Tunne nykyhetki, jotta ymmärrät tulevan: Suomen talouden ennustaminen ja reaaliaikainen talousindikaattorimittaus

Talouden kehityksen ennakointi on tärkeä osa monien yksityisten ja julkisten laitosten toimintaa Suomessa ja muualla. Lyhyen ja pitkän aikavälin ennusteita talouden keskeisistä muuttujista, kuten bkt ja työttömyysaste, julkaistaan jatkuvasti, ja ne ovat erittäin aktiivisesti seurattuja. Talouden suunnan ennakoiminen on tärkeää talouspoliittisten toimenpiteiden ajoitukselle. Luotettavien ennusteiden tuottaminen tarjoaa myös perusteita sen arvioimiselle, johtaisivatko ehdotetut toimintalinjat ja uudistukset haluttuun vaikutukseen.

Suomessa toimii useita julkisia laitoksia, tutkimuslaitoksia ja yrityksiä, jotka yrittävät ennakoida talouden kehitystä. Valtiovarainministeriön, Suomen Pankin ja Etlan ennusteita käsitellään tiedotusvälineissä, ja ne ovat intensiivisen poliittisen ja julkisen keskustelun aiheita. On kuitenkin yksi keskeinen näkökohta, jota ei riittävästi huomioida näissä keskustelussa. Nimittäin se, onko meillä riittävän hyvä käsitys talouden nykytilasta vai ei? Jos halutaan ennustaa talouden kehitystä vuoden tai parin päähän, tarvitaan talouden nykytilasta luotettava tieto ennustemallien pohjalle. Tämä ongelma ei rajoitu ennusteiden tekemiseen. Esimerkiksi, kun keskuspankki päättää uusista rahapoliittisista toimenpiteistä, se tarvitsee ajankohtaisen ja tarkan kuvan talouden nykytilasta. Lisäksi, markkinoiden tila on tärkeää tietoa yrityksille, jotka päättävät uusista investoinneista ja tekevät lyhyen ja pitkän aikavälin liiketoimintapäätöksiä. Nämä esimerkit havainnollistavat, miksi ”nowcasting”, eli reaaliaikainen talousindikaattorimittaus, on tärkeä tutkimuskohde.

Tilastokeskus (muiden maiden tilastoviranomaisten tavoin), julkaisee ensimmäisen estimaatin taloudellisista indikaattoreista huomattavalla viipeellä. Esimerkiksi bkt:n ”flash” estimaatti julkaistaan 45 päivää neljänneksen päättymisen jälkeen. Myös tuotannon suhdannekuvaaja (TSK), joka on kuukausittainen reaalitalouden kehityksen mittari, julkaistaan 45 päivää kuukauden päättymisen jälkeen. Lisäksi näitä alustavia julkaisuja tarkistetaan merkittävästi tietolähteiden kertymisen ja Tilastokeskuksen omien prosessien takia. Muun muassa näistä syistä nopeampien talousindikaattoreiden menetelmäkehitykselle on Suomessakin kysyntää.

Joitakin esimerkkejä tärkeimmistä reaaliaikaisen talousindikaattorimittauksen kehityspoluista

Reaaliaikainen indikaattorimittaus on viime vuosina ollut aktiivisen kehityksen kohteena. Aihepiirin ekonometrinen kirjallisuus on kasvanut jatkuvasti, ja nyt on enenevässä määrin käytettävissä menetelmiä, jotka mahdollistavat suurten aineistomassojen käyttämisen ekonometrisissa malleissa. Tämän seurauksena reaaliaikaista taloudellisten muuttujien mittausta tehdään monissa julkisissa ja yksityisissä laitoksissa. Muutamia esimerkkejä tästä kehityksestä ovat Yhdysvaltojen talouden kehitystä mittaava Aruoba-Diebold-Scotti (ADS)-indeksi1 ja euroaleen Euro-coin indeksi2.

Nämä indeksit ovat hyviä esimerkkejä siitä, miten nowcasting voidaan toteuttaa eri tavoin. ADS-indeksi julkaistaan päivittäin, ja se antaa reaaliaikaisen kuvan taloustilanteesta, mutta se ei ole suoraan sidoksissa bkt:hen. Sen sijaan Eurocoin-indeksi on kuukausittainen ja se pyrkii estimoimaan bkt:n kehitystä kuukausitasolla. Toinen ero ADS-indeksin ja Eurocoin-indeksin välillä on siinä, millaisia tietoja ne käyttävät. ADS-indeksi perustuu pieneen joukkoon muuttujia (vain 7). Eurocoin-indeksin takana on sen sijaan malli, joka käyttää suurta aineistoa, ja mukana ovat esimerkiksi teollisuustuotannon indeksit, luottamusindeksit, hintaindikaattorit ja paljon muita.

