پیوند هوش مصنوعی و اطلاعات کسب‌وکار؛ کالبدشکافی تورم
نویسندگان: مارکوس باکمن، گالینا پوتیاگایلو و شوبهیت راوات
هوش مصنوعی با تحلیل اطلاعات متنی کسب‌وکارها چه چیزهایی می‌تواند درباره تصمیم‌های قیمت‌گذاری شرکت‌ها آشکار کند؟ در این پژوهش، از یک مدل زبانی بزرگ (LLM) استفاده کرده‌ایم تا توضیحات شرکت‌ها درباره قیمت‌گذاری را در گزارش‌های بازدید کارکنان بانک انگلستان از بنگاه‌های اقتصادی به شاخص‌های کمی تبدیل کنیم. از مدل خواسته‌ایم تغییرات قیمت فروش محصولات و خدمات شرکت‌ها را امتیازدهی کند و سهم عوامل مختلف، از جمله هزینه‌های مستقیم و غیرمستقیم نهاده‌ها، هزینه نیروی کار و تقاضا را در این تغییرات مشخص سازد. شاخص‌های حاصل، اطلاعات اقتصادی معناداری را از روایت شرکت‌ها در دوره‌های مختلف استخراج می‌کنند؛ از ضعف تقاضا پس از بحران مالی جهانی گرفته تا فشار گسترده هزینه‌ها و اثرات بعدی آن بر تعیین دستمزد و قیمت در جهش تورمی اخیر. تازه‌ترین گزارش‌ها نیز از افزایش قابل‌توجه هزینه‌ها در پی درگیری‌های خاورمیانه حکایت دارند، اما این فشارها تاکنون به گستردگی و ماندگاری سال ۲۰۲۲ نبوده‌اند.
درون روایت شرکت‌ها از قیمت‌گذاری؛ بهره‌گیری از متن گزارش‌های اطلاعات کسب‌وکار
آمار تورم نشان می‌دهد سطح عمومی قیمت‌ها چگونه تغییر می‌کند، اما درباره عواملی که تصمیم‌های قیمت‌گذاری شرکت‌ها را شکل می‌دهند و سازوکارهایی که تورم را به حرکت درمی‌آورند، اطلاعات چندانی ارائه نمی‌کند. برای شناخت بهتر آنچه در عمل در بنگاه‌ها می‌گذرد، کارکنان بانک انگلستان به‌طور منظم با شرکت‌های سراسر بریتانیا دیدار می‌کنند و گفت‌وگوهای خود را در گزارش‌های بازدید ثبت می‌کنند. یک گزارش معمولی، علاوه بر امتیازهایی که کارکنان به‌صورت دستی به وضعیت شرکت اختصاص می‌دهند، اطلاعاتی مانند محل فعالیت، تعداد کارکنان و گردش مالی بنگاه را در بر می‌گیرد. همچنین یادداشت‌های کیفی مفصلی از گفت‌وگو با نماینده شرکت درباره تقاضا، هزینه‌ها، دستمزدها، حاشیه سود، سرمایه‌گذاری و قیمت‌ها در آن ثبت می‌شود. این اطلاعات، تصویری مستقیم و کیفی از برداشت شرکت‌ها از شرایط اقتصادی، نحوه شکل‌گیری انتظاراتشان و دلایل تصمیم‌هایشان ارائه می‌کند. بااین‌حال، ظرفیت این گزارش‌های متنی برای سنجش نظام‌مند روایت شرکت‌ها در طول زمان، تا حد زیادی ناشناخته و استفاده‌نشده باقی مانده است.
