Прогнозирование макроэкономических показателей на основе текстовой информации из области стратегического управления в России

   Современные условия хозяйствования отличаются экспоненциальным ростом доступной в электронном виде информации и большим интересом к ее использованию для получения конкурентных преимуществ. Статья посвящена исследованию влияния публикаций в средствах массовой информации на важнейшие социально-экономические показатели на основе построенной по разнородным данным причинно-следственной диаграммы, которая отражает основные концепты системы стратегического управления в России. Методологической базой исследования послужили теории когнитивного, тематического моделирования, а также регрессионного анализа. В работе применяются методы тематического моделирования, машинного обучения, статистического анализа данных. Автором предложена процедура автоматизированного построения причинно-следственной диаграммы на основе качественных и количественных данных. Выявленная система причинных связей между ключевыми концептами системы позволила построить прогнозные модели высокой точности. Результаты исследования показали, что темы, освещаемые в СМИ, влияют на социально-экономические показатели. Правда, неожиданные события делают неадекватными математические модели, опирающиеся на инерционность систем. В теоретическом плане предложена процедура автоматизированного построения причинно-следственной диаграммы на основе разнородных данных, которая позволяет устранить проблему субъективности экспертных оценок при построении когнитивной карты. В прикладном плане с опорой на причинно-следственную диаграмму построены модели прогнозирования важнейших социально-экономических показателей на основе публикаций в СМИ, что дает возможность принимать обоснованные управленческие решения и в случае необходимости влиять на ситуацию.

1. Акофф Р. Искусство решения проблем. – М. : Мир, 1982.

2. Афанасьев Д. О., Федорова Е. А., Рогов О. Ю. О влиянии тональности новостей в международных СМИ на рыночный курс российского рубля: текстовый анализ // Экономический журнал Высшей школы экономики. – 2019. – Т. 23. – № 2. – С. 264–289.

3. Богданова Т. К., Жукова Л. В. Информационно-логическая модель экспресс-анализа соответствия состояния предприятия, удовлетворяющего нормативам и регламентам, на основе общедоступных данных // Бизнес-информатика. – 2022. – Т. 16. – № 1. – С. 42–55.

4. Воронцов К. В. Аддитивная регуляризация тематических моделей // Математические методы распознавания образов. – 2013. – Т. 16. – № 1. – С. 88.

5. Голованова Е. А., Зубарев А. В. Построение индикатора неопределенности по отношению к корректировке денежно-кредитной политики Банка России на основе новостных источников // Бизнес-информатика. – 2020. – Т. 14. – № 4. – С. 62–75.

6. Дробышевский С. М., Трунин П. В., Божечкова А. В., Горюнов Е. Л., Петрова Д. А. Анализ информационной политики Банка России // Вопросы экономики. – 2017. – № 10. – С. 88–110.

7. Заграновская А. В. Стратегическое управление в России: автоматизированное построение причинно-следственной диаграммы и выявление ключевых тем по данным СМИ // Прикладная информатика. – 2023. – Т. 18. – № 2. – С. 73–84.

8. Канеман Д. Думай медленно… решай быстро. – М. : АСТ, 2017.

9. Карпов Ю. Г. Имитационное моделирование систем. Введение в моделирование с Anylogic 5. – СПб. : БВХ-Петербург, 2009.

10. Кричевский М. Л. Методы машинного обучения при выборе стратегии предприятия // Вопросы инновационной экономики. – 2019. – Т. 9. – № 1. – С. 251–266.

11. Кузнецова О. С., Ульянова С. Р. Валютный курс и вербальные интервенции Банка России и органов государственной власти // Экономический журнал Высшей школы экономики. – 2018. – Т. 22. – № 2. – С. 228–250.

12. Медоуз Д. Х., Медоуз Д. Л., Рендерс Й., Беренс В. В. Пределы роста / пер. А. С. Саркисова. – М. : МГУ, 1991.

13. Опекунов А. Н., Кузьмина М. Г. Принципы формирования моделей прогнозирования вероятности банкротства предприятий с использованием элементов машинного обучения // Модели, системы, сети в экономике, технике, природе и обществе. – 2019. – № 4. – С. 24–31.

14. Петрова Д. А., Трунин П. В. Анализ влияния пресс-релизов ЦБ РФ на показатели денежного рынка // Бизнес-информатика. – 2021. – Т. 15. – № 3. – С. 24–34.

15. Савенков П. А. Использование методов и алгоритмов машинного обучения в системах поддержки принятия управленческих решений обучения // Вестник науки и образования. – 2019. – № 1–2 (55). – С. 23–25.

16. Сидоренко В. Н. Системная динамика. – М. : ТЕИС, 1998.

17. Силов Б. В. Принятие стратегических решений в нечеткой обстановке в политике, макроэкономике, социологии, менеджменте, медицине, экологии. – М. : ИНПРО-РЕС, 1995.

18. Федорова Е. А., Демин И. С., Хрустова Л. Е., Федоров Ф. Ю., Осетров Р. А. Влияние тональности писем CEO на финансовые показатели компании // Российский журнал менеджмента. – 2017. – Т. 15. – № 4. – С. 441–462.

19. Федорова Е. А., Степнов И. М., Дроговоз П. А., Ращупкина А. А., Ремесник А. А. Влияние уровня раскрытия корпоративной социальной ответственности на цену акций: количественный и текстовый анализ // Экономический журнал Высшей школы экономики. – 2021. – № 25 (3). – С. 423–451.

20. Axelrod R. Structure of Decision: The Cognitive Maps of Political Elites. – Princeton, NJ: Princeton University Press, 1976.

21. Beckmann J., Czudaj R. Exchange Rate Expectations and Economic Policy Uncertainty // European Journal of Political Economy. – 2017. – Vol. 47. – P. 148–162.

