Ứng dng mô hnh Xám để dự đoán lượng hàng hóa lưu thông
qua cng biển  Vit Nam
Phan Văn Thành1, H Th Ngọc Liên1, Nguyễn Văn Đạt2,*
1Trường Đi học Công nghệ Thông tin và Truyền thông Việt - Hàn, Đi học Đà Nẵng, Việt Nam
2Trường Đi học Ngân hàng Thành ph H Chí Minh, Việt Nam
TỪ KHÓA TÓM TẮT
TẠP CHÍ PHÁT TRIỂN VÀ HỘI NHẬP
Số 82 (2025) 102-108 jdi.uef.edu.vn


Nghiên cứu s dụng mô hình dự bo xm GM (1,1) và mô hình DGM (1,1) đ dự bo khi
lượng hàng hóa lưu thông qua cng bin ở Việt Nam và so snh kt qu dự bo giữa hai mô
hình đ chọn ra mô hình cho kt qu dự bo chính xc nht. Gi tr dự bo giai đon từ 2024 -
2030 được thực hiện dựa trên b dữ liệu năm từ năm 2015 – 2023 được thu thập từ Tổng Cục
Thng kê Việt Nam. Kt qu nghiên cứu cho thy rng c hai mô hình đều cho ra kt qu ph
hợp. Tuy nhiên mô hình GM (1,1) có kt qu dự bo chính xc hơn so với mô hình dự bo
DGM (1,1) với đ chính xc đt 95%. Vì vậy, Mô hình dự bo xm GM (1,1) được đề xut đ
dự bo khi lượng hàng hóa lưu thông qua cng bin ở Việt Nam trong thời gian sắp tới. Kt
qu này cũng là cơ sở khoa học cho cc nhà hoch đnh, đu tư, và Chính ph có những cơ
sở đ tăng cường hot đng vận hành kim tra và đưa ra những chính sch ph hợp cho việc
xây dựng cơ sở h tng cng bin ở Việt Nam. Ngoài ra dự bo s gip cc nhà qun lý cng
hoch đnh và lập k hoch ph hợp cho cng bin.
Dch vụ kho lnh,
Hi quy nh phân,
Phân tích nhân t
khm ph,
Thành ph H Chí Minh,
Quyt đnh lựa chọn.
1. Gii thiu
Cng bin đóng vai trò rt quan trọng trong việc
thc đẩy sự pht trin ca kinh t hàng hi nói riêng
và kinh t đt nước nói chung. Vì đây được coi là ca
ngõ giao thương hàng hóa xut khẩu và là nền tng ca
sự chuyn dch từ vận ti bin sang vận ti đường sắt,
đường b và đường thy ni đa. Hơn nữa, cng bin là
đng lực gip to ra th trường và là mắt xích liên kt
nền kinh t giữa cc quc gia và kích thích sự pht trin
ca th trường. Đặc biệt, cng bin gip thu ht cc nhà
đu tư, thương nhân và nhà sn xut đn kinh doanh.
Hot đng xut khẩu, ngoi thương và hot đng dch
vụ logistics khc s được to điều kiện thuận lợi nhờ
vào sự pht trin ca hệ thng cng. Việc pht trin
cng bin là điều kiện thc đẩy việc hình thành những
khu công nghiệp, khu ch xut, kéo theo cc trung tâm
tài chính thương mi, dch vụ hàng hi được hình thành
và pht trin xung quanh hệ thng cng.
Khi lượng hàng hóa lưu thông qua cng bin là
ch s đnh gi mức đ hot đng hiệu qu ca hệ
thng cng bin và chính sch đnh hướng pht trin
ca Chính ph. Ch s này còn th hiện mức đ pht
trin ca hot đng thương mi quc t. Theo B Giao
thông vận ti (2024), khi lượng hàng hóa lưu thông
