2)

htp2vn <- WDI(country = "VN", indicator = "NY.GDP.MKTP.KD.ZG", start = 2000, end = 2020)
htp2vn <- htp2vn[, c("country", "year", "NY.GDP.MKTP.KD.ZG")]
names(htp2vn) <- c("Quốc Gia", "Năm", "Tăng Trưởng GDP")
htp2vn <- na.omit(htp2vn)
head(htp2vn)

##   Quốc Gia  Năm Tăng Trưởng GDP
## 1 Viet Nam 2020        2.865413
## 2 Viet Nam 2019        7.359263
## 3 Viet Nam 2018        7.465007
## 4 Viet Nam 2017        6.940190
## 5 Viet Nam 2016        6.690009
## 6 Viet Nam 2015        6.987154

datatable(htp2vn)

Trong đoạn mã trên:

Chúng ta đã sử dụng hàm WDI() để tải dữ liệu về chỉ số tăng trưởng GDP từ IMF. Sau đó, chúng ta đã chọn các cột “country”, “year” và “NY.GDP.MKTP.KD.ZG”. Đổi tên các cột sang tiếng Việt bằng cách sử dụng dấu gạch dưới _ thay cho khoảng trắng. Cuối cùng, chúng ta đã loại bỏ các dòng có giá trị N/A và hiển thị một số dòng đầu của dữ liệu để kiểm tra.

2. Phân tích về Tỷ lệ tăng trưởng GDP của Việt Nam (NY.GDP.MKTP.KD.ZG)

2.1 Phân tích các chỉ số theo thời gian

Trong bước này, chúng ta sẽ sử dụng gói dữ liệu IMF để tải dữ liệu về tăng trưởng GDP của một quốc gia cụ thể trong một khoảng thời gian nhất định. Đối với mỗi quốc gia, tăng trưởng GDP thường được tính bằng tỷ lệ tăng của GDP theo thời gian, thường được tính bằng phần trăm (%). Dữ liệu này thường bao gồm các giá trị hàng năm hoặc hàng quý.

Biểu đồ xu hướng tỷ lệ tăng trưởng GDP của Việt Nam theo thời gian

ggplot(data = htp2vn, aes(x = Năm, y = `Tăng Trưởng GDP`)) +
  geom_line() +
  labs(title = "Tăng Trưởng GDP Các Việt Nam",
       x = "Năm",
       y = "Tăng Trưởng GDP (%)") +
  theme_minimal()

Biểu đồ trên thể hiện tăng trưởng GDP của Việt Nam qua các năm từ 2000 đến 2020. Trục x là năm, trong khi trục y là tỷ lệ tăng trưởng GDP (%) của các quốc gia.

Các đường thẳng trên biểu đồ biểu diễn sự biến động của tăng trưởng GDP của từng quốc gia trong khoảng thời gian đã chọn. Điểm cuối của mỗi đường thể hiện tỷ lệ tăng trưởng GDP của Việt Nam trong năm cuối cùng của dữ liệu (năm 2020 trong trường hợp này).

Có thể thấy kết quả đã cho chúng ta biết:

Tăng trưởng ổn định: Từ năm 2000 đến khoảng giữa năm 2008, tăng trưởng GDP của Việt Nam tăng ổn định và mạnh mẽ, đặc biệt là trong giai đoạn cuối của thập kỷ 2000.

Biến động: Sau đó, có một số biến động lớn trong tăng trưởng GDP, có thể liên quan đến các biến động kinh tế toàn cầu, như khủng hoảng tài chính toàn cầu vào năm 2008.

Hồi phục và ổn định: Từ năm 2012 đến nay, tăng trưởng GDP đã dần hồi phục và ổn định trở lại, mặc dù có một số biến động nhỏ.

2.2 Các yếu tố ảnh hưởng đến chỉ số

Dưới đây là một số yếu tố có thể ảnh hưởng đến tỷ lệ tăng trưởng GDP của Việt Nam:

Đầu tư
Chi Tiêu Công
Đầu tư vào giáo dục
Biến Động Thị Trường Toàn Cầu

Phân tích các yếu tố này thông qua một phương pháp hồi quy tuyến tính có thể giúp xác định mức độ ảnh hưởng của từng yếu tố đối với tỷ lệ tăng trưởng GDP của Việt Nam.

