LỜI CAM ĐOAN . i
LỜI CẢM ƠN . ii
MỤC LỤC . iii
DANH MỤC CÁC TỪ VIẾT TẮT . vi
DANH MỤC BẢNG . vii
DANH MỤC HÌNH . ix
PHẦN MỞ ĐẦU . 1
CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU . 7
1.1 Tổng quan nghiên cứu về sinh kế. 7
1.1.1. Cách tiếp cận của UNDP . 7
1.1.2. Cách tiếp cận của CARE . 9
1.1.3. Cách tiếp cận của DFID . 10
1.2 Tổng quan nghiên cứu về tính dễ bị tổn thương trong bối cảnh biến đổi khí
hậu . 11
1.2.1 Cách tiếp cận tính dễ bị tổn thương . 11
1.2.2 Các thành phần chính của dễ bị tổn thương . 13
1.2.3 Phương pháp đánh giá tính dễ bị tổn thương .14
1.2.4 Các khung phân tích tính dễ bị tổn thương . 17
1.3 Tổng quan nghiên cứu phương pháp chỉ số để đo lường tính dễ bị tổn
thương sinh kế trong bối cảnh biến đổi khí hậu . 25
1.4 Tổng quan tác động của các thành phần dễ bị tổn thương đến kết quả sinh
kế trong bối cảnh xâm nhập mặn . 27
1.4.1 Tổng quan tác động của mức độ phơi lộ đến kết quả sinh kế . 28
1.4.2 Tổng quan tác động của mức độ nhạy cảm đến kết quả sinh kế. 30
1.4.3 Tổng quan tác động của năng lực thích ứng đến kết quả sinh kế. 33
1.4.4 Tổng quan vai trò điều tiết của năng lực thích ứng . 34
1.5 Khoảng trống nghiên cứu . 35
1.6 Tóm tắt chương 1 . 36
CHƯƠNG 2: CƠ SỞ LÝ LUẬN . 38
2.1 Sinh kế và khung sinh kế bền vững . 38
2.1.1 Sinh kế và sinh kế bền vững . 38
2.1.2 Khung sinh kế bền vững của DFID (2001) . 39
2.2 Tính dễ bị tổn thương của sinh kế trong bối cảnh xâm nhập mặn . 40
197 trang |
Chia sẻ: honganh20 | Ngày: 10/03/2022 | Lượt xem: 367 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu Luận án Tính dễ bị tổn thương và kết quả sinh kế trong bối cảnh xâm nhập mặn vùng đồng bằng sông Cửu Long, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
khoảng 85-89%), tiếp đến là dân tộc
Khơme (trong khoảng 10-14%), dân tộc khác chiếm tỷ trọng nhỏ.
Theo tiểu vùng và theo độ mặn
Theo Quyết định số 68/QĐ-TTg của Thủ tướng chính phủ ngày 15/01/2018 về
việc phê duyệt Điều chỉnh quy hoạch xây dựng vùng đồng bằng sông Cửu Long đến
năm 2030 và tầm nhìn đến năm 2050, vùng đồng bằng sông cửu Long được phân thành
3 tiểu vùng: “tiểu vùng ngập sâu, tiểu vùng giữa đồng bằng, và tiểu vùng ven biển. Tiểu
vùng ngập sâu hay còn gọi là tiểu vùng thượng nguồn (gồm các tỉnh Đồng Tháp, An
Giang, Long An). Tiểu vùng giữa (gồm các tỉnh Tiền Giang, Vĩnh Long, Cần Thơ, Hậu
76
Giang, và một phần diện tích của Bến Tre, Trà Vinh, Sóc Trăng, Bạc Liêu). Tiểu vùng
ven biển (bao gồm một phần diện tích các tỉnh Tiền Giang, Bến Tre, Trà Vinh, Sóc
Trăng, Kiên Giang, và phần lớn diện tích tỉnh Bạc Liêu, Cà Mau)”. Nghiên cứu này xem
xét 8 tỉnh và được phân vùng lại như sau: Tiểu vùng thượng nguồn (Long An), tiểu vùng
giữa (Tiền Giang, Bến Tre), tiểu vùng ven biển (Trà Vinh, Kiên Giang, Sóc Trăng, Bạc
Liêu và Cà Mau). Do vậy cơ cấu hộ theo tiểu vùng có sự chênh lệch tương đối lớn, cụ
thể tiểu vùng ven biển có quy mô hộ lớn nhất với 240-243 hộ tương ứng gần 51%, trong
khi đó tiểu vùng thượng nguồn dao động trong khoảng 11%, còn lại khoảng 38% hộ
trong tiểu vùng giữa (Bảng 3.6).