در پژوهشی که همچنان در دست انجام است، از مدل زبانی بزرگ GPT-5.4 برای تحلیل بخش‌های متنی این گزارش‌ها استفاده می‌کنیم. مجموعه داده ما شامل ۶۶٬۸۲۰ گزارش از ژانویه ۲۰۰۵ تا سپتامبر ۲۰۲۶ است؛ یعنی به‌طور متوسط حدود ۲۶۰ گزارش در ماه. البته تعداد گزارش‌ها به‌مرور اندکی کاهش یافته و در سال ۲۰۲۶ به میانگین ماهانه ۲۳۷ گزارش رسیده است. برای کنترل هزینه‌های پردازش، از گزارش‌های تا پایان سال ۲۰۲۵ یک نمونه تصادفی یک‌سومی و از گزارش‌های سال ۲۰۲۶ کل داده‌ها را تحلیل می‌کنیم. متن گزارش‌ها نیز در طول زمان به‌طور چشمگیری مفصل‌تر شده است؛ به‌طوری‌که میانه طول آن‌ها از ۵۸۵ کلمه در سال ۲۰۰۵ به ۱٬۲۵۴ کلمه در دوره اخیر افزایش یافته است. این افزایش حجم اطلاعات امکان می‌دهد روایت‌های مربوط به قیمت‌گذاری را در بخش‌های پایانی دوره بررسی، با جزئیات و ظرافت بیشتری به شاخص‌های کمی تبدیل کنیم. گزارش‌ها هر سال بین ۲ هزار تا ۳ هزار شرکت را پوشش می‌دهند. البته سهم شرکت‌های تولیدی و بنگاه‌های متوسط در این مجموعه، در مقایسه با ترکیب واقعی کسب‌وکارهای بریتانیا، تا اندازه‌ای بیشتر است.
استفاده از مدل زبانی بزرگ برای امتیازدهی و تفکیک عوامل تعیین‌کننده قیمت
مدل زبانی بزرگ برای هر گزارش، تغییرات قیمت فروش محصولات و خدمات شرکت را در سه تا ۱۲ ماه گذشته و تغییرات مورد انتظار برای سه تا ۱۲ ماه آینده، نسبت به شرایط عادی، به‌صورت کمی برآورد می‌کند. این روش از رویه موجود بانک انگلستان برای امتیازدهی دستی به ارزیابی شرکت‌ها الگوبرداری می‌کند، با این تفاوت که امتیازدهی را به‌شکلی نظام‌مند بر سراسر متن گزارش‌ها اعمال می‌کند. نکته مهم آن است که مدل صرفاً افزایش یا کاهش قیمت‌ها را ردیابی نمی‌کند، بلکه با تفکیک عوامل مطرح‌شده از سوی نمایندگان شرکت‌ها، آن‌ها را به مجموعه‌ای از متغیرهای اقتصادی مرتبط می‌سازد. به این ترتیب می‌توان تحول روایت‌های قیمت‌گذاری شرکت‌ها را در طول زمان دنبال کرد؛ رویکردی مشابه پژوهش‌های اخیر درباره روایت‌های تورمی در سطح کل اقتصاد بر اساس مقالات روزنامه‌ها. در مقابل، پژوهشی در بانک مرکزی استرالیا با استفاده از روش‌های مبتنی بر فرهنگ واژگان، اطلاعات کسب‌وکار را به امتیازهای مستقل تبدیل کرده است.
در روش ترجیحی خود، از مدل می‌خواهیم شش عامل تعیین‌کننده را از یکدیگر تفکیک کند: هزینه‌های مستقیم مرتبط با انرژی؛ هزینه نهاده‌هایی که به‌طور غیرمستقیم از طریق زنجیره‌های تأمین منتقل می‌شوند، مانند انرژی مصرف‌شده برای تولید نهاده‌ها؛ هزینه نیروی کار؛ تقاضا؛ تعدیل حاشیه سود که نشان می‌دهد شرکت‌ها تا چه اندازه افزایش هزینه‌ها را خود جذب می‌کنند یا به قیمت فروش منتقل می‌کنند؛ و مکمل‌بودن راهبردی تصمیم‌ها که نشان می‌دهد شرکت‌ها چگونه در واکنش به رفتار قیمت‌گذاری رقبایی که با فشارهای مشابه روبه‌رو هستند، قیمت‌های خود را تغییر می‌دهند. علاوه بر این، هر بخش از تغییرات که با عوامل یادشده توضیح داده نشود، در گروهی با عنوان «فاقد انتساب به عامل مشخص» قرار می‌گیرد.
