Giải Nobel kinh tế 2021 đi vào bài giảng phân tích chính sách

TS. Lê Việt Phú

Quan hệ nhân quả và vai trò với nghiên cứu chính sách

Lợi ích của việc hoàn thành chương trình trung học phổ thông là gì? Câu hỏi này chắc hẳn có trong đầu của rất nhiều bậc phụ huynh và người đi học. Một thành phần của câu trả lời là bằng cấp trung học ảnh hưởng như thế nào đến thu nhập tương lai của trẻ. Vì “tỷ suất lợi nhuận đi học” (the return to education) này vừa có hàm ý lớn đối với các chính sách phổ cập giáo dục, sự bất bình đẳng trong thị trường lao động, cân đối lợi ích và chi phí mà xã hội cũng như cá nhân người học phải bỏ ra, do đó các nhà nghiên cứu kinh tế đã cố gắng liên hệ giữa trình độ học vấn và kết quả thị trường lao động trong tương lai. Trên góc độ của chính phủ, liệu có nên đầu tư vào giáo dục (thông qua các chương trình phổ cập tiểu học, trung học cơ sở hay trung học phổ thông) so với chi phí bỏ ra? Còn trên góc độ cá nhân, liệu một cá nhân nên học hết cấp độ nào hay đi làm? Bài toán chi phí lợi ích trên góc độ cá nhân dễ nhận định hơn bởi chi phí và lợi ích chỉ liên quan đến chi phí (bao gồm chi phí cơ hội) của việc học thêm một bằng cấp so với mức lương kỳ vọng có thể nhận được từ bằng cấp đó. Trong khi đó, bài toán chính sách vĩ mô còn cân nhắc đến lợi ích xã hội khác của việc học, ví dụ như hiểu biết về pháp luật tốt dẫn đến giảm tỷ lệ phạm tội, giảm thiểu chi phi y tế chăm sóc sức khỏe...

Các số liệu điều tra của nhiều quốc gia cho thấy rõ ràng rằng những người có số năm đi học cao thì có thu nhập cao. Điều này cũng hợp lý vì nói chung nhiều bằng cấp sẽ trang bị cho người học những kỹ năng và kiến thức giúp họ lựa chọn nghề nghiệp phù hợp, đặc biệt những công việc yêu cầu phải có giáo dục đào tạo chính thức. Nhưng mối quan hệ này chỉ phản ánh sự tương quan giữa hai biến số kinh tế là số năm đi học và thu nhập. Thu nhập còn phụ thuộc vào rất nhiều nhân tố khác, chẳng hạn như kinh nghiệm làm việc, kỹ năng giao tiếp, tố chất cá nhân... Một người có thể lựa chọn học đến cấp độ phổ thông, đi làm sớm hơn, tích lũy kinh nghiệm nhiều hơn và có thể bù đắp thiếu hụt bằng cấp với kinh nghiệm làm việc. Thực tế, nếu chỉ dừng lại ở thiết lập quan hệ tương quan bằng các mô hình kinh tế lượng (chẳng hạn sử dụng hồi quy đa biến) đã có thể thấy được mối tương quan lớn giữa thu nhập và số năm đi học. Những mô hình này được xây dựng bằng cách giả định thu nhập phụ thuộc vào các nhân tố quan sát được, và với một số giả định hợp lý thì kết quả cũng đáng tin cậy. Phần lớn kết quả nghiên cứu ở nhiều quốc gia cho thấy tỷ suất thu nhập trung bình của việc học thêm một năm khoảng 4-6%, cao hơn ở các quốc gia đang phát triển, ở nhóm nữ giới, ở nhóm đối tượng có số năm đi học thấp hơn trung bình.

Tuy nhiên, đối với yêu cầu khắt khe như ban hành chính sách của chính phủ, đặc biệt những chính sách có tầm ảnh hưởng rộng lớn, mối quan hệ tương quan như được thiết lập trong các mô hình hồi quy truyền thống là chưa đủ. Nhà nghiên cứu cần phải thiết lập được mối quan hệ nhân quả giữa việc đi học với thu nhập. Mối quan hệ nhân quả cần hàm ý rằng thu nhập trung bình của một người sẽ tăng lên là 4-6% nếu như người đó học thêm một năm, so với trường hợp cũng người đó nhưng không có thêm một năm học. Khi này, chúng ta sẽ kết luận được một cách chắc chắn kết quả thu nhập tăng lên là do nguyên nhân đi học chứ không phải nguyên nhân khác. Tuy nhiên, thiết lập mối quan hệ nguyên nhân và kết quả không phải là dễ dàng, bởi vì chúng ta sẽ không bao giờ biết điều gì sẽ xảy ra nếu chúng ta có một lựa chọn khác thay vì đi học. Chúng ta phải so sánh giữa một kết quả đã xảy ra so với một kết quả đáng lẽ đã xảy ra. Tất nhiên, luôn luôn chỉ có một tình huống được quan sát, đó là bạn có lựa chọn đi học hay không.

