Reāllaika dati ekonomikā: ne viss ir zelts, kas spīd

Reāllaika dati ir bez kavēšanās pieejamā informācija (vien ar dažu dienu vai nedēļu nobīdi), kas tiek saņemta tieši no informācijas avota. Savukārt tradicionālo, oficiālo statistiku, kurai ir valstu statistikas institūciju kvalitātes zīmogs, apkopo un apstrādā nedēļām vai pat mēnešiem ilgi. Šos datus pēc tam var tieši izmantot dažādu ekonomikas un sabiedrības procesu izpētē. Tādējādi rodas līdzīga izšķiršanās kā ar ēdienu – apēst burgeri tūlīt un iegūt sāta sajūtu vai arī gaidīt vairākas stundas, kamēr nomizos, sagriezīs un izsautēs veselīgus dārzeņus. Līdzīgā situācijā ir ekonomisti un lēmumu pieņēmēji attiecībā uz datiem.

Covid-19 pandēmija, kas, iespējams, kļūs par krīzi, kuras analīzē izmantots visvairāk datu, iekrāsoja minēto izšķiršanos vēl izteiktākos kontrastos. Gaidīt oficiālo datu pieejamību nozīmēja riskēt ar iespēju savlaicīgi reaģēt uz notiekošo ekonomikā un sniegt pietiekami adekvātu atbalstu tautsaimniecībai. Savukārt ātrie jeb reāllaika dati nesniedza precīzu un visaptverošu skatu par ekonomiku, bet tomēr ļāva izprast krīzes skartās jomas un iespējamo negatīvā trieciena amplitūdu uz notiekošo mirkli.

Pagājušogad publicēju rakstu par reāllaika datiem “Kad tradicionālā statistika nepalīdz – ko var pateikt alternatīvie dati?”, kurā apskatīju bez maksas pieejamos publiskos augstas frekvences datus, kas varētu palīdzēt labāk izprast ekonomikā notiekošo. Šo sarakstu papildina jauni avoti, kā arī pētnieki arvien biežāk sāk izmantot pieejamo informāciju gan teksta, gan bilžu, gan video formātā, lai to pārvērstu analītiskajos rādītājos. Vienlaikus reāllaika datu izmantošana ekonomikas analīzē būtu jāīsteno ar piesardzību. Ātrās ēdināšanas produktu kvalitāti savos secinājumos nevēlas neviens ekonomists, tāpēc līdz ar plašāku reāllaika datu izmantošanu pieaug arī izpratne par to trūkumiem un nepieciešamajiem uzlabojumiem.

Reāllaika datu trūkumi

1. Piemēroti krīzei, bet trokšņaini “miera laikos”

Reāllaika dati spēj labi atspoguļot straujas izmaiņas ekonomikas procesos un cilvēku uzvedībā, it īpaši spēcīgu satricinājumu (piemēram, kā Covid-19 pandēmijas pirmā viļņa) gadījumā. Turpretim “miera laikos” datu svārstības ir biežas un neregulāras, kas vairāk norāda uz datu “troksni” un var maldīgi tikt uztverts par nozīmīgu izmaiņu signālu.

Gadījumos, kad ekonomika piedzīvo lielu un visaptverošo triecienu, reāllaika datu kritums nepārprotami uztvers šoku. Turpretim “miera laikos”, kad mazi uzņēmumu un nozaru specifiskie šoki pārklājas viens ar otru, ir grūti atšķirt globālus makroekonomiskos procesus no, piemēram, kāda uzņēmuma specifiskām problēmām.

Piemēram, darba tirgus sentimenta novērtēšanai var izmantot Linkedin publicēto vakanču datus. Gadījumos, kad nedēļas izmaiņas kopējā vakanču publicēšanā sasniegtu kritumu 20% apmērā, ir pamats pārbaudīt hipotēzi, ka novērojama ekonomiskā lejupslīde. Vienlaikus gadījumā, kad nedēļas kritums publicētajās vakancēs ir tikai 5%, tas varētu arī nozīmē, ka daži uzņēmēji vai nu devuši priekšroku publicēt darba sludinājumus kādā citā platformā, vai arī tas ir tikai gadījuma efekts.

