Sunday, September 22, 2013

Data interpolation


Có một số bạn email hỏi tôi có cách nào nội suy (interpolate) số liệu GDP quí (hoặc một chuỗi macro nào đó) thành số theo tháng không. Hầu hết các bạn có nhu cầu này đều muốn ước lượng (estimate) một mô hình kinh tế lượng (time series) nào đó nhưng chuỗi GDP quí quá ngắn nên muốn sử dụng chuỗi theo tháng để tăng số observation (điểm quan sát?). Đa số các chuyên gia kinh tế lượng sẽ cho rằng không nên làm như vậy ngay cả khi có số liệu GDP tháng. Có rất nhiều lý do để không nên chuyển từ mô hình quí sang tháng nhưng hai lý do chính là noise vs signal và structural rigidity.

Lý do thứ nhất thuần tuý là vấn đề thống kê và không chỉ giới hạn trong kinh tế/tài chính. Hầu hết các chuỗi số liệu time series có đặc tính chung là khi frequency tăng lên thì tỷ lệ noise/signal cũng tăng lên, do vậy information content[*] của số liệu giảm xuống. Vấn đề này càng nghiêm trọng đối với các chuỗi số liệu macro vì sai số đo đạc và tổng hợp (measurement & aggregation errors) lớn hơn nhiều số liệu tài chính hay các ngành khoa học khác. Để giảm noise người ta có thể sử dụng một số statistical filters, vd moving average hay một số smoothing techniques. Tuy nhiên những biện pháp này thường dẫn đến một số vấn đề phức tạp khác như làm thay đổi auto correlation structure của chuỗi số liệu hay làm mất một số observation ở đầu và/hoặc cuối chuỗi. Ngoài ra các giải pháp thuần tuý thống kê như vậy không làm tăng information content nên về bản chất không giúp gì cho việc ước lượng/kiểm định mô hình lý thuyết.

Lý do thứ hai thiên về bản chất kinh tế. Một hệ thống kinh tế có quán tính rất lớn nên trong một khoảng thời gian ngắn (vd tháng, tuần) các biến số macro không thể thay đổi nhiều dẫn đến việc sử dụng high frequency data không có ý nghĩa. Nhiều nhà kinh tế cho rằng với những mô hình sử dụng số liệu macro, annual frequency có lẽ là hợp lý nhất. Tuy nhiên vì các chuỗi số liệu năm thường ngắn nên họ phải chấp nhận sử dụng số liệu quí dù như vậy chưa phải tối ưu. Frequency ngắn hơn quí hầu như chỉ sử dụng cho số liệu tài chính hoặc môt số trường hợp hãn hữu khi mô hình kinh tế liên quan đến số liệu nominal (vd lạm phát, lãi suất, tỷ giá). Mô hình kinh tế phải phản ánh ở một mức độ nhất định thực tế decision making của các economic agents (policy maker, doanh nghiệp, người tiêu dùng) và sự tương tác của họ trong các social/economic institutions. Đa số các doanh nghiệp không thể thay đổi kế hoạch kinh doanh hàng tháng chứ đừng nói hàng tuần, policy maker cũng vậy. Người tiêu dùng có thể có decision making frequency ngắn hơn nhưng họ có nhiều constraint dài hạn như việc làm, gia đình.

Tóm lại nếu bạn cần ước lượng một mô hình macro đừng nghĩ rằng sử dụng số liệu tháng sẽ tốt hơn ngay cả khi cơ quan thống kê cung cấp loại số liệu này. Trong trường hợp những chuỗi số macro chỉ được thống kê theo quí, cố gắng biến đổi chúng thành số liệu tháng còn tệ hơn vì có thể bạn không thêm được information content mà thậm chí còn làm distort chuỗi số liệu gốc bởi các kỹ thuật interpolation. Nếu chẳng may bạn chỉ có thể kiếm được số liệu quí rất ngắn không đủ để ước lượng mô hình quí, đừng cố gắng biến những dữ liệu này thành tháng để có thêm observations. Thà phải chấp nhận nghiên cứu của mình đi vào ngõ cụt còn hơn dựa vào một giải pháp mà ngay từ bản chất đã sai. Nói như thế không có nghĩa là data interpolation vô dụng hoặc không có ý nghĩa. Trong một số trường hợp người ta vẫn cần phải biến các chuỗi số liệu có frequency thấp (vd năm, quí) thành chuỗi có frequency cao (tháng/tuần/ngày). Ở Mỹ có một công ty tư vấn chuyên tính và cung cấp số liệu GDP theo tháng cho khách hàng. Bài viết này giới thiệu với các bạn một số phương pháp interpolation cơ bản đã và đang được áp dụng cho số liệu kinh tế.


[*]: Tôi không biết dịch chữ "information content" như thế nào cho chính xác. Thuật ngữ này có nghĩa là khối lượng thông tin hữu ích cho nhu cầu nghiên cứu mà bạn có thể bóc tách được từ một chuỗi/tập hợp số liệu thô ban đầu. Lấy ví dụ bạn có thể do chiều dài một cái bàn hàng nghìn lần (large data) nhưng information content hầu như không tăng lên bao nhiêu so với nếu chỉ đo một vài lần (small data). Một ví dụ khác là 2 bình luận viên bóng đá có có số lượng câu bình luận như nhau (same size data sets) trong một trận đấu nhưng một người chỉ toàn nói những câu sáo rỗng thì information content rất thấp so với người kia phân tích được chiến thuật của từng đội.


