Đánh giá Chính sách (program evaluation/impact evaluation) là môn học cuối cùng trong chuỗi ba môn học nối tiếp về tính toán và phân tích dữ liệu của trường Chính sách Công và Quản lý Fulbright. Để đủ điều kiện học môn này, học viên phải trải qua hai học kỳ bắt buộc về Thống kê xác suất, Nhập môn Kinh tế lượng, và Kinh tế lượng Ứng dụng.
Từ năm 2018, trường Chính sách Công và Quản lý Fulbright đã phối hợp với Giáo sư Edmund Malesky tại Đại học Duke (Hoa Kỳ), chuyên gia kinh tế hàng đầu và là người đóng vai trò nền tảng với hai bộ chỉ số Năng lực cạnh tranh cấp tỉnh (PCI) và chỉ số Hiệu quả quản trị và hành chính công (PAPI) ở Việt Nam, để xây dựng chương trình môn học Đánh giá Chính sách.
Trọng tâm của ba môn học định lượng (Thống kê xác suất, Nhập môn Kinh tế lượng, và Kinh tế lượng Ứng dụng) nhằm cung cấp cho học viên những kỹ năng và kiến thức cần thiết để tự nghiên cứu và xây dựng các chương trình đánh giá chính sách hoàn chỉnh. Đó là các kỹ năng, kiến thức về xây dựng mô hình, các kiểm định độ vững, các thuật toán tính toán, thiết kế mẫu điều tra, đánh giá và phân tích kết quả, với trọng tâm là thiết lập mối quan hệ nhân quả (causal inference) giữa một bên là can thiệp chính sách (treament intervention) với kết quả xảy ra (outcome).
Giáo sư Edmund Malesky tại Đại học Duke (Hoa Kỳ) giảng dạy môn học tại Trường Chính sách Công và Quản lý Fulbright
Các công cụ tính toán và phân tích xử lý dữ liệu thông thường chỉ giúp nhận diện các xu hướng, các đặc tính, các mối quan hệ tiềm ẩn giữa các biến số trong các bộ dữ liệu. Tuy nhiên, khi áp dụng vào các vấn đề kinh tế xã hội, học viên còn phải đảm bảo có nền tảng mạnh trong các lĩnh vực chuyên môn về kinh tế học vĩ mô, vi mô, tài chính, hay môi trường. Thực tế đây là môn học kết hợp giữa thống kê, kinh tế học, tối ưu hóa, và khoa học máy tính.
Vì sao đánh giá chính sách?
Mục tiêu của đánh giá chính sách là nhận định tác động của một chính sách can thiệp và đưa ra các khuyến nghị phù hợp. Để làm vậy, các nhà nghiên cứu phải thiết lập được quan hệ nhân quả (causal effect) — nguyên nhân A gây ra tác động B. Điều này đồng nghĩa với (1) thiết lập được cơ chế lan truyền từ nguyên nhân A đến kết quả B, và (2) loại bỏ được tác động của các nhân tố gây nhiễu (confounding factors).
Ví dụ, trong nghiên cứu chính sách giáo dục, một câu hỏi kinh điển là số năm đi học ảnh hưởng như thế nào đến thu nhập của người lao động. Nếu tỉ suất thu nhập của việc đi học là cao, rõ ràng chính phủ nên đầu tư nhiều hơn nữa cho các chính sách khuyến học, bao gồm cả phổ cập giáo dục đến hết cấp trung học phổ thông. Ngược lại, chính phủ có lẽ nên hạn chế bớt tiền đầu tư vào các cấp giáo dục bắt buộc và ưu tiên cho những chương trình đào tạo tay nghề. Vấn đề rắc rối ở chỗ số năm đi học thường tương quan với những tố chất cá nhân không quan sát được, và những tố chất cá nhân này cũng tương quan với thu nhập, khiến cho việc bóc tách được tác động của số năm đi học lên thu nhập vô cùng phức tạp.