qua cng bin năm thng đu năm 2024 đt khong
346,539 triệu tn tăng 17% so với cng k năm 2023.
Cụ th, lượng hàng hóa xut khẩu ước đt 83,853 triệu
tn tăng 17% và lượng hàng hóa nhập khẩu ước đt
106,873 triệu tn, tăng 27%. Hàng ni đa ước đt
154,283 triệu tn, tăng 11% và hàng qu cnh bc dỡ
*Tc gi liên hệ. Email: datnv@hub.edu.vn
https://doi.org/10.61602/jdi.2025.82.13
Ngày np bài: 17/12/2024; Ngày chnh sa: 11/02/2025; Ngày duyệt đăng: 13/02/2025; Ngày online: 28/4/2025
ISSN (print): 1859-428X, ISSN (online): 2815-6234
Tạp chí Phát triển và Hội nhập s 82 (2025)
102
đt khong 1,531 nghìn tn. Ch s này cũng được
Tổng cục Thng kê và Tổng cục Hi quan (2024) s
dụng đ làm bo co trình chính ph.
Bên cnh đó, ch s này trong những năm gn đây
được nhiều nhà kinh t, nhà nghiên cứu s dụng đ dự
bo trong tương lai. Bi Hi Đăng và cng sự (2019)
đã s dụng cc mô hình truyền thng như mô hình hiệu
chnh Naive, mô hình dự bo theo ma SARIMA, mô
hình hi quy bi đ dự bo khi lượng hàng hóa thông
qua cng bin Hi Phòng dựa trên b dữ liệu từ thng
1/2003 đn thng 2/2019. Kt qu cho thy mô hình
dự bo SARIMA là kh ph hợp nht trong trường hợp
này. Phm Th Thu Hng (2020) cũng s dụng mô hình
hi quy bi đ dự bo sn lượng hàng hóa lưu thông
qua cng khu vực Hi Phòng. Kt qu cho thy mô hình
hi quy bi ph hợp đ dự bo. Ở trên th giới ch s
này cũng được nhiều nhóm tc gi đưa vào nghiên cứu
như: nhóm tc gi Ming-Hung Shu, Ying-Fang Huang,
Thanh Lam Nguyen (2013) đã s dụng mô hình dự
bo theo ma SARIMA và mô hình GM (1,1) đ dự
bo khi lượng hàng hóa thông qua cng Hong Kong
và cng Cao Hng s dụng b dữ liệu ca cng Hong
Kong từ năm 1997 – 2013, và cng Cao Hng từ năm
2004 – 2013. Kt qu nghiên cứu ch ra rng c hai mô
hình đều cho ra kt qu ph hợp. Năm 2021, nghiên
cứu ca nhóm tc gi Dejan Dragan và cng sự (2020)
đã s dụng phương php DFA – ARIMAZ (Dynamic
factor analysis – ARIMAX modeling), so snh với kt
qu dự bo ca mô hình ARIMA và HW từ đó lựa chọn
ra phương php dự bo ph hợp nht cho khi lượng
hàng hóa thông qua cng bin. Kt qu nghiên cứu
cho thy s dụng phương php DFA – ARIMAZ cho
kt qu tt hơn tuy nhiên cc hiệu ứng thay đổi theo
ma vn chưa được th hiện rõ. Vì vậy, trong tương lai
nhóm tc gi s tip tục nghiên cứu s dụng phương
php dự bo SARIMAXINT – ANN đ ci thiện mức
đ chính xc ca dự bo. Nhóm tc gi Wang và Phan
(2014) đã s dụng Mô hình lý thuyt Xm mà cụ th
ở đây là mô hình GM (1,1) và mô hình ci tin GM
(1,1) bng chui Fourier đ dự bo khi lượng hàng
hóa thông qua cng thương mi quc t Cao Hng (Đài