مدل زبانی بزرگ، متن کامل هر گزارش را بررسی می‌کند و تنها زمانی برای یک عامل سهمی در تغییر قیمت در نظر می‌گیرد که آن عامل به‌صراحت با تصمیم قیمت‌گذاری شرکت مرتبط شده باشد. برای مثال، تحولات دستمزد فقط زمانی در مؤلفه هزینه نیروی کار منظور می‌شوند که در گزارش از تأثیر آن‌ها بر تعیین قیمت سخن گفته شده باشد؛ در غیر این صورت، سهم این عامل صفر در نظر گرفته می‌شود. گزارش‌هایی که اطلاعات کافی درباره قیمت‌گذاری ندارند نیز کنار گذاشته می‌شوند. سپس با محاسبه میانگین امتیازها و سهم عوامل تعیین‌کننده در سطح گزارش‌ها، شاخص‌های ماهانه و تجزیه آن‌ها به عوامل مختلف برای کل اقتصاد و بخش‌های اقتصادی به دست می‌آید.
بازسازی روایت‌های قابل‌درک از تورم با مدل زبانی بزرگ
نمودار ۱ امتیاز محاسبه‌شده مدل زبانی بزرگ برای تغییرات تحقق‌یافته قیمت فروش محصولات و خدمات شرکت‌ها را با خط سیاه نشان می‌دهد. برای مقایسه، میانگین این امتیاز در دوره نمونه از آن کسر شده و مقیاس آن با تورم شاخص قیمت مصرف‌کننده (CPI) تطبیق یافته است. این شاخص، با وجود نوسان بیشتر از ماهی به ماه دیگر، روند تورم شاخص قیمت مصرف‌کننده را که با خط‌چین آبی نمایش داده شده، به‌خوبی دنبال می‌کند؛ هرچند پس از بحران مالی جهانی و در دوره تورمی اخیر، سهم عوامل توضیح‌داده‌نشده در آن بزرگ‌تر بوده است. امتیاز مدل همچنین همبستگی بالایی با امتیازهایی دارد که کارکنان بانک انگلستان در بازدید از شرکت‌ها به‌صورت دستی ثبت کرده‌اند و در نمودار با رنگ زرد مشخص شده‌اند. بااین‌حال، شاخص مدل گاهی زودتر تغییر مسیر می‌دهد؛ از جمله در سال‌های ۲۰۱۶ و ۲۰۲۱. همچنین پس از آن، روند بازگشت آن سریع‌تر است؛ موضوعی که به‌ویژه در سال ۲۰۲۳ آشکار بود.
توضیحات: امتیاز قیمت فروش محاسبه‌شده با مدل زبانی بزرگ با خط سیاه نمایش داده شده است. میانگین این امتیاز از آن کسر شده و مقیاس آن با تورم شاخص قیمت مصرف‌کننده، که با خط‌چین نشان داده می‌شود، تطبیق یافته است. میانگین تورم شاخص قیمت مصرف‌کننده ۲٫۹ درصد و بیشترین مقدار آن ۱۱٫۱ درصد در اکتبر ۲۰۲۲ بوده است. محاسبات بر اساس تجمیع تمام گزارش‌های استفاده‌شده انجام شده‌اند. دامنه اصلی امتیاز مدل زبانی بزرگ از منفی ۱۰۰ تا مثبت ۱۰۰ و دامنه امتیاز کارکنان بانک انگلستان از منفی ۵ تا مثبت ۵ است.
مدل زبانی بزرگ این امتیاز را به عوامل تشکیل‌دهنده آن تفکیک می‌کند که نتایج در نمودار ۲ آمده است. در مجموع، این تجزیه تصویری معنادار از ساختار عوامل تورم در طول زمان به دست می‌دهد. در جریان بحران مالی جهانی، نتایج مدل نشان می‌دهد فشارهای کاهنده بر قیمت‌ها عمدتاً ناشی از ضعف تقاضا بوده‌اند. پس از آن نیز قیمت‌گذاری راهبردی و عوامل فاقد انتساب مشخص، فشار نزولی ایجاد کرده‌اند؛ هرچند این ضعف در تورم شاخص قیمت مصرف‌کننده به همان اندازه مشهود نبود. در دوره بهبود اقتصادی پس از بحران، هزینه نیروی کار نیز بر قیمت‌ها فشار کاهنده وارد می‌کرد. در سال‌های ۲۰۱۴ و ۲۰۱۵ و همچنین در دوران همه‌گیری کووید-۱۹، کاهش قیمت جهانی نفت و کالاهای پایه به تضعیف فشارهای غیرمستقیم هزینه‌ای انجامید، اگرچه شدت این اثر در شاخص مدل کمتر از تورم شاخص قیمت مصرف‌کننده بود. در مقابل، پس از همه‌پرسی برگزیت، روایت شرکت‌ها از افزایش هزینه‌های غیرمرتبط با نیروی کار و بزرگ‌ترشدن سهم عوامل فاقد انتساب مشخص حکایت داشت؛ موضوعی که احتمالاً بازتاب افزایش نااطمینانی بود.
