Краткосрочное прогнозирование в режиме онлайн

Оценивать текущее состояние и возможные направления развития экономики позволяют данные статистики, доступные обычно с опозданием. Как оперативно и объективно отражать постоянно обновляемую картину экономики, обсуждали на конференции CIRET, на которой Высшую школу экономики представляла ведущий эксперт Центра конъюнктурных исследований ИСИЭЗ НИУ ВШЭ Тамара Липкинд.

Центр международных исследований обследований экономических тенденций (Centre for International Research on Economic Tendency Surveys, CIRET) — авторитетная площадка для обмена знаниями между представителями академического сообщества и практиками, которые проводят обследования бизнеса и потребителей. Эксперты CIRET регулярно обсуждают результаты последних исследований в этой области, методы их проведения, а также квантификации и анализа результатов. Каждые два года CIRET проводит международную конференцию «Обследования экономических тенденций и экономическая политика». Очередная, 33-я по счету, конференция CIRET состоялась в сентябре в Копенгагене (Дания) и была организована совместно со Швейцарским институтом экономики (KOF), фондом Getulio Vargas (FGV, Бразилия) и Статистической службой Дании. Штаб-квартира CIRET расположена в Цюрихе (Швейцария).

В моду входит наукастинг

Наукастинг (nowcasting) — относительно новый термин в экономике, означающий анализ индикаторов и краткосрочное прогнозирование в режиме реального времени.

Понятие ввела Лукреция Рейхлин (Lucrezia Reiclin) из Лондонской школы бизнеса, использовав метеорологический термин применительно к экономике. В отличие от метеорологов, предсказывающих погоду на некоторое время вперед, экономистам приходится не только прогнозировать ближайшее будущее, но еще оценивать (и уточнять эту оценку) текущее состояние и ситуацию в недавнем прошлом. Поскольку ключевые статистические показатели (например, ВВП) рассчитываются с большим опозданием, а впоследствии неоднократно пересматриваются, точная информация о реальном положении дел в экономике в любой момент времени практически отсутствует.

В самом факте таких краткосрочных прогнозов нет ничего необычного — этим всегда занимались эксперты, опираясь на анализ субъективных мнений и суждений. Инструменты наукастинга позволяют автоматизировать процесс прогнозирования и сделать его более объективным. Для этого используются достаточно сложные статистические модели, обрабатывающие большие массивы оперативной информации и позволяющие на ее основе создавать прогнозы ключевых экономических переменных, обновляя их по мере изменения данных.

Так, для оценивания ключевых экономических индикаторов с большим лагом в наукастинге используется собираемая чаще или общедоступная информация.  Совокупность таких оперативных данных должна обеспечить ранние сигналы о фактических и ожидаемых изменениях целевого экономического индикатора. Актуализировать прогноз можно автоматически в любой момент, при этом точно определить, какая вновь поступившая информация и как именно повлияла на изменение прогностических оценок.

Поскольку модели наукастинга объединяют большой объем информации из разнообразных источников, поступающей с разной периодичностью, развитие метода сосредоточено на нескольких ключевых аспектах. Как избежать «проклятия размерности», не упустив при этом важной информации? Как решить проблему так называемого «рваного края» (jagged edge), возникающую в силу разных частоты и сроков публикации данных? Можно ли улучшить применяемые в наукастинге статистические модели, включив в них результаты конъюнктурных обследований?

Подобные вопросы рассматривались в пленарном докладе Сорена Йохансена (Soren Johansen), профессора Копенгагенского университета, а также в выступлениях Михаэля Графа (Michael Graff), профессора Швейцарского института экономики, Кевина Ли (Kevin Lee), профессора Ноттингемского университета, Кристиана Хепенстрика (Christian Hepenstrick) из Национального банка Швейцарии, Скотта Брейва (Scott Brave), представляющего Федеральный резервный банк Чикаго, и в ряде других докладов.

Сравнивая различные методологии наукастинга, большинство исследователей признало наиболее эффективным применение динамических факторных моделей, особенно их расширенных модификаций. Причем включение в эти модели результатов конъюнктурных обследований, доступных, как правило, раньше «жесткой» статистики и часто обладающих опережающими свойствами, повышает надежность оценок.