1. Simple interpolation

Phương pháp interpolation đầu tiên và đơn giản nhất chuyển từ số liệu quí sang tháng là gán giá trị của quí trước cho tất cả các tháng trong quí hiện tại. Lấy ví dụ giá nhà trung bình của quí trước là $1000/m2 (giả sử giá nhà chỉ được thống kê hàng quí) thì giá trị nội suy cho mỗi tháng sau đó theo phương pháp này là $1000/m2. Nếu số liệu được cộng dồn theo thời gian (flow value) thì phải hiệu chỉnh cho độ dài của từng giai đoạn. Ví dụ nếu tổng số xe hơi được bán ra trong quí trước là 300 chiếc thì giá trị nội suy cho mỗi tháng trong quí này là 100 chiếc.

Bạn có thể cười cho rằng phương pháp này quá đơn giản và không chính xác nên chẳng ai sử dụng bao giờ. Trên thực tế với những trường hợp không cần độ chính xác cao hoặc khó sử dụng những phương pháp interpolation khác người ta vẫn chấp nhận cách thức này. Ví dụ chúng ta thường xuyên nói dân số VN là 90 triệu, thực ra con số đó là interpolation từ thống kê/ước lượng dân số gần nhất của VN. Nhiều con số thống kê như GDP per capita, employment/population ratio cũng ngầm sử dụng cách thức interpolation dân số này khi tính toán. Trong tài chính có thể kể những ví dụ như PE ratio, dividend yield, price/book ratio...

Một trong những khiếm khuyết quan trọng của cách intepolation đơn giản này là giá trị được interpolated ở các thời điểm ngay trước khi có số thống kê chính thức sẽ bị gián đoạn (non-continuous). Quay lại ví dụ giá nhà bên trên, giả sử quí trước giá nhà là $1000/m2 và quí tiếp theo giá tăng lên $1300/m2. Như vậy trong 3 tháng liên tục giá nhà là $1000/m2 rồi bất ngờ "jump" lên $1300/m2 rồi lại giữ nguyên trong 3 tháng tiếp theo. Điều này có thể gây ra một số khó khăn cho việc ước lượng mô hình và đặc biệt là sai số lớn trong dự báo. Phương pháp thứ hai giải quyết được vấn đề này.


2. Linear interpolation

Đây cũng là một phương pháp khá đơn giản, bạn chỉ cần kẻ một đường thẳng nối giá trị của 2 quí rồi nội suy giá trị của các tháng bên trong khoảng thời gian giữa 2 quí đó. Trong ví dụ giá nhà bên trên, giá nhà của 3 tháng tiếp theo sẽ là $1100, $1200, và $1300. Như vậy thay vì giả định giá nhà không đổi từ quí này sang quí khác chúng ta giả định tốc độ tăng giá không đổi (đạo hàm bậc nhất không đổi). Đây là phương pháp interpolation được sử dụng rất rộng rãi, nhiều phần mềm thống kê (vd Eviews) sử dụng như default option khi phải interpolate số liệu.

Mặc dù phương pháp này giải quyết được vấn đề "jump" ở các điểm nối nó vẫn còn nhược điểm là đạo hàm bậc nhất không liên tục ở các điểm này. Lấy ví dụ ở thời điểm t, t+1, t+2 chuỗi giá trị quí là 0, 1, 0 thì tốc độ thay đổi (đạo hàm bậc nhất) giữa t và t+1 bằng 1, trong khi giữa t+1 và t+2 bằng -1, nghĩa là giá trị này không liên tục (non-continuous) ở các điểm nối (đạo hàm bậc 2 bị jump). Điều này có thể ảnh hưởng đến một số mô hình tài chính (sử dụng lý thuyết continuous time) và cũng ảnh hưởng đến khả năng dự báo của mô hình. Phương pháp tiếp theo giải quyết được vấn đề này.


3. Polynomial splines

Trong phương pháp thứ hai bên trên một đường thẳng nối 2 điểm có thể coi là một polynomial bậc nhất (hàm bậc nhất là một đường thẳng). Nếu thay vì sử dụng bậc nhất chúng ta sử dụng các bậc cao hơn, phổ biến nhất là bậc ba, thì có thể ép các hàm bậc ba này có đạo hàm bậc nhất ở các điểm nối bằng nhau. Phương pháp này thường được biết đến với tên gọi "cubic spline", rất phổ biến trong cách ngành kỹ thuật. Đồ thị dưới đây cho thấy sự khác biệt giữa linear và cubic spline interpolation.


Cả ba phương pháp trên có thể xếp vào nhóm non-stochastic interpolation, tức là quá trình nội suy không có bất kỳ yếu tố ngẫu nhiên (random) nào ảnh hưởng. Một đặc điểm chung nữa của nhóm interpolation này là information content của chuỗi số liệu không tăng (ngoại trừ một số trường hợp đặc biệt) vì chúng ta không đem thêm thông tin gì mới vào mô hình. Phương pháp tiếp theo đi theo một hướng hoàn toàn khác.


4. Related variable regression

Để đưa thêm information content vào chuỗi số liệu được interpolate, vd GDP tháng biến đổi từ GDP quí, nhất thiết bạn phải cung cấp thêm một/vài biến số khác. Cách đơn giản nhất là sử dụng một mô hình regression bình thường cho chuỗi số liệu quí với các biến độc lập là chuỗi số liệu tháng đã được cộng dồn. Ví dụ bạn có số liệu số xe máy được bán ra hàng tháng, X_t, bạn có thể cộng từng 3 tháng lại để có số xe máy bán ra theo quí, X_q. Sau đó regress GDP quí (Y_q) theo X_q để xác định các hệ số alpha và beta: Y_q = alpha + beta*X_q + epsilon.

