Побудова прогнозних моделей динаміки споживчої активності на основі методів машинного навчання та Big Data платіжних систем

Анотація

У статті досліджено можливості використання великих даних платіжних систем для побудови прогнозних моделей динаміки споживчого попиту як ключового чинника формування роздрібного товарообороту. Актуальність дослідження зумовлена необхідністю отримання оперативних і достовірних індикаторів економічної активності в умовах високої невизначеності та нестабільності економічного середовища, зокрема внаслідок широкомасштабного вторгнення РФ в Україну у 2022 році. Обґрунтовано доцільність використання великих даних як альтернативного джерела інформації, що дозволяє мінімізувати часові лаги, притаманні офіційній статистиці, та підвищити точність оцінювання поточного стану економіки. У процесі дослідження сформовано систему відносних показників, що відображають різні аспекти функціонування платіжної інфраструктури та поведінки споживачів, зокрема коефіцієнт активності платіжних карток, забезпеченість POS-терміналами, інтенсивність використання платіжної інфраструктури та рівень поширення безконтактних технологій. На основі зазначених індикаторів із застосуванням методу головних компонент побудовано інтегральний індекс споживчої активності, який дозволяє узагальнити багатовимірну інформацію та зберегти більшу частину варіації вихідних даних. Встановлено, що перша головна компонента пояснює понад 80% загальної дисперсії. Отримані результати свідчать про високу інформативність побудованого індексу, який може бути інтерпретований як випереджальний індикатор змін у споживчому попиті. Для оцінювання впливу інтегрального індексу на динаміку споживчого попиту побудовано економетричну модель на основі методу найменших квадратів із урахуванням лагових залежностей. Як результуючу змінну використано індекс фізичного обсягу роздрібного товарообороту, що розглядається як проксі-показник реалізованого споживчого попиту. Результати моделювання засвідчили статистичну значущість інтегрального індексу та високу пояснювальну здатність моделі, що підтверджує наявність стійкого взаємозв’язку між показниками платіжної активності та макроекономічною динамікою. У роботі також здійснено порівняльний аналіз ефективності класичних економетричних методів і сучасних підходів машинного навчання, зокрема моделі часових рядів Prophet. Модель продемонструвала високу якість апроксимації на навчальній вибірці, проте виявилася неефективною для прогнозування в умовах різких економічних змін. Отримані результати показали, що застосування зазначених методів не забезпечує покращення якості прогнозування порівняно з базовою економетричною моделлю. Моделі машинного навчання демонструють низьку здатність до узагальнення на тестових вибірках, що пов’язано з обмеженим обсягом даних, а також наявністю структурних зламів у часових рядах. Зроблено висновок, що ключовим фактором підвищення точності прогнозування є не стільки складність моделі, скільки якість та інформативність вхідних даних. Використання великих даних платіжних систем дозволяє формувати випереджальні індикатори, які більш адекватно відображають поточний стан економіки та забезпечують можливість оперативного реагування на зміни у споживчій поведінці. Практична значущість дослідження полягає у можливості застосування запропонованого підходу для моніторингу та прогнозування споживчого попиту в режимі, близькому до реального часу, що є особливо важливим для прийняття управлінських рішень в умовах кризових явищ.