روایت‌های قیمت‌گذاری در جهش تورمی ۲۰۲۱ تا ۲۰۲۳ و دوره اخیر
در سال ۲۰۲۱، شرکت‌ها از فشار گسترده هزینه‌های مستقیم و غیرمستقیم خبر می‌دادند؛ فشارهایی که با تقاضای قوی همراه بود و تعدیل حاشیه سود و قیمت‌گذاری راهبردی نیز سهم کوچک‌تری در آن داشتند. در سال‌های ۲۰۲۲ و ۲۰۲۳، هم‌زمان با تضعیف تقاضا، هزینه نیروی کار و سازوکارهای تعیین قیمت اهمیت فزاینده‌ای پیدا کردند؛ به‌ویژه در میان شرکت‌های خدماتی. تا سال‌های ۲۰۲۴ و ۲۰۲۵، هزینه نیروی کار به مهم‌ترین عامل افزایشی قیمت‌ها تبدیل شده بود. این تحول با اعلام افزایش حداقل دستمزد معیشتی ملی و افزایش سهم کارفرمایان در پرداخت حق بیمه ملی هم‌زمان شد. برای دستیابی به تصویری دقیق‌تر، در نمودار ۳ نتایج تولیدکنندگان کالا و ارائه‌دهندگان خدمات را جداگانه تجمیع کرده‌ایم و مقیاس هر گروه را به‌ترتیب با تورم شاخص قیمت مصرف‌کننده کالاها و خدمات تطبیق داده‌ایم.
توضیحات: امتیازهای قیمت فروش محاسبه‌شده با مدل زبانی بزرگ، پس از کسر میانگین و تغییر مقیاس، با خط سیاه و سهم عوامل تشکیل‌دهنده با ستون‌ها نمایش داده شده‌اند. نتایج برای تولیدکنندگان کالا و ارائه‌دهندگان خدمات به‌طور جداگانه تجمیع شده‌اند. کسر میانگین و تغییر مقیاس نیز به‌ترتیب بر اساس تورم کالاها با میانگین ۲٫۳ درصد و تورم خدمات با میانگین ۳٫۶ درصد انجام شده است.
تأثیر درگیری‌های خاورمیانه بر روایت شرکت‌ها از تغییرات قیمت تحقق‌یافته، تاکنون نسبتاً محدود بوده است. افزایش موقت فشار هزینه‌های مستقیم، در ماه‌های اخیر با مقداری فشار هزینه‌ای غیرمستقیم دنبال شده است. بااین‌حال، شدت این آثار همچنان بسیار کمتر از دوره ۲۰۲۱ تا ۲۰۲۳ است و هم‌زمان، فشار هزینه نیروی کار ضعیف و تقاضا کم‌رمق باقی مانده است. در شرکت‌های خدماتی، نتایج تجزیه همچنین از تداوم فشار افزایشی بر قیمت‌ها از ناحیه قیمت‌گذاری راهبردی و حاشیه سود حکایت دارد؛ نشانه‌ای از اینکه این شرکت‌ها هنوز تا حدی می‌توانند افزایش هزینه‌ها را به قیمت فروش منتقل کنند. بااین‌حال، در مقایسه با سال‌های ۲۰۲۲ و ۲۰۲۳، فشار کمتر دستمزدها ممکن است فضای بیشتری در اختیار شرکت‌ها بگذارد تا بخشی از این افزایش هزینه‌ها را خود جذب کنند، نه اینکه آن را به مشتریان منتقل کنند.