Suomestakin löytyy muutamia nowcasting-esimerkkejä. Tilastokeskus tuottaa tuotannon suhdannekuvaajaa, jota käytetään ensimmäisen bkt-estimaatin pohjalla. TSK voidaan tulkita bkt:n reaaliaikaiseksi mittaukseksi, vaikkakin sen julkaisuviive on pitkä. Tältä osin TSK ja Eurocoin ovat samankaltaisia. Kuukausittainen reaalitalouden indikaattorin julkistaminen ei ole yleistä muissa maissa, ja Tilastokeskusta voidaankin kehua siitä, että se tarjoaa luotettavaa kuukausittaista suhdannetietoa kansantalouden tuotannosta (neljännesvuosittaisten bkt-julkistusten lisäksi). Suomen Pankki on myös kehittämässä ekonometrista menetelmää bkt:n reaaliaikaista mittausten varten, koskien erityisesti bkt:n neljännesvuosikasvun trendiä. Informatiivinen raportti Suomen Pankin nykyisistä menetelmistä ja tiedoista on saatavilla pankin nettisivuilta3. Suomen Pankki ei tällä hetkellä kuitenkaan julkaise mittausten tuloksia.

Etla tuottaa ennusteen työttömyysasteesta4 ja asuntohintaindeksistä5 päivittäin, käyttäen reaaliaikaisia tietoja työttömyyteen liittyvistä Google-hauista6. ETLAnow-projektista löytyy taustatietoa Etlan raportissa ETLAnow: A Model for Forecasting with Big Data7.

Tie eteenpäin: nopeiden talousindikaattoreiden modernisointi

Tilastokeskus ja Etla tekevät yhteistyötä tutkimushankkeessa, osana Eurostatin Big Data konsortiota, jossa yhtenä tavoitteena on luoda tapoja tuottaa nopeampia estimaatteja talousindikaattoreista8. Tilastokeskuksessa tehtävällä projektilla on kaksi tavoitetta. Ensiksi, pyritään kehittämään menetelmiä ja tilastomalleja jotka voisivat lyhentää TSK:n julkaisuviivettä noin 20 päivää verrattuna nykyiseen aikatauluun. Toiseksi, yritetään käyttää näitä nopeampia TSK:n estimaatteja tuottamaan neljännesvuositason bkt:n kehityksestä reaaliaikaisia estimaatteja.

Tärkeimpänä tietolähteenä on Tilastokeskuksen myyntitiedustelusta saatava yritystason aineisto, joka sisältää otoksen merkittävimpien kotimaisten yritysten liikevaihtoja. Tiedustelussa tiedot kertyvät melko nopeasti viitekuukauden päättymisen jälkeen, jolloin aineistosta saadaan nopeaa ja päivittyvää tietoa liikevaihtojen kehityksestä. Tietääksemme aineisto on nopein mahdollinen lähde, josta on saatavilla konkreettisia tietoja talouden kehityksestä. Aineiston käytössä on kuitenkin useita haasteita. Ensimmäisenä haasteena on muuttujien (yritysten) suuri määrä, jolloin tarvitaan asianmukaisia tilastollisia malleja. Toisena ongelmana on, että tästä tietolähteestä on saatavilla vain osa kaikesta liiketoiminnasta, ja suuret yritykset ovat aineistossa yliedustettuna. Lopuksi, yritystason liikevaihtotiedot ovat hälyisiä, koska yritystasoiset idiosynkraattiset shokit voivat vaikuttaa merkittävästi yksittäisen yrityksen suorituskykyyn, ilman että se välttämättä indikoisi koko talouden suunnasta mitään. On kuitenkin tärkeä muistaa, että Suomen talous on erittäin keskittynyttä ja pieni joukko isoja yrityksiä muodostaa merkittävän osan bkt:stä, mikä tarkoittaa, että suuryritysten shokit saattavat vaikuttaa merkittävästi Suomen makrotaloudellisiin olosuhteisiin (Fornaro ja Luomaranta, 2016).

Tutkimme työssä myös muita tietolähteitä, kuten palkkatietoja (jotka kertyvät hieman myöhemmin verrattuna myyntitiedustelun liikevaihtoihin), EK:n ja Tilastokeskuksen luottamusindeksejä, sekä alv-aineistoa, joka sisältää paljon suuremman joukon yrityksiä (vaikkakin se on saatavilla pitkällä viiveellä). Tutkimme ja testaamme monia erilaisia tilastomalleja, joiden avulla voidaan poimia suuresta datamäärästä relevantteja signaaleja. Joitakin esimerkkejä näistä ovat faktorimallit, ”ridge” regressiot ja muita samankaltaisia menetelmiä (lyhyt tekninen yhteenveto on Etlan nettisivuilta9).

