Preview

Войти

Регистрация нового пользователя Забыли Ваш пароль?

Вопросы экономики

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Пандемия, санкции и беспокойство в регионах России: наукастинг ожиданий деловой активности

https://doi.org/10.32609/0042-8736-2024-3-96-119

Аннотация

В исследовании разработана методика наукастинга индекса деловых ожиданий, протестированная на данных по российской экономике в целом, а также по ее субъектам. В отличие от существующих работ, предлагается определять набор поисковых образов для наукастинга на основе байесовского усреднения и проводить агрегирование временных рядов по отдельным запросам. Построенные индексы продемонстрировали высокую степень адекватности и как инструмент отражения шоковых событий в экономической и политической жизни страны, и в качестве предиктора колебаний опросных индексов ожиданий. Применение методики позволило выявить факторы волатильности индексов деловых ожиданий в зависимости от уровня развития и отраслевой специализации субъектов РФ. В финансово­ экономических центрах высокоразвитых регионов и развитых регионах с диверсифицированной экономикой высокая волатильность, а в менее развитых аграрных и сырьевых регионах — низкая. Эти результаты могут быть полезны при принятии решений в области экономической политики и представляют интерес для исследователей проблем экономической стабильности и для прогнозирования.

Об авторах

А. А. Федюнина
Национальный исследовательский университет «Высшая школа экономики»
Россия

Федюнина Анна Андреевна - к. э. н., вед. н. с. Центра исследований структурной политики (ЦИСП) НИУ ВШЭ.

Москва


М. А. Юревич
Национальный исследовательский университет «Высшая школа экономики»; Финансовый университет при Правительстве РФ
Россия

Юревич Максим Андреевич - аналитик ЦИСП НИУ ВШЭ, н. с. Центра макроэкономических исследований Финансового университета.

Москва


Н. А. Городный
Национальный исследовательский университет «Высшая школа экономики»
Россия

Городный Николай Антонович – м. н. с. ЦИСП НИУ ВШЭ.

Москва


Список литературы

1. Айвазян С. А. (2008). Байесовский подход в эконометрическом анализе // Прикладная эконометрика. № 1. С. 93—130.

2. Айзатуллен В. С., Корягин Н. Д. (2013). Применение оценок доверия в экономике // Статистика и экономика. № 5. C. 18—21.

3. Базаров Р. Т. (2013). Индекс потребительской уверенности: место и роль в российской экономике // Актуальные проблемы гуманитарных и естественных наук. № 10­1. С. 151—154.

4. Гавряшина Ю. В., Жердева Е. М. (2015). Развитие малого бизнеса в России в условиях кризиса // Стратегии бизнеса. № 11. С. 3—10.

5. Григорьев Л. М., Урожаева Ю. В., Иванов Д. С. (2011). Синтетическая классификация регионов: основа региональной политики // Российские регионы: экономический кризис и проблемы модернизации / Под ред. Л. М. Григорьева, Н. В. Зубаревич, Г. Р. Хасаева. М.: Теис. С. 34—53.

6. Ермашкевич Н. С. (2019). Комплексный анализ государственных мер поддержки сектора малого и среднего предпринимательства в России // Российское предпринимательство. T. 20, № 1. С. 13—38. http://doi.org10.18334/rp.20.1.39727

7. Завьялов Д. В., Сагинова О. В., Завьялова Н. Б. (2017). Проблемы и задачи развития малого и среднего предпринимательства в России // Российское предпринимательство. T. 18, № 3. C. 203—214. http://doi.org10.18334/rp.18.3.37285

8. Левченко К. Н. (2021). Государственная поддержка малого предпринимательства в период пандемии COVID­19 в России // Инновационная наука. № 10­2. C. 50—56.

9. Петрова Д. А., Трунин П. В. (2020). Выявление настроений экономических агентов на основе поисковых запросов // Прикладная эконометрика. T. 3, № 59. C. 71—87. http://doi.org10.22394/1993­7601­2020­59­71­87

10. Поршаков А., Дерюгина Е., Пономаренко А., Синяков А. (2015). Краткосрочное оценивание и прогнозирование ВВП России с помощью динамической факторной модели // Банк России. Серия докладов об экономических исследованиях. № 2.