Với những hệ số của mô hình đã được ước lượng có thể dễ dàng tính ra Y_t dựa vào giá trị tháng của X_t. Tuy nhiên những giá trị Y_t này chưa phải là ước lượng GDP tháng mà bạn cần vì tổng của chúng sẽ khác với Y_q (bằng sai số epsilon). Bạn cần thêm một số giả định để phân bổ sai số epsilon cho từng Y_t trong một quí, vd chia đều epsilon cho mỗi tháng hay chia theo tỷ lệ variance của mỗi X_t. Phương pháp interpolation này dù đưa thêm information content vào chuỗi số liệu được nội suy nhưng có nhược điểm là các giá trị nội suy không phản ánh được dynamic (cấu trúc chuyển động) của các biến X_t trong từng quí. Vấn đề dynamic này được khắc phục bằng cách đưa vào mô hình một số giả định ARMA như trong phương pháp tiếp theo.


5. State-Space interpolation

Nếu chúng ta coi GDP quí (hay một biến vĩ mô nào đó) chỉ đơn thuần là tổng của các hoạt động kinh tế trong một quí thì chỉ số này có thể tính cho bất kỳ một khoảng thời gian ngắn hơn quí, vd tháng, tuần, thậm chí hàng ngày. Tất nhiên trên thực tế vì chi phí quá lớn và không cần thiết (như đã nói bên trên) nên các cơ quan thống kê chỉ tính GDP cho từng quí. Như vậy chúng ta có thể coi GDP quí là một số snapshot cho một chuỗi GDP có frequency cao hơn (quí, tuần, ngày) mà chúng ta không observe được (thuật ngữ chuyên môn gọi là latent variable). Cách hiểu này rất phù hợp với mô hình state-space được sử dụng rộng rãi trong các ngành kỹ thuật và gần đây đã được đưa vào kinh tế lượng.

Về căn bản mô hình state-space có 2 phương trình state và space. Phương trình thứ nhất biểu diễn quan hệ giữa latent variable, hay còn gọi là state variable, (trong trường hợp này là GDP tháng) với observed variable, còn gọi là space variable (GDP quí). Phương trình thứ hai biểu diễn những giả định về dynamic của latent variable, vd AR(p). Cả hai phương trình này có thể bao gồm một số random errors phản ánh tính chất ngẫu nhiên của hệ thống. Mô hình state-space phổ biến nhất có dạng linear, nghĩa là các phương trình đều là bậc nhất của các biến và error terms, và các error terms có phân bổ Gaussian. Mô hình state-space này thường được estimate bằng Kalman filter, một phương pháp iteration cập nhật thông tin sau mỗi bước.

Y_q = A*X_q + B*epsilon (space equation)
X_q = C*X_q-1 + D*theta (state equation), trong đó X_q là một vector của Y_t

Sau khi những hệ số A, B, C, D (và covariance matrix của epsilon và theta) được xác định chúng ta dễ dàng tính được X_q, nghĩa là các latent X_t (GDP tháng) dựa vào một giả định giá trị của X_0 (GDP tháng đầu tiên). Lưu ý phương pháp này đưa yếu tố dynamic vào nhưng loại bỏ các related variables, nghĩa là không thêm information content cho mô hình. Tất nhiên có thể khắc phục điều này dễ dàng bằng một mô hình state-space có exogenous variables.


6. Nowcasting

Nowcasting là thuật ngữ chỉ quá trình ước lượng giá trị của một biến số nào đó ở thời điểm hiện tại (forecast là ước lượng giá trị ở một thời điểm trong tương lai, backcast là một thời điểm trong quá khứ). Mặc dù về mặt lý thuyết nowcasting khác với interpolation nhưng trên thực tế nhiều khi người ta interpolate một chuỗi số liệu quí thành tháng chỉ vì mục đích muốn biết giá trị hiện tại của chuỗi số liệu quí là bao nhiêu mặc dù chưa đến cuối quí hoặc vì cơ quan thống kê chậm công bố số liệu quí. Sau đây là tóm tắt sơ lược 2 phương pháp phổ biến của kỹ thuật nowcasting, cả hai phương pháp này đều sử dụng các related variable nên đều đưa thêm information content vào mô hình.

6.1 MIDAS

MIDAS là viết tắt của Mixed Data Sampling, một kỹ thuật cho phép xây dựng và ước lượng một mô hình với các biến số có frequency khác nhau, vd mô hình bao gồm GDP theo quí và CPI theo tháng, stock price theo ngày. Về cơ bản MIDAS sử dụng distributed lags đê rút gọn các biến có high frequency thành một số nhỏ parameter rồi estimate song song với biến có low frequency. Lấy ví dụ một mô hình có GDP theo quí (Y_q) và CPI theo tháng (P_m) sẽ được viết như sau:

Y_q = alpha + gamma1(theta)*P_q(m=1) + gamma2(theta)*P_q(m=2) + gamma3(theta)*P_q(m=3) + epsilon

trong đó gamma là các hàm số phụ thuộc vào một vài parameter theta. Nếu biến P bên vế phải có daily frequency thì mô hình trên sẽ có khoảng 66 hàm gamma nhưng số paramter theta vẫn không đổi, do vậy bạn có thể mix rất nhiều frequency với nhau mà không làm tăng số lượng parameter phải estimate. Sau khi mô hình trên được ước lượng bạn có thể nowcast giá trị của Y ngay khi có giá trị của P. (Lưu ý: bạn có thể thay đổi index của chuỗi P, vd m=2, m=3, m=4, để các giá trị nowcast có thể tính được khi chưa hết quí).