Bảng 3.6: Cơ cấu mẫu nghiên cứu giai đoạn 2014-2018 theo tiểu vùng và độ mặn
2014 2016 2018
Hộ % Hộ % Hộ %
480 100 477 100 477 100
Tiểu vùng
Tiểu vùng thượng nguồn 54 11,25 54 11,32 54 11,32
Tiểu vùng giữa 183 38,13 183 38,36 183 38,36
Tiểu vùng ven biển 243 50,63 240 50,31 240 50,31
Độ mặn
Nhóm 1 141 29,38 66 13,84 111 23,27
Nhóm 2 75 15,63 81 16,98 93 19,50
Nhóm 3 66 13,75 123 25,79 99 20,75
Nhóm 4 93 19,38 141 29,56 96 20,13
Nhóm 5 105 21,88 66 13,84 78 16,35
Nguồn: Tính toán của tác giả
Bảng 3.6 cũng cho thấy, nếu phân chia cỡ mẫu theo độ mặn (nhóm 1 đến nhóm
5 tương ứng với 20% hộ mỗi nhóm nằm trong địa bàn có độ mặn từ thấp đến cao) thì
cơ cấu hộ chênh lệch không đáng kể, tỷ lệ này dao động trong khoảng hơn 13% đến
hơn 29%.
77
3.3 Phương pháp xử lý dữ liệu
Nghiên cứu này đã sử dụng Bộ dữ liệu Điều tra mức sống hộ gia đình của Tổng
cục Thống kê Việt Nam để nối các năm 2014, 2016 và 2018 thông qua mã Tinh,
huyen, xa, diaban, hoso tại các khu vực xâm nhập mặn của ĐBSCL nhằm tạo ra bộ dữ
liệu tương thích với dữ liệu xâm nhập mặn. Vì chỉ nghiên cứu các khu vực bị ảnh
hưởng bởi xâm nhập mặn ở ĐBSCL nên nghiên cứu này sử dụng dữ liệu mảng không
cân bằng nhằm mục đích tăng số quan sát để đảm bảo phân tích thống kê và ước lượng
mô hình hồi quy tác động cố định cấp xã (sẽ được bàn luận trong phần 3.3.2).
3.3.1 Phương pháp tính toán chỉ số dễ bị tổn thương sinh kế
Như trên đã đễ cập, chỉ số dễ bị tổn thương sinh kế được xây dựng dựa trên
khái niệm của IPCC bao gồm ba biến chỉ số chính: mức độ tiếp xúc (E), độ nhạy cảm
(S) và khả năng thích ứng (A). Đối với từng biến chỉ số chính E, S và A thì có các biến
chỉ số phụ E1 ÷ En, S1 ÷ Sn, A1 ÷ An. Đối với từng biến chỉ số phụ lại có thể có các
biến thành phần con tương ứng E11 ÷ E1n, En1 ÷ Enn, S11 ÷ S1n, Sn1 ÷ Snn, và A11 ÷ A1n,
An1÷Ann. (Ví dụ: Mức độ nhạy cảm (S) bao gồm các biến phụ: nguồn nước (S1), nguồn
thực phẩm (S2), và sức khỏe (S3) và (S1) lại có các biến thành phần con như: Nguồn
nước chính cho sinh hoạt (S11), Nguồn nước sinh hoạt không được xử lý (S12))
Việc tính toán xác định các chỉ số chính, chỉ số phụ và các chỉ số thành phần
con tương ứng được sơ đồ hóa như Hình 3.1:
Hình 3.1: Sơ đồ tính toán chỉ số dễ bị tổn thương sinh kế
Nguồn: Tác giả xây dựng
Ở mỗi chỉ số phụ của LVI, dữ liệu sẽ được sắp xếp theo ma trận hình chữ nhật
với các hàng thể hiện mỗi hộ gia đình và các cột thể hiện các chỉ số thành phần. Giả sử
M là các hộ gia đình, và K là các chỉ số thành phần mà ta đã thu thập được. Gọi Xij là
giá trị của chỉ số thành phần j tương ứng với hộ i. Khi đó bảng dữ liệu sẽ có M hàng K
78
cột như Bảng 3.7:
Bảng 3.7: Bảng sắp xếp dữ liệu chỉ số thành phần theo hộ gia đình
Hộ Chỉ số phụ
1 2 J K
1 X11 X12 X1J X1K
2 X21 X22 X2J X2K
i Xi1 Xi2 XiJ XiK
M XM1 XM2 XMJ XMK
Nguồn: Tác giả xây dựng
a/ Xác định chỉ số thành phần
Bước 1: Chuẩn hóa chỉ số thành phần
Rõ ràng các chỉ số sẽ khác nhau do đơn vị tính không giống nhau. Để có thể tính
toán và so sánh được, các con số này cần được chuẩn hóa và nghiên cứu này áp dụng
phương pháp chuẩn hóa được sử dụng trong Báo cáo Chỉ số phát triển con người HDI
(Chương trình Phát triển của Liên Hợp Quốc, 2006). Phương pháp này cũng được rất
nhiều tác giả sử dụng (Nguyễn Văn Quỳnh Bôi và Đoàn Thị Thanh Kiều (2012); Hahn
và cộng sự (2009); Lê Quang Cảnh và cộng sự (2009); Shah và cộng sự (2013); Lê
Ngọc Tuấn (2017); Ngoc Tuan Le và Xuan Hoang Tran (2017)...).Theo đó, để các dữ
liệu không còn phụ thuộc vào đơn vị, đầu tiên, chúng cần được chuẩn hóa theo công
thức (1) để nằm trong khoảng từ 0 đến 1 và quá trình chuẩn hóa được thực hiện cho
cấp thấp nhất là E11 ÷ E1n, En1 ÷ Enn, S11 ÷ S1n, , Sn1 ÷ Snn, và A11 ÷ A1n, An1 ÷ Ann.
