Tóm tắt Bài viết sử dụng mơ hình ARIMA nhằm dự báo lượng khách quốc tế đến Việt Nam dựa số liệu công bố Tổng cục Du lịch Việt Nam Bài viết đưa dự báo lượng khách quốc tế đến Việt Nam từ tháng năm 2019 đến tháng năm 2019 với sai số dự báo khoảng 3.5% Từ khoá: dự báo, khách quốc tế, ARIMA Giới thiệu Ở Việt Nam, du lịch dần trở thành ngành kinh tế mũi nhọn nước ta có tiềm du lịch đa dạng phong phú Với lợi đặc biệt vị trí địa lý, kinh tế trị, Việt Nam có nhiều thuận lợi để phát triển du lịch Nằm trung tâm Đông Nam Á, lãnh thổ Việt Nam bao gồm đất liền đại dương, vị trí giao lưu quốc tế thuận lợi đường biển, đường đường hàng không Đây tiền đề quan trọng việc mở rộng phát triển du lịch quốc tế Việc khai thác hiệu tiềm du lịch, khắc phục rủi ro kinh doanh dịch vụ du lịch lên kế hoạch cho chặng đường phát triển vấn đề cấp thiết để phát triển ngành kinh tế du lịch Đồng thời, việc tạo dấu ấn lòng du khách giúp thu hút lượng khách quốc tế đến Việt Nam nâng cao chất lượng ngành du lịch Việt Nam Nhận tầm quan trọng vấn đề này, nhóm tác giả định chọn đề tài: „Dự báo lượng khách quốc tế đến Việt Nam mơ hình SARIMA‟ nhằm đưa số hàm ý sách để giúp du lịch Việt Nam phát triển thời gian tới 1 Các nghiên cứu liên quan Tác giả Tác phẩm Năm Nội dung xuất Engin Forecasting 2015 Dự báo lượng khách du lịch đến Turkey mơ Yilmaz tourist hình SARIMA arrivals to Kết nghiên cứu cho thấy, mô hình SARIMA Turkey cho kết với sai số dự báo nhỏ mơ hình STM (sai số MAPE mơ hình SARIMA 2.95%, sai số MAPE mơ hình STM 4.90%) Như vậy, việc xây dựng mơ hình SARIMA để dự báo lượng khách du lịch đến Turkey cho kết có độ đáng tin cậy cao Chế Khóa luận tốt 2016 Minh nghiệp: Các mơ hình dự báo đơn giản: mơ hình trung bình Hải phương pháp di động, mơ hình trung bình di động có trọng số, Bùi Lê dự báo kinh mơ hình san mũ đơn giản, mơ hình san mũ kép Tuấn tế mơ hình san mũ Holt-Winters Đạt Dự báo lượng khách du lịch đến Việt Nam Kết nghiên cứu cho thấy mơ hình tác giả sử dụng để dự báo cho sai số MAPE > 10% Trong đó, mơ hình san mũ Holt- Winters (mơ hình nhân) cho sai số dự báo nhỏ 10.0976% Nghiêm Ứng dụng mô 2017 Bài viết xây dựng mơ hình SARIMA để đưa dự Phúc hình báo thử nghiệm lượng khách quốc tế đến Việt Hiếu SARIMA dự Nam tháng cuối năm 2017 dự báo lượng báo lượng du khách năm tới khách du lịch Kết dự báo cho thấy, sai số dự báo MAPE đến Việt Nam từ 1.7% đến 12.4% dự báo lượng khách quốc tế tới năm 2020 đến Việt Nam năm tới có xu hướng tăng 2 Dữ liệu phƣơng pháp nghiên cứu 2.1 Dữ liệu Số liệu phục vụ cho đề tài tổng hợp từ liệu báo cáo tổng cục du lịch Việt Nam Cụ thể, nhóm tác giả thu thập lượng khách quốc tế đến Việt Nam (TRAVEL) từ tháng 01/2014 đến tháng 2/2019 gồm 62 quan sát 2.2 Phương pháp nghiên cứu Mơ hình tích hợp trung bình trượt tự hồi quy (mơ hình ARIMA – Auto Regressive Integrated Moving Average) tích hợp từ q trình: Tự hồi quy (AR) số liệu kinh tế - xã hội, trung bình trượt (MA) phần sai