2.3 Phân tích các yếu tố ảnh hưởng đến chỉ số

Đầu tư: đóng vai trò quan trọng trong việc thúc đẩy tăng trưởng kinh tế. Các quốc gia với mức đầu tư cao thường có khả năng tăng trưởng GDP mạnh mẽ hơn.

Chi Tiêu Công: Chi tiêu công đóng vai trò quan trọng trong việc thúc đẩy tăng trưởng kinh tế. Các chính sách chi tiêu công hiệu quả thường dẫn đến tăng trưởng GDP ổn định.

Biến Động Thị Trường Toàn Cầu: Biến động trong thị trường toàn cầu, bao gồm biến động trong giá cả, thị trường tài chính và thương mại quốc tế, có thể ảnh hưởng đến tăng trưởng GDP của một quốc gia.

Kết luận: Tổng hợp lại, thông qua phân tích các chỉ số kinh tế từ dữ liệu của IMF, chúng ta đã có cái nhìn sâu hơn về tăng trưởng GDP và các yếu tố ảnh hưởng đến nó. Dưới đây là các kết luận chính:

Tăng Trưởng GDP (NY.GDP.MKTP.KD.ZG):

Từ biểu đồ, chúng ta thấy xu hướng tăng trưởng GDP của các quốc gia trên thế giới trong khoảng thời gian nghiên cứu. Các yếu tố như đầu tư và chi tiêu công đều có ảnh hưởng đến tăng trưởng GDP, với mức độ ảnh hưởng khác nhau tùy thuộc vào từng quốc gia và vùng lãnh thổ. Biến động thị trường toàn cầu cũng có vai trò quan trọng trong việc ảnh hưởng đến tăng trưởng GDP của các quốc gia.

Tóm lại, việc hiểu rõ về các yếu tố ảnh hưởng đến tăng trưởng GDP là rất quan trọng để chính phủ và các chính trị gia có thể thiết kế và thực hiện các chính sách kinh tế hiệu quả, nhằm thúc đẩy sự phát triển bền vững và nâng cao chất lượng cuộc sống cho người dân.

---
title: "Nhiệm vụ 6"
author: "Hoàng Tấn Phát"
output:
  html_document:
    toc: true
    number section: true
    toc_float: true
    code_folding: hide
    code_download: true
date: "`r format(Sys.time(), '%H:%M:%S, %d - %m - %Y')`"
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```


# **I. Giới thiệu về Data Set**

## **World Bank Data**

World Bank Data là một nguồn dữ liệu quan trọng cung cấp thông tin về kinh tế, phát triển, và các chỉ số xã hội từ hơn 200 quốc gia trên thế giới. Trong số các chỉ số này, "Tỷ lệ nghèo đói" (Poverty Rate) là một trong những chỉ số quan trọng nhất, được đo bằng tỷ lệ dân số sống dưới mức sống tối thiểu quốc gia. Chỉ số này giúp đánh giá mức độ nghèo đói và phát triển xã hội của một quốc gia.

## **IMF Data**

World Bank Data là một nguồn dữ liệu quan trọng cung cấp thông tin về kinh tế, phát triển, và các chỉ số xã hội từ hơn 200 quốc gia trên thế giới. Trong số các chỉ số này, "Tỷ lệ nghèo đói" (Poverty Rate) là một trong những chỉ số quan trọng nhất, được đo bằng tỷ lệ dân số sống dưới mức sống tối thiểu quốc gia. Chỉ số này giúp đánh giá mức độ nghèo đói và phát triển xã hội của một quốc gia.

```{r}
library(tidyverse)
library(WDI)
library(flextable)
library(DT)
library(ggplot2)
```

# **II. PHÂN TÍCH TỶ LỆ NGHÈO ĐÓI CỦA VIỆT NAM SO VỚI CÁC QUỐC GIA KHÁC TRÊN THẾ GIỚI - Phân tích từ World Bank Data**

## **1. Giới thiệu về Tỷ lệ nghèo đói (SI.POV.DDAY)**

Giới thiệu về chỉ số

Chỉ số SI.POV.DDAY là một trong những chỉ số được cung cấp bởi World Bank để đo lường mức độ nghèo đói trong một quốc gia. Mã này biểu thị tỷ lệ dân số sống dưới mức sống tối thiểu quốc gia, thường được biểu diễn dưới dạng phần trăm.

