بسته شواهد: اعتبار «پیش‌بینی حال» شاخص‌های اقتصادی با استفاده از داده‌های جایگزین

مشکل اساسی سیاست‌گذاری اقتصادی این است که در تاریکی انجام می‌شود. هر تصمیم مهمی – چه افزایش نرخ بهره توسط بانک مرکزی برای مهار تورم و چه استقرار محرک مالی توسط دولت برای جلوگیری از رکود – بر اساس داده‌هایی است که گذشته را توصیف می‌کنند. ارقام رسمی تولید ناخالص داخلی (GDP) معمولاً ۳۰ تا ۴۵ روز پس از پایان یک فصل منتشر می‌شوند، در حالی که آمار جامع اشتغال و تورم نیز تأخیرهای چند هفته‌ای خود را دارند.

تا زمانی که یک نهاد متوجه شود اقتصاد در حال انجام چه کاری بوده است، واقعیت اقتصاد کلان اغلب تغییر کرده است. این تأخیر، که در اقتصادسنجی به عنوان مشکل «لبه نامنظم» شناخته می‌شود، سیاست‌گذاران را مجبور می‌کند تا با نگاه کردن به آینه عقب، اقتصاد جهانی را هدایت کنند. برای پر کردن این شکاف، اقتصاددانان به طور فزاینده‌ای به تکنیکی روی آورده‌اند که از هواشناسی وام گرفته شده است: «پیش‌بینی حال» (Nowcasting).

در حالی که پیش‌بینی (Forecasting) تلاش می‌کند آینده را پیش‌بینی کند، «پیش‌بینی حال» تلاش می‌کند وضعیت کنونی را تخمین بزند. این به معنای برآورد وضعیت فعلی شاخص‌هایی مانند تولید ناخالص داخلی و تورم قبل از انتشار آمار رسمی است، با استفاده از داده‌های با فرکانس بالا که بلافاصله در دسترس هستند. از نظر تاریخی، این امر متکی بر شاخص‌های سنتی کمی سریع‌تر، مانند گزارش‌های ماهانه تولید صنعتی یا شاخص‌های مدیران خرید (PMI) بود.

با این حال، شوک‌های اقتصادی دهه ۲۰۲۰ محدودیت‌های این شاخص‌های مرسوم را آشکار کرد، که همچنان از تأخیرهای انتشار و سوگیری‌های نظرسنجی رنج می‌برند. این امر یک تغییر ساختاری به سمت داده‌های جایگزین را تحریک کرده است. امروزه، دقیق‌ترین مدل‌های «پیش‌بینی حال» حجم عظیمی از اطلاعات غیرسنتی را جذب می‌کنند: تصاویر ماهواره‌ای از نورهای شبانه، تراکنش‌های کارت اعتباری زمان واقعی، ردیابی کشتی‌های جهانی و روندهای جستجوی اینترنتی.

شواهد این تغییر قوی است، به ویژه در مناطقی که آمار رسمی کمیاب یا غیرقابل اعتماد هستند. یک مقاله کاری در ژانویه ۲۰۲۶ از صندوق بین‌المللی پول (IMF) نشان داد که ادغام داده‌های نور شب مبتنی بر ماهواره در مدل‌های پیش‌بینی، دقت تخمین‌های رشد فصلی تولید ناخالص داخلی را در اقتصادهایی با محدودیت داده به طور قابل توجهی بهبود می‌بخشد.[1]

از آنجایی که شدت نور شبانه همبستگی قوی با فعالیت اقتصادی انسان دارد – تولید، حمل و نقل و عملیات تجاری همگی نور تولید می‌کنند – ماهواره‌ها یک شاخص زمان واقعی و بدون سوگیری برای خروجی فراهم می‌کنند که تأخیرهای دفاتر آمار ملی را دور می‌زند. مطالعه صندوق بین‌المللی پول نشان داد که معرفی داده‌های ماهواره‌ای دقت مدل‌های «جنگل تصادفی» (Random Forest) آن‌ها را ۱۳.۸۵ درصد بهبود بخشید.[1]