В статистической теории и практике часто используются термины «жесткие» и «мягкие» данные. К «жестким» данным относится количественная информация, собираемая статистическими службами и измеряемая в физических (тонны, штуки и т.д.) или денежных (например, рубли) единицах. «Мягкие» качественные данные — это результаты опросов руководителей предприятий, населения или экспертов, мнения которых объединяются с использованием различных методов квантификации. Такая статистика появляется, как правило, раньше «жесткой» и дополняет ее, характеризуя недоступные количественной статистике аспекты экономики, например, ожидания предпринимателей и потребителей.

Анализ «мягких» данных набирает силу

На конференции обсуждались и традиционные проблемы совершенствования методологии конъюнктурных обследований, построения композитных и опережающих индикаторов, анализа их циклического поведения, а также применение полученных результатов.

Конъюнктурные обследования могут служить надежным инструментом измерения экономической неопределенности, полагает эксперт Европейской комиссии Роберта Фриц (Roberta Fritz), продемонстрировав в своей работе эффективность различных индикаторов экономической неопределенности, построенных на основе квантификации предпринимательских ожиданий.

Любопытный психологический аспект рассматривался в презентации Герхарда Шварца (Gerhard Schwarz) из Австрийского института экономических исследований. Почему респонденты часто игнорируют проводимые обследования? Зависит ли заполняемость анкеты от времени получения электронного приглашения? Гипотеза автора о том, что приглашения, разосланные утром, будут встречены с большим энтузиазмом отдохнувшими предпринимателями, подтвердилась только в случае обследования промышленников. Представители других отраслей, возможно, относятся к опросам не как к «отчетной нагрузке», а как отдыху от основной работы, и в таком случае разумнее обращать особое внимание на user-friendly оформление опросных листов, стал далее развивать свои предположения доктор Шварц.

Учет поведенческих моделей

В докладе «Кластеризация предпринимательских оценок развития малого розничного бизнеса в России», подготовленном коллективом соавторов ЦКИ ИСИЭЗ НИУ ВШЭ (Людмила Китрар, Инна Лола, Тамара Липкинд, Георгий Остапкович, Дмитрий Чусовлянов), был предложен и протестирован метод изучения так называемых «поведенческих моделей» на основе кластерного анализа.

Как правило, для лучшей интерпретации результатов качественных обследований ответы респондентов агрегируются в статистические балансы, а затем на их основе — в композитные индикаторы. Однако это не единственный способ квантификации информации, его можно и нужно дополнять другими методами. В частности, применение кластерного анализа позволяет анализировать статистическое распределение индивидуальных ответов (при традиционном агрегировании эта информация теряется). Также появляется возможность наблюдать за динамикой «нейтральных» ответов респондентов, которые обычно превалируют в распределении, но не используются при расчете балансов и композитных индикаторов.

Применение такого метода особенно эффективно в период возможных поворотных точек делового цикла, когда необходимо детализировать реакцию бизнеса относительно реальных или ожидаемых экономических явлений. Например, сравнивая поведенческие группы в периоды двух последних кризисов, исследователи пришли к выводу об очевидно более пессимистических настроениях предпринимателей в конце 2014 года в сравнении с 2009 годом (Рис. 1).

Рис. 1. Поведенческие группы в I квартале 2009 г. и в IV квартале 2014 г.

В 2014 году меньше фирм по результатам кластеризации попали в группы с высоким торговым потенциалом (AA, AB и AC на рисунке), они частично перешли в группы со средним (ВА, ВВ и ВС), но частично — с низким потенциалом (СА, СВ и СС). Самым показательным стало удвоение числа компаний, вошедших в группу СС: их руководители не только негативно оценивали фактическое состояние дел, но и опасались его дальнейшего ухудшения.

Поскольку мнения и ожидания предпринимателей могут служить достаточно чутким барометром экономической динамики, результаты анализа предсказали углубление кризиса в 2015 году (что и было подтверждено в дальнейшем).

Текст: Тамара Липкинд