Dựa vào dữ liệu về thu nhập và mức sống tối thiểu của mỗi quốc gia, chỉ số SI.POV.DDAY đo lường tỷ lệ người dân sống dưới mức sống tối thiểu quốc gia đó. Mức sống tối thiểu thường được xác định dựa trên mức thu nhập hoặc các tiêu chuẩn sống cụ thể, và việc sống dưới mức sống tối thiểu thường đồng nghĩa với việc đối diện với rủi ro cao về nghèo đói và khó khăn trong cuộc sống hàng ngày.

Cung cấp cái nhìn quan trọng về mức độ nghèo đói và phát triển con người trong một quốc gia. Nó giúp chính phủ, tổ chức quốc tế và các nhà nghiên cứu hiểu rõ hơn về tình hình kinh tế và xã hội của quốc gia đó, từ đó đề xuất các chính sách và biện pháp phát triển phù hợp để cải thiện chất lượng cuộc sống và giảm thiểu nghèo đói.

## **Tỷ lệ Nghèo Đói Của Các Quốc Gia Trên Thế Giới**

```{r}
htp <- WDI(country = "all", indicator = "SI.POV.DDAY", start = 2000, end = 2020, extra = TRUE)
htp <- htp[, c("country", "year", "SI.POV.DDAY")]
names(htp) <- c("Quốc Gia", "Năm", "Tỷ lệ Nghèo Đói")
htp <- na.omit(htp)
head(htp)
datatable(htp)
```

## **Tỷ lệ Nghèo Đói Của VIỆT NAM**

```{r}
htpvn <- WDI(country = "VN", indicator = "SI.POV.DDAY", start = 2000, end = 2020, extra = TRUE)
htpvn <- htpvn[, c("country", "year", "SI.POV.DDAY")]
names(htpvn) <- c("Quốc Gia", "Năm", "Tỷ lệ Nghèo Đói")
htpvn <- na.omit(htpvn)
head(htpvn)
datatable(htpvn)
```

Qua đó chúng ta đã có cái nhìn tổng quan về Tỷ Lệ Nghèo Đói của Việt Nam so với Tỷ Lệ Nghèo Đói của Các Quốc Gia Khác trên Thế Giới. Và hãy cùng nhau tìm hiểu và phân tích sâu hơn về Tỷ Lệ này.

## **2. Phân tích về Tỷ lệ nghèo đói (SI.POV.DDAY)**

### **2.1 Phân tích các chỉ số theo thời gian**

#### **Biểu đồ xu hướng tỷ lệ nghèo đói của Việt Nam**

```{r}
ggplot(htpvn, aes(x = Năm, y = `Tỷ lệ Nghèo Đói`)) +
  geom_line(color = "navy") 
  labs(title = "Xu Hướng Tỷ Lệ Nghèo Đói của Việt Nam",
       x = "Năm",
       y = "Tỷ lệ Nghèo Đói (%)") +
  theme_minimal()
```

* Biểu đồ thể hiện rõ xu hướng tỷ lệ nghèo đói tại Việt Nam từ năm 2000 đến 2020. Dưới đây là phân tích kết quả của biểu đồ:

**Tăng giảm không đều:** Biểu đồ cho thấy tỷ lệ nghèo đói tại Việt Nam đã có xu hướng tăng giảm không đều qua các năm. Điều này có thể phản ánh ảnh hưởng của các biến động kinh tế, chính sách xã hội, và sự phát triển của đất nước.

**Tăng trưởng kinh tế và giảm nghèo:** Các giai đoạn tăng trưởng kinh tế mạnh mẽ thường đi kèm với việc giảm tỷ lệ nghèo đói. Điều này phản ánh mối quan hệ giữa sự phát triển kinh tế và giảm nghèo đói.