số số liệu (hay phần nhiễu ngẫu nhiên) trình tích hợp hay sai phân (I) nhằm biến đổi chuỗi không dừng thành chuỗi dừng trước thực thao tác phân tích dự báo khác Bản chất mơ hình ARIMA dự báo giá trị tương lai biến số (biểu thị theo chuỗi thời gian) dựa giá trị khứ sai số ngẫu nhiên Tuy nhiên, mơ hình ARIMA thích hợp cho việc phân tích, dự báo liệu chuỗi thời gian khơng có yếu tố mùa vụ Một đặc điểm quan trọng liệu chuỗi thời gian kinh tế - xã hội có yếu tố mùa vụ cao, chẳng hạn nghiên cứu nhóm, lượng khách quốc tế đến Việt Nam thường tăng vào tháng hè dịp lễ hội Ngồi ra, nhóm tác giả phát chuỗi có yếu tố mùa vụ chạy lệnh graph seasonal thu kết quả: TRAVEL by Season 1,600,000 1,400,000 1,200,000 1,000,000 800,000 600,000 400,000 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Means by Season Hình Đồ thị xem xét yếu tố mùa vụ chuỗi TRAVEL Từ hình trên, ta thấy khoảng cách biên độ lượng khách du lịch khoảng thời gian lớn nên chuỗi số liệu có yếu tố mùa vụ Vì vậy, nhóm tác giả sử dụng mơ hình ARIMA tách yếu tố mùa vụ để dự báo cho chuỗi số liệu Mơ hình ARIMA Mơ hình ARIMA kết hợp thành phần chính: AR (thành phần tự hồi quy), I (tính dừng chuỗi thời gian) MA (thành phần trung bình trượt) Mơ hình tự tương quan bậc p (viết tắt AR(p)) q trình phụ thuộc tuyến tính giá trị trễ sai số ngẫu nhiên diễn giải sau: Mơ hình trung bình trượt bậc q, viết tắt MA(q), q trình mơ tả hồn tồn phương trình tuyến tính có trọng số sai số ngẫu nhiên hành giá trị trễ Mơ hình viết sau: Mơ hình tự tương quan tích hợp với trung bình trượt có dạng ARIMA (p,d,q), xây dựng dựa tích hợp hai phương trình Phương trình tổng quát là: 2.3 Quy trình dự báo Quy trình dự báo gồm bước: Bƣớc 1: Tách yếu tố mùa vụ Để tách yếu tố mùa vụ khỏi chuỗi, cần thực xác định mơ hình mơ hình nhân tính hay mơ hình cộng tính cách vẽ biểu đồ biên độ dao động mẫu Nếu mơ hình có biên độ dao động thay đổi mơ hình mơ hình nhân tính cịn mơ hình có biên độ dao động khơng đổi sử dụng mơ hình cộng tính Sau sử dụng phương pháp trung bình trượt để tách yếu tố mùa vụ với mơ hình phụ hợp chuỗi loại bỏ yếu tố mùa vụ Bƣớc 2: Kiểm tra tính dừng Nếu chuỗi thời gian gọi dừng trung bình, phương sai, (tại độ trễ khác nhau) giữ nguyên không đổi chúng xác định thời điểm Trung bình: E(Yt)= μ = const Phương sai: Var(Yt) = const Để xem chuỗi thời gian có dừng hay khơng, ta sử dụng mơ hình tự hồi quy Yt = ρYt-1 + Ut, với giả thiết: { + Nếu chuỗi thời gian dừng bậc khơng ta có I(d=0) + Nếu sai phân bậc chuỗi dừng ta có I(d=1) + Nếu sai phân bậc chuỗi dừng ta có I(d=2) Bƣớc 3: Nhận dạng mơ hình Sau kiểm định tính dừng, ta xác định bậc thành phần AR MA thông qua biểu đồ tự tương quan (ACF) biểu đồ tự tương quan riêng phần (PACF) + Nếu chuỗi có dạng AR(p) biểu đồ PACF có hệ số tương quan riêng phần có ý nghĩa thống kê từ tới p giá trị, sau giảm nhanh khơng, đồng thời ACF có hệ số tương quan giảm dần không + Nếu chuỗi có dạng MA(q) biểu đồ ACF có