Оценка инфляционных ожиданий населения россии на основе поисковых запросов в сети интернет (подход «сверху вниз»)

Вопросы теоретической экономики №4, 2025

Цитировать

Полный текст

Аннотация

По своей природе инфляционные ожидания выступают ненаблюдаемой переменной. В рамках экономической теории и практики прокси-показатели инфляционных ожиданий (преимущественно на основе опросов) используются в качестве важнейших переменных для анализа и прогнозирования инфляционных процессов. Наряду с этим, при реализации режима таргетирования инфляции регуляторы преимущественно посредством коммуникаций в области денежно-кредитной политики нацелены на управление инфляционными ожиданиями. В этом аспекте проявляется их особый, дуальный характер. Сегодня продолжает расти популярность использования альтернативных оценок инфляционных ожиданий, включая статистику поисковых запросов. Концептуальным вопросом остается отбор ключевых слов для квантификации ожиданий населения. Целью исследования выступает разработка методологически обоснованного подхода к отбору ключевых слов для поисковых запросов, статистика по которым может использоваться в качестве прокси-переменных инфляционных ожиданий. В рамках статьи поставленная цель достигается на основе текстового анализа коммуникаций Банка России с применением моделей машинного обучения (в особенности NLP). На основе проведённого частотного анализа (Baseline-подход), а также использования дообученных NLP-моделей (семейство моделей T5 («Text-to-Text Transfer Transformer») были выделены четыре группы ключевых слов («инфляция», «Центральный банк», «курс», «ключевая ставка»), используя которые регулятор может формировать инфляционные ожидания населения России (подход «сверху вниз»). Ввиду последних изменений в политике доступности исторических данных, а также популярности поисковой сети среди жителей России, особый акцент сделан на данных поисковой сети Яндекс. Предполагается, что отслеживание динамики запросов по группам «инфляция» и «Центральный банк» дают оперативную информацию повсеместно, а по группам «курс», «ключевая ставка» — в кризисных и/или изменяющихся экономических условиях. Проведена апробация полученных результатов по поисковой статистике выделенных ключевых слов в качестве прокси-показателей в рамках прогнозирования инфляции в Российской Федерации на основе набора моделей семейства ARIMAX. Результаты свидетельствуют о целесообразности использования статистики по ключевым словам в качестве объясняющих переменных для минимизации ошибок прогнозов в рамках моделей прогнозирования инфляции. 

 

Полный текст

 

 
×

Об авторах

Василий Сергеевич Щербаков

Банк России; Омский государственный университет им. Ф.М. Достоевского

Автор, ответственный за переписку.
Email: shcherbakovvs@mail.ru
ORCID iD: 0000-0001-5132-7423