**Ảnh hưởng của các chính sách xã hội và chính sách giảm nghèo:** Các biến động trong tỷ lệ nghèo đói có thể phản ánh sự hiệu quả của các chính sách xã hội và chính sách giảm nghèo của chính phủ Việt Nam. Các biện pháp như chính sách bảo hiểm xã hội, chính sách giáo dục, và hỗ trợ cho người nghèo có thể đã có ảnh hưởng đến biến động của chỉ số này.

#### **So sánh biến động của tỷ lệ nghèo đói trung bình mỗi giai đoạn 5 năm của Việt Nam so với các Quốc Gia khác trên thế giới**

##### **Tính tỷ lệ nghèo đói trung bình cho mỗi giai đoạn 5 năm của các Quốc gia khác trên thế giới**

```{r}
htp$Giai_Doan <- cut(htp$Năm, breaks = seq(2000, 2020, by = 5), labels = FALSE)
GiaTriTBcuaQG <- aggregate(htp$`Tỷ lệ Nghèo Đói`, by = list(htp$Giai_Doan), mean)
```

##### **Tính tỷ lệ nghèo đói trung bình cho mỗi giai đoạn 5 năm của Việt Nam**

```{r}
htpvn$Giai_Doan <- cut(htpvn$Năm, breaks = seq(2000, 2020, by = 5), labels = FALSE)
GiaTriTrungBinhVN <- aggregate(htpvn$`Tỷ lệ Nghèo Đói`, by = list(htpvn$Giai_Doan), mean)
```

##### **Biểu đồ biểu thị Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Theo Giai Đoạn 5 Năm**

```{r}
ggplot(GiaTriTrungBinhVN, aes(x = Group.1, y = x)) +
  geom_line(color = "gold") +
  geom_point(color = "navy", size = 3) +
  labs(title = "Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Theo Giai Đoạn 5 Năm",
       x = "Giai Đoạn",
       y = "Tỷ lệ Nghèo Đói Trung Bình (%)") +
  theme_minimal()
```

##### **Biểu đồ So sánh Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Với Các Quốc Gia Khác Trên Thế Giới Theo Giai Đoạn 5 Năm**

```{r}
ggplot() +
  geom_line(data = GiaTriTrungBinhVN, aes(x = Group.1, y = x, color = "Việt Nam"), size = 1.5) +
  geom_line(data = GiaTriTBcuaQG, aes(x = Group.1, y = x, color = "Quốc Gia Khác"), size = 1.5) +
  labs(title = "Tỷ Lệ Nghèo Đói Trung Bình Theo Giai Đoạn 5 Năm",
       x = "Các Giai Đoạn",
       y = "Tỷ Lệ Nghèo Đói Trung Bình") +
  scale_color_manual(name = "Quốc Gia", values = c("Việt Nam" = "red", "Quốc Gia Khác" = "gold")) +
  theme_minimal()
```

Qua biểu đồ trên cho ta thấy:

* Ở giai đoạn 1 (2000-2004): Việt Nam có Tỷ Lệ Nghèo Đói Trung Bình cao hơn so với Thế Giới. Mặc dù cả hai đường biểu đồ đều có xu hướng giảm, nhưng tỷ lệ nghèo đói trung bình của Việt Nam có vẻ cao hơn so với các quốc gia khác ởgiai đoạn naỳ. Điều này có thể phản ánh sự khác biệt về điều kiện kinh tế và xã hội giữa các quốc gia.

* Cả hai đường biểu đồ cho thấy một xu hướng giảm tỷ lệ nghèo đói trung bình qua các giai đoạn 5 năm. Điều này cho thấy rằng cả Việt Nam và các quốc gia khác đã có những nỗ lực đáng kể trong việc giảm nghèo đói trong thời gian gần đây.

* **KẾT LUẬN:** Nhìn chung, biểu đồ này cung cấp cái nhìn tổng quan về xu hướng và hiệu quả của các chính sách giảm nghèo đói ở cả Việt Nam và các quốc gia khác trong thời gian qua.

