Jos olemme kiinnostuneita jostain asiasta, haluamme yleensä tietää siitä lisää mahdollisimman pian, mielellään heti. Kuitenkin esimerkiksi tietoa bruttokansantuotteen kehityksestä joutuu odottamaan jopa kaksi kuukautta vuosineljänneksen päättymisestä. Eteenpäin katsovassa maailmassa tämä on saattanut tuntua pitkältä odotusajalta, kun talouskehitystä seurataan uutisista, joissa pääpaino on usein kuluvan tai seuraavan vuoden kasvuennusteissa.

Tuotannon suhdannekuvaaja edustaa kansantalouden tilinpidon aavistuksen nopeampaa suhdannetietoa, jonka avulla on ennakoitu kansantalouden kehityksen suuntaa kuukausittain puolentoista kuukauden julkaisuviiveellä.

Tuotannon suhdannekuvaaja on laskettu perinteisin menetelmin: talouden rakenne on kansantalouden tilinpidon mukainen, ja toimialoja viedään eteenpäin niiden omilla indikaattoreilla. Julkaisurytmi on määräytynyt sen mukaan, kuinka nopeasti toimialojen indikaattoreita on ollut käytettävissä.

Keväällä 2025 laskentatapaa on uudistettu, mikä mahdollistaa tietojen julkaisemisen kuukauden viiveellä.

Miten suhdannetietoa voidaan tuottaa nopeammin?

Perinteisempien tilastointitapojen rinnalle on hiljalleen hivuttautunut myös uusia tapoja tuottaa tietoa. Kysymys ei olekaan viimeiset kymmenen vuotta enää ollut siitä, voiko tietoa tuottaa nopeammin – vastaus on ilmiselvästi kyllä – vaan siitä, kuinka paljon olemme valmiita tinkimään tietojen laadusta nopeuden saavuttamiseksi.

Vaihtoehtoisista, nopeammista menetelmistä käytetään englanninkielistä termiä nowcasting, sillä kyse on käytännössä nykyhetken tai lähimenneisyyden ennustamisesta. Näille menetelmille tyypillistä on, että lähdeaineistoa hyödynnetään käyttäen suurempaa taiteellista vapautta, eikä vanhoista rakenteista välttämättä pidetä kiinni lainkaan. Tietoa voidaan siis tuottaa ilman perinteiseen tilastotuotantoon vaadittavia tietolähteitä.

Nowcasting-menetelmät mahdollistavat sirpaleisen tiedon käyttämisen. Vaikka käytettävissä oleva tieto ei olisikaan kelvollista esimerkiksi jonkin tietyn teollisuustoimialan kuvaamiseen, aineiston rippeet kokoamalla voi olla mielekästä estimoida koko talouden kehitystä.

Tuotannon suhdannekuvaajan tapauksessa olemme tulleet siihen tulokseen, että yhden kuukauden julkaisuviipeellä on mahdollista tuottaa koko talouden arvonlisäystä kuvaavaa aikasarjaa, mutta sitä tarkemmat julkaisutasot vaativat joko kattavampia lähdeaineistoja tai laadukkaampia estimointimenetelmiä.

Tarkemman tason tiedot julkaistaan tällä hetkellä kahden kuukauden viipeellä.

Nopeutettu tuotannon suhdannekuvaaja mahdollistaa myös bkt-pikaennakon julkaisemisen kuukauden viiveellä vuosineljänneksen päättymisestä. EU:n tilastoviranomaisella Eurostatilla on ollut kehityksessä sormensa pelissä, sillä se on jo useamman vuoden ajan rohkaissut nopeampien bkt-estimaattien julkaisuun.

On hyvä, että Suomi on osaltaan pysytellyt pelissä mukana, sillä tulevaisuudessa nämä tiedot voivat muuttua pakollisiksi.

Uusimman kuukauden estimointi

Uusimman kuukauden tietoja on Tilastokeskuksessa estimoitu jo alkuvuodesta 2019 kokeellisten tilastojen osiossa. Koko talouden pikaennakon nimellä kulkenut tilasto pyrki ennustamaan tuotannon suhdannekuvaajaa miltei kuukautta ennen varsinaista julkaisua.

Tavoitteena oli estimoida koko talouden arvonlisäyksen volyymin muutos käyttäen indikaattorina yritysten liikevaihtotiedoista muodostettua faktoridataa. Liikevaihtotietojen poimintahetki ajoitettiin aikaisimpaan mahdolliseen hetkeen, noin 16–17 päivää tilastointikuukauden päättymisestä.