11. Смирнова А. А. (2021). О мерах государственной поддержки малого предпринимательства в период пандемии COVID­19 в России // Экономика, предпринимательство и право. T. 11, № 2. С. 285—298. http://doi.org10.18334/epp.11.2.111588

12. Столбов М. И. (2011). Статистика поиска в Google как индикатор финансовой конъюнктуры // Вопросы экономики. № 11. С. 79—93. https://doi.org/10.32609/0042­8736­2011­11­79­93

13. Столбов М. И., Щепелева М. А., Карминский А. М. (2021). Построение индекса глобального финансового стресса на основе синтеза исследований центральных банков и интенсивности поисковых запросов в Google. М.: Приоритет 2030; МГИМО Университет.

14. Ульянкин Ф. (2020). Прогнозирование российских макроэкономических показателей на основе информации в новостях и поисковых запросах // Деньги и кредит. T. 79, № 4. C. 75—97. https://doi.org/10.31477/rjmf.202004.75

15. Фантаццини Д., Шаклеина М. В., Юрас И. А. (2018). Big Data в определении социального самочувствия населения России // Прикладная эконометрика. T. 50, № 2. C. 43—66.

16. Цапенко И. П., Юревич М. А. (2022). Статистика онлайн­запросов в наукастинге миграции // Экономические и социальные перемены: факты, тенденции, прогноз. T. 15, № 1. C. 74—89. https://doi.org/10.15838/esc.2022.1.79.4

17. Юревич М. А. (2021). Инфляционные ожидания и инфляция: наукастинг и прогнозирование //journal of Economic Regulation. T. 12, № 2. C. 22—35. https://doi.org/10.17835/2078­5429.2021.12.2.022­035

18. Шуляк Е. (2022). Макроэкономическое прогнозирование с использованием данных социальных сетей // Деньги и кредит. Т. 81, № 4, С. 86—112.

19. Algan Y., Beasley E., Guyot F., Higa K., Murtin F., Senik C. (2016). Big Data measures of well­being: Evidence from a Google well­being index in the United States. OECD Statistics Working Papers, No. 2016/03. https://doi.org/10.1787/5jlz9hpg0rd1­en

20. Antenucci D., Cafarella M., Levenstein M., Ré C., Shapiro M. D. (2014). Using social media to measure labor market flows. NBER Working Paper, No. w20010. https://doi.org/10.3386/w20010

21. Askitas N., Zimmermann K. F. (2009). Google econometrics and unemployment forecasting. Applied Economics Quarterly, Vol. 55, No. 2, pp. 107—120. https://doi.org/10.3790/aeq.55.2.107

22. Atkins A., Niranjan M., Gerding E. (2018). Financial news predicts stock market volatility better than close price. Journal of Finance and Data Science, Vol. 4, No. 2, pp. 120—137. https://doi.org/10.1016/j.jfds.2018.02.002

23. Baker S. R., Fradkin A. (2017). The impact of unemployment insurance on job search: Evidence from Google search data. Review of Economics and Statistics, Vol. 99, No. 5, pp. 756—768. https://doi.org/10.1162/REST_a_00674

24. Baker S. R., Bloom N., Davis S. J. (2016). Measuring economic policy uncertainty. Quarterly Journal of Economics, Vol. 131, No. 4, pp. 1593—1636. https://doi.org/10.1093/qje/qjw024

25. Bangwayo­Skeete P. F., Skeete R. W. (2015). Can Google data improve the forecasting performance of tourist arrivals? Mixed­data sampling approach. Tourism Management, Vol. 46, pp. 454—464. https://doi.org/10.1016/j.tourman.2014.07.014

26. Beck K. (2019). What drives business cycle synchronization? BMA results from the European Union. Baltic Journal of Economics, Vol. 19, No. 2, pp. 248—275. https://doi.org/10.1080/1406099X.2019.1652393