### **2.2 Các yếu tố ảnh hưởng đến chỉ số**

Dưới đây là một số yếu tố có thể ảnh hưởng đến tỷ lệ nghèo đói của Việt Nam:

* Thu nhập trung bình

* Chính sách xã hội

* Đầu tư vào giáo dục

* Đầu tư vào hạ tầng cơ bản

* Biến động kinh tế toàn cầu

Phân tích các yếu tố này thông qua một phương pháp hồi quy tuyến tính có thể giúp xác định mức độ ảnh hưởng của từng yếu tố đối với tỷ lệ nghèo đói của Việt Nam. 

### **2.3 Phân tích các yếu tố ảnh hưởng đến chỉ số**

**Thu nhập trung bình:** Có thể có một mối liên hệ nghịch biến giữa tỷ lệ nghèo đói và thu nhập trung bình. Nếu thu nhập trung bình tăng lên, tỷ lệ nghèo đói có thể giảm xuống do dân số có thu nhập cao hơn.

**Chính sách xã hội:** Các chính sách xã hội như chương trình bảo hiểm xã hội, hỗ trợ người nghèo, và chăm sóc sức khỏe có thể ảnh hưởng đến mức độ nghèo đói trong xã hội.

**Đầu tư vào giáo dục:** Một hệ thống giáo dục mạnh mẽ có thể giúp giảm bớt tỷ lệ nghèo đói bằng cách tạo ra cơ hội hơn cho dân số có kiến thức và kỹ năng để tìm kiếm công việc tốt hơn và thu nhập cao hơn.

**Đầu tư vào hạ tầng cơ bản:** Việc xây dựng và phát triển hạ tầng cơ bản như đường giao thông, điện, nước sạch cũng là một yếu tố quan trọng giúp cải thiện điều kiện sống và tạo ra cơ hội kinh doanh và việc làm.

**Biến động kinh tế toàn cầu:** Sự biến động trên thị trường thế giới, chẳng hạn như suy thoái kinh tế, khủng hoảng tài chính có thể ảnh hưởng đến nền kinh tế Việt Nam, gây ra tăng đột biến tỷ lệ nghèo đói.


**Kết luận:**
Phân tích chi tiết về các yếu tố ảnh hưởng và sự ảnh hưởng của chúng đối với tỷ lệ nghèo đói có thể cung cấp cái nhìn sâu sắc và chi tiết về tình hình nghèo đói trong mỗi quốc gia và đề xuất các chính sách và biện pháp thích hợp để giảm bớt nghèo đói và tăng cường phát triển xã hội.

# **II. PHÂN TÍCH TÝ LỆ TĂNG TRƯỞNG CỦA GDP - Phân tích từ IMF Data**

## **1. Giới thiệu về Tỷ lệ tăng trưởng GDP (NY.GDP.MKTP.KD.ZG)**

Chỉ số NY.GDP.MKTP.KD.ZG là một trong những chỉ số quan trọng trong bộ dữ liệu của Quỹ Tiền tệ Quốc tế (IMF). Đây là chỉ số đo lường tỷ lệ tăng trưởng thực của GDP (Gross Domestic Product) của một quốc gia trong một khoảng thời gian nhất định.

```{r}
htp2 <- WDI(country = "all", indicator = "NY.GDP.MKTP.KD.ZG", start = 2000, end = 2020)
htp2 <- htp2[, c("country", "year", "NY.GDP.MKTP.KD.ZG")]
names(htp2) <- c("Quốc Gia", "Năm", "Tăng Trưởng GDP")
htp2 <- na.omit(htp2)
head(htp2)
datatable(htp2)
```

```{r}
htp2vn <- WDI(country = "VN", indicator = "NY.GDP.MKTP.KD.ZG", start = 2000, end = 2020)
htp2vn <- htp2vn[, c("country", "year", "NY.GDP.MKTP.KD.ZG")]
names(htp2vn) <- c("Quốc Gia", "Năm", "Tăng Trưởng GDP")
htp2vn <- na.omit(htp2vn)
head(htp2vn)
datatable(htp2vn)
```

* Trong đoạn mã trên:

Chúng ta đã sử dụng hàm WDI() để tải dữ liệu về chỉ số tăng trưởng GDP từ IMF.
Sau đó, chúng ta đã chọn các cột "country", "year" và "NY.GDP.MKTP.KD.ZG".
Đổi tên các cột sang tiếng Việt bằng cách sử dụng dấu gạch dưới _ thay cho khoảng trắng.
Cuối cùng, chúng ta đã loại bỏ các dòng có giá trị N/A và hiển thị một số dòng đầu của dữ liệu để kiểm tra.