6.2 MF-Factor VAR

MF viết tắt của mixed frequency, còn factor là thuật ngữ chỉ những biến số không tồn tại trên thực tế (latent) nhưng có ảnh hưởng đến các biến số khác đo đạc được. Ví dụ bạn có một bộ số liệu có 10 biến số có correlation rất cao với nhau bạn có thể sử dụng một số kỹ thuật như PCA để ước lượng một vài factor có ảnh hưởng chung đến 10 chuỗi số liệu đó. Điểm đặc biệt của phương pháp này là kết hơp các biến số có frequency khác nhau (nên gọi là MF) trong một hệ state-space như đã giải thích bên trên để tính ra một số factor chung. Phương pháp Kalman filter được sử dụng để ước lượng hệ state-space này và các chuỗi có low frequency sẽ được coi như có missing value (vd chuỗi GDP quí sẽ được coi là một chuỗi tháng trong đó cứ 3 tháng thì có 2 tháng là missing value). Sau khi các factor đã được ước lượng bạn có thể tính được giá trị của các biến đầu vào dựa vào các factor và factor loading (trọng số của mỗi factor ảnh hưởng vào biến đầu vào).


7. Reference

Bài viết này có mục đích giúp các bạn một cái nhìn tổng quát về các phương pháp interpolation, bạn nào muốn tìm hiểu kỹ hơn, nhất là muốn áp dụng cho số liệu thực tế nên tham khảo các paper dưới đây:


Aruoba, S., F. Diebold, and C. Scotti (2008): \Real-Time measurement of business conditions, Second version," PIER Working Paper, Archive No. 11, Penn Institute for Economic Research, Department of
Economics, University of Pennsylvania.

Banbura M, Giannone D, Modugno, M., Reichlin L. 2012. Now-casting and the real time data flow, CEPR WP 9112

Chow, G., and A. Lin (1971): \Best linear unbiased interpolation, distribution, and extrapolation of time series by related series," The Review of Economics and Statistics, 53(4), 372{375.

Claudia Foroni & Massimiliano Marcellino, 2013. "A survey of econometric methods for mixed frequency data," Working Paper 2013/06, Norges Bank.

Cuche, N., and M. Hess (2000): \Estimating monthly GDP in a general Kalman ¯lter framework: Evidence from Switzerland," Economic & Financial Modelling, 7, 153.

Ghysels, E., P. Santa-Clara, and R. Valkanov (2004): The MIDAS touch: MIxed DAta Sampling regression models," mimeo, Chapel Hill, N.C.

Harvey, A., and R. Pierse (1984): Estimating missing observations in economic time series," Journal of the American Statistical Association, 79(385), 125

Wohlrabe, K. (2009): "Forecasting with Mixed-frequency Time Series Models, Ph.D. dissertation, University Munich





Friday, September 6, 2013

Russia 2013


1.
Tôi quay lại Nga đúng 20 năm sau ngày rời đất nước này. Lúc đó Nga đang rơi vào một trong những giai đoạn đen tối và hỗn loạn nhất thế kỷ 20, khi Boris Yeltsin chuẩn bị nã pháo vào Nhà Trắng, vào những đồng đội mà chỉ 2 năm trước đã cùng ông đập tan cuộc đảo chính của nhóm hardliner cộng sản dẫn đến sự tan rã Liên bang Xô viết. Nước Nga dưới thời Yeltsin đã rơi vào suy thoá nặng nề, GDP giảm hơn 40% từ năm 1990 đến 1999. Thực ra kinh tế Nga đã bắt đầu suy sụp từ mấy năm trước, chế độ tem phiếu đã quay trở lại từ năm 1988 dưới thời Gorbachev. Đến năm 1991-1992 nhiều nhà máy, công xưởng đã đóng cửa hoặc nợ lương công nhân triền miên. Tôi vẫn còn nhớ những bà cụ run rẩy đứng dưới trời tuyết trước cửa các bến metro cố chèo kéo bán những chiếc khăn len, khung ảnh, đôi giày cũ. Tôi cũng không thể quên cảnh một số giáo sư trường tôi phải bày bán sách ở cổng trường để có tiền sống qua những năm tháng khó khăn đó.

Sau này nhìn lại tôi cho rằng sai lầm của Yeltsin không phải đã làm kinh tế Nga sụp đổ, đây là điều không thể hoặc rất khó tránh khỏi trong hoàn cảnh lúc đó. Cái tội lớn nhất của Yeltsin đối với dân tộc Nga là đã để một tầng lớp oligarch tranh thủ lúc hỗn loạn trộm cướp một phần rất lớn tài sản quốc gia đáng ra phải thuộc về nhân dân[*]. Ngược lại với Yeltsin, tôi không nghĩ Putin là người đã phục hồi lại kinh tế của nước này mà công lớn nhất của ông với nước Nga là phá tan tầng lớp oligarch, dù hệ thống chính trị dưới thời Putin không hẳn tốt hơn. Không thể phủ nhận tài năng lãnh đạo của Putin, nhưng vị tổng thống/thủ tướng/tổng thống này đã rất may mắn lên nắm quyền khi giá dầu và khoáng sản thế giới tăng mạnh, dòng vốn rẻ quốc tế đổ về các nước đang phát triển, đặc biệt vào các nước BRIC mà Nga là một thành viên. Hãy đợi xem cặp bài trùng Putin/Medvedev xoay sở thế nào trong vài năm tới khi tình hình kinh tế thế giới không còn nhiều thuận lợi cho Nga.