Phương pháp phổ biến để thiết lập mối quan hệ nhân quả là sử dụng các thí nghiệm ngẫu nhiên (randomized experiment), đặc biệt ứng dụng trong thử nghiệm lâm sàng (clinical trial) đối với thuốc chữa bệnh. Các nhà nghiên cứu lựa chọn các cá nhân tình nguyện có tình trạng bệnh tật và sức khỏe tương đồng, phân bổ các cá nhân ngẫu nhiên vào nhóm được điều trị và nhóm đối chứng. Cả hai nhóm đều được điều trị với phác đồ giống nhau, nhưng chỉ có một nhóm được điều trị bằng thuốc thật, còn nhóm kia sử dụng giả dược (placebo) vô hại. Với một nhóm mẫu đủ lớn, sự khác biệt về kết quả trung bình giữa hai nhóm sau khi thực hiện chương trình thử nghiệm có thể kết luận là do sự khác biệt về điều trị. Để tránh những can thiệp làm sai lệch kết quả, cả bệnh nhân và bác sỹ điều trị không được biết thuốc thử nghiệm là thuốc thật hay giả dược. Đồng thời, dữ liệu có thể được mã hóa để người phân tích dữ liệu cũng không biết người bệnh thuộc nhóm nào. Các cơ chế kiểm soát ngặt nghèo này được đặt ra để hạn chế bệnh nhân, bác sỹ điều trị, hay người phân tích dữ liệu có hành vi làm sai lệch kết quả của thử nghiệm, dù là vô tình hay cố ý.

Vậy làm thế nào để thiết lập được mối nhân quả đối với các vấn đề chính sách kinh tế xã hội? Trong một nhánh nghiên cứu, các nhà nghiên cứu đã sử dụng phương pháp thí nghiệm/thử nghiệm ngẫu nhiên có kiểm soát (randomized controlled trials – RCT) với cơ chế khá tương đồng như thử nghiệm lâm sàng. Trong nhiều lĩnh vực, các thử nghiệm ngẫu nhiên có kiểm soát được coi là tiêu chuẩn vàng để thiết lập quan hệ nhân quả. Nhóm ba nhà kinh tế Abhijit Banerjee, Esther Duflo, Michael Kremer đã được giải Nobel kinh tế học năm 2019 cho các nghiên cứu xóa đói giảm nghèo sử dụng RCT. Tuy nhiên, phương pháp RCT không thích hợp để điều tra nhiều vấn đề xã hội. Do hạn chế về tài chính, đạo đức hoặc thực tế, nhiều câu hỏi quan trọng - đặc biệt là trong khoa học xã hội - không thể nghiên cứu bằng cách sử dụng một thí nghiệm ngẫu nhiên có kiểm soát. Ví dụ, tác động của việc đóng cửa trường học đối với việc học của học sinh và sự lây lan của vi-rút COVID-19 là gì? Tác động của nhập cư tay nghề thấp đối với việc làm và tiền lương là gì? Các thể chế ảnh hưởng như thế nào đến sự phát triển kinh tế? Việc áp dụng mức lương tối thiểu ảnh hưởng đến việc làm như thế nào? Chúng ta cũng không thể thực hiện một thí nghiệm ngẫu nhiên để xác định ai được học trung học phổ thông và ai không.

Khi trả lời những loại câu hỏi này, các nhà nghiên cứu phải dựa vào dữ liệu quan sát được (observational data), tức là dữ liệu được tạo ra mà không có sự thay đổi từ các thí nghiệm có kiểm soát. Nhưng với dữ liệu quan sát, chúng ta sẽ khó có tình huống có hai nhóm can thiệp và đối chứng hoàn toàn tương đồng. Nếu chúng ta quan sát thấy mức lương tối thiểu và tỷ lệ thất nghiệp có mối tương quan, thì điều này có phải là do mức lương tối thiểu gây ra thất nghiệp không? Hay vì vô số các yếu tố khác ảnh hưởng đến cả thất nghiệp và quyết định đưa ra mức lương tối thiểu? Các nhà nghiên cứu được trao giải Nobel kinh tế học năm 2021 đã nhấn mạnh sử dụng các thí nghiệm tự nhiên/bán thí nghiệm (natural experiment/quasi-experiment) áp dụng cho dữ liệu quan sát được.