hệ số tương quan có ý nghĩa thống kê từ tới q giá trị sau giảm nhanh khơng Cịn PACF, hệ số tương quan riêng phần giảm dần khơng Bƣớc 4: Ước lượng mơ hình + Kiểm định ý nghĩa thống kê mơ hình + Kiểm định tính ổn định khả nghịch Nếu kiểm định mơ hình lựa chọn khơng thỏa mãn quay lại từ giai đoạn nhận dạng để lựa chọn mơ hình khác hợp lý Bƣớc 5: Kiểm định nhiễu trắng Mơ hình kiểm tra mức độ phù hợp với chuỗi liệu nghiên cứu kiểm định phần dư, theo quy định kiểm định phần dư yêu cầu mơ hình phải vượt qua kiểm định tự tương quan 12 độ trễ liên tiếp Nếu kiểm định mơ hình lựa chọn khơng thỏa mãn quay lại từ giai đoạn nhận dạng để lựa chọn mơ hình khác hợp lý Bƣớc 6: Dự báo Dự báo sau kiểm định sai số, mô hình phù hợp, mơ hình sử dụng vào việc dự báo cách nhân cộng chuỗi tách yếu tố mùa vụ lại với yếu tố mùa vụ tách Các tiêu chí sử dụng để so sánh hiệu dự báo RMSE, MAE R2 Kết Tách yếu tố mùa vụ Để tách yếu tố mùa vụ khỏi chuỗi, nhóm tác giả thực xác định mơ hình mơ hình nhân tính hay mơ hình cộng tính cách sử dụng lệnh line Nhóm tác giả thu đồ thị: 1,600,000 1,400,000 1,200,000 1,000,000 800,000 600,000 400,000 I II III IV 2014 I II III IV 2015 I II III IV 2016 I II III IV 2017 I II III IV 2018 I 2019 Hình Số lượng khách quốc tế đến Việt Nam từ tháng năm 2014 đến tháng năm 2019 Qua đồ thị, nhận thấy liệu có biên độ dao động thay đổi Do đó, nhóm tác giả thực tách yếu tố mùa vụ phương pháp trung bình trượt mơ hình nhân tính thu bảng sau: Scaling Factors: 1.118906 1.183383 1.039582 1.059977 0.929549 0.877714 0.936782 1.031236 0.912886 10 0.907107 11 1.009389 12 1.040328 Bảng Giá trị yếu tố mùa vụ Kiểm định tính dừng Tiếp theo, để thực dự báo cho chuỗi travelsa mơ hình ARIMA chuỗi số liệu sử dụng phải chuỗi dừng Vì cần phải xem xét chuỗi số liệu dừng hay chưa Trước tiên, dựa vào việc quan sát đồ thị chuỗi số liệu, sau tiến hành kiểm tra tính dừng thông qua kiểm định nghiệm đơn vị (Unit Root Test) Null Hypothesis: D(TRAVELSA) has a unit root Exogenous: Constant Lag Length: (Automatic - based on SIC, maxlag=10) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -11.93914 0.0000 Test critical values: 1% level -3.544063 5% level -2.910860 10% level -2.593090 Bảng Kết kiểm định đơn vị chuỗi TRAVEL Theo kết bảng cho thấy, chuỗi travel dừng sai phân bậc Nhận dạng mơ hình Sau kiểm định chuỗi travel dừng sai phân bậc 1, thực chọn bậc AR(p) tối ưu bậc MA(q) tối ưu thông qua thao tác lập mơ hình Correlogram, ta kết sau: Partial Autocorrelation ***| | Correlation ***| | AC PAC Q-StatProb - - 0.421 0.421 11.377 0.001 - | | *| | | | | 0.048 0.158 11.526 0.003 | 0.073 0.037 11.877 0.008 - | | | .| | |* | 0.003 0.068 11.877 0.018 | 0.040 0.092 11.988 0.035 - | | | | 0.009 0.048 11.993 0.062 | | | | 0.048 0.071 12.160 0.095 - | | | | 0.010 0.035 12.167 0.144 | | | | 0.029 0.041 12.229 0.201 | | | | 10 0.041 0.070 12.353 0.262 |* | |** | 11 0.179 0.282 14.817 0.191 - **| | |* | | | 12 0.217 0.031 18.493 0.102 | | 13 0.135 0.011 19.954 0.096 - *| | - *| | 14 0.075 0.107 20.419 0.117 - | | *| | | **| - | - 15 0.031 0.145 20.501 0.154 | 16 10 - 20.743 0.189 0.053 0.224 |* | | | 17 0.117 0.010 21.942 0.187 - *| | *| |* | | .