Xij’=
(1)
Trong đó:
Xij’: giá trị chuẩn hóa;
79
Xij: giá trị quan sát i;
Xijmin: giá trị nhỏ nhất của dữ liệu quan sát;
Xijmax: giá trị lớn nhất của dữ liệu quan sát.
Bước 2: Xác định trọng số cho các chỉ số thành phần
Như đã đề cập ở trên, chỉ số dễ bị tổn thương gồm ba biến chỉ số chính, mỗi
biến chỉ số chính lại có các biến chỉ số phụ và mỗi biến chỉ số phụ lại có thể có các
biến thành phần con tương ứng. Trên thực tế giá trị đóng góp của từng biến thành
phần con vào biến chỉ số phụ cũng như giá trị đóng góp của biến chỉ số phụ vào các
biến chỉ số chính là khác nhau. Do đó việc cần thiết sau khi chuẩn hóa được các số
liệu đầu vào là việc xác định trọng số cho từng yếu tố.
Theo Hà Hải Dương (2014), hiện nay phương pháp xác định trọng số được sử
dụng tựu chung lại ở 3 phương pháp sau:
(i) Phương pháp xác định trọng số cân bằng
Phương pháp này coi giá trị của các yếu tố đóng góp vào chỉ số dễ bị tổn
thương là như nhau, do đó trọng số của từng yếu tố sẽ có giá trị bằng 1. Cách xác
định trọng số theo phương pháp này chỉ là lấy bình quân giá trị của các yếu tố đóng
góp vào chỉ số tình trạng dễ bị tổn thương. Phương pháp này được Hahn và cộng sự
(2009), Lê Quang Cảnh và cộng sự (2016), Sullivan và cộng sự (2002) áp dụng.
(ii) Phương pháp xác định trọng số không cân bằng
Phương pháp này có 2 cách xác định trọng số đó là (i) theo phán đoán của
chuyên gia, (ii) theo số lượng thành phần của yếu tố phụ đóng góp vào yếu tố chính và
(iii) theo phương pháp của Iyengar và Sudarshan (1982) xây dựng một phương pháp
để tính các chỉ số hỗn hợp từ dữ liệu đa biến và phương pháp này được dùng để xếp
hạng các địa phương theo khả năng hoạt động kinh tế.
(iii) Phương pháp xác định trọng số bằng kỹ thuật đa biến
Vì dữ liệu dùng để xây dựng chỉ số dễ bị tổn thương vốn là dữ liệu đa biến nên
có thể dùng các công cụ phân tích thống kê đa biến để tìm ra trọng số cho các chỉ thị
và phân loại các vùng.
Như đã đề cập, tất cả các phương pháp xác định trọng số trên đều được áp dụng
trong việc xây dựng chỉ số dễ bị tổn thương tuy nhiên phương pháp trọng số cân bằng
đã vướng phải một số chỉ trích bởi các trọng số bằng nhau được đưa ra cho các chỉ số
thành phần khác nhau. Do vậy, Iyengar và Sudarshan (1982) đã đề xuất một phương
pháp tương tự nhưng họ đã sử dụng các trọng số khác nhau cho các chỉ số thành phần
80
khác nhau. Và phương pháp này được cho là phù hợp hơn để xây dựng chỉ số dễ bị tổn
thương tổng hợp (Hassan, 2017).
