Nowcasting Industrial Production Using Uncoventional Data Sources

Abstract

In this work, we rely on unconventional data sources to nowcast the year-on-year growth rate of Finnish industrial production, for different industries. As predictors, we use real-time truck traffic volumes measured automatically in different geographical locations around Finland, as well as electricity consumption data. In addition to standard time-series models, we look into the adoption of machine learning techniques to compute the predictions.

We find that the use of non-typical data sources such as the volume of truck traffic is beneficial, in terms of predictive power, giving us substantial gains in nowcasting performance compared to an autoregressive model. Moreover, we find that the adoption of machine learning techniques improves substantially the accuracy of our predictions in comparison to standard linear models. While the average nowcasting errors we obtain are higher compared to the current revision errors of the official statistical institute, our nowcasts provide clear signals of the overall trend of the series and of sudden changes in growth.

Teollisuustuotannon nykyhetken ennustaminen käyttämällä epäsovinnaisia datalähteitä

Tiivistelmä

Tässä raportissa tutkitaan, miten epäsovinnaisia datalähteitä voidaan hyödyntää Suomen teollisuustuotannon vuosikasvun nykyhetken ennustamisessa (nowcasting). Käytämme sekä automaattisesti ympäri Suomen kerättyä rekkaliikenteen dataa että tietoa teollisuuden sähkönkulutuksesta, jota on saatavilla melko pian kuukauden lopun jälkeen. Perinteisten aikasarjamallien lisäksi testaamme koneoppimisen menetelmien käyttöä, kun laskemme ennusteita.

Tulokset näyttävät, että epäsovinnaiset datalähteet parantavat ennusteiden tarkkuutta verrattuna tavalliseen autoregressiviseen malliin. Lisäksi koneoppimismallien ennusteet ovat tarkempia kuin lineaaristen mallien. Mallien ennustevirheet ovat suurempia kuin Tilastokeskuksen tuottaman estimaatin tarkentumiset mutta antavat silti hyödyllistä tietoa teollisuustuotannon kasvun suunnasta.

Julkaisun tietoja

Sarja
ETLA Working Papers 80
Päiväys
30.06.2020
Avainsanat
Pikaestimaatit, Koneoppimismallit, Massadata, Nykyhetken ennustaminen
Keywords
Flash Estimates, Machine Learning, Big Data, Nowcasting
ISSN
2323-2420, 2323-2439 (Pdf)
JEL
C33, C55, E37
Sivuja
19
Kieli
Englanti