Реакция общества на изменения ситуации оказалась отличающейся. Точнее, поисковые запросы выявили разную реакцию на кризис в богатых и бедных региона. В частях страны с низким доходом шоки волнуют социум слабо. О данном факте сообщает русскоязычной читательской аудитории издание “РБК“. Правда, есть сомнения в адекватности методики подсчёта.
Аналитики ВШЭ разработали способ оперативной оценки деловой активности на основе анализа поисковых запросов. Он показал, в каких регионах бизнес более активно реагировал на ковидный и санкционный кризисы
Специалисты Центра исследований структурной политики (ЦИСП) НИУ ВШЭ разработали методику, в основе которой лежит анализ интенсивности поисковых запросов во всемирной паутине. Особенность подхода в том, что замерять настроения бизнеса и населения можно по отдельным областям или городам.
Была проведена презентация института о способе наукастинга (от англ. nowcasting – краткосрочное прогнозирование) ожиданий деловой активности населения и бизнес-сообщества.
Проверка методики на прошлых данных (за период 2016-2022 годов) показала, что более активно реагирует на экономические изменения население богатых областей и регионов с диверсифицированной экономикой. Это связано с тем, что там выше финансовая грамотность и развит поиск информации в разных источниках.
В то же время в менее развитых аграрных и сырьевых регионах индексы ожиданий бизнеса почти не колеблются. В них предприниматели чаще ориентированы на выживание и пребывают в состоянии постоянного кризиса.
Ожидания деловой активности бизнеса и потребителей научные работники ЦИСП ВШЭ измеряют при помощи анализа запросов по 24 поисковым терминам. Среди них “курс рубля”, “ипотека”, “ключевая ставка”, “обесценивание денег”, “цифровые активы”, “фондовый рынок”, “финкризис” и другие.
Отбор списка терминов научные работники провели в несколько раундов. На первом из них они выгрузили около 9 тысяч новостных сообщений, содержащих слова “ожидания” и/или “неопределённость”.
После обработки они создали топ-500 самых часто встречающихся терминов, сопоставили их с числом запросов этих терминов в “Яндексе”. Они также отфильтровали контексты по подходящим для целей индекса значениям. То, что получилось таким околонаучным образом, и было использовано в качестве показателя.