[*]: Ngay sau khi LX tan rã Yeltsin được những phụ tá như Yavlinski, Chubai, Gaidar ráo riết thực thi những cải cách kinh tế như chương trình 500 ngày nhằm tư hữu hoá và tự do hoá nền kinh tế. Dưới sự tư vấn của các chuyên gia phương Tây như Jeffrey Sachs, quá trình tư hữu hoá đã được thực hiện hết sức vội vàng với một niềm tin ngây thơ vào "vulgar Coaseism". Thuật ngữ này xuất phát từ Coase Theorem của Ronald Coase, một trong những nhà kinh tế lớn nhất thế kỷ 20 vừa qua đời tuần rồi. Coase Theorem cho rằng một khi property right được xác định rõ ràng thì nền kinh tế sẽ đạt được tối ưu bất kể của cải trong xã hội được phân bổ ban đầu như thế nào. Từ tư tưởng này những người đề xướng "shock therapy" ở Nga hi vọng ngay cả nếu của cải trong xã hội Nga rơi hết vào tay một vài oligarch, nền kinh tế sẽ vẫn vận hành hiệu quả. Mặc dù Ronald Coase được biết đến chủ yếu với Coase Theorem, chính ông cho rằng cách hiểu như vậy chứ đừng nói gì áp dụng vào chính sách thực tế là không chính xác.


2.
Rất tiếc chuyến bay của tôi đến Moscow hạ cánh ở sân bay Domodedovo chứ không phải Sheremetyevo, nơi tôi có quá nhiều kỷ niệm buồn vui. Hè năm 1991 khi những chiếc xe tăng của nhóm đảo chính GKChP lăn bánh trên đường phố Moscow, tôi đưa một người bạn ra sân bay Sheremetyevo gần 10 lần cố chen lên máy bay về phép thăm nhà mà không thành. Hứng những trận dùi cui lên đầu và những lời quát mắng, chửi rủa của cảnh sát Nga, lần đầu tiên trong đời tôi cảm thấy nhục nhã khi cầm hộ chiếu VN (tôi đã nhắc lại sự kiện này cho ông Trần Đăng Tuấn, người cũng ở Nga thời điểm đó, khi ông này đả kích Tổng Giám mục Ngô Quang Kiệt). Đến tận năm 1993 khi tôi về nước, người cầm hộ chiếu VN vẫn không được vào Sheremetyevo tiễn bạn trong khi công dân tất cả các nước khác được ra vào thoải mái, kể cả người Lào và Cam-pu-chia. Trong suốt 20 năm sau đó, người Việt ở Nga vẫn bị ác cảm và "look down", bằng chứng là những vụ bố ráp, cướp chợ VN công khai của cảnh sát và đặc nhiệm Nga. Nhưng nước Nga trong suốt thời gian đó vẫn là cục nan châm hút người Việt.

Thời tôi đi học trên toàn Liên xô có khoản 5-10k sinh viên và nghiên cứu sinh, khoảng 100k công nhân hợp tác lao động. Đến năm 2013 thống kê không chính thức chỉ riêng Moscow đã có gần 200k người Việt sinh sống, làm ăn. Trên toàn lãnh thổ LX trước đây con số này có thể lên đến 500-700k, phần lớn sang sau khi LX sụp đổ rồi ở lại bất hợp pháp. Năm 1993, vài ngày trước khi về nước, tôi ở cùng một nhóm khoảng 20 người vừa "vượt biên" sang Moscow. Nhiều người trong số họ khuyên tôi ở lại và nói họ phải tốn hơn "chục vé" mới sang được đến đây trong khi tôi đang ở đây rồi và lại biết tiếng Nga thì về nước làm gì. Tôi không biết những người đó bây giờ ở đâu, có thể có người đã bị mafia hay cảnh sát Nga cướp sạch phải ngậm ngùi vay tiền về nước. Nhưng cũng có thể ai đó đã thành "soái", chủ một khu chợ, nhà hàng, khách sạn nào đó ở Nga hoặc đã quay về VN làm ăn thành đạt giống Phạm Nhật Vượng, Nguyễn Đăng Quang.

Lần này quay lại Nga tôi gặp khá nhiều doanh nhân Việt thành đạt. Dù không đình đám như PNV, NĐQ nhưng họ cũng có tiềm lực kinh tế khá mạnh và đa số đã và đang đầu tư về VN. Không chỉ ở Nga, hầu hết các nước Đông Âu đều có cộng đồng doanh nhân Việt đông đảo. Nếu trước đây khi nhắc đến kiều hối tôi thường nghĩ đến lực lượng Việt kiều ở các nước phương Tây thì sau chuyến đi này tôi đã có cái nhìn khác. Tôi tin một phần không nhỏ lượng kiều hối hàng năm chảy về VN có nguồn gốc từ Nga và các nước Đông Âu. Người Việt ở các nước phương Tây hoà nhập vào xã hội ở nơi họ sinh sống tốt hơn đa số những cộng đồng VN ở Đông Âu. Những người tôi gặp ở Nga (và Hungary, Slovakia) không ai cho rằng mình là "Việt kiều" dù nhiều người đã có quốc tịch nước sở tại. Mặc dù chỉ một số ít có ý định quay về VN sống trong vài năm tới nhưng đa số đều đã chuyển một phần tài sản về để mua nhà cửa, đất đai hay làm ăn, đầu tư đâu đó. Phần đông người Việt ở Đông Âu không coi nơi họ ở là "quê hương thứ hai" mà chỉ là một bến đậu tạm thời.


