№4 (29) / 2025 Весь выпуск

Дата выхода 10.11.2025

 ОТ ТЕОРИИ К ЭКОНОМИЧЕСКОЙ ПОЛИТИКЕ

 

 

 

Щербаков Василий Сергеевич

кандидат экономических наук

Банк России (Екатеринбург)

Омский государственный университет им. Ф.М. Достоевского (Омск), Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

https://orcid.org/0000-0001-5132-7423

 

ОЦЕНКА ИНФЛЯЦИОННЫХ ОЖИДАНИЙ НАСЕЛЕНИЯ РОССИИ НА ОСНОВЕ ПОИСКОВЫХ ЗАПРОСОВ В СЕТИ ИНТЕРНЕТ (ПОДХОД «СВЕРХУ ВНИЗ»)

Размер файла68-90 Размер файла  3.1 М Размер файла Текст статьи   Лицензия Creative Commons 4.0 

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.

 

Ключевые слова: денежно-кредитная политика, таргетирование инфляции, инфляционные ожидания, поисковые запросы, текстовый анализ, методы машинного обучения, Яндекс

 

JEL: С82; С88; E31; Е52

УДК: 336.7, 338.57

DOI: 10.52342/2587-7666VTE_2025_4_68_90

 

© В.С. Щербаков

© ФГБУН Институт экономики РАН «Вопросы теоретической экономики», 2025

 

ЛИТЕРАТУРА

 

  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)

полный список публикаций

закрыть список

  1. 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)
  2. Ержан И.С. (2019). Апробация альтернативных методов оценки инфляционных ожиданий в Казахстане // Экономическое обозрение. Национальный Банк Республики Казахстан. № 2–3. С. 4–15.
  3. Жемков М.И., Кузнецова О.С. (2017). Измерение инфляционных ожиданий участников финансового рынка в России // Вопросы экономики. № 10. С. 111–122.
  4. 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)
  5. Петрова Д.А. (2019). Прогнозирование инфляции на основе интернет-запросов // Экономическое развитие России. Т. 26. № 11. С. 55–62.
  6. Петрова Д.А. (2022). Оценка инфляционных ожиданий на основе интернет-данных // Прикладная эконометрика. Т. 66. № 2. С. 25–38.
  7. 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.
  8. Хазанов А.А. (2015). О квантификации инфляционных ожиданий Банком России // Деньги и кредит. № 3. С. 59–63.
  9. Шуляк Е. (2022). Макроэкономическое прогнозирование с использованием данных социальных сетей // Деньги и кредит. Т. 81. № 4. С. 86–112.
  10. 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.
  11. 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.
  12. Юревич М.А. (2021). Инфляционные ожидания и инфляция: наукастинг и прогнозирование // Journal of Economic Regulation. Т. 12, № 2. С. 22–35.
  13. Angelico C., Marcucci J., Miccoli M., Quarta F. (2022). Can we measure inflation expectations using Twitter? // Journal of Econometrics. 228. No. 2. Pp. 259–277.
  14. Aromí D., Llada M. (2020). Forecasting inflation with twitter // Asociación Argentina de Economía Política. Working Papers. No. 4308.
  15. 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.
  16. Banbura M., Leiva-Leon D., Menz J-O. (2021). Do Inflation Expectations Improve Model-based Inflation Forecasts? // Banco de Espana Working Paper. No. 2138.
  17. Batchelor R. (2009). How Robust are Quantified Survey Data? Evidence from the United States // Inflation Expectations / Ed. by P. Sinclair. – Pp. 8-33.
  18. Bernanke B. (2007). Inflation Expectations and Inflation Forecasting // Monetary Economics Workshop of the National Bureau of Economic Research Summer Institute / Cambridge, Massachusetts.
  19. Bicchal M., Raja Sethu Durai S. (2019). Rationality of inflation expectations: an interpretation of Google Trends data // Macroeconomics and Finance in Emerging Market Economies. 12. No. 3. Pp. 229–239.
  20. Carlson J.A., Parkin M. (1975). Inflation Expectations // Economica. Vol. 42. No. 166. Pp. 123-138.
  21. Carroll C.D. (2003). Macroeconomic expectations of households and professional forecasters // The Quarterly Journal of economics. Vol. 118. No. 1. Pp. 269–298.
  22. 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).
  23. 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.
  24. Fuhrer J. (2012). The Role of Expectations in Inflation Dynamics // International Journal of Central Banking. No. 8. Pp. 137-165.
  25. 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.
  26. 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.
  27. 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.
  28. Hassani H., Silva E.S. (2018). Forecasting UK consumer price inflation using inflation forecasts // Research in Economics. 72. No. 3. Pp. 367–378.
  29. 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.
  30. 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.
  31. Mankiw G., Reis R., Wolfers J. (2003). Disagreement about inflation expectations // NBER Macroeconomic Annual. No. 18. Pp. 209-248.
  32. 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.
  33. 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.
  34. 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.
  35. 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.
  36. 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
  37. Thrun S., Pratt L. (1998). Learning to learn: Introduction and overview // Springer Science & Business Media.
  38. 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.
  39. 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. 13. No. 12. Pp. 1-16. DOI: 10.3390/APP13127111-
  40. 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
  41. Yadav D., Desai J., Yadav A.K. (2022). Automatic Text Summarization Methods: A comprehensive Review // arXiv:2204.01849.
  42. 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.
  43. 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.

 

 

Дата поступления рукописи  23.06.2025

Дата принятия к публикации: 06.09.2025 

 

Для цитирования:

Щербаков В.С. Оценка инфляционных ожиданий населения России на основе поисковых запросов в сети Интернет (подход «сверху вниз») // Вопросы теоретической экономики. 2025. № 4. С. 68–90. DOI: 10.52342/2587-7666VTE_2025_4_68_90.