فراتر از زیرساخت‌های فیزیکی، ردپاهای مالی دیجیتال برخی از قوی‌ترین سیگنال‌های پیش‌بینی‌کننده برای رفتار مصرف‌کننده را ارائه می‌دهند. تحقیقاتی که استفاده از داده‌های پرداخت الکترونیکی – به ویژه تراکنش‌های کارت‌های بدهی و اعتباری که از طریق سیستم‌های تسویه خرده‌فروشی تسویه می‌شوند – را ارزیابی کرد، نشان داد که این مدل‌ها سیگنالی دقیق و به موقع در مورد تقاضای مصرف‌کننده و فعالیت اقتصادی کلی دارند.[4]

هنگامی که این مدل‌ها در برابر ارقام بازنگری شده تولید ناخالص داخلی ارزیابی می‌شوند، مدل‌هایی که داده‌های پرداخت با فرکانس بالا را در بر می‌گیرند، به طور مداوم بهتر از مدل‌های اقتصاد کلان معیار عمل می‌کنند. نکته حیاتی این است که به موقع بودن این داده‌های تراکنش، دقت «پیش‌بینی حال» را در طول فصل بهبود می‌بخشد و به بانک‌های مرکزی اجازه می‌دهد تا هفته‌ها قبل از انتشار ارقام رسمی فروش خرده‌فروشی، تغییرات در مصرف را شناسایی کنند.[4]

داده‌های جایگزین مبتنی بر متن نیز برای نظارت اقتصادی بسیار مؤثر هستند. یک ابتکار اکتشافی توسط بانک توسعه آسیایی (ADB) نشان داد که اعمال یادگیری ماشینی بر روی میلیون‌ها مقاله خبری می‌تواند «پیش‌بینی حال» اقتصادی بسیار دقیقی تولید کند. با استفاده از شبکه‌های هم‌وقوعی کلمات و تحلیل احساسات، ADB توانست حاشیه خطا برای تخمین‌های تولید ناخالص داخلی را به تنها ۰.۳۶ واحد درصد کاهش دهد.[5]

این تحلیل متنی به اقتصاددانان اجازه می‌دهد تا حال و هوای اقتصادی را در زمان واقعی کمی‌سازی کنند و تغییرات در نیروی کار، تجارت و سرمایه‌گذاری را مدت‌ها قبل از آنکه در حساب‌های ملی فصلی متبلور شوند، ثبت کنند. با این حال، حجم و پیچیدگی محض این داده‌های جایگزین به این معنی است که اغلب با مدل‌های اقتصادسنجی سنتی مانند رگرسیون‌های حداقل مربعات معمولی (OLS) ناسازگار است.[5]

داده‌های جایگزین با فرکانس بالا ذاتاً پر سر و صدا، بسیار همبسته و غیرخطی هستند. برای استخراج سیگنال از نویز، محققان به تکنیک‌های پیشرفته یادگیری ماشینی تکیه می‌کنند. «جنگل‌های تصادفی»، «شبکه‌های عصبی» و «مدل‌های عامل پویا» (DFM) اکنون ابزارهای استانداردی هستند که قادرند هزاران متغیر را بدون بیش‌برازش مدل به نویز تاریخی مدیریت کنند.[1]

بانک مرکزی اروپا (ECB) این تکنیک‌ها را با موفقیت در تجارت جهانی به کار برده است. با تقویت جعبه ابزار «پیش‌بینی حال» خود با داده‌های ماهواره‌ای زمان واقعی در مورد جابجایی کشتی‌ها – با استفاده از سیستم شناسایی خودکار (AIS) که موقعیت کشتی‌ها را روزانه ردیابی می‌کند – بانک مرکزی اروپا توانایی خود را برای ثبت تغییرات در پویایی تجارت جهانی به طور قابل توجهی بهبود بخشید.[2]