Trong khuôn khổ mục tiêu và nội dung của luận án này cũng như áp dụng vào
điều kiện thực tế của số liệu Việt Nam, trọng số của các yếu tố sẽ được xác định theo
phương pháp của Iyengar và Sudarshan (1982). Phương pháp này cũng được Nguyễn
Duy Hiền (2016) áp dụng khi nghiên cứu xây dựng mô hình đánh giá tác động của
biến đổi khí hậu đến một số lĩnh vực kinh tế -xã hội cho thành phố Đà Nẵng. Murthy
và cộng sự (2014) cũng áp dụng phương pháp này khi phân tích tính dễ bị hạn hán
nông nghiệp ở cấp huyện thông qua chỉ số tổng hợp dựa trên mức độ phơi lộ, mức độ
nhạy và khả năng thích ứng. Tương tự, Hiremath và Shiyani (2012) đã đánh giá tính dễ
bị tổn thương đối với biến đổi khí hậu ở Ấn Độ theo phương pháp này
Theo phương pháp của Iyengar và Sudarshan thì các trọng số được giả định là tỉ lệ
nghịch với phương sai của chỉ tiêu dễ bị tổn thương và được tính theo công thức (2):
= !"#$(%) (2)
Trong đó c là hằng số chuẩn hóa được xác định bởi:
c= &∑ !"#$(%)'( )
(3)
Bước 3: Xác định các chỉ số thành phần mới
Sau khi chuẩn hóa, chỉ số dễ bị tổn thương sinh kế được xây dựng mới bằng cách
nhân trọng số với tất cả các chỉ số/thành phần và được xác định bằng công thức (4):
Xij,, = wj * Xij, (4)
Trong đó:
Xij’’: Chỉ số thành phần thứ i hộ j có trọng số;
wj: Trọng số của thành phần được tính trong bước (2) ;
Xij’: Chỉ số thành phần thứ i hộ j được chuẩn hóa
b/ Xác định các chỉ số phụ
Sau khi xác định được các chỉ số thành phần có trọng số, chỉ số phụ (E1-En, S1-
Sn, A1-An) được xác định bằng công thức (5):
CF = (∑ ′′+,(- ) (5)
81
Trong đó:
CF: Chỉ số phụ
Xij’’: Chỉ số thành phần thứ i hộ j có trọng số được xác định tại công thức (4);
c/ Xác định các chỉ số chính
Lặp lại lần 2 việc chuẩn hóa và tính trọng số chỉ số phụ như các chỉ số thành
phần theo công thức (1), (2) và (3). Sau đó chỉ số chính được tính theo công thức (6):
CE = (∑ ./′ 012+,(- ) (6)
Trong đó:
CF’: Chỉ số phụ đã được chuẩn hóa
Wcf: Trọng số của từng chỉ số phụ;
d/ Xác định chỉ số dễ bị tổn thương sinh kế
Sau khi tính toán các chỉ số chính của E, S, A tiếp tục chuẩn hóa thuận và sau đó
tính toán trọng số cho chỉ số chính, được wE, wS, wA là trọng số của các chỉ số phơi
nhiễm, nhạy cảm và năng lực thích ứng.
Trong đó: wE + wS + wA=1
Chỉ số dễ bị tổn thương cuối cùng được tính theo công thức sau:
LVI=E*We + S*Ws + A*Wa (7)
Trong đó:
LVI là chỉ số dễ bị tổn thương sinh kế (LVI nằm trong khoảng từ 0 (tổn thương
ít nhất) và 1 (tổn thương nhất)).
E, S, A lần lượt là mức độ phơi nhiễm, nhạy cảm và năng lực thích ứng
wE, wS, wA là trọng số của các chỉ số phơi nhiễm, nhạy cảm và năng lực thích ứng.
Như vậy có thể tóm tắt quy trình xác định và tính toán chỉ số dễ bị tổn
thương sinh kế như hình 3.2, chi tiết tính toán LVI trong phụ lục 2 đính kèm:
82
Hình 3.2: Quy trình xác định và tính toán chỉ số dễ bị tổn thương sinh kế
Nguồn: Tác giả xây dựng
3.3.2 Phương pháp ước lượng mô hình hồi quy
Phương pháp ước lượng chính được sử dụng trong nghiên cứu này là hồi quy
kinh tế lượng. Với mô hình nghiên cứu tổng quát như sau.
ln(Yijt) = βo + Ejtβ1 + Sijtβ2 + Aijtβ3 + AijtEjtβ4 + Gtβ5 +εijt (7)
Trong đó:
Yijt: thu nhập bình quân hộ gia đình i ở xã j trong năm t;
Ejt: mức độ phơi lộ ở xã j trong năm t;
83
Sijt: các thành phần mức độ nhạy cảm hộ gia đình i ở xã j trong năm t;
Aijt: các thành phần năng lực thích ứng hộ gia đình i ở xã j trong năm t;
Gt: biến giả của năm;
εijt: các biến không quan sát được ở cả cấp xã và cấp hộ gia đình.