 Thử nghiệm tự nhiên/bán thử nghiệm (natural/quasi experiment)

Thử nghiệm/thí nghiệm tự nhiên là các sự kiện phát sinh trong cuộc sống cho phép nhà nghiên cứu mô phỏng lại một tình huống tương tự như một thí nghiệm ngẫu nhiên. Thông thường, các tình huống này xuất hiện từ những thay đổi vĩ mô lớn nằm ngoài tầm kiểm soát của các cá nhân được đánh giá, chẳng hạn các thay đổi chính sách, thể chế, những hiện tượng thời tiết bất thường. Các thí nghiệm tự nhiên khác với các thử nghiệm lâm sàng ở một điểm quan trọng: trong thử nghiệm lâm sàng, nhà nghiên cứu có toàn quyền tiến hành ngẫu nhiên hóa can thiệp (treatment/intervention) vào trong nhóm những người sẽ được cung cấp một phương pháp điều trị (nhóm can thiệp, treatment group) và những người không được cung cấp phương pháp điều trị (nhóm đối chứng/kiểm soát, control group). Nhưng trong thử nghiệm tự nhiên, nhà nghiên cứu không thể phân bổ ngẫu nhiên được các can thiệp cho các nhóm. Đồng thời, có thể xảy ra tình huống các cá nhân có thể tự lựa chọn vào nhóm được can thiệp hay nhóm đối chứng. Điều này làm cho việc giải thích kết quả của một thí nghiệm tự nhiên trở nên khó khăn hơn nhiều.

Trở lại câu hỏi bạn sẽ kiếm được bao nhiêu tiền nếu bạn chọn học lâu hơn. Xem xét dữ liệu về thu nhập của mọi người với các trình độ học vấn khác nhau có thể cho thấy nam giới sinh ra ở Mỹ trong những năm 1930, thu nhập trung bình cao hơn 7% đối với những người có thêm một năm giáo dục. Hình 1 cho thấy mối quan hệ giữa logarit của thu nhập, 𝑦 và số năm đi học, 𝑠, đối với một số cá nhân được quan sát trong Điều tra dân số Hoa Kỳ. Thu nhập và việc đi học rõ ràng có quan hệ thuận chiều nhau. Nếu chúng ta tập trung vào tỷ lệ hoàn thành trung học phổ thông, tức là so sánh các cá nhân có 12 và 11 năm đi học, tỷ suất thu nhập ước tính thậm chí vượt quá 11%. Các ước lượng này có lý thuyết khá vững về vốn con người của Jacob Mincer và những người khác. Tuy nhiên, các ước lượng này chỉ dừng lại ở mối quan hệ tương quan và chưa cho phép chúng ta kết luận rằng một năm học thêm sẽ làm tăng thêm 7% thu nhập. Điều gì có thể dẫn đến kết luận sai lầm?

Hình 1: Tương quan dương giữa thu nhập (log) và số năm đi học

 

 

Lý do chính của sự hoài nghi là thu nhập có thể được gây ra bởi các yếu tố khác cũng ảnh hưởng đến việc lựa chọn số năm đi học. Ví dụ, một cá nhân có tố chất cá nhân tốt thì có thể học nhiều hơn cũng như tạo ra thu nhập cao. Khi này, việc đi học nhiều hơn chưa chắc đã tạo ra thu nhập cao hơn và biểu đồ chỉ đơn giản minh họa rằng những cá nhân có tố chất tốt có thu nhập cao cũng như đi học nhiều hơn.