Loan) s dụng b dữ liệu từ năm 2003 – 2012. Kt qu
nghiên cứu ch ra rng mô hình ci tin cho kt qu dự
bo tt hơn mô hình dự bo Xm truyền thng với đ
chính xc ca đt gn 100%.
Theo Liu và cng sự (2012), hệ thng lý thuyt
xm được gio sư Julong Deng (người Trung Quc)
đề xut vào năm 1982. Đây là mt phương php được
xem là phương php mới l tập trung gii quyt cc vn
đề với lượng thông tin ít và không chắc chắn. Hiện nay,
lý thuyt này được đông đo cc học gi trên th giới
quan tâm nghiên cứu và ứng dụng nhiều trong nhiều
lnh vực như: năng lượng (Chun & cng sự, 2018), môi
trường (Wang & cng sự, 2022), du lch (Hu & cng
sự, 2020), tài chính (Sheng & cng sự, 2021), kinh t
(Li & cng sự, 2019).
Nhận thy được tm quan trọng ca việc dự bo
lượng hàng hóa lưu thông qua cng bin và th mnh
ca mô hình dự bo Xm, trong bài vit này, nhóm tc
gi s s dụng mô hình dự bo Xm cụ th ở đây là hai
mô hình dự bo Xm đó là mô hình GM (1,1) và mô
hình DGM (1,1) với mục đích: (1) Xem xét xem 02 mô
hình này có ph hợp trong việc dự bo khi lượng hàng
hóa lưu thông qua cng bin ở Việt Nam hay không?
(2) Trong hai mô hình dự bo đưa ra thì mô hình nào
là ph hợp nht? (3) Kt qu dự bo cũng là cơ sở gip
cc nhà hoch đnh chính sch, cc doanh nghiệp đưa
ra những đnh hướng, quy hoch và đưa ra quyt sch
đng đắn nhm pht trin kinh t hàng hi mt cch
ổn đnh.
2. Mô hnh l thuyt – Phương pháp nghiên cu
2.1. Mô hnh GM (1,1)
Mô hình GM (1,1) là mt mô hình dự bo quan
trọng trong hệ thng lý thuyt xm được xây dựng dựa
trên phương trình vi phân bậc 1 và 1 bin. Đây là mt
trường hợp đặc biệt ca mô hình GM (n, m) với n là
bậc ca phương trình vi phân và m là s lượng cc
bin được đưa vào mô hình. Trong họ cc mô hình dự
bo Xm, GM (1,1) được hu ht cc nhà nghiên cứu
s dụng vào trong nghiên cứu ca họ vì đm bo mức
thng nht giữa tính đơn gin và chính xc ca kt qu.
Mô hình GM (1,1) được Wang và Phan (2014) mô t
qua 06 bước sau:
Bước 1: Gi s rng X(0) là chui dữ liệu không âm
(0) (0) (0) (0)
( (1), (2),... ( )), 4,X x x x nn= ≥ (1)
với n là chiều dài chui dữ liệu.
Bước 2: Tính cc gi tr x(1)(i) ca chui X(0) bng
cch s dụng phương php cng tích lũy:
(1) (1) (1) (1)
( (1), (2),... ( ))X x x xn=
(2)
với (1) (0)
1
( ) ( ), 2,3,...,
k
i
x k x ik n
=
= =
∑và
(1) (0)
(1) (1)xx
=
Bước 3: Thit lập phương trình ca mô hình dự
bo GM (1,1).
(0) (1)
() ()
dx k ax k b
dk +=
(3)
Bước 4: Tính gi tr cc tham s a và b trong mô
hình GM (1,1).
Gi tr tham s a và b ca mô hình GM (1,1) được
tính dựa trên phương php bình phương ti thiu, cụ
th như sau:
1
ˆ()
aTT
a BB BY
b