Ảnh hưởng của mức độ nhạy cảm, năng lực thích ứng đến kết quả sinh kế hộ gia
đình vùng ĐBSCL được đo lần lượt bằng hệ số β2 và β3. Ảnh hưởng của mức độ phơi
lộ với xâm nhập mặn đến kết quả sinh kế hộ gia đình vùng ĐBSCL được đo bằng hệ
số β1. Phương trình (7) cũng bao gồm các tương tác giữa xâm nhập mặn và các biến số
của năng lực thích ứng thể hiện qua hệ số β4, nó cho phép ảnh hưởng của xâm nhập
mặn đến kết quả sinh kế thay đổi phụ thuộc vào năng lực thích ứng của các hộ gia đình
khác nhau. Phương trình (7) cũng sử dụng các biến giả của năm nhằm kiểm soát các
thay đổi trung bình trong giá trị thu nhập bình quân hộ gia đình theo thời gian.
Nghiên cứu này thực hiện trên cơ sở là bộ dữ liệu bảng không cân bằng (panel
data) cấu thành từ dữ liệu chéo (Cross sectionl data) và dữ liệu chuỗi thời gian (Time
series) trong 3 năm 2014, 2016, 2018. Theo Gujarati (2004), sử dụng dữ liệu bảng
trong phân tích định lượng sẽ giúp cải thiện dữ liệu về số lượng và chất lượng, đây
cũng là lợi thế so với việc sử dụng dữ liệu chéo hay dữ liệu chuỗi thời gian.
Vậy câu hỏi đặt ra là, sử dụng mô hình kinh tế lượng nào để phân tích dữ liệu
mảng? Theo Thái Văn Đại và Trần Việt Thanh Trúc (2018) có ba mô hình kinh tế
lượng cơ bản thường được sử dụng để phân tích dữ liệu bảng bao gồm: (1) Mô hình hệ
số không thay đổi (Pooled OLS), (2) mô hình tác động cố định FEM (Fixed Effect
Model) và (3) mô hình tác động ngẫu nhiên REM (Random Effect Model).
Pooled OLS trong trường hợp dữ liệu bảng thường bỏ qua sự khác biệt của các
quan sát theo thời gian và không gian. Theo đó, các giả thuyết trong mô hình OLS
thường bị vi phạm như hiện tượng đa cộng tuyến, tự tương quan, phương sai phần dư
thay đổi. Điều này hàm ý kết quả các giá trị kiểm định t, F trong mô hình sẽ không còn
chính xác, hay nói cách khác, mô hình Pooled OLS khi sử dụng dữ liệu bảng sẽ bóp
méo mối quan hệ thực tế giữa các biến độc lập và biến phụ thuộc (Gujarati, 2004). Vì
vậy, nghiên cứu này chỉ tập trung đánh giá các giá trị kiểm định ở hai mô hình hồi quy
tác động cố định FEM và tác động ngẫu nhiên REM mà bỏ qua mô hình Pooled OLS.
Giả định rằng mỗi đối tượng (trong nghiên cứu này ứng với mỗi hộ gia đình)
đều có những đặc điểm riêng có thể ảnh hưởng đến biến giải thích, FEM phân tích
mối quan hệ này giữa phần dư của mỗi đối tượng với các biến giải thích, từ đó kiểm
84
soát và tách tác động riêng (không đổi theo thời gian) của các đặc điểm đó ra khỏi
các biến giải thích để có thể ước lượng ảnh hưởng thực (net effect) của biến giải
thích (biến độc lập) lên biến được giải thích (biến phụ thuộc) (Thái Văn Đại và Trần
Việt Thanh Trúc, 2018). Điều này giống với việc sử dụng phương pháp ước lượng
OLS mà trong đó phần dư có tương quan với biến độc lập, do vậy phải tách biệt tác
động của biến độc lập khi sử dụng. Khác với mô hình FEM, mô hình REM cho rằng
biến động giữa các đối tượng được giả định là ngẫu nhiên và không tương quan đến
các biến giải thích. Vì thế, nếu đặc điểm riêng giữa các đối tượng có ảnh hưởng đến
biến được giải thích thì REM sẽ sử dụng phần dư của mỗi đối tượng (không tương
quan với biến giải thích) như một biến giải thích mới. Như vậy, trong trường hợp sự
khác biệt giữa các hộ gia đình là yếu tố tác động đến biến được giải thích thì sử dụng
REM thích hợp hơn FEM.
Để xác định mô hình FEM hay mô hình REM phù hợp hơn, tác giả sử dụng kiểm
định Hausman (1978). Bản chất của kiểm định Hausman là xem xét có tồn tại sự tương
quan giữa phần dư và các biến giải thích (biến độc lập) trong mô hình hay không.
Giả thiết của kiểm định:
H0: Phần dư và biến độc lập không tương quan
H1: Phần dư và biến độc lập có tương quan
Với mức ý nghĩa 5% cho kiểm định này, tức là khi P-value < 0,05 thì bác
bỏ H0. Khi đó phần dư và biến độc lập trong mô hình có tương quan với nhau, vì
vậy, sử dụng mô hình FEM phù hợp hơn. Ngược lại, nếu P-value của kiểm định >
0,05, tức là chưa đủ cơ sở để bác bỏ H0, như vậy sử dụng mô hình REM là phù hợp.