Để dễ giải thích, chúng ta sử dụng một mô hình đơn giản để giải thích thu nhập (𝑦) theo số năm đi học (𝑠): 𝑦 = 𝑓 (𝑠, 𝑋). 𝑋 chứa các thông tin đặc điểm của các cá thể, chẳng hạn như số năm kinh nghiệm làm việc, giới tính, dân tộc, vùng miền, khu vực làm việc... Nhiều đặc điểm cá nhân có thể quan sát được, nhưng nhiều yếu tố liên quan đến “năng lực cá nhân”, “động lực”, “sự sẵn sàng làm việc chăm chỉ” thì hầu như là không bao giờ có thể quan sát được. Vấn đề nghiêm trọng nhất khi ước lượng mô hình tỷ suất thu nhập của đi học ở đây là một yếu tố khó quan sát của 𝑋 (ví dụ, khả năng cá nhân) có thể ảnh hưởng đến cả 𝑦 và 𝑠. Khi này, việc ước lượng một mô hình không đầy đủ sẽ dẫn đến hậu quả ước lượng tỷ suất thu nhập của đi học bị chệch lên (upward bias), có nghĩa là tỷ suất thu nhập thực thấp hơn con số ước lượng được. Nếu vậy, chúng ta có thể kết luận lầm rằng việc học tạo ra giá trị lớn và tiếp tục khuyến nghị cá nhân học thêm, hay chính phủ đầu tư thêm vào các chương trình giáo dục, dẫn đến lãng phí.

Vậy chúng ta giải quyết vấn đề này như thế nào? Có hai cách làm. Thứ nhất, tìm cách kiểm soát tất cả các đặc điểm cá nhân có liên quan đến thu nhập thông qua các nhân tố đại diện cho nhân tố không quan sát được (proxy). Giả dụ với nhân tố tố chất cá nhân chúng ta có thể dùng các thông tin như bảng điểm hay chỉ số IQ. Nhưng không phải lúc nào chúng ta cũng có những thông tin này, và cũng chưa chắc thông tin về bảng điểm hay IQ là phù hợp với nhân tố không quan sát được. Cách thứ hai là chúng ta sử dụng một thí nghiệm tự nhiên để xem xét liệu những năm học thêm có ảnh hưởng đến thu nhập trong tương lai hay không. Joshua Angrist và đồng nghiệp Alan Krueger (hiện đã qua đời) cho thấy điều này có thể được thực hiện như thế nào thông qua một tình huống nghiên cứu vô cùng thú vị.

Chúng ta có thể hình dung một thí nghiệm tự nhiên như thể nó chia ngẫu nhiên các cá nhân thành một nhóm can thiệp và một nhóm đối chứng. Nhóm can thiệp được quyền tham gia vào một chương trình (học nhiều hơn) trong khi nhóm đối chứng thì không. Về mặt trung bình, khi số mẫu đủ lớn thì hai nhóm này sẽ tương đồng. Do đó, chúng ta có thể so sánh thu nhập của các nhóm này với nhau và sự khác biệt này là do khác biệt về can thiệp (số năm học) gây ra.

Ở Mỹ, luật pháp cho phép trẻ em có thể nghỉ học khi vừa đủ 16 hoặc 17 tuổi, tùy thuộc vào tiểu bang nơi chúng đi học. Vì tất cả trẻ em sinh trong một năm dương lịch cụ thể đều bắt đầu đi học vào cùng một ngày, thường là đầu tháng 9, trẻ em sinh sớm trong năm sẽ được phép nghỉ học sớm hơn trẻ em sinh muộn hơn trong năm. Chẳng hạn, một em bé sinh vào tháng 1 năm 1940 sẽ đủ 16 tuổi vào tháng 1 năm 1956, do đó em học sinh này sẽ được phép nghỉ học khi mới học được 10 năm 4 tháng. Trong khi đó, một em bé sinh vào tháng 12 năm 1940 sẽ không được phép bỏ học cho đến tháng 12/1957, khi em này đã học được 11 năm 4 tháng. Tất nhiên, việc cho phép học sinh bỏ học sớm không đồng nghĩa với tất cả các học sinh đó sẽ bỏ học. Nhiều người đủ điều kiện vẫn học tiếp cho đến khi tốt nghiệp. Việc cho phép bỏ học sớm chỉ giúp nhà nghiên cứu phân biệt được hai nhóm dựa trên thời gian sinh vào quý nào. Khi Angrist và Krueger so sánh những người sinh trong quý đầu tiên và quý thứ tư của cùng một năm, họ thấy rằng nhóm đầu tiên quả thực có số năm học trung bình thấp hơn (Hình 2). Những người sinh vào quý 1 cũng có thu nhập thấp hơn những người sinh vào quý 4. Do thời điểm sinh ra của một con người là ngẫu nhiên, những đứa trẻ sinh cùng năm nhưng khác quý về mặt trung bình là tương đồng. Do đó, có thể kết luận những đứa trẻ học nhiều hơn và có thu nhập cao hơn sau này là quan hệ nhân quả. Nói cách khác, quý sinh có thể được sử dụng làm thí nghiệm tự nhiên để tách ra hai nhóm can thiệp và đối chứng để thiết lập mối quan hệ nhân quả giữa số năm đi học và thu nhập. Điều đáng ngạc nhiên là tác động này lên đến 9%, mạnh hơn mối quan hệ tương quan 7% nêu phía trên. Cách ước lượng với thí nghiệm tự nhiên này được thực hiện thông qua một mô hình hồi quy hai bước với quý sinh được sử dụng làm biến công cụ (instrumental variable) cho số năm đi học.