−
= = (4)
Trong đó:
Tạp chí Phát triển và Hội nhập s 82 (2025) 103
Phan Văn Thành và cng sự
(1) (1)
(1) (1)
(1) (1)
0.5 ( (2) (1)) 1
0.5 ( (3) (2)) 1
... .
0.5 ( ( ) ( 1)) 1
xx
xx
B
xn xn

−× +

−× +

=


−× + −


,
(0)
(0)
(0)
(2)
(3)
...
()
x
x
Y
xn



=




(5)
Bước 5: Thit lập công thức đ tính cc gi tr dự
bo ca mô hình
(1) (0)
ˆ( 1) (1) ak
xk x e
−
,
1,2,3... , 1,...k nn= +
(6)
Bước 6: Tính cc gi tr dự bo ca mô hình GM
(1,1) s dụng công thức sau
(0) (1) (1)
ˆ ˆˆ
( 1) ( 1) ( )
xk xk xk
+= +− ,
1,2,.....k=
(7)
Hoặc
(0) (0)
ˆ( 1) (1) (1 )
ak a
b
xk x e e
a
−

+= − −

 (8)
2.2. Mô hnh DGM (1,1)
Cc bước tính ton ca mô hình dự bo DGM (1,1)
được Nguyen và cng sự (2020) tóm tắt thông qua cc
bước sau:
Bước 1: Gi s rng chng ta có dữ liệu chui gc
không âm X(0)
{ }
(0) (0) (0) (0)
(1), (2),..., ( )
X x x xn
=,
4n≥
(9)
Bước 2: S dụng phương php cng dn tích luỹ
(1-AGO) đ xây dựng chui X(1) nhm làm cho chui
dữ liệu ban đu X(0) tăng dn bng công thức sau:
nkixkx
k
i
,...,2,1,)()(
1
)0()1(
== ∑
=
(10)
Trong đó: (1) (0)
(1) (1)
xx
=
{ }
(1) (1) (1) (1)
(1), (2),.., ( )
X x x xn
=
Bước 3: Thit lập mô hình dự bo DGM (1,1) bởi
hàm sau:
(1) (1)
12
( 1) ( )xk xk
ββ
+= + (11)
Trong đó β1 và β2 là cc tham s ca mô hình dự
bo.Bước 4: Đ tính cc tham s β1và β2 chng ta s
dụng phương php bình phương bé nht (OLS) theo
hàm sau.
n
TT YBBB 1
2
1)( −
=
β
β
(12)
Trong đó ma trận B và ma trận Yn được xc đnh bởi:
(1)
(1)
(1)
(1) 1
(2) 1
... ....
( 1) 1
x
x
D
xn