3.
Ấn tượng đầu tiên của tôi ở sân bay Domodedovo là sự lạnh lùng của cán bộ biên phòng, không một nụ cười và khá chậm chạp khi làm thủ tục, hệt như công an cửa khẩu VN ở Tân Sơn Nhất. Cô nhân viên làm thủ tục cho gia đình tôi còn khá trẻ nhưng hầu như không nói được tiếng Anh. Sau này tôi để ý số người Nga nói được tiếng Anh ở Moscow và St.Petersburg không nhiều, có lẽ ít hơn tỷ lệ người Việt nói tiếng Anh ở HN hay SG. Vì khó tìm được người nói tiếng Anh nên tôi phải cố gắng sử dụng vốn tiếng Nga đã "mốc meo" của mình để giao tiếp. Quả thực tôi rất thất vọng và xấu hổ vì đã gần như không thể nói được tiếng Nga dù từng học ở đây 6 năm trời. Một phần vì hơn 10 năm lại đây tôi phải sử dụng tiếng Anh hàng ngày, nhiều lúc còn lấn át tần suất nói tiếng Việt. Nhưng lý do quan trọng hơn là thời du học ở đó tôi đã không chú trọng học tiếng Nga, cứ nghĩ chỉ cần biết đủ để học xong đại học. Sau này khi đi học ở Úc tôi thường xuyên khuyên các bạn sinh viên người Việt khác phải chú tâm rèn luyện tiếng Anh, một lời khuyên rút ra từ sự tiếc nuối của bản thân đối với tiếng Nga.

Ấn tượng thứ hai với nước Nga trong lần quay lại này là lượng xe hơi quá nhiều chạy trên đường phố Moscow và St. Petersburg. Mặc dù đã đọc tin tức về nạn kẹt xe ở Moscow, tôi vẫn rất kinh ngạc khi người bạn đón chúng tôi ở sân bay nói để đảm bảo ra sân bay kịp chuyến nhiều khi anh ấy phải rời khỏi nhà 5 tiếng trước giờ bay. Mà đó là ra sân bay Domodedovo là sân bay tương đối dễ đi và ít bị kẹt xe hơn so với sân bay truyền thống Sheremetevo (đó cũng là lý do Vietnam Airlines chuyển điểm đến từ Sheremetevo sang Domodedovo). Quan sát xe hơi chạy trên đường phố Moscow tôi nhận thấy một điểm khác biệt với đa số các nước khác, kể cả VN. Rất nhiều xe hiệu sang như Mercedes, BMW, Audi chạy trên đường nhưng đa số những chiếc xe đó (và những hiệu xe rẻ tiền hơn như Fiat, Toyota, Nissan, Hyundai, Kia, Lada) khá bẩn, có lẽ phải hàng tháng không được chủ xe rửa. Điều này chứng tỏ xe hơi ở Nga rất rẻ nên tỷ lệ người sở hữu xe ở Moscow cao hơn ở đa số các thành phố lớn khác trên thế giới (bạn tôi cho biết Moscow có hơn 5 triệu xe hơi trên tổng số 12 triệu dân). Một lý do nữa dẫn đến tình trạng kẹt xe là giá xăng ở Nga rất rẻ, xấp xỉ 1 USD/lít và xe hơi được phép đậu khá thoải mái và miễn phí dọc nhiều trục đường ngay trong trung tâm thành phố. Tất nhiên hạ tầng giao thông cũ kỹ, thiết kế bất hợp lý, và văn hoá lái xe bạt mạng của dân Nga cũng làm trầm trọng thêm nạn kẹt xe.

Nói về hạ tầng giao thông ở Moscow không thể không nhắc đến hệ thống metro của thành phố này, một thời là niềm tự hào của người Nga. Dù lần này sau 20 năm tôi không còn cảm giác thấy các bến metro "hoành tráng" và "long lanh" như trước đây, nhưng quả thực những tuyến metro ở Moscow và St. Petersburg không hổ danh là những kỳ công của thời Xô Viết[**]. Tôi đã dành một buổi chu du dưới các tuyến metro, gặp lại những Mayakovskaya, Komsomolskaya, Park Kultury..., chen chúc với đủ loại tâng lớp dân Nga trong những toa metro đông đúc dù chưa phải giờ cao điểm. Một điều làm tôi khá ngạc nhiên là các bến metro sạch bóng hàng quán và không còn những nghệ sĩ kéo đàn, vẽ tranh như trước đây. Những chú chó hoang một thời lang thang khá nhiều trong các bến metro cũng không còn. Hỏi ra đó là vì tổng thống Putin đã ra lệnh cấm sau một số vụ đánh bom của các nhóm khủng bố Chechnya mấy năm trước. Việc thắt chặt an ninh còn thấy rất rõ qua sự hiện diện của các khung cửa dò vũ khí giống như ở các sân bay quốc tế tại hầu hết các địa điểm công cộng: từ bến tầu, nhà hát, đến ký túc xá sinh viên.

Một đặc điểm an ninh khác tôi thấy khá rõ là số lượng cảnh sát, cả đứng trên đường lẫn xe đi tuần, nhiều hơn đáng kể so với trước kia và so với đa số những thành phố khác trên thế giới mà tôi đã từng tới, kể cả HN và SG. Chỉ có điều không ít nhân viên cảnh sát trên đường nhìn rất uể oải, áo phạch ngực, mũ đội lệch (có thể vì trời quá nóng), không chuyên nghiệp và oai vệ như các đồng nghiệp phương Tây. Nhưng giống như các đồng nghiệp ở VN, các anh cảnh sát Nga rất chịu khó dừng xe tư nhân phạt, có lẽ đó cũng là nguồn thu nhập chính của cảnh sát ở đây. Ngày cuối cùng tôi ở St Petersburg tổng thống Putin về đây làm việc và lực lượng cảnh sát có vẻ tích cực hơn hẳn, anh lái xe người Nga chở chúng tôi đi lỡ lấn vào làn đường ưu tiên lập tức bị nhắc nhở ngay. Giống như ở HN, một chiếc xe cảnh sát có gắn loa cực lớn phóng lên quát tháo yêu cầu xe của tôi phải tránh ra khỏi làn đường ưu tiên. Quan chức Nga vẫn được xếp vào tầng lớp trên trong xã hội với rất nhiều ưu đãi, một đặc điểm chung của các nước (cựu) XHCN.