22. Blei D. M., Lafferty J. D. A Correlated Topic Model of Science // The Annals of Applied Statistics. – 2007. – Vol. 1 (1). – P. 17–35.

23. Blinder A. S. et al. Central Bank Communication and Monetary Policy: A Survey of Theory and Evidence // Journal of Economic Literature. – 2008. – Vol. 46. – N 4. – P. 910–945.

24. Eden K., Ackermann F. Making Strategy: The Journey of Strategic Management. – London : Sage, 1998.

25. Ederington L., Guan W., Zongfei L. The Impact of the U. S. Employment Report on Exchange Rates // Journal of International Money and Finance. – 2019. – Vol. 90. – P. 257–267.

26. Evans J. R. Total Quality Management, Organization, and Strategy. – 4^th ed. – Mason, OH : Thomson South-Western, 2005.

27. Filatov D. Central Banks Communication and the State of the Economy. – URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3519846 (дата обращения: 01. 02. 2021).

28. Forrester J. W. Counterintuitive Behavior of Social Systems // Technology Review. – 1971. – Vol. 73. – N 3. – P. 52–62.

29. Fu Y., Hao J.-X., Li X., Hsu C. H. C. Predictive Accuracy of Sentiment Analytics for Tourism: A Metalearning Perspective on Chinese Travel News // Journal of Travel Research. – 2019. – Vol. 58. – N 4. – P. 666–679.

30. Hansen S., McMahon M. Shocking Language: Understanding the Macroeconomic Effects of Central Bank Communication // Journal of International Economics. – 2016. – Vol. 99. – Suppl. 1. – P. S114–S133.

31. Husted L., Rogers J., Sun B. Monetary Policy Uncertainty // International Finance Discussion Papers. – 2017. – N 1215.

32. Kaplan R. S., Norton D. P. How Strategy Maps Frame an Organization’s Objectives // Financial Executive. – 2004. – Vol. 20. – N 2. – P. 40–45.

33. Kosko B. Fuzzy Cognitive Maps // International Journal of Man-Machine Studies. – 1986. – Vol. 24. – P. 65–75.

34. Kosko B. Neural Networks and Fuzzy Systems. – Upper Saddle River, NJ : Prentice Hall, 1992.

35. Kreinovich V., Stylios Ch. Why Fuzzy Cognitive Maps Are Efficient // Departmental Technical Reports (CS). – 2015. – P. 929.

36. Kurov A., Stan R. Monetary Policy Uncertainty and the Market Reaction to Macroeconomic News // Journal of Banking & Finance. – 2018. – Vol. 86. – P. 127–142.

37. Le Q., Mikolov T. Distributed Representations of Sentences and Documents // Proceedings of the 31^st International Conference on Machine Learning, PMLR. – 2014. – Vol. 32 (2). – P. 1188–1196.

38. Ludering J., Tillmann P. Monetary Policy on Twitter and Asset Prices: Evidence from Computational Text Analysis // North American Journal of Economics and Finance. – 2018. – April. – P. 1–18.

39. Moniz A., Jong de F. Predicting the Impact of Central Bank Communications on Financial Market Investors’ Interest Rate Expectations // Proceedings of the European Semantic Web Conference (ESWC 2014). 25–29 May 2014. – Anissaras, Crete, Greece, 2014. – P. 144–155.

40. Nassirtoussi Kh. A., Aghabozorgi S., Ying Wah T., Ngo D. C. L. Text Mining of News-Headlines for FOREX Market Prediction: A Multi-layer Dimension Reduction Algorithm with Semantics and Sentiment // Expert Systems with Applications. – 2015. – Vol. 42 (1). – P. 306–324.

41. Nelson K. M., Nadkarni S., Narayanan V. K., Ghods M. Understanding Software Operations Support Expertise: A Revealed Causal Mapping Approach // MIS Quarterly. – 2000. – Vol. 24. – N 3. – P. 475–507.

42. Newman D., Lau J. H., Grieser K., Baldwin T. Automatic Evaluation of Topic Coherence // Human Language Technologies: The 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics. – Stroudsburg, PA, USA : Association for Computational Linguistics, 2010. – P. 100–108.

43. Newman D., Noh Y., Talley E., Karimi S., Baldwin T. Evaluating Topic Models for Digital Libraries // Proceedings of the 10^th Annual Joint Conference on Digital libraries. – New York, USA : ACM, 2010. – P. 215–224.

44. Papageorgiou E. Review Study on Fuzzy Cognitive Maps and their Applications during the Last Decade // Paper Presented at the IEEE International Conference on Fuzzy Systems. – Taipei, Taiwan, 2011.

45. Ponomareva N., Sheen J., Wang B. Z. Does Monetary Policy Respond to Uncertainty? Evidence from Australia // The Australian Economic Review. – 2019. – Vol. 52. – N 3. – P. 336–343.

46. Ranco G. et al. The Effects of Twitter Sentiment on Stock Price Returns // PLoS One. – 2015. – Vol. 10. – N 9.

47. Reis J. C. S. et al. Supervised Learning for Fake News Detection // IEEE Intelligent Systems. – 2019. – Vol. 34. – N 2. – P. 76–81.

48. Sharma N. et al. Web-Based Application for Sentiment Analysis of Live Tweets // 19^th Annual International Conference on Digital Government Research: Governance in the Data Age. – Delft, Netherlands, 2018. – P. 1–2.

49. Shen D., Urquhart A., Wang P. Does Twitter Predict Bitcoin? // Economics Letters. – 2019. – Vol. 174. – P. 118–122.

50. Wolstenholme E. F. Qualitative vs. Quantitative Modelling: the Evolving Balance // Journal of the Operational Research Society. – 1999. – Vol. 50 (4). – P. 422–428.