=


−


;
=
)(
...
)3(
)2(
)1(
)1(
)1(
nx
x
x
E
n
Nghiệm ca mô hình DGM (1,1) được biu din
dưới dng hàm sau:
(1) (0) 1
12
1
1
ˆ( 1) (1) ;
1
k
k
xk x
β
ββ
β
−
+= + ×
−,
0,1,2,..., 1kn= −
(13)
Trong đó: (1) (0)
(1) (1)
xx
=
Bước 5: Gi tr dự bo ca
(0) ()xk
được tính ton
bng cch p dụng phương php nghch đo cng dn
tích luỹ (I-AGO)
(1)
ˆ()xk
theo công thức sau:
(0) (1) (1)
ˆ ˆˆ
( 1) ( 1) ( )
xk xk xk
+= +− ,
1,2,3,...k=
(14)
2.3. Độ chnh xc mô hnh dự bo
Hiện nay, có rt nhiều ch s đo lường đ chính
xc ca mô hình dự bo như sai s tuyệt đi trung bình
(MAE), sai s bình phương trung bình (MSE), phn
trăm sai s tuyệt đi trung bình (MAPE) hay là căn ca
sai s bình phương trung bình (RMSE)… Tuy nhiên
ch s phn trăm sai s tuyệt đi trung bình (MAPE)
được nhiều nhà khoa học s dụng hơn. Vì vậy, ch s
này được chọn đ s dụng trong nghiên cứu này và
được tính theo công thức sau:
(0) (0)
(0)
2
ˆ
1 () ()100%
()
n
k
xkxk
MAPE x
n xk
=
−
=∑ (15)
Với: x(0)(k): Gi tr thực t ti thời đim k
(0)
ˆ()xk
: Gi tr dự bo ti thời đim k
Và thang đnh gi ca ch s MAPE được chia
thành bn mức đ như sau (Wang & Phan, 2014):
Bng 1. Thang đánh giá MAPE
Ch s MAPE
≤
10% 10%-20% 20%-50% >50%
Thang đnh gi Xut sắc Tt Chp nhận
được
Không
chp nhận
Tạp chí Phát triển và Hội nhập s 82 (2025)
104
Phan Văn Thành và cng sự
3. Kt qu nghiên cu và tho luận
3.1. Dữ liệu
Khi lượng hàng hóa lưu thông qua cng bin Việt
Nam giai đon từ năm 2015 đn năm 2023 được thu
thập từ website ca Tổng cục Thng kê. Toàn b dữ
liệu được trực quan hóa ti Hình 1 và đơn v được tính
bng triệu tn.
Hnh 1. Khi lượng hàng hóa thông qua cng biển
Vit Nam giai đoạn 2015 – 2023
Hình 1 cho thy khi lượng hàng hóa thông qua
cng bin Việt Nam có xu hướng tăng lên qua cc năm.
Năm 2023, đt 756,18 triệu tn tăng hơn 328,38 triệu
tn so với năm 2015. Riêng từ năm 2020 và 2021 tăng
chậm nht (13,8 triệu tn) là do nh hưởng ca đi
dch Covid-19. Trong khong thời gian này, hot đng
thương mi quc t giữa cc nước b gin đon, sự đứt
gãy chui cung ứng trong khu vực và trên toàn th giới
đã nh hưởng không nhỏ đn lượng hàng hóa lưu thông
ca cc quc gia nói chung và Việt Nam nói riêng. Giai
đon 2017 – 2018 khi lượng hàng hóa thông qua cng
bin tăng 87,3 triệu tn. Đây là khong thời gian tăng
mnh nht.
3.2. Công cụ và hàm đưc sử dụng
Đ tính ton và mô phỏng mô hình dự bo Xm
GM (1,1) và DGM (1,1), nghiên cứu này s dụng phn
mềm Microsoft Excel thuc tập đoàn Microsoft. Đây
là phn mềm rt thông dụng đi với người dng và
được tích hợp đa dng cc hàm phục vụ cho qu trình
tính ton. Đ thực hiện tính ton gi tr tham s ca hai
mô hình trên, nghiên cứu s dụng cc phép tính cơ bn
và 02 hàm hữu ích đi với việc nhân ma trận với ma
trận “hàm Mmult (ma trận 1, ma trận 2)” và tính ma
trận nghch đo “hàm Minverse (ma trận)”. Đây là hai
phép tính cơ bn đ tính ton gi tr ca cc tham s