кандидат экономических наук

 
Россия, Россия, Екатеринбург; Россия, Омск

Список литературы

  1. Банк России (2024). Основные направления единой государственной денежно-кредитной политики на 2025 год и период 2026 и 2027 годов. URL: https://cbr.ru/Content/Document/File/164702/on_2025(2026-2027).pdf (дата обращения: 30.06.2024).
  2. Винокуров С.С., Медведь А.А. (2023). Инфляция, информационный фон и ожидания домохозяйств // Статистика и экономика. T. 20, № 1. С. 37–52. 10.21686/2500-3925-2023-1-37-52.
  3. Голощапова И.О., Андреев М.Л. (2017). Оценка инфляционных ожиданий российского населения методами машинного обучения // Вопросы экономики. № 6. С. 71–93.
  4. Дауит Д.М., Кемалов М.М., Джаксылыкова А.Б. (2020). Обзор различных методов обобщения текста // Вестник Казахстанско-Британского технического университета. T. 17. № 2. С. 163–168.
  5. Евстигнеева А. (2023). Коммуникация как инструмент денежно-кредитной политики // Аналитическая записка. Банк России. С. 1–33. URL: https://cbr.ru/StaticHtml/File/146496/research_policy_notes_b_4_1.pdf (дата обращения: 27.01.2025)
  6. Евстигнеева А., Карпов Д. (2023). Влияние негативных новостей на восприятие инфляции населением // Серия докладов об экономических исследованиях. Банк России. №111. С 1–33. URL: https://cbr.ru/Content/Document/File/144918/wp_111.pdf (дата обращения: 20.02.2025)
  7. Ержан И.С. (2019). Апробация альтернативных методов оценки инфляционных ожиданий в Казахстане // Экономическое обозрение. Национальный Банк Республики Казахстан. № 2–3. С. 4–15.
  8. Жемков М.И., Кузнецова О.С. (2017). Измерение инфляционных ожиданий участников финансового рынка в России // Вопросы экономики. № 10. С. 111–122.
  9. Перевышин Ю.Н., Рыкалин А.С. (2018). Моделирование инфляционных ожиданий в российской экономике // URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3149565 (дата обращения: 20.09.2024)
  10. Петрова Д.А. (2019). Прогнозирование инфляции на основе интернет-запросов // Экономическое развитие России. Т. 26. № 11. С. 55–62.
  11. Петрова Д.А. (2022). Оценка инфляционных ожиданий на основе интернет-данных // Прикладная эконометрика. Т. 66. № 2. С. 25–38.
  12. Федюнина А.А., Юревич М.А., Городный Н.А. (2024). Пандемия, санкции и беспокойство в регионах России: наукастинг ожиданий деловой активности // Вопросы экономики. № 3. С. 96–119.
  13. Хазанов А.А. (2015). О квантификации инфляционных ожиданий Банком России // Деньги и кредит. № 3. С. 59–63.
  14. Шуляк Е. (2022). Макроэкономическое прогнозирование с использованием данных социальных сетей // Деньги и кредит. Т. 81. № 4. С. 86–112.
  15. Щербаков В.С., Харламова М.С., Гартвич Р.Е. (2022). Методы и модели наукастинга экономических показателей с помощью поисковых запросов // Мат-лы Межрегиональной научно-практ. онлайн-конф. «Развитие экономики регионов: пространственная трансформация, глобальные вызовы и перспективы экономического роста». – Красноярск. С. 117–127.
  16. Щербаков В.С., Харламова М.С., Яковина М.Ю. (2022). Статистика поисковых запросов как прокси-показатель региональной ценовой динамики // Креативная экономика. Т. 16, №11. С. 4475–4490.
  17. Юревич М.А. (2021). Инфляционные ожидания и инфляция: наукастинг и прогнозирование // Journal of Economic Regulation. Т. 12, № 2. С. 22–35.
  18. Angelico C., Marcucci J., Miccoli M., Quarta F. (2022). Can we measure inflation expectations using Twitter? // Journal of Econometrics. Vol. 228. No. 2. Pp. 259–277.
  19. Aromí D., Llada M. (2020). Forecasting inflation with twitter // Asociación Argentina de Economía Política. Working Papers. No. 4308.
  20. Ay B., Ertam F., Fidan G., Aydin G. (2023). Turkish abstractive text document summarization using text to text transfer transformer // Alexandria Engineering Journal. No. 68. Pp. 1-13. https://doi.org/10.1016/j.aej.2023.01.008.
  21. Banbura M., Leiva-Leon D., Menz J-O. (2021). Do Inflation Expectations Improve Model-based Inflation Forecasts? // Banco de Espana Working Paper. No. 2138.
  22. Batchelor R. (2009). How Robust are Quantified Survey Data? Evidence from the United States // Inflation Expectations / Ed. by P. Sinclair. – Routledge. Pp. 8-33.
  23. Bernanke B. (2007). Inflation Expectations and Inflation Forecasting // Monetary Economics Workshop of the National Bureau of Economic Research Summer Institute / Cambridge, Massachusetts.
  24. Bicchal M., Raja Sethu Durai S. (2019). Rationality of inflation expectations: an interpretation of Google Trends data // Macroeconomics and Finance in Emerging Market Economies. Vol. 12. No. 3. Pp. 229–239.