این ردیاب تقویت‌شده به ویژه در دوره‌هایی که متغیرهای بازار مالی از پویایی تجارت فیزیکی منحرف شدند، بهتر از مدل‌های قبلی عمل کرد. به عنوان مثال، در سال ۲۰۲۲، بازارهای سهام در بحبوحه تورم فزاینده و شوک‌های ژئوپلیتیکی سقوط کردند، اما تجارت جهانی به دلیل کاهش گلوگاه‌های عرضه، انعطاف‌پذیر باقی ماند. داده‌های ماهواره‌ای این جدایی را به درستی شناسایی کرد و از صدور سیگنال رکود اشتباه توسط مدل جلوگیری نمود.[2]

با وجود این پیشرفت‌ها، شواهد محدودیت‌های حیاتی در چارچوب «پیش‌بینی حال» را برجسته می‌کند. آسیب‌پذیری مهم‌تر «شکست ساختاری» است – یک شوک ناگهانی و بی‌سابقه به سیستم اقتصادی، مانند قرنطینه ناشی از همه‌گیری یا یک درگیری ژئوپلیتیکی. مدل‌های «پیش‌بینی حال» طراحی شده‌اند تا اقتصاد را بر اساس همبستگی‌های تاریخی در امتداد مسیر فعلی خود ردیابی کنند؛ آن‌ها نمی‌توانند رویدادهای قو سیاه را پیش‌بینی کنند.[6]

هنگامی که یک شکست ساختاری رخ می‌دهد، رابطه تاریخی بین شاخص جایگزین داده و شاخص اقتصاد کلان اغلب از بین می‌رود. این وابستگی به شیوه، به وضوح در مطالعه‌ای در مارس ۲۰۲۶ نشان داده شد که استفاده از داده‌های ترافیک بزرگراهی برای «پیش‌بینی حال» تولید ناخالص داخلی را ارزیابی می‌کرد.[3]

در حالی که تحرک فیزیکی به طور کلی یک شاخص قابل اعتماد برای فعالیت اقتصادی است، این مطالعه نشان داد که استفاده از حجم ترافیک تجمیع‌شده بزرگراهی در واقع دقت پیش‌بینی را در طول شوک کووید-۱۹ بدتر کرد و میانگین مربع خطای ریشه (RMSE) را در مقایسه با یک معیار پایه صرفاً کلان افزایش داد. داده‌های خام نتوانستند بین جابجایی ضروری بار و توقف سفر مسافران تمایز قائل شوند.[3]

تنها زمانی که داده‌های ترافیک تفکیک شدند تا انواع خاصی از وسایل نقلیه باری جدا شوند، سیگنال ارزش پیش‌بینی خود را بازیافت. این امر یک درس حیاتی برای اقتصادسنجی مدرن را برجسته می‌کند: داده‌های جایگزین خام یک نوشدارو نیستند. آن‌ها نیازمند مدیریت دقیق و درک مکانیسم‌های فیزیکی زیربنایی هستند که نشان می‌دهند.[3]

در نهایت، داده‌های جایگزین و یادگیری ماشینی جایگزین آمار رسمی نمی‌شوند؛ بلکه آن‌ها را تقویت می‌کنند. مؤثرترین چارچوب‌های «پیش‌بینی حال» به صورت ترکیبی عمل می‌کنند و سیگنال‌های دیجیتال زمان واقعی را به پایه و اساس دقیق، هرچند با تأخیر، حساب‌های ملی متصل می‌کنند.[6]

همچنان که بانک‌های مرکزی و نهادهای مالی به ادغام این ابزارها ادامه می‌دهند، تأخیر در اندازه‌گیری اقتصادی همچنان کاهش خواهد یافت. هدف دیگر تنها اندازه‌گیری دقیق اقتصاد نیست، بلکه اندازه‌گیری آن به اندازه‌ای سریع است که بتوان واقعاً کاری در مورد آن انجام داد.[6]