Tutkimushanke on vielä alkuvaiheessa, ja erityisesti on tehtävä kompromissiratkaisu ajantasaisuuden ja tarkkuuden välillä. Kuinka paljon voimme nopeuttaa indikaattoreita menettämättä kuitenkaan tarkkuutta liikaa? Olemme tähän mennessä saaneet lupaavia ensimmäisiä tuloksia, ja menetelmiä voidaan käyttää tuottamaan indikaattoreita huomattavasti nopeammin, ja kustannuksena on pieni menetys estimaattien tarkkuudessa. Esimerkkinä, alla on raportoitu Tilastokeskuksen julkaisemat bkt:n kasvuluvut, jotka julkaistaan 60 päivää viitekauden päättymisen jälkeen, ja tutkimallamme menetelmällä tuotetut mittaukset, jotka on laskettu 15 päivää ennen saman vertailujakson päättymistä (eli kaksi ja puoli kuukautta ennen virallisia julkistuksia). Raportoimme tuloksia 2013 ensimmäisestä neljänneksestä vuoden 2016 viimeiseen neljännekseen.

Alla oleva kuvio osoittaa, että uudet reaaliaikaiset mittaukset pystyvät mallintamaan bkt:n kasvua ja lyhentävät julkaisun viivästymistä jopa yli kaksi kuukautta. Ennen tällaisten uusien mittausten säännöllistä tuotantoa on ratkaistava useita kysymyksiä. Aineistolähteistämme esimerkiksi puuttuu potentiaalisesti merkittävää tietoa pienistä ja keskisuurista yrityksistä. Alv-tiedot, joita aiomme käyttää malleissa lisänä, voivat ratkaista tämän ongelman, mutta ne ovat saatavilla huomattavasti myöhemmin verrattuna myyntitiedustelun tietoihin. Toisaalta käyttämämme mallit eivät välttämättä hyödy uusista tietolähteistä, koska suuremmat dimensiot käytettävässä aineistossa lisäävät kohinan määrää. Tutkimme ennusteiden yhdistelmiä (forecast combinations) yhtenä ratkaisuvaihtoehtona tähän.

Viitteet

1 https://www.philadelphiafed.org/research-and-data/real-time-center/business-conditions-index
2 http://eurocoin.cepr.org/
3 https://www.bofbulletin.fi/en/2016/3/how-do-we-know-where-the-economy-is-heading-today-/
4 https://www.etla.fi/en/etlanow/
5 https://www.etla.fi/etlanow-asunnot/
6 https://trends.google.com/trends/
7 http://pub.etla.fi/ETLA-Raportit-Reports-54.pdf
8 https://webgate.ec.europa.eu/fpfis/mwikis/essnetbigdata/index.php/ESSnet_Big_Data
9 http://pub.etla.fi/ETLA-Working-Papers-46.pdf

Kirjallisuus

Aruoba, S. Borağan, Diebold, Francis X. ja Scotti, Chiara (2009). ”Real-Time Measurement of Business Conditions,” Journal of Business & Economic Statistics, American Statistical Association, vol. 27(4), pages 417–427.

Fornaro, Paolo ja Luomaranta, Henri (2016). ”Aggregate Fluctuations and the Effect of Large Corporations: Evidence from Finnish Monthly Data”, Manuscript.

Fornaro, Paolo, Luomaranta, Henri ja Saarinen, Lauri (2017). ”Nowcasting Finnish Turnover Indexes Using Firm-Level Data,” ETLA Working Papers 46, The Research Institute of the Finnish Economy.

Forni, Mario, Lippi, Marco, Reichlin, Lucrezia, Altissimo, Filippo ja Bassanetti, Antonio (2003). ”Eurocoin: A Real Time Coincident Indicator Of The Euro Area Business Cycle,” Computing in Economics and Finance 2003 242, Society for Computational Economics.

Tuhkuri, Joonas (2016). ”Forecasting Unemployment with Google Searches,” ETLA Working Papers 35, The Research Institute of the Finnish Economy.

Paolo Fornaro

Paolo Fornaro

Tutkija, Ph.D. (Econ)
Alueet: reaaliaikaiset talousindikaattorit, big data, yritysaineistot, tuottavuusanalyysi