  25. Carlson J.A., Parkin M. (1975). Inflation Expectations // Economica. Vol. 42. No. 166. Pp. 123-138.
  26. Carroll C.D. (2003). Macroeconomic expectations of households and professional forecasters // The Quarterly Journal of economics. Vol. 118. No. 1. Pp. 269–298.
  27. Choi H., Varian H. (2009). Predicting initial claims for unemployment benefits. URL: http://static.googleusercontent.com/media/research.google.com/en/us/archive/papers/initialclaimsUS.pdf (access date: 15.11.2024).
  28. Evstigneeva A., Sidorovskiy M. (2021). Assessment of Clarity of Bank of Russia Monetary Policy Communication by Neural Network Approach // Russian Journal of Money and Finance. Vol. 80. No. 3. Pp. 3–33. doi: 10.31477/rjmf.202103.03.
  29. Fuhrer J. (2012). The Role of Expectations in Inflation Dynamics // International Journal of Central Banking. No. 8. Pp. 137-165.
  30. Guan B., Zhu X., Yuan Sh. (2024). A T5-based interpretable reading comprehension model with more accurate evidence training // Information Processing & Management. Vol. 61. No. 2. doi: 10.1016/J.IPM.2023.103584.
  31. Guzman G. (2011). Internet Search Behavior as an Economic Forecasting Tool: The Case of Inflation Expectations // Journal of Economic and Social Measurement. Vol. 36. No. 3. doi: 10.3233/JEM-2011-0342.
  32. Han X., Zhang Zh., Ding N., Gu Y. (2021). Pre-trained models: Past, present, and future // AI Open. No. 2. Pp. 225–250. doi: 10.1016/J.AIOPEN.2021.08.002.
  33. Hassani H., Silva E.S. (2018). Forecasting UK consumer price inflation using inflation forecasts // Research in Economics. Vol. 72. No. 3. Pp. 367–378.
  34. Larsen V. H., Thorsrud L. A., Zhulanova J. (2021). News-driven inflation expectations and information rigidities // Journal of Monetary Economics. No. 117. Pp. 507–520. doi: 10.1016/j.jmoneco.2020.03.004.
  35. Li X., Shang W., Wang S., Ma J. (2015). A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data // Electronic Commerce Research and Applications. Vol. 14. No. 2. Pp. 112-125.
  36. Mankiw G., Reis R., Wolfers J. (2003). Disagreement about inflation expectations // NBER Macroeconomic Annual. No. 18. Pp. 209-248.
  37. Niesert R.F., Oorschot J.A, Veldhuisen C.P., Brons K., Lange R-J. (2020). Can Google search data help predict macroeconomic series? // International Journal of Forecasting. Vol. 36. No. 3. Pp. 1163-1172.
  38. Raffel C., Shazeer N., Roberts A., Lee K., Narang S., Matena M., Zhou Y., Li W., Liu P. (2020). Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer // Journal of Machine Learning Research. No. 21. Pp. 1–67.
  39. Sahu S., Chattopadhyay S. (2020). Epidemiology of inflation expectations and internet search: an analysis for India // Journal of Economic Interaction and Coordination. No. 15. Pp. 649-671.
  40. Seabold S., Coppola A. (2015). Nowcasting Prices Using Google Trends: An Application to Central America // World Bank Policy Research Working Paper. No. 7398. Pp. 1-40.
  41. Shcherbakov V.S., Karpov I.A. (2024). Regional Inflation Analysis Using Social Network Data // Economy of regions. Vol. 20. No. 3. Pp. 930–946. doi: 10.17059/EKON.REG.2024-3-21
  42. Thrun S., Pratt L. (1998). Learning to learn: Introduction and overview // Springer Science & Business Media.
  43. Vaswani A., Shazeer N.M., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. (2017). Attention is All you Need // ArXiv, abs/1706.03762.
  44. Wang M., Xie P., Du Y., Hu X. (2023). T5-Based Model for Abstractive Summarization: A Semi-Supervised Learning Approach with Consistency Loss Functions // Applied Sciences. Vol. 13. No. 12. Pp. 1-16. doi: 10.3390/APP13127111-
  45. Wei Y., Zhang X., Wang S. (2017). Can search data help forecast inflation? Evidence from a 13-country panel // 2017 IEEE International Conference on Big Data (Big Data). doi: 10.1109/BigData.2017.8258442
  46. Yadav D., Desai J., Yadav A.K. (2022). Automatic Text Summarization Methods: A comprehensive Review // arXiv:2204.01849.
  47. Zhang C., Lv B., Peng G., Liu Y., Yuan Q. (2012). A study on correlation between web search data and CPI // In Recent Progress in Data Engineering and Internet Technology. Pp. 269–274.
  48. Zmitrovich D., Abramov A., Kalmykov A., Tikhonova M., Taktasheva E., Astafurov D., Baushenko M., Snegirev A., Shavrina T., Markov S., Mikhailov V., Fenogenova A. (2023). A Family of Pretrained Transformer Language Models for Russian. doi: 10.48550/arXiv.2309.10931.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Примечание

 

 
 
 


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

 

 
 
 
 
 

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».