| | | 18 0.121 0.094 23.248 0.181 | |* 19 0.089 0.062 23.974 0.197 | 20 0.060 0.142 24.316 0.229 - *| | *| |* | | - | - 21 0.171 0.099 27.122 0.167 | 22 0.164 0.042 29.760 0.124 - *| | | | 23 0.096 0.060 30.687 0.131 - *| | *| | 24 0.066 0.119 31.144 0.150 - | | | - | - 25 0.016 0.059 31.170 0.183 - - | | | | 26 0.028 0.061 31.259 0.219 | | | | 27 0.070 0.052 31.818 0.239 - | | | | - 28 0.064 0.036 32.293 0.263 Bảng Biểu đồ hàm tự tương quan ACF tự tương quan phần PACF Nhìn vào bảng 3, nhóm tác giả sử dụng hệ số ACF để chọn bậc q cho MA PACF để chọn bậc p cho AR Vì D(TRAVELSA) chuỗi dừng nên ta chọn p,q giá trị nằm khoảng tin cậy (mức ý nghĩa 5%) Do đó, nhóm tác giả lựa chọn AR(1) MA(1,2) 11 Ƣớc lƣợng mô hình Sau kiểm định thực hiện, nhóm tác giả thu kết mơ hình ước lượng sau: Variable Coefficient Std Error t-Statistic Prob C 5585.950 8339.331 0.669832 0.5057 AR(1) 0.944328 0.063067 14.97337 0.0000 MA(1) -1.568844 0.104175 -15.05974 0.0000 MA(2) 0.672848 0.110592 6.084036 0.0000 SIGMASQ 1.72E+09 3.76E+08 4.586405 0.0000 R-squared 0.258456 Mean dependent var 10628.88 Adjusted R-squared 0.205488 S.D dependent var 48598.18 S.E of regression 43318.17 Akaike info criterion 24.28992 Sum squared resid 1.05E+11 Schwarz criterion 24.46295 Log likelihood -735.8427 Hannan-Quinn criter 24.35773 F-statistic 4.879525 Durbin-Watson stat 1.870045 Prob(F-statistic) 0.001904 Inverted AR Roots 94 Inverted MA Roots 78+.24i 78-.24i Bảng Kết ước lượng mô hình Kết hồi quy bảng cho thấy, có ba hệ số có ý nghĩa mức % Từ nhóm tác giả đến kết luận mơ hình có ý nghĩa thơng kê Tiếp đến, nhìn vào hai số inverted AR Roots Inverted MA Roots, hai số nằm khoảng từ (-1 ; 1) Nhóm tác giả đến kết luận mơ hình ổn định khả nghịch 12 Kiểm định phần dƣ Mơ hình sau kiểm tra mức độ phù hợp với chuỗi liệu nghiên cứu kiểm định phần dư Ở kiểm định này, nhóm tác giả thực kiểm định tự tương quan 12 độ trể liên tiếp Autocorrelation Partial Correlation AC PAC Q-Stat Prob | | | | 0.058 0.058 0.2154 | | | | 0.022 0.019 0.2472 | | | | -0.011 -0.014 0.2554 *| | *| | -0.092 -0.091 0.8240 0.364 *| | *| | -0.087 -0.077 1.3418 0.511 *| | *| | -0.095 -0.084 1.9695 0.579 | | | | -0.023 -0.013 2.0068 0.735 | | | | 0.013 0.009 2.0200 0.846 |* | |* | 0.105 0.091 2.8371 0.829 |* | |* | 10 0.172 0.146 5.0543 0.653 |* | |* | 11 0.176 0.154 7.4392 0.490 *| | *| | 12 -0.153 -0.186 9.2864 0.411 Bảng Biểu đồ tương quan bình phương phần dư Biểu đồ ACF phần dư bảng cho thấy, khơng có vượt q hai đường biên hay nói cách khác, khơng có tự tương quan 12 độ trễ liên tiếp Do đó, sai số nhiễu trắng, mơ hình thông qua kiểm định nhiễu trắng Dự báo Để thực dự báo, nhóm tác giả tiến hành dự báo toàn mẫu từ tháng