2. Reāllaika datu mērķis nav prognozēt ekonomikā notiekošo

Svarīgi ir atcerēties, ka reāllaika datu iegūšanas mērķis visbiežāk nav veicināt izpēti ekonomikā, bet gan primāri tas ir blakusprodukts no kādas ierīces vai programmatūras izmantošanas. Tādējādi šo datu piemērošana un tulkošana var nebūt viennozīmīga, tostarp vienādi traktējama attiecībā uz dažādiem ekonomikas sektoriem un sabiedrības grupām. To izmantošanai ir jāiedziļinās pašā datu būtībā un jāuzkrāj pieredze.

Piemēram, Google mobilitātes rādītājs sniegs labu ieskatu tajā, cik daudz darbinieki fiziski atrodas darba vietās. Tomēr šis rādītājs neaptver to cilvēku daļu, kuri strādā attālināti vai savus darba pienākumus neveic biroja ēkās. Rezultātā šie cilvēki datos netiks atspoguļoti un jebkāda analīze, kas tiks veikta ar Google mobilitātes rādītājiem, nevarēs tikt attiecināta uz visu nodarbinātības sektoru. Piemēram, Latvijas gadījumā 1. attēls parāda, ka pirmajā pandēmijas vilnī tik tiešām bezdarbnieku skaita pieaugums sekoja mobilitātes kritumam darba vietās. Savukārt otrā pandēmijas viļņa laikā mobilitāte darba vietās krita teju tikpat daudz, cik pirmajā vilnī, bet bezdarbnieku skaits turpināja samazināties.

1. attēls. Google dati par mobilitāti darbavietās (procenti no 2020. gada 3. janvāra līdz 6. februārim mobilitātes līmeņa, 7 dienu slīdošais vidējais rādītājs) un bezdarbnieku skaits Latvijā
(tūkst., dati ir sezonāli izlīdzināti, labā ass)

Šādi dati var sniegt ne tikai nepilnīgu priekšstatu par kādu konkrētu ekonomikas komponenti, bet ignorēt veselu sabiedrības grupu. Tā sabiedrības daļa, kas neizmanto kādu konkrēto tehnoloģiju vai pakalpojumu no šīs datu kopas, tiek izslēgta un tādējādi dati kopumā rada maldīgu priekšstatu par visu sabiedrību. Tie paši Google mobilitātes dati tiek apkopoti, izmantojot informāciju par viedtālruņu lietošanu. Cilvēki, kuriem nav iespējas vai nepieciešamība iegādāties viedtālruņus vai nav iemaņas izmantot jauno tehnoloģiju risinājumus, šajos datos netiks atspoguļoti. Tādējādi rodas risks, ka analīze, kas tiktu balstīta uz šiem datiem, veicinātu tādu lēmumu pieņemšanu, kas nāktu par labu tikai datos iekļautajām grupām un ignorētu citu sabiedrības grupu vajadzības.

3. Dati nav visaptveroši

Tāpat pašreiz pieejamie dati sniedz plašāku informāciju par patērētāju uzvedību, jo pārsvarā tiek ievākti par kāda produkta vai pakalpojuma izmantošanu. Patēriņš ir svarīga iekšzemes kopprodukta sastāvdaļa, bet, šos datus izmantojot, mēs nevaram novērtēt citas komponentes, piemēram, investīcijas. Starp publiski pieejamiem reāllaika datiem nav tādu indikatoru, kas varētu novērtēt uzņēmumu investīciju apjomu, lai gan tas ir svarīgs ekonomikas veselības un nākotnes atlabšanas indikators.