Hình 2. Số năm đi học thay đổi theo quý và năm sinh

 

 

Thách thức lớn với phương pháp này là tìm kiếm các công cụ hợp lệ từ đâu? Trong ví dụ về tỷ suất thu nhập đi học, chúng ta cố gắng tưởng tượng biến công cụ phải là hiện tượng gây ra sự thay đổi về số năm đi học (điều kiện tương đồng) và không được trực tiếp ảnh hưởng đến thu nhập (điều kiện loại trừ). Quý sinh là một biến khá thú vị bởi có thể lập luận nó thỏa cả hai điều kiện này, nhưng không phải lúc nào cũng vậy. Thực tế thì việc tìm biến công cụ hợp lệ gần giống với nghệ thuật hơn là kỹ thuật. Những tình huống cho phép sử dụng thí nghiệm tự nhiên thường là những sự kiện rất bất thường, chẳng hạn các hiện tượng thời tiết bất thường như bão lụt, thay đổi chính sách đột ngột, thay đổi thể chế, hoặc là kết quả của các lựa chọn ngẫu nhiên như bốc thăm xổ số. Khi đó, sự ngẫu nhiên ngoài ý muốn chia các cá nhân bị ảnh hưởng thành các nhóm đối chứng và hưởng lợi và hạn chế sự tự lựa chọn mẫu (selection into treatment), từ đó giúp các nhà nghiên cứu khám phá các mối quan hệ nhân quả tiềm ẩn trong bộ dữ liệu.

Các lý thuyết do các nhà kinh tế đoạt giải Nobel 2021 phát triển đã thay đổi đáng kể cách nghiên cứu các câu hỏi thực nghiệm bằng cách sử dụng dữ liệu được tạo ra từ các thí nghiệm tự nhiên hoặc thí nghiệm ngẫu nhiên nhưng không tuân thủ đầy đủ (incomplete compliance). Các lý thuyết này nhằm mục đích mô phỏng một thử nghiệm ngẫu nhiên để trả lời câu hỏi nhân quả bằng cách sử dụng dữ liệu quan sát với một tập hợp các giả định ở mức tối thiểu. Họ đã chỉ ra rằng có thể ước tính tác động can thiệp trung bình địa phương (local average treatment effect) khi áp dụng khung kết quả tiềm năng (potential outcome framework) cho suy luận nhân quả với mô hình kinh tế lượng sử dụng biến công cụ. Khung lý thuyết này cũng được sử dụng để xây dựng các phương pháp khác trong phân tích thực nghiệm như hồi quy gián đoạn nhiễu (Fuzzy Regression Discontinuity Design) hay thiết kế khác biệt trong khác biệt (Difference-in-Difference Design).

Chương trình Phân tích Chính sách sẽ đưa vào đầy đủ bộ công cụ phân tích định lượng để giúp học viên có cách tiếp cận hệ thống với các bài toán đánh giá phân tích chính sách với mục tiêu thiết lập quan hệ nhân quả. Môn học nhập môn kinh tế lượng trang bị cho học viên kiến thức căn bản về thống kê và mô hình hồi quy đa biến. Môn học kinh tế lượng ứng dụng trang bị cho học viên các kiến thức nâng cao về mô hình hồi quy với dữ liệu bảng, mô hình biến công cụ, hệ phương trình đồng thời. Việc áp dụng các kiến thức trên vào đánh giá chính sách được đưa vào phần sau của môn học thông qua lý thuyết về khung kết quả tiềm năng áp dụng với các nghiên cứu thực tiễn của Việt Nam và trên thế giới.