năm 2014 đến tháng năm 2019 thu kết quả: 13 2,500,000 2,000,000 1,500,000 1,000,000 500,000 -500,000 IIIIIIIVI II III IV 2014 2015 IIIIIIIVI 2016 TRAVELSAF II III IV I II III IV 2017 2018 I Forecast: TRAVELSAF Actual: TRAVELSA Forecast sample: 2014M01 2019M02 Adjusted sample: 2014M03 2019M02 Included observations: 60 Root Mean Squared Error 175129.2 Mean Absolute Error 149184.2 Mean Abs Percent Error 16.16709 Theil Inequality Coefficient 0.094635 Bias Proportion 0.039058 Variance Proportion 0.885102 Covariance Proportion 0.075840 Theil U2 Coefficient 3.311885 Symmetric MAPE 16.09700 2019 ± S.E Hình Kết dự báo chuỗi TRAVELSA từ tháng năm 2014 đến tháng năm 2019 Sau sử dụng lệnh “line” để xem xét vị trí tương quan hai đường TRAVELSA TRAVELSAF Từ chọn đoạn có sai số nhỏ để xem kết dự báo có đáng tin cậy hay khơng 1,400,000 1,300,000 1,200,000 1,100,000 1,000,000 900,000 800,000 700,000 600,000 500,000 I IIIIIIVI 2014 II III IV I II III IVI IIIIIIVI 2015 2016 TRAVELSA II III IV 2017 2018 I 2019 TRAVELSAF Hình Đồ thị phân phối chuỗi TRAVELSA chuỗi TRAVELSAF 14 Quan sát hình 4, nhận thấy đoạn từ tháng năm 2016 đến tháng năm 2016, hai đường TRAVELSA TRAVELSAF cắt có chênh lệch khơng đáng kể Do đó, nhóm tác giả định chọn đoạn để xem xét chất lượng dự báo đoạn 2016m01-2016m06 1,000,000 960,000 Forecast: TRAVELSAF Actual: TRAVELSA 920,000 Forecast sample: 2016M01 2016M06 Included observations: Root Mean Squared Error 29300.85 Mean Absolute Error 26162.15 Mean Abs Percent Error 3.511622 Theil Inequality Coefficient 0.019035 Bias Proportion 0.235391 Variance Proportion 0.276336 Covariance Proportion 0.488274 Theil U2 Coefficient 0.565870 Symmetric MAPE 3.450525 880,000 840,000 800,000 760,000 720,000 680,000 640,000 M1 M2 M3 M4 M5 M6 2016 TRAVELSAF ± S.E Hình Kết dự báo chuỗi TRAVELSA từ tháng năm 2016 đến tháng năm 2016 Chúng ta thấy số mean Abs.Percent Error = 3.511622 % < 5%, chứng minh kết dự báo tin cậy, tiến hành dự báo ngồi mẫu 15 Để thực dự báo ngồi mẫu, nhóm tác giả mở rộng liệu đến tháng năm 2019 tiến hành dự báo lượng khách quốc tế đến Việt Nam từ tháng năm 2019 đến tháng năm 2019 1,500,000 1,450,000 1,400,000 1,350,000 1,300,000 1,250,000 1,200,000 2019m3 2019m4 TRAVELSAF 2019m5 2019m6 ± S.E Hình Kết dự báo chuỗi TRAVELSA từ tháng năm 2019 đến tháng năm 2019 Bước tiếp theo, dự báo cho chuỗi gốc TRAVEL cách sử dụng lệnh “genr travel=travelsa*s” thu bảng kết quả: Thời gian Lượng khách quốc tế đến Việt Nam 2019M03 1395751 2019M04 1428420 2019M05 1257322 2019M06 1191643 Bảng Kết dự báo lượng khách quốc tế đến Việt Nam từ tháng năm 2019 đến tháng năm 2019 16 Sau đó, dùng lệnh “line travelf travel” để vẽ đồ thị dự báo cho chuỗi gốc 1,600,000 1,400,000 1,200,000 1,000,000 800,000 600,000 400,000 I IIIIIIV I II III IV I 2014 2015 II III IV I II III IV I II III IV I II 2016 2017 2018 2019 TRAVELF travel Hình Đồ thị dự báo lượng khách quốc tế đến Việt Nam từ tháng năm 