مقایسه روایت‌های گذشته‌نگر و انتظارات آینده
در نقاط تغییر مسیر اقتصاد، انتظارات شرکت‌ها ممکن است اطلاعات بیشتری نسبت به گزارش آن‌ها از گذشته نزدیک در اختیار بگذارد. ازاین‌رو، تغییرات مورد انتظار قیمت فروش و عوامل تعیین‌کننده آن را برای سه تا ۱۲ ماه آینده نیز به‌طور جداگانه به شاخص‌های کمی تبدیل می‌کنیم. نمودار ۴ سهم عوامل مختلف را در تغییرات گذشته و مورد انتظار مقایسه می‌کند. این دو معمولاً روندی نزدیک به یکدیگر دارند؛ موضوعی که ممکن است هم ناشی از دشواری تفکیک کامل تحولات گذشته و آینده در متن گزارش‌ها باشد و هم از تمایل نمایندگان شرکت‌ها به تعمیم شرایط کنونی به آینده سرچشمه بگیرد. بیشترین اختلاف میان این دو شاخص در زمان شوک‌های بزرگ مشاهده شده است. در اوایل سال ۲۰۲۱، فشارهای قیمتی مورد انتظار، به‌ویژه از ناحیه هزینه‌های مستقیم و غیرمستقیم و حاشیه سود، پیش از فشارهای تحقق‌یافته شدت گرفتند. از زمان آغاز درگیری‌های خاورمیانه نیز فشار هزینه‌های مستقیم در انتظارات شرکت‌ها بسیار شدیدتر از روایت آن‌ها از تغییرات تحقق‌یافته افزایش یافته و همچنان در سطح بالایی باقی مانده است. در همین حال، به نظر می‌رسد افزایش موقت هزینه‌های غیرمستقیم مورد انتظار به‌تدریج در فشارهای هزینه‌ای تحقق‌یافته نمایان می‌شود، هرچند شدت آن بسیار کمتر از دوره ۲۰۲۲ تا ۲۰۲۳ است. در ادامه پژوهش قصد داریم بررسی کنیم که آیا روایت‌های شرکت‌ها از قیمت‌گذاری آینده می‌تواند اطلاعات پیش‌نگر درباره تورم ارائه دهد یا خیر.
توضیحات: سهم برخی عوامل منتخب در تجزیه مدل زبانی بزرگ برای روایت‌های مربوط به سه تا ۱۲ ماه گذشته با خطوط پیوسته و برای سه تا ۱۲ ماه آینده با خطوط خط‌چین نمایش داده شده است. داده‌ها دوره ۲۰۲۰ تا ۲۰۲۶ را پوشش می‌دهند و بر اساس تمام گزارش‌ها تجمیع شده‌اند. مقیاس داده‌ها تغییر نکرده و از میانگین متحرک ۱۲ماهه یک‌طرفه استفاده شده است.
اعتبارسنجی عوامل شناسایی‌شده توسط مدل با شاخص‌های اقتصادی مستقل
در نهایت، عوامل تعیین‌کننده قیمت‌گذاری که مدل زبانی بزرگ استخراج کرده، شباهت زیادی به شاخص‌های شناخته‌شده اقتصاد کلان دارند. برای مثال، نمودار ۵ نشان می‌دهد که مؤلفه هزینه‌های مستقیم، روند تورم انرژی در شاخص قیمت مصرف‌کننده بریتانیا را دنبال می‌کند. همچنین مؤلفه تقاضا با برآورد کارکنان بانک انگلستان از شکاف تولید بریتانیا همخوانی خوبی دارد. این برآورد با رویکردی مبتنی بر مدل فضای حالت تهیه شده که مشابه مدل‌های توسعه‌یافته برای منطقه یورو است. با توجه به نااطمینانی موجود در برآوردهای هم‌زمان شکاف تولید، شاخص فشار تقاضای شرکت‌ها که از مدل زبانی بزرگ به دست آمده، می‌تواند ابزار مکمل مفیدی باشد. این یافته‌ها نشان می‌دهد که تجزیه انجام‌شده، اطلاعات اقتصادی معناداری را از روایت شرکت‌ها استخراج می‌کند؛ هرچند این روش اساساً برای شناسایی مستقیم عوامل ساختاری تورم در سطح کل اقتصاد طراحی نشده است.