có trong mô hình. Sau khi thực hiện cc phép tính ton
trên phn mềm Microsoft Excel. Kt qu dự bo ca
hai mô hình trên được th hiện ở phn dưới.
3.3. Kt qu dự bo ca mô hnh GM (1,1)
Kt hợp b dữ liệu giai đon 2015 – 2023 về khi
lượng hàng hóa lưu thông qua cng bin và thuật
ton ca mô hình GM (1,1) đ xc đnh ra hai gi tr
a và b. Sau khi tính ton, nghiên cứu đã tìm ra được
gi tr ca tham s a = -0,06499 và b = 466,10217.
Phương trình hành vi đ dự bo khi lượng hàng
hóa lưu thông qua cng bin ở Việt Nam như sau:
0,06499*( )
ˆ( ) 7599,7182 7171,9182
k
xk e
−
= ×− . Kt qu dự bo
và sai s ca mô hình được th hiện chi tit ở Bng 2:
Bng 2. Giá tr dự báo và phn trăm sai s
ca mô hnh GM (1,1)
Năm Gi tr thực t GM (1,1) Phn trăm sai s (%)
2015 427,8 427,8 -
2016 459,8 512,45 11,45
2017 519,3 545,15 4,98
2018 606,6 579,93 4,40
2019 664,6 616,94 7,17
2020 692,3 656,31 5,20
2021 706,1 698,18 1,12
2022 733,18 742,73 1,30
2023 756,18 790,13 4,49
Phn trăm sai s trung bình (MAPE) 5,01
Mức đ chính xc = (100-MAPE) (%) 94,99%
Đnh gi Xut sắc
Kt qu ở Bng 2 th hiện rng, mô hình GM (1,1)
ph hợp với việc dự bo khi lượng hàng hóa thông
qua cng bin Việt Nam với đ chính xc gn đt 95%
(>90% nên đt mức đnh gi xut sắc). Mặt khc, ch
s MAPE ca cc gi tr từ năm 2015 đn năm 2023
dao đng trong khong từ 1,12% đn 11,45%, điều đó
cho thy rng hiệu qu ca mô hình dự bo GM (1,1)
là đng tin cậy.
3.4. Kt qu dự bo ca mô hnh DGM (1,1)
Kt hợp b dữ liệu được thu thập từ năm 2015-
2023 và thuật ton ca mô hình dự bo DGM (1,1)
được trình bày ở phn 2.2, nghiên cứu đã tìm ra gi tr
tham s β1 =1,063552 và β2 =458,99128 và xây dựng
được mô hình hành vi DGM (1,1) đ dự bo khi lượng
hàng hóa lưu thông qua cng bin Việt Nam như sau:
(1 1,063552 )
ˆ( 1) 427,8*1,063552 *458,99128.
(1 0.063552)
k
k
xk
−
+= − −
Kt qu tính ton được th hiện trong Bng 3 bên
dưới.
Tạp chí Phát triển và Hội nhập s 82 (2025) 105
Phan Văn Thành và cng sự
Bng 3. Giá tr dự báo và phn trăm sai s
ca mô hnh DGM (1,1)
Năm Gi tr thực t DGM (1,1) Phn trăm sai s (%)
2015 427,8 427,8 -
2016 459,8 513,18 11,61
2017 519,3 545,79 5,10
2018 606,6 580,48 4,31
2019 664,6 617,37 7,11
2020 692,3 656,61 5,16
2021 706,1 698,34 1,10
2022 733,18 742,72 1,30
2023 756,18 789,92 4,46
Phn trăm sai s trung bình (MAPE) 5,02
Mức đ chính xc = (100-MAPE) (%) 94,98%
Đnh gi Xut sắc
Kt qu nghiên cứu ở Bng 3 cho thy rng đ
chính xc mô hình DGM (1,1) đt 94,98% kém hơn so
với mô hình dự bo GM (1,1) là 0,2%. Mặt khc, hệ
s MAPE ca cc gi tr từ năm 2015 đn năm 2023
dao đng trong khong từ 1,110 đn 11,61%. Thông
qua kt qu này nghiên cứu này cho thy rng hiệu qu
ca mô hình dự bo DGM (1,1) cũng thỏa mãn trong
tường hợp này.
3.5. Dự bo khối lưng hàng hóa thông qua cng
biển  Việt Nam giai đoạn 2025 – 2030
Thông qua việc so snh đ chính xc ca hai mô
hình dự bo đã nêu, nghiên cứu đề xut s dụng mô