## **2. Phân tích về Tỷ lệ tăng trưởng GDP của Việt Nam (NY.GDP.MKTP.KD.ZG)**

### **2.1 Phân tích các chỉ số theo thời gian**

Trong bước này, chúng ta sẽ sử dụng gói dữ liệu IMF để tải dữ liệu về tăng trưởng GDP của một quốc gia cụ thể trong một khoảng thời gian nhất định. Đối với mỗi quốc gia, tăng trưởng GDP thường được tính bằng tỷ lệ tăng của GDP theo thời gian, thường được tính bằng phần trăm (%). Dữ liệu này thường bao gồm các giá trị hàng năm hoặc hàng quý.

#### **Biểu đồ xu hướng tỷ lệ tăng trưởng GDP của Việt Nam theo thời gian**

```{r}
ggplot(data = htp2vn, aes(x = Năm, y = `Tăng Trưởng GDP`)) +
  geom_line() +
  labs(title = "Tăng Trưởng GDP Các Việt Nam",
       x = "Năm",
       y = "Tăng Trưởng GDP (%)") +
  theme_minimal()
```


Biểu đồ trên thể hiện tăng trưởng GDP của Việt Nam qua các năm từ 2000 đến 2020. Trục x là năm, trong khi trục y là tỷ lệ tăng trưởng GDP (%) của các quốc gia.

Các đường thẳng trên biểu đồ biểu diễn sự biến động của tăng trưởng GDP của từng quốc gia trong khoảng thời gian đã chọn. Điểm cuối của mỗi đường thể hiện tỷ lệ tăng trưởng GDP của Việt Nam trong năm cuối cùng của dữ liệu (năm 2020 trong trường hợp này). 

Có thể thấy kết quả đã cho chúng ta biết:

**Tăng trưởng ổn định:** Từ năm 2000 đến khoảng giữa năm 2008, tăng trưởng GDP của Việt Nam tăng ổn định và mạnh mẽ, đặc biệt là trong giai đoạn cuối của thập kỷ 2000. 

**Biến động:** Sau đó, có một số biến động lớn trong tăng trưởng GDP, có thể liên quan đến các biến động kinh tế toàn cầu, như khủng hoảng tài chính toàn cầu vào năm 2008.

**Hồi phục và ổn định:** Từ năm 2012 đến nay, tăng trưởng GDP đã dần hồi phục và ổn định trở lại, mặc dù có một số biến động nhỏ.

### **2.2 Các yếu tố ảnh hưởng đến chỉ số**

Dưới đây là một số yếu tố có thể ảnh hưởng đến tỷ lệ tăng trưởng GDP của Việt Nam:

* Đầu tư

* Chi Tiêu Công

* Đầu tư vào giáo dục

* Biến Động Thị Trường Toàn Cầu

Phân tích các yếu tố này thông qua một phương pháp hồi quy tuyến tính có thể giúp xác định mức độ ảnh hưởng của từng yếu tố đối với tỷ lệ tăng trưởng GDP của Việt Nam. 

### **2.3 Phân tích các yếu tố ảnh hưởng đến chỉ số**

**Đầu tư:** đóng vai trò quan trọng trong việc thúc đẩy tăng trưởng kinh tế. Các quốc gia với mức đầu tư cao thường có khả năng tăng trưởng GDP mạnh mẽ hơn.

**Chi Tiêu Công:**  Chi tiêu công đóng vai trò quan trọng trong việc thúc đẩy tăng trưởng kinh tế. Các chính sách chi tiêu công hiệu quả thường dẫn đến tăng trưởng GDP ổn định.

**Đầu tư vào giáo dục:** Một hệ thống giáo dục mạnh mẽ có thể giúp giảm bớt tỷ lệ nghèo đói bằng cách tạo ra cơ hội hơn cho dân số có kiến thức và kỹ năng để tìm kiếm công việc tốt hơn và thu nhập cao hơn.