توضیحات: نمودارها سهم هزینه مستقیم انرژی در سمت چپ و تقاضا در سمت راست را نشان می‌دهند که از تجزیه تغییرات تحقق‌یافته قیمت فروش در سه تا ۱۲ ماه گذشته با مدل زبانی بزرگ به دست آمده‌اند. مقیاس این مؤلفه‌ها با مجموعه‌های آماری مستقل متناظر، که با خطوط خط‌چین نمایش داده شده‌اند، تطبیق یافته است. شکاف تولید برآورد کارکنان بانک انگلستان است که با استفاده از یک مدل فضای حالت و بر اساس داده‌های سه‌ماهه نخست ۱۹۸۸ تا سه‌ماهه سوم ۲۰۲۶ محاسبه شده است. برای ترسیم نمودار، داده‌های فصلی شکاف تولید با استفاده از درون‌یابی خطی به داده‌های ماهانه تبدیل شده‌اند.
منابع: محاسبات کارکنان بانک انگلستان، دفتر آمار ملی بریتانیا (ONS) و محاسبات نویسندگان.
از اطلاعات کیفی کسب‌وکارها تا شواهد کمی برای سیاست‌گذاری
این پژوهش نشان می‌دهد که مدل‌های زبانی بزرگ چگونه می‌توانند اطلاعات روایی و کیفی کسب‌وکارها را به شاخص‌های کمی تبدیل کنند، بی‌آنکه تمایزهای معنادار میان عوامل تعیین‌کننده قیمت‌گذاری از بین برود. این رویکرد با فراهم‌کردن چارچوبی یکپارچه برای مقایسه روایت‌ها میان شرکت‌ها، بخش‌های اقتصادی و دوره‌های زمانی مختلف، مکمل ارزیابی‌های کیفی کارکنان بانک انگلستان است. این روش فراتر از ردیابی افزایش یا کاهش قیمت‌های گزارش‌شده توسط شرکت‌ها عمل می‌کند؛ به شناسایی عوامل پشت این تغییرات کمک می‌کند و امکان می‌دهد دوره‌های مختلف تورمی را بر اساس ترکیب عوامل شکل‌دهنده آن‌ها از یکدیگر متمایز کنیم. برای مثال، در شرایط کنونی نتایج نشان می‌دهد که فشار هزینه‌های ناشی از درگیری‌های خاورمیانه همچنان عمدتاً در هزینه‌های مستقیم متمرکز است و شواهد محدودی از سازوکارهای گسترده‌تر انتقال و گسترش فشارهای تورمی، مشابه آنچه در جهش تورمی سال‌های ۲۰۲۱ تا ۲۰۲۳ مشاهده شد، وجود دارد. در نگاهی کلی‌تر، این رویکرد فرصت‌های تازه‌ای برای تبدیل اطلاعات کیفی کسب‌وکارها به شواهد کمی و به‌موقع در تحلیل اقتصادی و سیاست‌گذاری فراهم می‌کند.
مارکوس باکمن در بخش تحلیل‌های پیشرفته بانک انگلستان فعالیت می‌کند، گالینا پوتیاگایلو عضو آزمایشگاه نوآوری سیاست پولی این بانک است و شوبهیت راوات در شبکه نمایندگان منطقه‌ای بانک انگلستان فعالیت دارد.
برای ارتباط با ما می‌توانید به نشانی [email protected] ایمیل بفرستید یا دیدگاه خود را در بخش نظرات زیر مطلب ثبت کنید.
دیدگاه‌ها تنها پس از تأیید مدیر بخش نظرات نمایش داده می‌شوند و انتشار آن‌ها منوط به ارائه نام و نام خانوادگی کامل است. «بانک آندرگراند» وبلاگی است که کارکنان بانک انگلستان در آن دیدگاه‌های خود را، چه در نقد رویکردهای رایج سیاست‌گذاری و چه در حمایت از آن‌ها، مطرح می‌کنند. دیدگاه‌های بیان‌شده در این مطلب متعلق به نویسندگان است و لزوماً بازتاب‌دهنده مواضع بانک انگلستان یا کمیته‌های سیاست‌گذاری آن نیست.