27. Beck K., Możdżeń M. (2020). Institutional determinants of budgetary expenditures. A BMA­based re­evaluation of contemporary theories for OECD countries. Sustainability, Vol. 12, No. 10, article 4104. https://doi.org/10.3390su12104104

28. Bergström R. (1995). The relationship between manufacturing production and different business survey series in Sweden 1968—1992. International Journal of Forecasting, Vol. 11, No. 3, pp. 379—393. https://doi.org/10.1016/0169­2070 (95)00601­7

29. Bilgin M. H., Demir E., Gozgor G., Karabulut G., Kaya H. (2019). A novel index of macroeconomic uncertainty for Turkey based on Google­Trends. Economics Letters, Vol. 184, article 108601. https://doi.org/10.1016/j.econlet.2019.108601

30. Bontempi M. E., Frigeri M., Golinelli R., Squadrani M. (2021). EURQ: A new web search­based uncertainty index. Economica, Vol. 88, No. 352, pp. 969—1015. https://doi.org/10.1111/ecca.12372

31. Bruno G., Otranto E. (2008). Models to date the business cycle: The Italian case. Economic Modelling, Vol. 25, No. 5, pp. 899—911. https://doi.org/10.1016/j.econmod.2007.11.009

32. Castelnuovo E., Tran T. D. (2017). Google it up! A Google Trends­based uncertainty index for the United States and Australia. Economics Letters, Vol. 161, pp. 149—153. https://doi.org/10.1016/j.econlet.2017.09.032

33. Cesaroni T., Iezzi S. (2017). The predictive content of business survey indicators: Evidence from SIGE. Journal of Business Cycle Research, Vol. 13, pp. 75—104. https://doi.org/10.1007/s41549­017­0015­8

34. Chatziantoniou I., Degiannakis S., Eeckels B., Filis G. (2016). Forecasting tourist arrivals using origin country macroeconomics. Applied Economics, Vol. 48, No. 27, pp. 2571—2585. https://doi.org/10.1080/00036846.2015.1125434

35. Chen M. H. (2015). Understanding the impact of changes in consumer confidence on hotel stock performance in Taiwan. International Journal of Hospitality Management, Vol. 50, pp. 55—65. https://doi.org/10.1016/j.ijhm.2015.07.010

36. Chernis T., Sekkel R. (2018). Nowcasting Canadian economic activity in an uncertain environment. Bank of Canada Staff Discussion Paper, No. 2018­9.

37. Choi H., Varian H. (2012). Predicting the present with Google Trends. Economic Record, Vol. 88, pp. 2—9. https://doi.org/10.1111/j.1475­4932.2012.00809.x

38. Claveria O., Pons E., Ramos R. (2007). Business and consumer expectations and macroeconomic forecasts. International Journal of Forecasting, Vol. 23, No. 1, pp. 47—69. https://doi.org/10.1016/j.ijforecast.2006.04.004

39. Conti A. M., Rondinelli C. (2015). Easier said than done: The divergence between soft and hard data. Economic Research and International Relations Area, No. 258. Bank of Italy.

40. Curme C., Preis T., Stanley H. E., Moat H. S. (2014). Quantifying the semantics of search behavior before stock market moves. Proceedings of the National Academy of Sciences, Vol. 111, No. 32, pp. 11600—11605. https://doi.org/10.1073/pnas.1324054111

41. de Mendonça H. F., de Oliveira D. S. (2019). Firms’ confidence and Okun’s law in OECD countries. Economic Modelling, Vol. 78, pp. 98—107. https://doi.org/10.1016/j.econmod.2018.08.015

42. Dominitz J., Manski C. F. (2004). How should we measure consumer confidence? Journal of Economic Perspectives, Vol. 18, No. 2, pp. 51—66. https://doi.org/10.1257/0895330041371303

43. Donadelli M. (2015). Google search­based metrics, policy­related uncertainty and macro­ economic conditions. Applied Economics Letters, Vol. 22, No. 10, pp. 801—807. https://doi.org/10.1080/13504851.2014.978070

44. Donadelli M., Gerotto L. (2019). Non­macro­based Google searches, uncertainty, and real economic activity. Research in International Business and Finance, Vol. 48, pp. 111—142. https://doi.org/10.1016/j.ribaf.2018.12.007