Estimoinnissa hyödynnetään useaa erilaista ennustemallia, joista sitten otetaan keskiarvo. Kyseiset mallit valitaan suuresta ennustemallien joukosta suoriutumiskyvyn perusteella. Tämä mallikokoelma yhdistää perinteiset tilastolliset menetelmät sekä modernit sirpaleisen tiedon käyttämisen mahdollistavat menetelmät, jotka on suunniteltu tunnistamaan erilaisia rakenteita aineistosta.

Perinteisistä aikasarjamalleista käytetään ARIMAX-mallia, jossa on ulkoisena muuttujana jo mainittu yritysdata. Todennäköisyyksiin perustuvat niin sanotut gaussilaiset mallit muodostuvat todennäköisyysteorian avulla ja antavat myös käsityksen siitä, kuinka varmoja ne ovat ennusteistaan jakaumien avulla.

Mallit, kuten k-lähimmän naapurin menetelmä ja sen muut versiot perustavat ennusteensa siihen, miten samanlaisia aikaisemmat tapaukset ovat ja vertaavat lähimpien naapuriarvojen tuloksia muodostaen kokonaiskuvan mallinnuksesta.

Niin sanotut Kernel-mallit käyttävät matemaattisia apu- tai muunnosfunktioita, kernelfunktioita, sovittaakseen datan ikään kuin putken sisään ja siten arvioivat mallin sopivuutta. Tähän voidaan käyttää suoria (lineaarisia), kaarevia (polynomisia) tai aaltoilevia rajoja (radiaaleja funktioita).

Malleissa voidaan säätää, kuinka tiukasti ne mukautuvat dataan. Tähän käytetään yritysdatan faktoreiden määrän valintaa. Tällöin löytyy tasapaino tarkkuuden ja yleistettävyyden välillä. Yhdessä nämä mallit muodostavat monipuolisen työkalupakin erilaisten ennusteongelmien ratkaisemiseen.

Kokeellisen koko talouden pikaennakon laskennassa käytetyt menetelmät on kuvattu varsin kattavasti tilaston sivulla.

Volyymin muutosta ennustava malli onnistui suhteellisen hyvin koronapandemian aiheuttaman tuotannon muutoksen ennustamisessa, mutta kiihtyvän inflaation oloissa vuoden 2021 aikana alkoi herätä epäilys siitä, pystyykö mallijoukko huomioimaan ilmiön riittävän tarkasti.

Saimme kokeellisen tilaston laatimisen vastuullemme kansantalouden tilinpitoon ja kehitimme siitä käypähintaista arvonlisäystä ennustavan version, joka menetelmällisesti on yhtenevä volyymiennusteen kanssa. Taustaoletuksena oli, että liikevaihtotietoa käyttävä ennustemalli saattaisi hyötyä siitä, ettei hintojen kehitystä tarvitsisi ottaa huomioon malleja opetettaessa.

Menetelmään liittyy hieman lisätyötä, sillä tavoite on lopulta ennustaa volyymin kehitystä. Siihen pääsemiseksi tarvitsemme käypähintaisen koko talouden arvonlisäyksen lisäksi myös arvonlisäyksen hintojen muutoksen.

Hintojen vaikutus voidaan kuitenkin laskea samalla tavalla kuin tuotannon suhdannekuvaajassa ja neljännesvuositilinpidossa. Toistaiseksi vaikuttaa siltä, että käypähintaisen mallin suoriutumiskyky on varsin samankaltainen kuin volyymiä ennustavassa mallissa.

Mallinnettaessa taloutta on hyväksyttävä se tosiasia, että kyseessä on vain estimaatti. Tärkeää onkin tarkastella mallin virhettä sekä tarkentuvuutta, jotta ymmärrämme ennusteellemme luonteenomaisia piirteitä. Tämä auttaa asiantuntijaa ymmärtämään ilmiötä sekä käyttämään ennusteen tietoa hyväksi oikealla tavalla.

Kokeellisen pikaennakon volyymiennusteella ennustevirhe on yleisesti ollut negatiiviinen, eli ennusteet ovat olleet turhan positiivisia. Vastaavasti käypähintainen ennuste on antanut turhan negatiivisia ennusteita. Todellisen talouden kehityksen voidaan ajatella löytyvän yleensä siis jostain näiden kahden ennusteen välimaastosta.

