Анализ жесткости цен в розничной онлайн-торговле Москвы

Размещено на http://www.allbest.ru/

Анализ жесткости цен в розничной онлайн-торговле Москвы

Александра Викторовна Божечкова -- кандидат экономических наук, старший научный сотрудник

Abstract

Price Rigidity Analysis: Evidence from the E-Commerce Market

Alexandra V. Bozhechkova, Alexey S. Evseev

The article studies price rigidity for food, non-food products and services based on daily data of online retailers in Moscow collected for the period from February 2019 to May 2020. It was found that the average price invariance period was 19.5 days. In addition, there is significant heterogeneity in the frequency of price changes: food prices change more often than non-food ones, and the cost of services changes the least often. The observed price behavior confirms the implications of time- and state-dependent models. The dependence on time is indicated, for example, by the fact that the probability of price changes sharply increases by days 335 and 353 of their invariability. This fact reinforces the conclusions on the presence of seasonality in price changes found in a number of foreign studies. The analysis also suggests that, in March-May 2020, growth in uncertainty caused by the coronavirus pandemic led to firms beginning to change prices more often and by a smaller magnitude. As a result, the share of price increases went up from 50.2% in March-May 2019 to 62.7% in March-May 2020. The number of days in which prices for any goods and services increased rose from 65 to 84 (out of 92 days in March-May). Thus, the results of this paper confirm that pricing behavior on the e-commerce market can vary significantly depending on economic conditions.

Keywords: price rigidity, e-commerce market, menu costs, hazard function, price changes.

Аннотация

Согласно теоретическим представлениям, жесткость цен является важнейшим условием работы процентного канала, который в свою очередь является ключевым в контексте политики инфляционного таргетирования, проводимой в том числе в России.

В статье исследуется жесткость цен на продовольственные, непродовольственные товары и услуги. Использованы ежедневные данные онлайн-ритейлеров Москвы за период с февраля 2019 года по май 2020-го.

Обнаружено, что средний период неизменности цен составляет 19,5 дня. Распространены малые изменения цен: так, доля изменений цен, не превышающих 5% в абсолютном выражении, составила 34% всех изменений цен и 39% изменений, не связанных с распродажами. Кроме того, наблюдается значительная гетерогенность в частоте изменений цен: так, частота изменения цен на продукты выше, чем на непродовольственные товары, а стоимость услуг меняется реже всего.

Наблюдаемое поведение цен демонстрирует, что их изменения зависят и от времени, и от состояния экономики. На зависимость от времени указывает, например, резкий рост вероятности изменения цен на 335-й и 353-й день их неизменности.

Этот факт подтверждает выводы ряда зарубежных исследований о том, что их изменение более вероятно в конце и начале года. Проведенный анализ также показывает, что в марте -- мае 2020 года фирмы стали изменять цены чаще и на меньшую величину -- очевидно, в связи с ростом неопределенности из-за пандемии коронавируса. Если с марта по май 2019 года повышение цен наблюдалось в 50,2% случаев их изменения, то за аналогичный период 2020 года -- в 62,7% случаев. Увеличилось количество дней с повышением цен -- с 65 до 84 (из 92 дней марта -- мая). Таким образом, частота изменений цен определяется как временем, так и ситуацией в экономике.

Ключевые слова: жесткость цен, денежно-кредитная политика, издержки меню, функция риска, потребительские цены.

процентный товар услуга цена

Введение

Меры монетарной политики могут оказывать влияние на реальный сектор экономики в краткосрочном периоде. При этом степень и продолжительность такого влияния определяется большим количеством факторов. В их числе -- жесткость цен (частота пересмотра цен фирмами) в экономике, степень развития финансовых рынков, доверие экономических агентов к регулятору, прозрачность проводимой политики. Настоящее исследование посвящено оценке параметра жесткости цен на российских данных как одного из ключевых условий эффективности реализации монетарной политики.

При прочих равных чем чаще фирмы пересматривают цены на свою продукцию (что означает низкую степень жесткости цен), тем в большей степени экономика реагирует на любые макроэкономические шоки, включая изменение ключевой ставки, условий торговли и т. д., через изменение цен и в меньшей степени -- через изменение объемов инвестиций и выпуска. Эмпирические исследования показывают, что менее жесткие цены характерны для развивающихся экономик. При этом эпизоды ускорения инфляции, как правило, сопровождаются ростом частоты пересмотра цен.

