Zastosowanie cen online i modeli autoregresyjnych w krótkoterminowych prognozach cen żywności

• Autorzy: Jarosław Janecki
• Języki publikacji: PL

Abstrakty

Rosnąca popularność zawierania transakcji online, wzrost wartości transakcji przeprowadzanych online oraz możliwość porównywania cen, jakie oferuje internet, stwarzają nowe możliwości monitorowania zmian cen. Informacje o zmianach cen online w trakcie danego miesiąca pozwalają na ocenę dynamiki inflacji praktycznie w czasie rzeczywistym, przed opublikowaniem wskaźnika CPI (ang. Consumer Price Index) za dany miesiąc. W przypadku krótkoterminowych prognoz zmian cen (w ujęciu miesięcznym) ceny online mogą stanowić ważne źródło informacji pozwalające zmniejszyć błąd prognozy. Wszystkie wymienione powyżej czynniki odnoszące się do cen online skłaniają do podjęcia badań z wykorzystaniem takich danych z polskiego rynku. Niepewność, z jaką mamy do czynienia w przypadku krótkoterminowych prognoz wskaźnika inflacji (prognozy w ramach konsensusów rynkowych a dane publikowane przez GUS), nie jest czynnikiem pożądanym. Ceny online stwarzają możliwość uzyskania szybszej i pełniejszej wiedzy o procesach cenowych. Ceny żywności stanowią najważniejszy komponent wskaźnika CPI w Polsce. Głównym celem niniejszego badania jest sprawdzenie możliwości zastosowania cen żywności online oraz modeli autoregresyjnych do krótkoterminowych prognoz cen żywności. (fragment tekstu)

Słowa kluczowe

PL

Indeks cen konsumpcyjnych; Wskaźniki cen; Ceny żywności; Prognozowanie cen; Zakupy online; Handel elektroniczny; Wskaźnik inflacji; Modele autoregresji

EN

Consumer price index (CPI); Price indices; Food prices; Prediction of prices; Online shopping; e-commerce; Inflation rate; Autoregression models

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2021
• Tom: Modelowanie preferencji a ryzyko '21-'22
• Strony: 43--51

Twórcy

autor

Jarosław Janecki

• Szkoła Główna Handlowa w Warszawie

Bibliografia

• Aparicio D., Bertolotto M. (2016), Forecasting Inflation with Online Prices, MIT.
• Breton R., Gareth C., Metcalfe L., Milliken N., Payne C., Winton J., Woods A. (2015), Research Indexes Using Web Scraped Data, Office for National Statistics, UK.
• Cavallo A. (2012), The Billion Prices Project: Building Economic Indicators from Online Data, MIT Sloan, Geneva, May 31.
• Cavallo A., Rigobon R. (2016), The Billion Prices Project: Using Online Prices for Measurement and Research, "The Journal of Economic Perspectives", Vol. 30(2), s. 151-178.
• Goolsbee A.D., Klenow P.J. (2018), Internet Rising, Prices Falling: Measuring Inflation in a World of E-Commerce, "AEA Papers and Proceedings", Vol. 108, s. 488-492.
• Griffioen R., de Haan J., Willenborg L. (2014), Collecting Clothing Data from the Internet, Proceedings of Meeting of the Group of Experts on Consumer Price Indexes, May 26-28, UNECE.
• GUS (2020), Wytyczne dotyczące opracowania HICP w kontekście kryzysu związanego z COVID-19, Nota metodologiczna GUS, 14.04.2020 r.
• Hillen J. (2019), Web Scraping for Food Price Research, "British Food Journal", Vol. 121(12), November, s. 3350-3361.
• Horrigan M.W. (2013), Big Data: A Perspective from the BLS, "Amstat News", January 1, s. 25-27.
• Krsinich F. (2015), Price Indexes from Online Data Using the Fixed-Effects Window- Splice (FEWS) Index, Paper presented at the Ottawa Group, Tokyo, Japan, May 20-22.
• Macias P., Stelmasiak D. (2019), Food Inflation Nowcasting with Web Scraped Data, NBP Working Paper No. 302, Warsaw.
• Nygaard R. (2015), The Use of Online Prices in the Norwegian Consumer Price Index, Paper prepared for the meeting of the Ottawa Group, Tokyo, Japan, May 20-22.
• Pesaran M.H., Shin Y., Smith R.J. (2001), Bounds Testing Approaches to the Analysis of Level Relationships, "Journal of Applied Econometrics", Vol. 16, Iss. 3, s. 289-326.
• Pesaran M.H., Smith R.P. (1998), Structural Analysis of Cointegrating VARs, "Journal of Economic Surveys", Vol. 12, Iss. 5, s. 471-505.
• Radzikowski B., Śmietanka A. (2016), Online CASE CPI, First International Conference on Advanced Research Methods and Analytics, CARMA 2016, Universitat Politecnica de Valencia, Valencia.