Kolmas menetelmä, joka on samalla aikataulullisesti haastavin, on odottaa mahdollisimman lähelle julkaisuajankohtaa ja käyttää yksinkertaisen aikasarjamallin apumuuttujina teollisuustuotannon ja palvelujen tuotantotietoja yksityisen sektorin indikaattorina sekä palkkasummakuvaajien tietoja julkisen sektorin indikaattorina.

Testien perusteella tämä kolmas menetelmä antaa tarkimman ennusteen, mikä selittynee teollisuustuotannon suurella painoarvolla koko talouden arvonlisäyksessä; teollisuustuotannon volyymi-indeksiähän käytetään indikaattorina myös tarkemmalla toimialatasolla laskettavassa tuotannon suhdannekuvaajassa.

Valitettavasti lähdetietojen aikataulu ei tällä hetkellä kuitenkaan mahdollista tarkimman ennustemallin käyttöä jokaisessa julkaisussa. Ennusteen luomisessa pyritään aina korostamaan parhaiten suoriutunutta mallia sen sijaan, että ennuste olisi menetelmällisesti aina sama. Tämä saattaa luoda teoreettisia vertailtavuusongelmia, mutta tarjoaa aina käytännön näkökulmasta parhaan saatavilla olevan arvion koko talouden kehityksestä.

Miten tuotannon suhdannekuvaaja voisi kehittyä jatkossa?

Tuotannon suhdannekuvaajan osuvuus on jatkuvan tarkastelun kohteena. Toisinaan suuremmiltakaan revisioilta ei voi täysin välttyä, mutta kysymys ei itse asiassa ole laskennassa tapahtuvista virheistä. Tuotantoprosessia on hiottu paremmaksi, ja matalalla roikkuvat hedelmät alkavat jo olla korissa.

Tuotannon suhdannekuvaajan osuvuudelle suuri ongelma on, että rahoitus- ja vakuutusalalle sekä julkiselle sektorille käytetään neljännesvuositilinpidossa tietolähteitä, jotka eivät ole käytettävissä tuotannon suhdannekuvaajan laskenta-aikataulussa. Kun käsillä olevilla aineistoilla ei onnistuta ennakoimaan neljännesvuositilinpidon kehitystä näillä sektoreilla riittävän hyvin, ainakaan perinteisin menetelmin, jäljelle jää jonkin toimivamman ennusteen kehittäminen. Aika näyttää, kuinka hyvin tässä onnistumme.

Toinen revisioita aiheuttava tekijä on tarjonnan ja kysynnän epätasapaino neljännesvuositilinpidossa. Jos neljännesvuositilinpidossa havaitaan liikaa tai liian vähän tarjontaa, tasapainotusta tehdään toimialojen arvonlisäyksiin, ja nämä muutokset viedään edelleen tuotannon suhdannekuvaajaan, jotta tämän historia täsmää neljännesvuositilinpitoon. Tästä aiheutuvat revisiot pitää vain hyväksyä.

Tuotannon suhdannekuvaajassa ei voi ennakoivasti tasapainottaa tietoja kysyntää vastaavaksi, sillä kysyntä saadaan laskettua vasta neljännesvuositilinpidossa, eikä toistaiseksi vaikuta mielekkäältä ennustaa kysyntäeriä kuukausittain. Tulevaisuus voi kuitenkin näyttää erilaiselta, sillä Eurostatin pidemmän aikavälin tavoite näyttää olevan myös bkt:n alaerien nopeampien estimaattien julkaisu, joten pidetään silmät, korvat ja mieli avoimina.

Julkaistavien toimialojen valikoima on toistaiseksi varsin niukka: kuukauden viiveellä julkaistaan vain koko kansantalouden arvonlisäys, ja kahden kuukauden viiveellä saatavilla ovat tiedot alkutuotannosta (maa- ja metsätalous), jalostuksesta (teollisuus ja rakentaminen) ja palveluista (ml. kauppa).

Jatkossa tavoitteena on laajentaa toimialavalikoimaa mahdollisuuksien mukaan. Näitä odotellessa on hyvä muistaa, että Tilastokeskuksen sivuilla on jo nyt saatavilla teollisuuden, kaupan ja palveluiden kehitystä kuvaavat tilastot kohtuullisella noin kuukauden julkaisuviiveellä.

Kirjoittajat työskentelevät yliaktuaareina Tilastokeskuksen Kansantalouden tilinpito -ryhmässä. Estimoinnissa hyödynnettävistä ennustemalleista voi tiedustella tarkemmin kirjoittajilta (sähköpostit muotoa: etunimi.sukunimi@stat.fi).