Kiểm định Hausman (1978) trong nghiên cứu này cho thấy giá trị Chi bình
phương bằng 66,14 có mức ý nghĩa với độ tin cậy là 99% (Bảng 3.8) tức là bác bỏ
H0, khi đó phần dư và biến độc lập trong mô hình có tương quan với nhau, vì vậy,
sử dụng mô hình FEM là phù hợp hơn.
Bảng 3.8: Hồi quy mô hình theo FEM, REM và Kiểm định Hausman
chi2(26) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 66,14
Prob>chi2 = 0,0000
Nguồn: Tính toán của tác giả
Như vậy kiểm định Hausman (1978) đã giúp tác giả xác định sử dụng mô hình
FEM là phù hợp hơn, câu hỏi tiếp theo là sử dụng mô hình FEM ở cấp xã hay cấp hộ
85
gia đình?
Arouri và cộng sự (2015) cho rằng việc sử dụng mô hình FEM cấp xã được cho
là phù hợp khi nghiên cứu ảnh hưởng của thiên tai đến thu nhập hộ gia đình. Arouri và
cộng sự (2015) giải thích rằng một vấn đề trong ước lượng là ảnh hưởng của thiên tai
mang tính nội sinh. Các biến không quan sát được có thể tương quan với các biến thiên
tai, cụ thể trong nghiên cứu này là xâm nhập mặn). Do vậy trong phương trình (7), các
biến không quan sát được εijt bao gồm cả cấp xã và cấp hộ gia đình. Do biến xâm nhập
mặn quan sát ở cấp xã, nên có nhiều khả năng chúng tương quan với các biến cấp xã
không được quan sát. Các biến cấp xã không quan sát được có thể được phân tách
thành các biến cấp xã biến đổi và không biến đổi theo thời gian. Do vậy, trong nghiên
cứu này, tác giả sử dụng hồi quy tác động cố định cấp xã để loại bỏ các biến cấp xã
không biến đổi theo thời gian mà không quan sát được (như các biến liên quan đến
chính sách, cơ sở hạ tầngcủa địa phương). Arouri và cộng sự (2015) cho rằng vấn đề
nội sinh sẽ không đáng kể sau khi loại bỏ các biến không biến đổi theo thời gian không
quan sát được và kiểm soát các biến quan sát.
Tuy nhiên, trước khi hồi quy mô hình tác động cố định FEM cuối cùng, tác giả
thực hiện thêm một kiểm định rất quan trọng với dữ liệu mảng, đó là kiểm định
phương sai sai số thay đổi. Sử dụng kiểm định Wald được đề xuất bởi Greene (2000)
để xác định phương sai sai số thay đổi trong mô hình FEM thu được kết quả: Chi bình
phương (161) = 2952.58; Prob>chi2 = 0.0000. Kết quả này cho phép bác bỏ giả thuyết
H0, như vậy xảy ra hiện tượng phương sai sai số thay đổi trong mô hình. Để khắc phục
tình trạng này, nghiên cứu thực hiện hồi quy mô hình tác động cố định FEM với việc
sử dụng sai số chuẩn mạnh (Robust Standard Errors) bằng cách thêm lựa chọn robust
khi hồi quy (Đinh Phi Hổ và Từ Đức Hoàng, 2016).
3.4 Tóm tắt chương 3
Trên cơ sở khung nghiên cứu sinh kế bền vững của DFID (2001) và khung lý
thuyết đánh giá mức độ dễ bị tổn thương sinh kế của Hahn và cộng sự (2009), nội
dung đánh giá mức độ phơi lộ (E), độ nhạy cảm (S) và năng lực thích ứng (A) được
chọn theo hàm: LVI = f(E, S, A). Việc xác định các chỉ số thành phần được dựa trên
cơ sở tổng quan các nghiên cứu trước của Hahn và cộng sự (2009), Lê Ngọc Tuấn
(2017), Kumar và cộng sự (2016), Nguyễn Văn Công (2012), Nguyễn Quốc Nghi
(2016), Trần Hữu Tuấn (2012), Nguyễn Văn Quỳnh Bôi và Đoàn Thị Thanh Kiều
(2012), Shah và cộng sự (2013), Lê Quang Cảnh và cộng sự (2016)
Nghiên cứu sử dụng chủ yếu 02 bộ dữ liệu: (1) dữ liệu đo mặn của 32 trạm do
Đài Khí tượng Thủy văn khu vực Nam Bộ cung cấp để tính toán mức độ phơi lộ và (2)
86
bộ dữ liệu Điều tra mức sống hộ gia đình các năm 2014, 2016 và 2018 của Tổng cục
Thống kê Việt Nam để xem xét các đặc điểm hộ gia đình cũng như tính toán mức độ
nhạy cảm và năng lực thích ứng của hộ. Ngoài ra nghiên cứu còn sử dụng các dữ liệu
khác liên quan đến dân số, lao động việc làm, tình hình phát triển kinh tế, nghèo đói,
thu nhập, chi tiêu, biến đổi khí hậu, xâm nhập mặncủa cả nước nói chung và vùng
ĐBSCL nói riêng. Các dữ liệu được lấy từ các công trình nghiên cứu; các tổ chức như
Bộ Tài nguyên và Môi trường, Viện Khoa học thủy lợi miền Nam, Viện Khí tượng
thủy văn và Biến đổi khí hậu, Tổng cục Thống kê, Thống kê các tỉnh...
