Высокочастотные данные, характеризующие розничную торговлю: интересы государства, предприятий и научных организаций
https://doi.org/10.22394/1726-1139-2023-3-34-45
Аннотация
В настоящее время наблюдается бурное развитие технологий сбора и анализа больших данных, в том числе характеризующих торговлю. В этих данных с высокой степенью детализации учитывается все многообразие потребительских решений, что позволяет на их основе разрабатывать ключевые управленческие решения о том, что, где и когда следует производить и реализовывать. Этими данными активно интересуются банки, торговые сети, государство. В то же время фиксируется слабое использование больших данных в деятельности отдельных малых и средних предприятий. Цель данного исследования заключается в том, чтобы, исходя из анализа существующей практики использования высокочастотных данных розничной торговли, выделить проблемы и перспективы их применения в целях управления. В результате проведенного исследования выделены особенности доступных данных розничных компаний, платежных систем и ОФД, проявляющиеся в различной их структуре и ограничениях для использования в разработке управленческих решений. Показано, что фискальные данные, характеризующие розничную торговлю, доступны узкому кругу лиц, имеющих, как правило, свои интересы, которые пока не согласуются с идеей открытой публикации этих данных, даже в научных целях. Научно-исследовательских публикаций, основанных на высокочастотных фискальных данных, очень мало. Такая закрытость данных не создает предпосылок для активного наращивания навыков работы с ними у большей части предприятий и организаций, что определяет слабое использование микроданных в целях управления.
Об авторе
В. М. Тимирьянова
Уфимский университет науки и технологий
Россия
Россия
Тимирьянова Венера Маратовна, заместитель заведующего лабораторией исследования социально-экономических проблем регионов Башкирского государственного университета, доктор экономических наук, доцент
Уфа
Список литературы
1. Андрианова И. Д., Рябинина Е.В. Налоговый контроль в период цифровой трансформации в России и зарубежных странах // Ключевые проблемы социально-гуманитарных наук в современной России: сборник научных трудов по материалам Международной научно-практической конференции / под общ. ред. Е. П. Ткачевой. Белгород : ООО «Агентство перспективных научных исследований» (АПНИ), 2018 С. 99–103.
2. Жабин Д.В., Турков М. М., Волков Д.В. Потенциал использования информации оператора фискальных данных // Социальная политика и социология. 2017. Т. 16. № 5 (124). С. 25–33. DOI: 10.17922/2071-3665-2017-16-5-25-33.
3. Использование больших данных в финансовом секторе и риски финансовой стабильности: доклад для общественных консультаций. М. : Центральный банк Российской Федерации, 2021.
4. Королев В.Ю., Черток А.В., Корчагин А.Ю., Горшенин А. К. Вероятностно статистическое моделирование информационных потоков в сложных финансовых системах на основе высокочастотных данных // Информатика и ее применение. 2013. Т. 7, № 1. С. 12–21.
5. Кудашкин А.В., Мохов А. С. Кластеризация клиентов банка на основе их персональных данных и банковских транзакций // Информационные системы и технологии ИСТ-2020. Сборник материалов XXVI Международной научно-технической конференции. Нижегородский государственный технический университет им. Р. Е. Алексеева, 2020. С. 780–785.
6. Лабусов М.В. Моделирование высокочастотных финансовых временных рядов с помощью методов искусственного интеллекта: дис. ... канд. экон. наук. М., 2022.
7. Никитин А. П. Анализ транзакционных данных и определение количественных критериев лояльности клиентов // Экономика. Налоги. Право. 2012. № 2. С. 113–124.
8. Тимирьянова В. М., Лакман И. А., Баймурзина Г.Р. Исследования на «больших данных»: применять ли агрегацию в целях моделирования? // Большие данные и проблемы общества. Сборник статей по итогам Международной научной конференции. Томск, 2022. С. 144–149.
9. Ткачев И., Скобелев В., Старостина Ю., Агеева О. Контрольно-кассовая инфляция // Газета РБК. 2020. № 102 (3269) [Электронный ресурс]. URL: https://www.rbc.ru/newspaper/2020/11/30/5fc0c9fe9a79472cdddcbd2f (дата обращения: 20.12.2022).
10. Турдыева Н., Цветкова А., Мовсесян Л., Поршаков А., Чернядьев Д. Использование данных отраслевых финансовых потоков в качестве высокочастотного индикатора экономической активности // Деньги и кредит. 2021. Т. 80. № 2. С. 28–49. DOI: 10.31477/rjmf.202102.28.
11. Шигильчева С. А., Христофорова А.В., Смирнова Е. Н. Особенности бизнес-модели АО «Тинькофф банк» как субъекта электронного бизнеса // Вестник Российского университета кооперации. 2020. № 2 (40). С. 113–117.
12. Aladangady A., Aron-Dine Sh., Dunn W., Feiveson L., Lengermann P., Sahm C. From Transactions Data to Economic Statistics: Constructing Real-time, High-frequency, Geographic Measures of Consumer Spending // Finance and Economics Discussion Series 2019-057. Washington : Board of Governors of the Federal Reserve System, 2019. 37 p. DOI:10.17016/FEDS.2019.057.
13. Andersen A. L., Hansen E.T., Johannesen N., Sheridan A. Consumer Responses to the COVID-19 Crisis: Evidence from Bank Account Transaction Data // CEPR Discussion Paper. 2020. N DP14809. DOI: 10.2139/ssrn.3609814.
