Using Payments Data to Nowcast Macroeconomic Variables During the Onset of COVID-19

La propagation de la COVID-19 a causé des pertes de vie et des dégâts économiques à grande échelle. La pandémie a rapidement eu des répercussions sur la macroéconomie, ce qui a provoqué un choc nouveau et différent pour l’économie canadienne. Les gouvernements ont réagi de nombreuses façons, notamment au moyen de mesures sanitaires, de programmes de relance budgétaire et de la politique monétaire.

Les autorités publiques cherchent à comprendre l’état actuel de l’économie afin de fournir un soutien efficace en réponse à la COVID-19. Toutefois, les principaux indicateurs économiques sont publiés avec un long décalage. On contourne souvent ce problème en utilisant un modèle linéaire qui comprend des variables économiques passées. Actuellement, ce n’est pas la meilleure approche, compte tenu des effets importants et non linéaires de la pandémie sur l’économie.

Dans notre étude, nous élaborons un modèle servant à prévoir l’état actuel de l’économie – soit un modèle de prévision immédiate – en utilisant les données du système de paiement de détail et l’apprentissage automatique. Les données sur les paiements de détail au Canada facilitent la compréhension de la situation économique actuelle, puisqu’elles comprennent différents types de transactions et sont disponibles quotidiennement. Ces données sont idéales pour faire des prévisions macroéconomiques immédiates lors d’une crise. La flexibilité de l’apprentissage automatique peut aider à rendre compte des effets importants et non linéaires du choc de la COVID-19. Nous constatons que, comparativement à un modèle de référence, notre modèle améliore de façon considérable la précision des prévisions, entraînant une diminution de 15 à 45 % des erreurs de prévision.