2019 đến tháng năm 2019 Kết luận gợi ý sách 4.1 Kết luận Bài nghiên cứu sử dụng phương pháp BoxJenkins (1976) để lập mơ hình dự báo lượng khách quốc tế đến Việt Nam Kết cho thấy mơ hình phù hợp mơ hình ARIMA tách yếu tố mùa vụ dự báo tháng (từ tháng năm 2019 đến tháng năm 2019) lượng khách du lịch đến Việt Nam có xu hướng giảm không đồng Tháng năm 2019, dự báo lượng khách du lịch giảm từ 1588161 lượt xuống 1395751 lượt Nhưng đến tháng năm 2019, lượng du khách dự báo tăng lên 1428420 lượt (tức tăng khoảng 32669 lượt khách) Tháng năm 2019, lượng du khách dự báo giảm đáng kể xuống 1191643 lượt khách 17 Tuy nhiên, có nhiều yếu tố tác động đến lượng khách du lịch đến Việt Nam thời tiết, thị hiếu du lịch, ảnh hưởng đến kết dự báo, việc dự báo lượng khách du lịch đến Việt Nam tương lai tồn sai số định Dù kết nghiên cứu phần cung cấp thông tin nghiên cứu thiết thực cho nhà làm sách cơng ty du lịch việc tìm kiếm giải pháp thích hợp để phòng ngừa rủi ro phát triển ngành kinh tế du lịch Việt Nam 4.2 Gợi ý sách Với kết dự báo trên, nhóm tác giả nhận thấy lượng khách du lịch quốc tế đến Việt Nam có xu hướng giảm thời gian tới, nhóm tác giả gợi ý số hàm ý sách nhằm thu hút khách du lịch quốc tế, tạo ấn tượng tốt với du khách Do đó, ngành du lịch cần trọng phát triển sở vật chất hạ tầng du lịch, nâng cao chất lượng ngành dịch vụ, chuân bị tốt nguồn nhân lực đáp ứng yêu cầu chất lượng, ngoại ngữ tốt, cấu ngành nghề tính chun nghiệp Bên cạnh đó, ngành du lịch nên tăng cường công nghệ thông tin đại, khai thác hiệu Internet, báo chí truyền thông để phục vụ cho công tác quảng bá du lịch Việt Nam thị trường trọng điểm Đồng thời, việc tăng cường hội nhập hợp tác quốc tế du lịch giải pháp hiệu việc mở rộng phát triển du lịch Việt Nam 18 Danh mục tài liệu tham khảo TIẾNG VIỆT GS.TS Nguyễn Quang Dong, TS.Nguyễn Thị Minh, khoa Toán kinh tế, Đại học Kinh tế Quốc dân, 2013, Giáo trình Kinh tế lượng Chế Minh Hải Bùi Lê Tuấn Đạt, 2016, Các phương pháp dự báo kinh tế, Trường Đại học Sài Gịn, Khóa luận tốt nghiệp Trường ĐH Kinh tế - Luật, tháng năm 2018, Chuyên san Kinh tế Tài Ngân hàng số 15 Nghiêm Phúc Hiếu, 2017, Ứng dụng mơ hình SARIMA dự báo lượng khách du lịch đến Việt Nam tới năm 2020 TIẾNG ANH Engin Yilmaz, 2015, Forecasting tourist arrivals to Turkey NGUỒN SỐ LIỆU: Tổng cục Du lịch Việt Nam 19 ... Ứng dụng mô 2017 Bài viết xây dựng mơ hình SARIMA để đưa dự Phúc hình báo thử nghiệm lượng khách quốc tế đến Việt Hiếu SARIMA dự Nam tháng cuối năm 2017 dự báo lượng báo lượng du khách năm tới khách. .. hình dự báo lượng khách quốc tế đến Việt Nam Kết cho thấy mơ hình phù hợp mơ hình ARIMA tách yếu tố mùa vụ dự báo tháng (từ tháng năm 2019 đến tháng năm 2019) lượng khách du lịch đến Việt Nam có... lượng du khách năm tới khách du lịch Kết dự báo cho thấy, sai số dự báo MAPE đến Việt Nam từ 1.7% đến 12.4% dự báo lượng khách quốc tế tới năm 2020 đến Việt Nam năm tới có xu hướng tăng 2 Dữ liệu