Wspólnotowy Serwis Informacyjny Badan i Rozwoju - CORDIS

H2020

Post-GFC Monetary Policy — Wynik w skrócie

Project ID: 657182
Źródło dofinansowania: H2020-EU.1.3.2.
Kraj: Hiszpania
Dziedzina: Społeczeństwo

Bardziej wrażliwe modelowanie w celu lepszego prognozowania gospodarczego

Jak decydenci polityczni mogą uniknąć „czarnych scenariuszy”, takich jak światowy kryzys finansowy, gdy ich metody modelowania są ograniczone i sztywne? Zespół jednego projektu zastosował zaawansowane algorytmy wykorzystujące zlokalizowane dane do lepszego prognozowania.
Bardziej wrażliwe modelowanie w celu lepszego prognozowania gospodarczego
Globalny kryzys finansowy, który rozpoczął się w 2008 r., skłonił społeczeństwo do przemyślenia prognoz gospodarczych. Modelowanie od dawna było standardowym narzędziem zarządzania stosowanym przez banki centralne, które umożliwia ocenę globalnych i krajowych perspektyw gospodarczych stanowiących podstawę polityki pieniężnej.

Jednak przy stale ewoluujących gospodarkach, jeśli modele nie uwzględniają możliwości odzwierciedlenia tych zmian, wynikające z nich polityki, które sprawdzały się w przeszłości, mogą już nie mieć zastosowania. Duża część wyzwania związanego z prognozami gospodarczymi polega na trudności w identyfikacji tych zmian, indywidualnych czynników wyzwalających, które pomagają w kształtowaniu makroekonomii i wymagają stosowania środków naprawczych w celu zrównoważenia negatywnych konsekwencji.

W ramach finansowanego ze środków UE projektu Post-GFC Monetary Policy zaproponowano nową metodologię, która poprzez uwzględnienie danych lokalnych, umożliwia szybsze reagowanie na zmiany makroekonomiczne niż istniejące metody. Projekt wykazał, że jest ona użyteczna przy analizowaniu cen opieki zdrowotnej jako wskaźnika sukcesu polityki, ale była mniej skuteczna w odniesieniu do polityki pieniężnej w zakresie badania danych finansowych.

Wykorzystywanie danych lokalnych jako czynników prognozujących zmiany

Jednym z problemów związanych z tradycyjnymi modelami gospodarczymi jest to, że wiele z nich działa zgodnie z zasadami regresji liniowej, ze stałymi współczynnikami. W tym przypadku uważa się, że efekty są stałe w czasie. Jednak jak zauważa stypendystka programu Marie Curie, dr Isabel Casas, „w rzeczywistości, w realnym świecie, rezultaty zmieniają się w czasie w odpowiedzi na szerszy klimat gospodarczy lub nagłe niespodziewane wstrząsy gospodarcze lub finansowe”. Modele te mogą zatem jedynie odzwierciedlać bardzo ogólne trendy, tworząc coś zbliżonego do średniej wartości zmieniających się efektów.

Jedną z metod przeciwdziałania temu ograniczeniu jest zastosowanie regresji nieparametrycznej, przy czym sam model jest faktycznie konstruowany w oparciu o dane, a nie tworzony na podstawie wstępnie określonych predyktorów. Objaśniając skuteczność metodologii, dr Casas mówi: „zależność pomiędzy dowolnymi dwiema zmiennymi zmienia się w czasie, niezależnie od tego, czy są to dni, tygodnie czy lata. Metodologie, które wykorzystaliśmy, automatycznie wykrywają te zmiany, zapewniając mniej stronniczy obraz rzeczywistości.

Informacje wykorzystane w ramach projektu pochodziły ze zlokalizowanych danych. Zbierano je, aby przedstawić różne efekty zmieniające się w czasie. Naukowcy stworzyli pakiet statystyczny o nazwie tvReg, wykorzystujący język programowania R, z pomocą którego zastosowano algorytmy współczynników zmiennych czasie do danych. Ze względu na złożoność programowania algorytmy te były do​tej pory w dużej mierze domeną specjalistów.

Stosując metodologię w polityce pieniężnej, wykorzystano dane finansowe, w tym zmienne mierzące produkcję przemysłową, krótko- i długoterminowe stopy procentowe, inflację, dane walutowe i swapy ryzyka kredytowego. Naukowcy odkryli jednak, że modelowanie nie dawało innych wyników predykcyjnych niż wyniki uzyskane w drodze tradycyjnego modelowania, przez co stwierdzono, że ta zmienna w czasie technika nie zapewnia znaczącej przewagi w odniesieniu do tych danych.

Z drugiej strony, jeśli chodzi o zastosowanie w polityce zdrowotnej, jednym z podjętych przez zespół projektu wyzwań było zbadanie, w jakim stopniu opiekę zdrowotną można uznać za dobro luksusowe w UE i krajach OECD.

Uzyskane wyniki różnią się od wcześniejszych wyników w literaturze, gdzie opieka zdrowotna zawsze była uważana (w oparciu o cenę) za dobro luksusowe w UE. Dr Casas podsumowuje: „najwyraźniej państwa członkowskie UE zbliżają się do wdrożenia wspólnej polityki, przy czym cena opieki zdrowotnej była dość stabilna na przestrzeni ostatnich lat i była niższa niż w krajach OECD, a zatem widzimy, że polityka zdrowotna po 2008 r. w UE podąża we właściwym kierunku.

Kolejnym etapem badań jest skupienie się na modelowaniu, które prognozuje zachowanie procesów w innych kontekstach, na przykład w przypadku produkcji energii odnawialnej w oparciu o dane oceaniczne, które obejmują informacje o stanie wzburzenia morza, falach, wietrze lub wysokości fali. Będzie to korzystne zarówno dla producentów, jak i konsumentów na unijnym rynku energii elektrycznej.

Słowa kluczowe

Post-GFC Monetary Policy, modelowanie, prognoza, ekonomia, lokalne, dane, algorytmy, opieka zdrowotna, regresja liniowa, współczynniki, nieparametryczne, towary luksusowe
Śledź nas na: RSS Facebook Twitter YouTube Zarządzany przez Urząd Publikacji UE W górę