Mục tiêu của nghiên cứu tập trung vào việc đo lường tính dễ bị tổn thương sinh
kế và xem xét tác động của các thành phần dễ bị tổn thương lên kết quả sinh kế của
các hộ vùng ĐBSCL. Do vậy, phương pháp xử lý số liệu cũng được làm rõ 2 nội dung:
Thứ nhất: Tính toán chỉ số dễ bị tổn thương sinh kế: chỉ số dễ bị tổn thương sinh
kế được xây dựng dựa trên khái niệm của IPCC bao gồm ba biến chỉ số chính: mức độ
phơi lộ (E), mức độ nhạy cảm (S) và năng lực thích ứng (A). Đối với từng biến chỉ số
chính E, S và A thì có các biến chỉ số phụ E1 ÷ En, S1 ÷ Sn, A1 ÷ An. Đối với từng
biến chỉ số phụ lại có thể có các biến thành phần con tương ứng E11 ÷ E1n, En1 ÷
Enn, S11 ÷ S1n, Sn1 ÷ Snn, và A11 ÷ A1n, An1÷Ann với các đơn vị đo lường khác
nhau. Do vậy, bước đầu tiên cần thực hiện là chuẩn hóa chỉ số, sau đó xác định trọng
số cho các chỉ số theo phương pháp của Iyengar và Sudarshan (1982), tiếp đến là xác
định các chỉ số mới, xác định các biến chính và cuối cùng xác định chỉ số dễ bị tổn
thương sinh kế. Chỉ số dễ bị tổn thương sinh kế nằm trong khoảng từ 0 (tổn thương ít
nhất) và 1 (tổn thương nhất)
Thứ hai: Để xem xét tác động của các thành phần dễ bị tổn thương lên kết quả
sinh kế của các hộ vùng ĐBSCL tác giả chứng minh rằng sử dụng mô hình FEM là
phù hợp hơn. Cụ thể, tác giả sử dụng hồi quy tác động cố định cấp xã để loại bỏ các
biến cấp xã không biến đổi theo thời gian mà không quan sát được.
87
CHƯƠNG 4
KẾT QUẢ NGHIÊN CỨU
4.1 Tổng quan về địa bàn nghiên cứu
4.1.1 Điều kiện tự nhiên
Đồng bằng sông Cửu Long (ĐBSCL) nằm ở phía nam Việt Nam gồm 13 tỉnh;
trong đó, 8 tỉnh giáp biển, cụ thể là Long An, Tiền Giang, Bến Tre, Trà Vinh, Sóc
Trăng, Bạc Liêu, Cà Mau và Kiên Giang.
Hình 4.1: Vị trí địa lý khu vực đồng bằng sông Cửu Long
Nguồn:
hanh-chinh-khu-vuc-dong-bang-song-cuu-long.html
Đặc trưng của vùng là phù sa màu mỡ với khí hậu nhiệt đới gió mùa ẩm. Độ cao
của đất nằm trong khoảng từ 0,3 đến 4,0 m so với trung bình mực nước biển (Hội,
2005). Nhiệt độ trung bình khoảng 27,5oC. ĐBSCL có hai mùa rõ rệt là mùa khô và
mùa mưa. Trong đó, mùa khô bắt đầu vào tháng 12 và kết thúc vào tháng 4, mùa mưa
(ẩm ướt với lượng mưa lớn) từ giữa tháng 5 đến tháng 11 (Nguyen và Savenije, 2006).