hình GM (1,1) đ dự bo khi lượng hàng hóa lưu
thông qua cng bin Việt Nam giai đon 2025-2030 vì
đ chính xc ca mô hình dự bo GM (1,1) tt hơn so
với mô hình dự bo DGM (1,1). Kt qu dự bo được
th hiện ở Bng 4.
Bng 4. Khi lượng hàng hóa lưu thông qua cng
biển giai đoạn từ 2025 - 2030
Năm Khi lượng hàng hóa lưu thông (đơn v: triệu tn)
2024 840,54
2025 894,18
2026 951,24
2027 1011,93
2028 1076,50
2029 1145,20
2030 1218,27
Dựa vào kt qu ở Bng 4, chng ta có th thy
rng dự bo khi lượng hàng hóa lưu thông qua cc
cng bin Việt Nam tip tục tăng trưởng mnh m
trong những năm tip theo. Cụ th bo khi lượng
hàng hóa lưu thông qua cc cng bin Việt Nam s đt
mc gn 895 triệu tn trong năm 2025 (tăng hơn 18%
so với năm 2023) và dự kin s cn mc hơn 1220
triệu tn trong năm 2030. Đây s là ngun dữ liệu quan
trọng làm cơ sở cho cc cơ quan qun lý đnh hướng và
hoch đnh nhm đẩy mnh hot đng pht trin cng
bin trong thời gian sắp tới.
4. Kt luận
Thông qua kt qu mô phỏng, nghiên cứu đã tìm
ra mô hình dự bo tt nht cho việc dự bo khi lượng
hàng hóa lưu thông qua cng bin Việt Nam giai đon
2025-2030 đó là mô hình GM (1,1) với đ chính xc
đt 95%. Kt qu này là căn cứ gip chính ph đnh
gi hot đng thương mi quc t ca Việt Nam, có
k hoch nâng cp hệ thng cng bin đ đp ứng nhu
cu ca nền kinh t quc gia. Đi với doanh nghiệp, là
cơ sở đ xây dựng chin lược kinh doanh, ti ưu hóa
hot đng. Mặc d đ chính xc đt 95% nhưng vn
có những yu t khch quan và ch quan nm ngoài sự
kim sot ca mô hình như bin đng kinh t toàn cu,
yu t chính tr, xã hi hay sự pht trin ca công nghệ
đi với ngành. Vì vậy, cn phi có cc nghiên cứu bổ
sung đ làm rõ hơn cc yu t này và p dụng mô hình
dự bo mt cch linh hot hơn trong bi cnh thực t.
Do đó, trong tương lai nhóm tc gi s tip tục nghiên
cứu khi lượng hàng hóa qua từng cụm cng hay từng
cng riêng biệt nhm gip phân tích sâu hơn cc đặc
th vng miền Bắc, Trung, Nam đ từ đó h trợ chính
ph và doanh nghiệp đưa ra cc quyt đnh chính xc
hơn về phân bổ ngun lực, đu tư và pht trin cơ sở
h tng cho cc cng bin. Đ ti ưu hóa nhiệm vụ trên,
trong thời gian tới nhóm s tip tục p dụng cc mô
hình dự bo khc đ kim tra tính chính xc và hiệu
qu ca cc mô hình, từ đó chọn lựa được mô hình dự
bo tt nht cho từng giai đon và điều kiện cụ th.
TÀI LIU THAM KHO
B Giao thông vận ti (2024). Số liệu khối lượng hàng hóa
thông qua cảng bin Việt Nam năm 2024. Truy cập
ti https://mt.gov.vn/vn/tin-tuc/92417/hang-qua-
cang-bien-tang-truong-hai-con-so.aspx
Chia-Nan Wang & Van-Thanh Phan (2014). An Improve-
ment the Accuracy of Grey Forecasting Model for
Cargo Throughput in International Commercial Ports
of Kaohsiung. International Journal of Business and
Economics Research, 3(1), 1-5. DOI: https://doi.
org/10.11648/j.ijber.20140301.11
Tạp chí Phát triển và Hội nhập s 82 (2025)
106
Phan Văn Thành và cng sự