Chúng ta có thể quan sát thấy thu nhập và số năm đi học có thể mối tương quan đồng biến, nhưng chỉ kết luận được về mối quan hệ nhân quả khi làm rõ được thu nhập tăng bao nhiêu là do số năm đi học tạo ra chứ không phải do nhân tố tố chất cá nhân gây ra (vốn không can thiệp hay thay đổi được bằng các chính sách vĩ mô). Nếu không có thiết kế nghiên cứu hợp lý, chúng ta chỉ có thể kết luận được về mối tương quan cùng chiều (correlation) giữa A (số năm đi học) và B (thu nhập). Các phân tích kinh tế lượng thuần túy không cho phép thiết lập được quan hệ nhân quả giữa A và B — do đó khả năng khuyến nghị chính sách rất hạn chế.
Mục tiêu của đánh giá chính sách là nhận định tác động của một chính sách can thiệp và đưa ra các khuyến nghị phù hợp.
Môn học đánh giá chính sách làm rõ hai cách tiếp cận nhằm vào xây dựng quan hệ nhân quả: Thứ nhất là xây dựng chương trình đánh giá bằng thử nghiệm ngẫu nhiên có kiểm soát (randomized controlled trials – RCT). Thứ hai là xây dựng các mô hình kinh tế lượng để áp dụng vào các bộ dữ liệu điều tra có sẵn (observational studies).
Ba nhà kinh tế học Esther Duflo, Abhijit Banerjee và Michael Kremer đã đoạt giải Nobel kinh tế học năm 2019 về phát triển các phương pháp nghiên cứu thử nghiệm bằng RCT để ứng dụng trong các chương trình xóa đói giảm nghèo toàn cầu. Học viên sẽ được làm quen với các thiết kế đánh giá phổ biến như thiết kế thử nghiệm lâm sàng truyền thống (classical clinical design) có nguồn gốc từ thử nghiệm thuốc trong lĩnh vực y học, thiết kế thử nghiệm nhóm (cluster design), thiết kế lan tỏa (spillover design), cho đến thiết kế thử nghiệm khuyến khích (encouragement design) khi đánh giá các chính sách hay can thiệp mang tính phổ quát.
Lựa chọn mẫu đánh giá chính sách
Hạt nhân của các phương pháp đánh giá tác động can thiệp là xây dựng nhóm hưởng lợi và nhóm đối chứng hoàn toàn tương đồng, và can thiệp được phân bổ ngẫu nhiên giữa các nhóm – để đảm bảo chúng ta so sánh được các đối tượng với nhau và không có vấn đề tự lựa chọn mẫu (sample selection). Vấn đề lựa chọn mẫu có thể xảy ra nếu chương trình can thiệp không đảm bảo vấn đề tuân thủ (compliance) khi phân bổ can thiệp vào các đối tượng nghiên cứu.
Ví dụ các chương trình cho vay tín dụng luôn xảy ra tình huống lựa chọn mẫu dẫn đến các đánh giá về hiệu quả vay vốn thường bị thổi phồng so với thực tế. Từ các nguyên lý căn bản trên, khi không có điều kiện đánh giá tác động can thiệp bằng các thiết kể thử nghiệm ngẫu nhiên, các mô hình kinh tế lượng sẽ được sử dụng với dữ liệu quan sát được để mô phỏng lại các thử nghiệm ngẫu nhiên.
Do đó, môn học giúp học viên xây dựng các mô hình kinh tế lượng từ căn bản như phương pháp hồi quy sử dụng dữ liệu bảng, phương pháp biến công cụ, đến những phương pháp phức tạp hơn như ghép cặp (matching), hồi quy gián đoạn (regression discontinuity design), xây dựng nhóm đối chứng nhân tạo (synthetic control), và kết hợp với các thuật toán phức tạp tận dụng sự sẵn có của dữ liệu lớn để giải quyết những bài toán liên quan đến đánh giá tác động chính sách.
Trong các năm qua, các môn định lượng của chương trình thạc sỹ phân tích chính sách dần có sự thay đổi, với sự xuất hiện của các module liên quan đến data science, big data, thiết kế mẫu và phân tích định tính.
Thời gian tới, môn học sẽ tiếp tục phát triển các cấu phần này với ứng dụng vào các lĩnh vực đang phát triển bao gồm fintech, hệ thống giao thông vận tải, bất động sản, năng lượng và môi trường. Khoa học dữ liệu ngày càng trở nên phổ biến trong các chương trình thạc sỹ chính sách công, kinh tế học và quản trị tại các trường đại học hàng đầu thế giới.
Tiến sĩ Lê Việt Phú