С учетом перехода Банка России к режиму инфляционного таргетирования особый интерес представляют оценки степени жесткости цен для российской экономики и их сопоставление с результатами аналогичных оценок для других стран, придерживающихся режима инфляционного таргетирования. Достаточно частый пересмотр цен экономическими агентами может затруднять для регулятора проведение эффективной процентной политики.

Стремительное развитие эмпирических исследований ценовой жесткости началось в начале 2000-х годов, по мере появления доступа к микроданным, используемым для расчета индекса потребительских цен (ИПЦ), усовершенствования информационных технологий, роста интернет-торговли. Появление новых источников данных способствовало обнаружению стилизованных фактов и последующему усложнению моделей ценообразования. Эти исследования показали, что цены гибче, чем предполагалось в теоретических моделях ранее, и что параметр жесткости цен довольно сильно варьируется по секторам экономики.

В настоящей работе реализован микроподход к оценке жесткости цен в Москве, основанный на применении методики веб- скрапинга (web scraping) к данным крупнейших онлайн-ритей- леров за период с февраля 2019 года по май 2020-го. Выбор Москвы в качестве исследуемого региона обусловлен двумя причинами. Во-первых, в настоящее время интернет-торговля в остальных регионах страны менее распространена и представлена, как правило, только продовольственными онлайн-ритейлерами. Во-вторых, Москва обладает наибольшим валовым региональным продуктом среди субъектов Российской Федерации, что делает этот регион особо значимым в российской экономике.

В статье представлен обзор теоретических подходов к моделированию жесткости цен. Рассмотрены результаты зарубежных эмпирических исследований для развитых и развивающихся стран. Описаны методика и результаты реализации оценок на российских данных. Сформулированы некоторые стилизованные факты, характерные для ценообразования ритейлеров в Москве, которые с некоторой долей условности могут быть присущи и российской экономики в целом.

1.Теоретические аспекты

Происхождение жесткости цен до сих пор не является полностью изученным. В попытках объяснения медленной подстройки цен в 1980-е годы был разработан ряд теоретических моделей ценообразования. Их условно делят на два класса: модели, в которых решение об изменении цены фирмой подчиняется строгой периодичности (time-dependent models) [Calvo, 1983; Taylor, 1980], и модели, в которых это решение зависит от состояния экономики (state-dependent models) [Caplin, Spulber, 1987; Dotsey et al., 1999; Rotemberg, 1982]. Жесткость цен в моделях ценообразования, зависящего от времени, объясняется существованием фиксированных трудовых контрактов в экономике, которые позволяют фирмам менять цены лишь в определенные периоды. В моделях ценообразования, зависящего от состояния экономики, фирма, напротив, имеет возможность менять цены в любой момент, однако это изменение связано с определенными издержками, и если выгоды от изменения не превышают этих издержек, фирма оставит цены неизменными. Таким образом, природа жесткости цен совершенно различна в разных моделях ценообразования, поэтому для повышения точности прогнозирования последствий одного и того же шока для экономики важно понимать, какая из моделей ценообразования лучше объясняет данные.

Общим свойством моделей ценообразования, зависящих от времени, является тот факт, что момент изменения цен определяется экзогенно. Фирма устанавливает новую цену либо каждый n-й период [Taylor, 1980], либо случайным образом [Calvo, 1983]. При принятии решения об изменении цены фирмы не учитывают информацию о ситуации в экономике. Двумя распространенными базовыми моделями такого типа являются модель Тэйлора и модель Кальво.

Отметим, что впоследствии модели ценообразования, зависящего от времени, стали часто критиковаться за предпосылку экзогенно заданного периода изменения цен. В моделях такого рода фирмы при выборе периода изменения цен не учитывают общий макроэкономический фон, то есть не меняют цены даже в том случае, когда издержки от неизменности цен превышают выгоды, что противоречит фактическим наблюдениям в периоды высокой инфляции [Barros et al., 2009; Gagnon, 2009; Nyawo, Rankin, 2016].

Модели ценообразования, зависящего от состояния экономики (в отличие от моделей ценообразования, зависящего от времени), учитывают, что в определенные периоды (например, во время высокой инфляции) фирмы могут иметь больше стимулов к изменению цен. В таких моделях решение о выборе периода изменения цен определяется эндогенно и зависит от рыночной конъюнктуры. В случае возникновения шока в экономике выгоды от изменения цен будут выше для тех фирм, которые меняли свои цены в более ранние периоды, поскольку с течением времени накопленная инфляция приводит к увеличению разрыва между желаемой ценой и фактической [Dotsey et al., 1999; Golosov, Lucas, 2007].