45. Dong X., Bollen J. (2015). Computational models of consumer confidence from large­scale online attention data: Crowd­sourcing econometrics. PloS ONE, Vol. 10, No. 3, article e0120039. https://doi.org/10.1371/journal.pone.0120039

46. Dzielinski M. (2012). Measuring economic uncertainty and its impact on the stock market. Finance Research Letters, Vol. 9, No. 3, pp. 167—175. https://doi.org/10.1016/j.frl.2011.10.003

47. Ferrara L., Simoni A. (2023). When are Google data useful to nowcast GDP? An approach via preselection and shrinkage. Journal of Business & Economic Statistics, Vol. 41, No. 4, pp. 1188—1202. https://doi.org/10.1080/07350015.2022.2116025

48. Fisher K. L., Statman M. (2003). Consumer confidence and stock returns. Journal of Portfolio Management, Vol. 30, No. 1, pp. 115—127. https://doi.org/10.3905/jpm.2003.319925

49. Fondeur Y., Karamé F. (2013). Can Google data help predict French youth unemployment? Economic Modelling, Vol. 30, pp. 117—125. https://doi.org/10.1016/j.econmod.2012.07.017

50. Garcia­López M. À., Jofre­Monseny J., Martínez­Mazza R., Segú M. (2020). Do short­term rental platforms affect housing markets? Evidence from Airbnb in Barcelona. Journal of Urban Economics, Vol. 119, article 103278. https://doi.org/10.1016/j.jue.2020.103278

51. Gerasimenko V. V., Golovanova E. (2021). Evaluation of consumer behaviour on the Internet under the conditions of pandemic shock based on search activity in the luxury segment. Population and Economics, Vol. 5, No. 2, pp. 16—28. https://doi.org/10.3897/popecon.5.e63315

52. Goel S., Hofman J. M., Lahaie S., Pennock D. M., Watts D. J. (2010). Predicting consumer behavior with Web search. Proceedings of the National Academy of Sciences, Vol. 107, No. 41, pp. 17486—17490. https://doi.org/10.1073/ pnas.1005962107

53. González­Aguado C., Moral­Benito E. (2013). Determinants of corporate default: A BMA approach. Applied Economics Letters, Vol. 20, No. 6, pp. 511—514. https://doi.org/10.1080/13504851.2012.718051

54. Guizzardi A., Stacchini A. (2015). Real­time forecasting regional tourism with business sentiment surveys. Tourism Management, Vol. 47, pp. 213—223. https://doi.org/10.1016/j.tourman.2014.09.022

55. 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, pp. 119—167. https://doi.org/10.3233/JEM­2011­0342

56. Hampson D. P., Ma S., Wang Y., Han M. S. (2021). Consumer confidence and conspicuous consumption: A conservation of resources perspective. International Journal of Consumer Studies, Vol. 45, No. 6, pp. 1392—1409. https://doi.org/10.1111/ijcs.12661

57. Hunneman A., Verhoef P. C., Sloot L. M. (2015). The impact of consumer confidence on store satisfaction and share of wallet formation. Journal of Retailing, Vol. 91, No. 3, pp. 516—532. https://doi.org/10.1016/j.jretai.2015.02.004

58. Jansen W. J., Nahuis N. J. (2003). The stock market and consumer confidence: European evidence. Economics Letters, Vol. 79, No. 1, pp. 89—98. https://doi.org/10.1016/S0165­1765(02)00292­6

59. Keane M., Neal T. (2021). Consumer panic in the COVID­19 pandemic. Journal of Econometrics, Vol. 220, No. 1, pp. 86—105. https://doi.org/10.1016/j.jeconom.2020.07.045

60. Khan H., Upadhayaya S. (2020). Does business confidence matter for investment? Empirical Economics, Vol. 59, pp. 1633—1665. https://doi.org/10.1007/s00181­019­01694­5

61. Kupfer A., Zorn J. (2020). A language­independent measurement of economic policy uncertainty in eastern European countries. Emerging Markets Finance and Trade, Vol. 56, No. 5, pp. 1166—1180. https://doi.org/10.1080/1540496X.2018.1559140