4. Reāllaika datiem piemīt arī statistiski tehniski trūkumi

Šiem datiem, kas bieži vien pieejami ar dienas vai nedēļas frekvenci, piemīt īpašs periodiskums un sezonalitāte, ar ko līdz šim ekonomisti nav bieži saskārušies. Piemēram, analizējot nedēļas datus ilgākā laika griezumā, jāparedz, ka gadi sastāv no dažāda dienu vai nedēļu skaita, salīdzinot ar ierasto sistēmu, kurā ir 12 mēneši un 4 ceturkšņi katru gadu. Dienas datiem ir izteikti kalendārie efekti, piemēram, lielas svārstības starp datiem darbadienās un brīvdienās. Atsevišķa uzmanība būtu jāvelta arī svētku dienām, kuras, piemēram, Lieldienas, katru gadu var būt citā laikā, kas apgrūtina datu salīdzināmību dažādos periodos.

Mēneša ietvaros nedēļas frekvences dati reaģē uz dažādu uzņēmumu un patērētāju uzvedību. Piemēram, izmantojot bankas karšu maksājumu datus par patērētāju izdevumiem, varēs novērot, ka nedēļās īsi pirms algas saņemšanas tēriņi būs mazāki nekā nedēļās, kad alga tikko saņemta. 2. attēlā ir parādīti veiktie maksājumi nepieciešamajām precēm un pakalpojumiem, tādām kā pārtikas produkti, komunālie pakalpojumi, īres maksājumi un citi, kas veikti ar kredītkartēm un debetkartēm Lielbritānijā 2021. gadā. Var novērot, ka, pat neskatoties uz to, ka dati ir atspoguļoti kā 7 dienu slīdošais vidējais rādītājs, tiem piemīt izteikta sezonalitāte, kur mēneša sākumā šie nepieciešamie maksājumi ir visaugstākie. Tas varētu būt saistīts ar rēķinu samaksas termiņiem, algu iemaksas datumiem, kā arī ar patērētāju ieradumiem – pēc algas saņemšanas sākotnēji samaksāt par pirmās nepieciešamības lietām.

2. attēls. Kredītkaršu un debetkaršu maksājumi dati pirmās nepieciešamības preču un pakalpojumu uzņēmumiem
(100 = Februāris, 2020, 7 dienu slīdošais vidējais rādītājs, dati nav sezonāli izlīdzināti)

Patērētāju uzvedību mēneša ietvaros var ietekmēt arī laikapstākļi, kad siltākās un saulainākās dienās patēriņš pakalpojumiem pieaugs, bet vēsākās un lietainākās dienās – samazināsies. Datu ierastā sezonalitāte var mainīties, piemēram, gadījumā, ja siltais laiks pavasarī iestājas neparasti agri. Tas rosina patērētājus iegādāties jaunu apģērbu ātrāk, veicinot patēriņu un tā signalizējot pieaugošu ekonomisko aktivitāti, ko var kļūdaini interpretēt nevis kā laikapstākļu ģenerētu vienreizēju, bet gan fundamentālu ekonomisko faktoru.

Rezumējot – līdz šim analīzes metodes pārsvarā balstījās uz mēneša, ceturkšņa un gada datu analīzi, savukārt nedēļas un dienas datu analīzei pieejamie rīki ir dažādi, turklāt par to, kuri ir optimālākie, nav vienotas izpratnes. No vienas puses, tas dod pētniekiem lielu brīvību datu apstrādes metodes izvēlē, bet vienlaikus arī rada papildu izaicinājumus.

5. Papildu riski datu izmantošanai

Šādu datu izmantošana arī rada virkni ētisku jautājumu. Piemēram, cik godīgi privātajiem uzņēmumiem ir pārdot datus, kas iegūti no viņu produktu vai pakalpojumu lietošanas? Potenciālās izmaiņas tiesību aktos attiecībā uz datu privātuma politiku var paplašināt vai ierobežot esošo reāllaika datu izmantošanu. Šis risks rada nenoteiktību par to, cik ilgi un kādus tieši datus analītiķi un pētnieki varēs izmantot savā analīzē.