**Biến Động Thị Trường Toàn Cầu:**  Biến động trong thị trường toàn cầu, bao gồm biến động trong giá cả, thị trường tài chính và thương mại quốc tế, có thể ảnh hưởng đến tăng trưởng GDP của một quốc gia.

**Kết luận:**
Tổng hợp lại, thông qua phân tích các chỉ số kinh tế từ dữ liệu của IMF, chúng ta đã có cái nhìn sâu hơn về tăng trưởng GDP và các yếu tố ảnh hưởng đến nó. Dưới đây là các kết luận chính:

Tăng Trưởng GDP (NY.GDP.MKTP.KD.ZG):

Từ biểu đồ, chúng ta thấy xu hướng tăng trưởng GDP của các quốc gia trên thế giới trong khoảng thời gian nghiên cứu.
Các yếu tố như đầu tư và chi tiêu công đều có ảnh hưởng đến tăng trưởng GDP, với mức độ ảnh hưởng khác nhau tùy thuộc vào từng quốc gia và vùng lãnh thổ.
Biến động thị trường toàn cầu cũng có vai trò quan trọng trong việc ảnh hưởng đến tăng trưởng GDP của các quốc gia.

Tóm lại, việc hiểu rõ về các yếu tố ảnh hưởng đến tăng trưởng GDP là rất quan trọng để chính phủ và các chính trị gia có thể thiết kế và thực hiện các chính sách kinh tế hiệu quả, nhằm thúc đẩy sự phát triển bền vững và nâng cao chất lượng cuộc sống cho người dân.





















Nhiệm vụ 6

Hoàng Tấn Phát

11:33:38, 18 - 03 - 2024

I. Giới thiệu về Data Set

World Bank Data

IMF Data

II. PHÂN TÍCH TỶ LỆ NGHÈO ĐÓI CỦA VIỆT NAM SO VỚI CÁC QUỐC GIA KHÁC TRÊN THẾ GIỚI - Phân tích từ World Bank Data

1. Giới thiệu về Tỷ lệ nghèo đói (SI.POV.DDAY)

Tỷ lệ Nghèo Đói Của Các Quốc Gia Trên Thế Giới

Tỷ lệ Nghèo Đói Của VIỆT NAM

2. Phân tích về Tỷ lệ nghèo đói (SI.POV.DDAY)

2.1 Phân tích các chỉ số theo thời gian

Biểu đồ xu hướng tỷ lệ nghèo đói của Việt Nam

So sánh biến động của tỷ lệ nghèo đói trung bình mỗi giai đoạn 5 năm của Việt Nam so với các Quốc Gia khác trên thế giới

Tính tỷ lệ nghèo đói trung bình cho mỗi giai đoạn 5 năm của các Quốc gia khác trên thế giới

Tính tỷ lệ nghèo đói trung bình cho mỗi giai đoạn 5 năm của Việt Nam

Biểu đồ biểu thị Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Theo Giai Đoạn 5 Năm

Biểu đồ So sánh Biến Động Tỷ Lệ Nghèo Đói Các Việt Nam Với Các Quốc Gia Khác Trên Thế Giới Theo Giai Đoạn 5 Năm

2.2 Các yếu tố ảnh hưởng đến chỉ số

2.3 Phân tích các yếu tố ảnh hưởng đến chỉ số

II. PHÂN TÍCH TÝ LỆ TĂNG TRƯỞNG CỦA GDP - Phân tích từ IMF Data

1. Giới thiệu về Tỷ lệ tăng trưởng GDP (NY.GDP.MKTP.KD.ZG)

2. Phân tích về Tỷ lệ tăng trưởng GDP của Việt Nam (NY.GDP.MKTP.KD.ZG)

2.1 Phân tích các chỉ số theo thời gian

Biểu đồ xu hướng tỷ lệ tăng trưởng GDP của Việt Nam theo thời gian

2.2 Các yếu tố ảnh hưởng đến chỉ số

2.3 Phân tích các yếu tố ảnh hưởng đến chỉ số