62. Lehmann R. (2023). The forecasting power of the ifo business survey. Journal of Business Cycle Research, Vol. 19, No. 1, pp. 43—94. https://doi.org/10.1007/s41549­022­00079­5

63. Lehmann R., Reif M. (2020). Tracking and predicting the German economy: Ifo vs. PMI. CESifo Working Paper, No. 8145. https://doi.org/10.2139/ssrn.3552385

64. Malgarini M. (2012). Industrial production and confidence after the crisis: What’s going on? MPRA Рaper, No. 53813.

65. Mazurek J., Mielcová E. (2017). Is consumer confidence index a suitable predictor of future economic growth? An evidence from the USA. Economics and Management, Vol. 20, No. 2, pp. 30—45. https://doi.org/10.15240/tul/001/2017­2­003

66. Nikolopoulos K., Punia S., Schäfers A., Tsinopoulos C., Vasilakis C. (2021). Forecasting and planning during a pandemic: COVID­19 growth rates, supply chain disruptions, and governmental decisions. European Journal of Operational Research, Vol. 290, No. 1, pp. 99—115. https://doi.org/10.1016/j.ejor.2020.08.001

67. Olkiewicz M. (2022). The impact of economic indicators on the evolution of business confidence during the COVID­19 pandemic period. Sustainability, Vol. 14, No. 9, pp. 1—17. https://doi.org/10.3390/su14095073

68. Ou Y. C., de Vries L., Wiesel T., Verhoef P. C. (2014). The role of consumer confidence in creating customer loyalty. Journal of Service Research, Vol. 17, No. 3, pp. 339—354. https://doi.org/10.1177/1094670513513925

69. Pagano M., Wagner C., Zechner J. (2020). Disaster resilience and asset prices. Unpublished manuscript. Available at: https://doi.org/10.48550/arXiv.2005.08929

70. Patel J. C., Khurana P., Sharma Y. K., Kumar B., Ragumani S. (2018). Chronic lifestyle diseases display seasonal sensitive comorbid trend in human population evidence from Google Trends. PLoS ONE, Vol. 13, No. 12, article e0207359. https://doi.org/10.1371/journal.pone.0207359

71. Petrova D., Trunin P. (2020). Population forecasting and analysis of demographic heterogeneity of Russia. Available at SSRN: https://doi.org/10.2139/ssrn.3594521

72. Pramana S., Paramartha D. Y., Ermawan G. Y., Deli N. F., Srimulyani W. (2022). Impact of COVID­19 pandemic on tourism in Indonesia. Current Issues in Tourism, Vol. 25, No. 15, pp. 2422—2442. https://doi.org/10.1080/13683500.2021.1968803

73. Preis T., Moat H. S., Stanley H. E., Bishop S. R. (2012). Quantifying the advantage of looking forward. Scientific Reports, Vol. 2, No. 1, pp. 1—2. https://doi.org/10.1038/srep00350

74. Preis T., Moat H. S., Stanley H. E. (2013). Quantifying trading behavior in financial markets using Google Trends. Scientific Reports, Vol. 3, No. 1, pp. 1—6. https://doi.org/10.1038/srep01684

75. Raftery A. E. (1995). Bayesian model selection in social research. Sociological Methodology, Vol. 25, pp. 111—163. https://doi.org/10.2307/271063

76. Salisu A. A., Ogbonna A. E., Oloko T. F., Adediran I. A. (2021). A new index for measuring uncertainty due to the COVID­19 pandemic. Sustainability, Vol. 13, No. 6, article 3212. https://doi.org/10.3390/su13063212

77. Sax C., Eddelbuettel D. (2018). Seasonal adjustment by X­13ARIMA­SEATS in R. Journal of Statistical Software, Vol. 87, No. 11, pp. 1—17. https://doi.org/10.18637/jss.v087.i11