Следует отметить, что в теоретических моделях, в которых ценообразование зависит либо только от времени, либо только от состояния экономики, представлены случаи, которые зачастую не соответствуют в полной мере стилизованным фактам, наблюдаемым во многих эмпирических работах. Это послужило причиной возникновения гибридных моделей (см., например, [Nakamura, Steinsson, 2008]), объединяющих черты обоих классов моделей и позволяющих лучше соответствовать реальным наблюдениям.

2.Обзор эмпирических исследований ценовой жесткости

Как отмечалось выше, резкий рост числа эмпирических работ, посвященных проверке выводов теоретических моделей ценообразования и формулированию стилизованных фактов, произошел в начале 2000-х годов с появлением доступа к данным, лежащим в основе расчета индекса потребительских цен. Среди таких работ следует отметить исследования по США [Bils, Klenow, 2004], Европе [Baudry et al., 2007; Dias et al., 2008], а также ряду развивающихся стран, таких как ЮАР [Creamer, Rankin, 2008], Лесото [Nchake et al., 2015] и Зимбабве [Nyawo, Rankin, 2016]. В ряде других исследований использовались микроданные по отдельным супермаркетам [Campbell, Eden, 2014; Eichenbaum et al., 2011; Nakamura, 2008], которые покрывают более узкий набор товаров, чем данные, лежащие в основе расчета ИПЦ. Наконец, в ряде работ источником информации о ценах ритейлеров является веб-скрапинг [Cavallo, 2018; Ellison, Ellison, 2009; Lunnemann, Wintr, 2011]. В результате проведенных исследований был получен ряд стилизованных фактов о поведении цен на микроуровне.

Во-первых, следует отметить стилизованные факты, касающиеся основной характеристики жесткости цен, -- частоты их изменения. В большинстве эмпирических работ обнаружено, что в среднем цены на все товары меняются чаще, чем раз в год. Так, в Австрии цены остаются неизменными в течение шести месяцев [Dhyne et al., 2006], в Дании -- в течение 5,2 месяца [Hansen, Hansen, 2006], а в Японии -- в течение 3,8 месяца [Higo, Saita, 2007]. В развитых странах цены меняются, как правило, реже, чем в развивающихся. Так, в США в месяц цены меняются в среднем на 21,1% товаров и услуг [Nakamura, Steinsson, 2008], а в Чили -- на 46,1% [Medina et al., 2007]. Такой результат неудивителен, поскольку в среднем инфляция в развивающихся странах выше, чем в развитых, из-за чего цены быстрее отклоняются от оптимальных и фирмы вынуждены чаще их пересматривать.

Во-вторых, в работах отмечается существенная гетерогенность между категориями товаров и услуг с точки зрения степени жесткости цен. Обнаружено, что чем выше добавленная стоимость товара, тем выше жесткость его цены [Creamer, Rankin, 2008; Dhyne et al., 2006]. Например, в работе [Bils, Klenow, 2004] выявлено, что наибольшей гибкостью среди товаров обладают цены на фермерские продукты и топливо, среди услуг -- на авиа- и железнодорожные билеты. Однако цены на одежду, автомобили, а также большинство услуг меняются в разы реже.

В-третьих, как правило, цены меняются на довольно большую величину. В работе по США [Klenow, Kryvtsov, 2008] авторы установили, что средний размер изменений составляет 14% для цен без исключения распродаж и 11% -- с их исключением. В Европе [Dhyne et al., 2006] цены увеличиваются в среднем на 10%, а уменьшаются -- на 8%; похожие результаты наблюдаются и на развивающихся рынках [Barros et al., 2009; Konieczny, Skrzypacz, 2005]. Авторы работы [Klenow, Malin, 2010] подчеркивают, что относительтельно большой размер средних изменений в сочетании с низкой и стабильной инфляцией может говорить о том, что фирмы при изменении цен скорее учитывают отраслевую или идиосинкратическую информацию, чем общий макроэкономический фон.

Важной характеристикой ценообразования является также то, насколько часто фирмы меняют цены на малую или большую величину, иными словами, насколько «тяжелыми» являются хвосты распределения изменений цен. В исследованиях по США [Klenow, Malin, 2010; Midrigan, 2011] авторы демонстрируют общий вывод, свидетельствующий, что доля малых изменений в общих изменениях цен высока. В работе [Klenow, Kryvtsov, 2008] выявлено, что в США 44% всех изменений цен с исключением распродаж не превосходят 5% по амплитуде, 25% изменений ниже 2,5%, а 12% изменений -- меньше 1%. Значительная доля изменений ниже 1% указывает на одномодальность распределения изменений цен. Однако в [Cavallo, 2018] отмечается, что этот вывод является ошибочным из-за частых замен пропущенных наблюдений другими товарами, что является типичным для данных, лежащих в основе расчета индекса потребительских цен. Таким образом, в реальности доля изменений ниже 1% может быть достаточно мала, и это может свидетельствовать о существовании определенных издержек меню, из-за которых фирмам невыгодно менять цены на очень малые величины.