Nguồn thủy lợi của ĐBSCL khá phức tạp vì mạng lưới kênh/sông chằng chịt,
cũng như sự tác động của dòng chảy sông Mê Kông và hai chế độ thủy triều: thủy triều
của Biển Đông và bán nhật triều của Vịnh Thái Lan (Nguyen và Savenije, 2006). Do
cả dòng chảy từ sông Mê Kông và mưa lớn cục bộ tại địa phương, một phần lớn vùng
phía bắc của đồng bằng bị ngập lụt trong mùa mưa (Tuấn và cộng sự, 2007). Tuy
88
nhiên, vào mùa khô, dòng chảy thấp của sông Mê Kông khiến mực nước hạ thấp
xuống dưới mực nước đồng ruộng và gây ra tình trạng thiếu nước ở toàn vùng đồng
bằng (Nguyen và Savenije, 2006; Tuấn và cộng sự, 2007). Bên cạnh lưu lượng dòng
sông thấp, việc lạm dụng nước tưới và các dự án thủy điện ở khu vực thượng nguồn
cũng gây ra tình trạng xâm nhập mặn nghiêm trọng và hạn hán ở khu vực hạ lưu
(White, 2002).
4.1.2 Điều kiện kinh tế - xã hội
Tính đến năm 2018, dân số vùng ĐBSCL khoảng 18 triệu người, trong đó tỷ lệ
lao động từ 15 tuổi trở lên đang làm việc so với tổng dân số chiếm đến 58,5% (Tổng
cục thống kê, 2018). Tuy nhiên, chất lượng lao động còn thấp, tỷ lệ lao động đã qua
đào tạo chỉ chiếm 13,3%, thấp nhất so với các vùng khác trong cả nước. Tỷ lệ thiếu
việc làm và thất nghiệp của vùng cũng thuộc nhóm cao nhất. Theo Tổng cục Thống kê
(2018) tỷ lệ thất nghiệp của vùng ĐBSCL là 2,67% cao hơn 0,48% so với trung bình
chung của cả nước, tương tự tỷ lệ thiếu việc làm là 2,81% cao nhất trong cả nước
(Bảng 4.1).
Bảng 4.1: Lực lượng lao động năm 2018 vùng Đồng bằng sông Cửu Long
Quy mô
dân số
(1000
người)
Lực
lượng
lao động
từ 15+
(1000
người)
Tỷ lệ lao
động từ 15+
đang làm
việc so với
tổng dân số
(%)
Tỷ lệ lao
động từ 15+
đang làm
việc trong
nền kinh tế
đã qua đào
tạo (%)
Tỷ lệ
thất
nghiệp
(%)
Tỷ lệ
thiếu
việc
làm
(%)
CẢ NƯỚC 94.666,0 55.354,2 57,3 21,9 2,19 1,40
Đồng bằng sông Hồng 21.556,4 12.095,5 55,1 30,5 2,02 0,74
Trung du và miền núi phía
Bắc
12.292,7 7.684,3 61,9 18,2 1,04 1,28
Bắc Trung Bộ và duyên hải
miền Trung
20.056,9 11.959,6 58,2 20,9 2,68 1,44
Tây Nguyên 5.871,0 3.596,1 60,7 14,0 1,05 2,20
Đông Nam Bộ 17.074,3 9.351,6 53,4 28,0 2,62 0,43
Đồng bằng sông Cửu Long 17.804,7 10.667,1 58,5 13,3 2,67 2,81
Nguồn: Tổng cục Thống kê (2018)
Trong khoảng 10 năm trở lại đây, tuy quy mô dân số vùng ĐBSCL khá ổn định
89
trong mức từ 17 triệu đến gần 18 triệu người, tốc độ gia tăng ở mức 0,4%/năm thấp
hơn so với mức gia tăng cả nước (1,12%/năm), nhưng tình trạng di dân đi khỏi vùng
có xu hướng tăng cao. Tỷ suất di dân thuần túy của vùng thường âm và cao nhất cả
nước, trong đó tình trạng di cư đi nhiều nhất ở các tỉnh như An Giang, Kiên Giang, Cà
Mau, Bạc Liêu, Bến Tre. Gần 80% lượng di cư đi thuộc nhóm lao động trẻ dưới 35
tuổi, phần lớn (tới gần 80%) là lao động không có chuyên môn kỹ thuật, thường đến
Đông Nam Bộ tìm việc làm trong khu vực phi nông nghiệp, trong đó thành phố Hồ
Chí Minh là nơi tiếp nhận khoảng 1/2 số di dân từ ĐBSCL, còn lại là đến Bình Dương
và Đồng Nai. Biến đổi khí hậu đã tác động tiêu cực đến kinh tế của những người sản
xuất nông nghiệp, nuôi trồng thủy sản ở ĐBSCL khiến người dân thuộc các tỉnh ven
biển tìm đến Đông Nam Bộ kiếm sống. Nhóm di cư quay lại vùng ĐBSCL thường sau
40 tuổi, phần lớn không có chuyên môn kỹ thuật vì vậy có thể tạo thêm sức ép lớn về
việc làm, thu nhập và chăm sóc y tế cho địa ph
Các file đính kèm theo tài liệu này:
- luan_an_tinh_de_bi_ton_thuong_va_ket_qua_sinh_ke_trong_boi_c.pdf