Lai gan šajā rakstā neapskatīsim argumentus par un pret datu uzkrāšanu un izmantošanu, svarīgi ir apzināties, ka dati kā instruments var tikt izmantots gan labiem, gan sliktiem nolūkiem. Tādējādi uzņēmumiem, izmantojot datus, ir jārīkojas godprātīgi, ētiski un saskaņā ar pastāvošajām datu aizsardzības un izmantošanas normām. Savukārt lietotājiem, sākot izmantot jaunus produktus vai pakalpojumus, ir rūpīgi jāiepazīstas ar datu aizsardzības politiku un jāsaprot, vai šādai privāto datu izmantošanai tie vēlas piekrist.

Ir vērtības, kuras nemainās, bet tās tiek uzlabotas

Neskatoties uz to, ka ir zināmi reāllaika datu trūkumi, pētniekiem un analītiķiem ir ārkārtīgi liela interese par tiem, jo tas var dot labumu gan sabiedrībai kopumā, gan uzņēmumiem un pašiem iedzīvotājiem teju jebkurā dzīves jomā.

Reāllaika dati var kalpot kopīgam mērķim, piemēram, transporta kustības dati pilsētā var nodrošināt optimālāku sabiedriskā transporta plānošanu. Daudzi no mums ikdienā, lai pārvietotos ātrāk un ērtāk, izmanto Waze vai Google Maps pakalpojumus. Arī privātais sektors steidzas izmantot datus, lai uzlabotu savu komercdarbību. Piemēram, investīciju fondi, izsekojot lidmašīnu kustību (kur pieejama arī informācija par privāto lidmašīnu lidojumiem), cenšas prognozēt lielus biznesa apvienošanas un pārdošanas darījumus.

Šo datu pienesums mūsdienu analītiskajā pasaulē balstās ne tikai uz papildu informācijas daudzumu, bet arī paātrinot un revolucionizējot metodes un tehnikas, ar kurām strādā ekonomisti, statistiķi un datu analītiķi. Ja publiskais sektors šos datus izmanto ar kavēšanos, rodas risks, ka privātajiem uzņēmumiem būs pieejama plašāka informācija par notiekošo tautsaimniecībā. Savukārt patērētājiem digitālo prasmju veicināšana, t.sk. plašāka reāllaika datu izmantošana, var palīdzēt ikdienā. Piemēram, izmantojot Google mobilitātes rādītājus, ko ekonomisti pielieto patēriņa analīzei, varam novērtēt, kad kādā vietā ir lielāka apmeklētāju intensitāte (lasi – rindas), tādējādi atrodot iespēju pakalpojumu saņemt ātrāk un ērtāk.

Reāllaika dati ir analītikas “jaunais zelts”, bet labās ziņas ir, ka tie tikai papildinās un neaizstās esošos, tradicionālos statistikas datus. Turklāt šo datu izmantošanā ir plašas pilnveidošanas iespējas (lasi – no ātri pagatavojamiem ēdieniem kļūt par kvalitatīviem uztura bagātinātājiem ekonomikas analīzes pasaulē).

Izmantotā literatūra:

The Economist (2020). Why real-time economic data need to be treated with caution.

The Economist (2021). A real-time revolution will up-end the practice of macroeconomics

Rua, A., & Lourenço, N. (2020). The DEI: tracking economic activity daily during the lockdown (No. w202013). 

Eraslan, S., & Götz, T. (2021). An unconventional weekly economic activity index for Germany. Economics Letters, 204, 109881. 

Sandqvist A. P. & Siliverstovs B. (2021). Is it good to be bad or bad to be good? Assessing the aggregate impact of abnormal weather on consumer spending. Empirical Economics, 61, 3059-3085.