При проверке на данных в ряде эмпирических работ отмечается, что вероятность изменения цены в следующем периоде тем выше, чем дольше она оставалась неизменной [Klenow, Malin, 2010]. Этот факт согласуется с выводами моделей ценообразования, в которых накопленные со временем шоки инфляции приводят к повышению вероятности изменения цен фирмами. Авторы работы [Klenow, Kryvtsov, 2008] получили плоскую форму этой функции, в то время как [Nakamura, Steinsson, 2008] обнаружили убывающую форму для отдельных категорий товаров и услуг. В исследовании [Cavallo, 2018] на ценах крупнейших онлайн-ритейлеров Латинской Америки также отмечается убывающий характер этой функции. Плоская форма свидетельствует, что величина вероятности изменения цены в каждом периоде t остается постоянной, что согласуется с выводами модели [Calvo, 1983], а убывающая форма либо свидетельствует о преобладании временных шоков в динамике цен, либо является следствием неоднородности товаров и услуг (когда доля товаров с часто меняющимися ценами достаточно высока).

Важным прикладным аспектом анализа микростатистики по ценам является декомпозиция инфляции на экстенсивную, зависящую от частоты изменения цен (frt), и интенсивную, зависящую от среднего размера ценовых изменений (dpt). Так, потребительскую инфляцию в каждый период t можно представить в виде произведения двух этих составляющих [Klenow, Kryvtsov, 2008]:

Взаимосвязь инфляции и ее экстенсивной (frt) и интенсивной (dpt) составляющих имеет разную природу в разных ценовых моделях. В моделях, в которых пересмотр цен зависит от состояния экономики, инфляция в основном коррелирует с долей товаров и услуг, на которые меняются цены, поскольку с увеличением темпов роста цен увеличивается и доля фирм, вышедших за границы оптимальной цены, что создает стимулы для этих фирм изменить цены на продукцию [Dotsey et al., 1999; Golosov, Lucas, 2007]. В моделях, в которых пересмотры цен подчиняются строгой периодичности, наблюдается иное поведение: при повышении инфляции доля товаров с меняющимися ценами не увеличивается, а повышается только средний размер изменений цены [Calvo, 1983; Taylor, 1980]. В работе по США [Klenow, Kryvtsov, 2008] обнаружено, что инфляция сильно коррелирует с интенсивной составляющей, что подтверждает выводы моделей ценообразования, зависящего от времени. В работе по Мексике [Gagnon, 2009] показано, что интенсивная составляющая определяет движение инфляции в условиях ее относительно низких темпов (ниже 10-15%), в то время как в периоды высокой инфляции (свыше 10-15%) и интенсивная, и экстенсивная составляющие сильно и положительно коррелируют с темпом роста цен.

Наблюдаемые в разных странах свойства поведения цен на товары и услуги не всегда являются схожими и не позволяют сделать однозначный вывод в пользу той или иной теоретической модели ценообразования. Свойства разнятся между развитыми и развивающимися экономиками, между периодами высокой и низкой инфляции, а также в зависимости от используемого источника данных. В связи с этим интерес представляет то, какими свойствами обладает ценообразование в России.

3.Методика сбора и обработки данных по ценам

В последние годы в России наблюдается быстрое развитие рынка интернет-торговли [Божечкова и др., 2020]. Наличие информации по ценам в интернете позволяет использовать эти данные для исследования ценового поведения на уровне отдельных товаров и услуг и агрегировать их на макроуровне. Увеличение объемов интернет-торговли способствует повышению влияния этого сегмента на ценообразование.

Сбор микроданных по ценам на товары и услуги осуществлен на основе автоматической процедуры, которая ежедневно собирает информацию по ценам со страниц с товарами и услугами. Данные по ценам находятся в определенной части разметки страницы. После этого в окончальную таблицу помещается информация об уникальном номере категории товара или услуги (category_id), дате сбора данных (date), названии товара или услуги (site_title), наименовании сайта, с которого был произведен сбор данных (site_code), единице измерения товара или услуги (site_unit), цене на товар или услугу (без исключения распродаж) (posted_price), а также информация о том, присутствует ли скидка на этот товар или услугу (sale) (табл. 1).

Таблица 1. Собираемые данные по ценам