78. Shayaa S., Al­Garadi M. A., Piprani A. Z., Ashraf M., Sulaiman A. (2017). Social media sentiment analysis of consumer purchasing behavior vs consumer confidence index. In: Proceedings of the International Conference on Big Data and Internet of Things (BDIOT’17). New York: Association for Computing Machinery, pp. 32—35. https://doi.org/10.1145/3175684.3175712

79. Sun S., Wei Y., Tsui K. L., Wang S. (2019). Forecasting tourist arrivals with machine learning and internet search index. Tourism Management, Vol. 70, pp. 1—10. https://doi.org/10.1016/j.tourman.2018.07.010

80. Szczygielski J. J., Bwanya P. R., Charteris A., Brzeszczyński J. (2021). The only certainty is uncertainty: An analysis of the impact of COVID­19 uncertainty on regional stock markets. Finance Research Letters, Vol. 43, article 101945. https://doi.org/10.1016/j.frl.2021.101945

81. Szczygielski J. J., Charteris A., Obojska L. (2023). Do commodity markets catch a cold from stock markets? Modelling uncertainty spillovers using Google search trends and wavelet coherence. International Review of Financial Analysis, Vol. 87, article 102304. https://doi.org/10.1016/j.irfa.2022.102304

82. Taylor K., McNabb R. (2007). Business cycles and the role of confidence: Еvidence for Europe. Oxford Bulletin of Economics and Statistics, Vol. 69, No. 2, pp. 185—208. https://doi.org/10.1111/j.1468­0084.2007.00472.x

83. Tran T. D., Vehbi T., Wong B. (2019). Measuring uncertainty for New Zealand using data­rich approach. Australian Economic Review, Vol. 52, No. 3, pp. 344—352. https://doi.org/10.1111/1467­8462.12339

84. Vosen S., Schmidt T. (2011). Forecasting private consumption: Survey­based indicators vs. Google Trends. Journal of Forecasting, Vol. 30, No. 6, pp. 565—578. https://doi.org/10.1002/for.1213

85. Wang L., Wang S., Yuan Z., Peng L. (2021). Analyzing potential tourist behavior using PCA and modified affinity propagation clustering based on Baidu index: Taking Beijing city as an example. Data Science and Management, Vol. 2, pp. 12—19. https://doi.org/10.1016/j.dsm.2021.05.001

86. Woloszko N. (2021). Tracking GDP using Google Trends and machine learning: A new OECD model. VoxEU, December 19. https://cepr.org/voxeu/columns/tracking­gdp­using­google­trends­and­machine­learning­new­oecd­model

87. Zhang C., Tian Y. X., Fan Z. P. (2022). Forecasting sales using online review and search engine data: A method based on PCA—DSFOA—BPN N. International Journal of Forecasting, Vol. 38, No. 3, pp. 1005—1024. https://doi.org/10.1016/j.ijforecast.2021.07.010

88. Zou H., Xue L. (2018). A selective overview of sparse principal component analysis. Proceedings of the IEEE, Vol. 106, No. 8, pp. 1311—1320. https://doi.org/10.1109/jPROC.2018.2846588


Дополнительные файлы

Рецензия

Для цитирования:

Федюнина А.А., Юревич М.А., Городный Н.А. Пандемия, санкции и беспокойство в регионах России: наукастинг ожиданий деловой активности. Вопросы экономики. 2024;(3):96-119. https://doi.org/10.32609/0042-8736-2024-3-96-119

For citation:

Fedyunina A.A., Yurevich M.M., Gorodny N.A. Pandemic, sanctions and anxiety in Russia’s regions: Business expectations nowcasting. Voprosy Ekonomiki. 2024;(3):96-119. (In Russ.) https://doi.org/10.32609/0042-8736-2024-3-96-119

Просмотров: 872


ISSN 0042-8736 (Print)

Некоммерческое партнерство «Редакция журнала „Вопросы экономики“»
119606, Москва, Проспект Вернадского, д. 84, РАНХиГС, 1-й учебный корпус, офис 1132
Тел./факс: 8 (499) 956-01-43
mail@vopreco.ru

Яндекс.Метрика

Обработка персональных данных
создано и поддерживается NEICON
(лаборатория Elpub)