14. Baker S. R., Farrokhnia R. A., Meyer S., Pagel M., Yannelis C. Income, Liquidity, and the Consumption Response to the 2020 Economic Stimulus Payments // NBER Working Paper. 2020. N 27097. DOI: 10.3386/w27097.
15. Bounie D., Camara Y., Galbraith J. W. Consumers’ Mobility, Expenditure and Online-Offline Substitution Response to COVID-19: Evidence from French Transaction Data // SSRN Working Paper. 2020. N 3588373. DOI: 10.2139/ssrn.3588373.
16. Carvalho V. M., Garcia J.R., Hansen S., Ortiz Á., Rodrigo T., Rodríguez Mora J. V., Ruiz P. Tracking the COVID-19 crisis with high-resolution transaction data // Royal Society Open Science. 2021. N 8. P. 210–218. DOI: 10.1098/rsos.210218.
17. Casey P., Castro P. Electronic Fiscal Devices (EFDs) An Empirical Study of their Impact on Taxpayer Compliance and Administrative Efficiency // IMF Working Papers. 2015. N 073. DOI: 10.5089/9781475521023.001.
18. Chacaltana J., Leung V., Lee M. New technologies and the transition to formality: The trend towards e–formality // Employment: Working Paper. International Labour Organization. 2018. N 247.
19. Chen H., Qian W., Wen W. The Impact of the COVID-19 Pandemic on Consumption: Learning from High Frequency Transaction Data // SSRN Working Paper. 2020. N 3568574. DOI: 10.2139/ssrn.3568574.
20. Clark S. D., Shute B., Jenneson V., Rains T., Birkin M., Morris M. A. Dietary Patterns Derived from UK Supermarket Transaction Data with Nutrient and Socioeconomic Profiles // Nutrients. 2021. N 13. P. 14–81. DOI: 10.3390/nu13051481.
21. Cotti Ch.D., Courtemanche Ch.J., Maclean J. C., Nesson E. T., Pesko M. F., Tefft N. The effects of e-cigarette taxes on e-cigarette prices and tobacco product sales: evidence from retail panel data // NBER working paper series. 2020. N 26724. DOI: 10.3386/w26724.
22. Dacorogna M. An Introduction to High-Frequency Finance / M. Dacorogna, R. Gencay, U.A. Muller [etc.]; 1st ed. California : Academic Press, 2001. 383 p.
23. Dubois P., Griffith R., O’Connell M. The Use of Scanner Data for Economics Research // CEPR Discussion Paper. 2022. N DP16954.
24. Gelman M., Kariv S., Shapiro M. D., Silverman D., Tadelis S. Harnessing naturally occurring data to measure the response of spending to income // Science. 2014. Vol. 345 (6193). P. 212–215. DOI :10.1126/science.1247727.
25. Implementing Online Cash Registers: Benefits, Considerations and Guidance. Paris : OECD, 2019.
26. Kokh L. V., Kovaleva Ju.V., Ivanova O.P. Big Data in Public Administration // Proceedings of International Scientific and Practical Conference “Russia 2020 — a new reality: economy and society” (ISPCR 2020). 2021. P. 250–254. DOI: 10.2991/aebmr.k.210222.049.
27. Linden G., Smith B., York J. Amazon.com recommendations: item-to-item collaborative filtering // IEEE Internet Computing. 2003. Vol. 7, N 1. P. 76–80. DOI: 10.1109/MIC.2003.1167344.
28. Lovics G., Szőke K., Tóth C. G., Ván B. The effect of the introduction of online cash registers on reported turnover in Hungary // MNB (Magyar Nemzeti Bank) Occasional papers. 2019. N 137. 24 p.
29. Muth M.K., Okrent A., Zhen C., Karns Sh. Using Scanner Data for Food Policy Research. Elsevier Academic Press. 2020. DOI: 10.1016/C2017-0-01027-3.
30. Rogoff K., Scazzero J. Covid Cash // Cato Journal. 2021. Vol. 41. N 3. P. 571–592. DOI:10.36009/CJ.41.3.6.
31. Trivedi M. Regional and Categorical Patterns in Consumer Behavior: Revealing Trends // Journal of Retailing. 2011. N 87. P. 18–30. DOI: 10.1016/J.JRETAI.2010.11.002.
32. Waldenström D., Angelov N. The Impact of COVID-19 on Economic Activity: Evidence from Administrative Tax Registers // CEPR Discussion Paper. 2021. N DP16332.
33. Zhang L.-Ch. Proxy expenditure weights for Consumer Price Index: Audit sampling inference for big-data statistics // Journal of the Royal Statistical Society Series A. 2021. N 184 (2). P. 571–588. DOI: 10.1111/rssa.12632.
Рецензия
Для цитирования:
Тимирьянова В.М. Высокочастотные данные, характеризующие розничную торговлю: интересы государства, предприятий и научных организаций. Управленческое консультирование. 2023;(3):34-45. https://doi.org/10.22394/1726-1139-2023-3-34-45
For citation:
Timiryanova V.M. High-frequency retail data: the interests of the state, enterprises and scientific organizations. Administrative Consulting. 2023;(3):34-45. (In Russ.) https://doi.org/10.22394/1726-1139-2023-3-34-45
Просмотров:
245
Контент доступен под лицензией Creative Commons «Attribution-ShareAlike» («Атрибуция-СохранениеУсловий») 4.0 Всемирная.
Послать статью по эл. почте 