[**] Vừa nhắc tới metro của Moscow thì Business Insiders có một phóng sự ảnh về hệ thống metro này.


4.
Hệ thống metro của Moscow được xây dựng từ những năm 1930, cực lớn so với nhu cầu giao thông lúc đó của thành phố. Thực ra nhu cầu xây metro của LX khi đó chủ yếu muốn chứng minh sức mạnh của mình và thành quả công nghiệp hoá do Stalin khởi xướng. Tư tưởng xây dựng hoành tráng bất kể hiệu quả kinh tế là đặc trưng của các nước XHCN từ Tây sang Đông. Sau WWII Stalin đã mobilize nguồn lực xây dựng lại thủ đô Moscow bị tàn phá gần như hoàn toàn với những quảng trường, công viên, đại lộ vô cùng lớn so với hầu hết các thành phố khác trên thế giới. Tôi không biết thành phố nào trên thế giới có một đại lộ 12-14 làn đường ngay tại trung tâm thành phố như Moscow. Một "kỳ quan" khác của thành phố này thời hậu chiến là 7 toà nhà có tên lóng Seven Sisters (trụ sở bộ Ngoại giao, trường MGU, khách sạn Ucraina...) được xây lên chỉ trong vài năm bằng công sức và mạng sống của hàng chục ngàn tù binh Đức. Sau thời Stalin LX không còn nhiều công trình xây dựng hoành tráng, có lẽ những lãnh đạo sau này chuyển sang chạy đua vũ trang và công nghệ vũ trụ để phô trương sức mạnh.

Nhiều nhà bình luận cho rằng lý do chính làm cho LX sụp đổ là nền kinh tế của nước này không đủ khả năng tài trợ cho những cuộc chạy đua đắt tiền đó. Với metro hay Seven Sisters Stalin có thể huy động hàng trăm nghìn công nhân và tù nhân như những pharaon Ai cập cổ xưa. Nhưng để phóng được Gagarin vào vũ trụ, rồi sau này là Phạm Tuân và các phi hành gia hữu nghị khác, Brezhnev phải bỏ rất nhiều tiền, crowding out những khoản đầu tư quan trọng cho nền kinh tế. Cũng tương tự như vậy VN có thể huy động hàng vạn thanh niên xây dựng cung đường Hạnh phúc ở Hà giang hay công trình thuỷ lợi Bắc Hưng Hải nhưng với những ngành công nghiệp capital intensive như Vinashin/Vinalines ý chí cộng sản không còn nhiều ý nghĩa. Một khi dòng vốn cạn kiệt những dự án vĩ đại đó phải thu nhỏ lại hoặc chấm dứt hoàn toàn. Nước Nga ngày nay của Putin có lẽ không còn vung tiền cho những dự án chỉ để lấy tiếng nữa, mọi thứ đều qui ra tiền kể cả những suất bay vào vũ trụ hay tàu ngầm Kilo. Dẫu vậy hạ tầng của Nga không thể giấu được sự già nua xuống cấp, từ đường xá, nhà cửa đến những toa tầu điện (tramvai) cũ kỹ, rỉ sét vẫn còn chạy trên đường phố ngoại ô.

Ngày trở về thăm trường cũ tôi thực sự ngậm ngùi vì đã 20 năm qua mà cảnh vật không có gì thay đổi, chỉ xuống cấp và cũ kỹ. Ngôi trường lừng danh một thời, từng là cái nôi của chương trình điện khí hoá LX do Lenin đề xướng năm 1921, có lẽ đã không kịp thức tỉnh chạy theo cơ chế thị trường nên không có tiền dù chỉ để sửa sang lại những bậc tam cấp đã rạn nứt theo năm tháng. Các kí túc xá của trường cũng vậy, những khung cửa sổ không biết bao năm rồi không được sơn lại, sân sau đầy rác và cỏ dại. Mà không chỉ hạ tầng, một người bạn cũ cho biết chất lượng đào tạo của trường tôi cũng xuống cấp rất nhiều, có lẽ là tình trạng chung của hệ thống khoa học, giáo dục của Nga. Tôi không rõ chính phủ Putin chi tiêu bao nhiêu cho nghiên cứu, đào tạo, nhưng với một nền kinh tế bấp bênh như hiện tại không có nhiều hi vọng nền khoa học Nga sẽ quay về thời kỳ đỉnh cao như dưới thời Xô viết. Thêm vào đó nạn chảy máu chất xám từ Nga sang phương Tây có lẽ trầm trọng hơn nhiều nước đang phát triển hoặc emerging khác. Trí thức Nga được chào đón ở các đại học, viện nghiên cứu và cả các công ty tư nhân của các nước phát triển (công ty tôi cũng từng thuê một tiến sĩ gốc Nga). Làn sóng "tị nạn trí thức" từ Nga sẽ còn tiếp tục gia tăng, nhất là nếu môi trường chính trị trở nên ngột ngạt.


5.

Ngày trước không chỉ tôi mà hầu hết những ai đã từng học tập công tác ở Nga đều có nhận xét người Nga rất vui vẻ và tốt bụng. Hai ngày sau khi tới Nga năm 1987 tôi và một người bạn khệ nệ khuân mấy cái vali ra đợi tàu điện về ký túc xá mới. Đợi mãi không thấy tầu tới và trời bắt đầu chập choạng thì một chiếc xe hơi dừng lại hỏi thăm và offer chở chúng tôi về tận nơi miễn phí. Cho đến bây giờ tôi vẫn không thể quên những năm tháng sống trong cái xã hội êm đềm và đầy tình người đó. Một lần tranh luận với một anh bạn người Mỹ về capitalism vs socialism, sau khi anh ấy viện dẫn Darwinism để chứng minh socialism không sustainable tôi nói rằng cuộc sống đúng là một cuộc đấu tranh sinh tồn, "a survival of the fittest", nhưng "the fittest is not necessary the nicest". Nếu được chọn một thời điểm quay về quá khứ, tôi sẽ không ngần ngại chọn lại năm 1987.

Nhưng quá khứ luôn là quá khứ, lần quay lại Nga năm nay ngay từ cửa khẩu Domodedovo tôi đã không còn tìm được nước Nga ngày xưa. Người Nga ít cười hơn, thực dụng hơn và chẳng còn thấy cái tính "добрый" như trước kia nữa. Khó khăn trong cuộc sống và sự khắc nghiệt của kinh tế thị trường có lẽ đã làm chai lì một bộ phận lớn dân Nga, từ những người thu ngân, bán vé, lái taxi đến khách bộ hành trên đường, tất nhiên không phải tất cả. Nước Nga đã đánh mất vị trí cường quốc hàng đầu thế giới về quân sự, kinh tế, khoa học, nhưng điều đáng tiếc nhất với tôi là nó đã đánh mất một nền vãn hoá nhân bản mà không biết đến bao giờ nhân loại mới có lại được lần nữa. Đành rằng những xã hội phương Tây mà tôi được biết đầy đủ hơn về mặt vật chất, tự do hơn về mặt tư tưởng, thậm chí công bằng hơn về  cơ hội vươn lên cho từng cá nhân, nền tảng và triết lý sống ở đây luôn là competition chứ không phải solidarity. Vẫn biết rằng competition phù hợp hơn với Darwinism, với natural evolution/selection, nhưng chẳng lẽ nhân loại không bao giờ vượt ra được cái qui luật khắc nghiệt chi phối mọi loài vật vô tri khác hay sao?

Cuộc sống khó khăn cũng là lý do người Nga ít đẻ con hơn. Khi tôi đưa ra nhận xét nước Nga bây giờ ít trẻ con quá, hiếm thấy trẻ con đi ngoài đường như trước đây, ít nhất hai lần câu trả lời là sinh con bây giờ rất tốn kém. Mặc dù giáo dục phổ thông và y tế vẫn gần như miễn phí cũng như nhiều hoạt động ngoại khoá, thể thao cho trẻ em, chi phí sinh hoạt hàng ngày và nhà ở khá đăt đỏ nhất là ở các thành phố lớn như Moscow hay St Petersburg. Dân số Nga đang già đi mà chính sách nhập cư khó khăn, xã hội khá kỳ thị người ngoại quốc, sẽ là lý do quan trọng cản trở sự phát triển của nền kinh tế này trong tương lai. Nhưng ngoài vấn đề kinh tế, sự sụt giảm dân số sẽ có ảnh hưởng sâu rộng về mặt xã hội. Tôi tin rằng trẻ em luôn là một nhân tố quan trọng giúp cho xã hội có tính nhân bản hơn, một xã hội già cỗi sẽ có xu hướng trở nên lạnh lùng và ích kỷ[***].

[***]: Bạn xem hai bộ phim hoạt hình Up và Despicable Me chưa?


6.
Tôi quay lại thăm trường cũ khi sinh viên đã nghỉ hè nên sân trường vắng tanh. Đang bồi hồi đi dạo trong sân thì bất ngờ một người bảo vệ già xuất hiện hỏi tôi đang đi đâu. Không hiểu sao tôi chợt nói tiếng Nga lưu loát một cách lạ thường, giải thích rằng tôi đang "hành hương" về chốn cũ sau 20 năm. Người bảo vệ già mỉm cười vẫy tay nói "погуля́й, мальчик", chắc ông không muốn làm gián đoạn dòng hồi tưởng của một cậu bé đã từng chia sẻ quá khứ vàng son với dân tộc ông. Cám ơn ông đã cho tôi một cuộc dạo chơi về thời tuổi trẻ, cầu mong mọi sự tốt lành cho dân tộc Nga.


Monday, September 2, 2013

New blog designs


Nhờ hướng dẫn của một số bạn và Mr. Google, tôi dự định sẽ chuyển design của blog kinhtetaichinh theo một trong các mẫu sau:

1. Design hiện tại
2. Kinhtetaichinh2
3. Kinhtetaichinh3
4. Kinhtetaichinh4

Tôi vẫn chưa quyết định sẽ chọn design nào, các bạn có góp ý hay prefer phương án nào xin để lại comment bên dưới. Thanks.

Update: Cám ơn các bạn đã nhiệt tình comment và bỏ phiếu. Sau vài ngày đắn đo tôi quyết định tạm giữ nguyên design hiện tại. Một lý do quan trọng cho lựa chọn này là tôi đã mò mẫm ra một số cách chỉnh sửa CSS/HTML codes của template hiện tại, do đó đã tùy chỉnh được blog và fix được một số trục trặc hiện tại. Tôi sẽ thử thêm các chức năng mới như trong các template 2, 3, 4 bên trên, hi vọng sẽ suông sẻ.