مؤشر سيلا لثقة المستهلك - الإمارات العربية المتحدة، يونيو 2021

تتحسن ثقة المستهلك في الإمارات تجاه الاقتصاد للشهر السادس على التوالي وتستمر في أعلى مستوياتها في السلسلة. تنمو الثقة في الأعمال للشهر التاسع على التوالي، وإن كان ذلك بوتيرة أبطأ، بينما عاد التوظيف إلى النمو.

كما يقول بول كيلي، الشريك الإداري في D/A: "يستمر الانتعاش في اقتصاد الإمارات بوتيرة سريعة، مع أحد أكبر الزيادات في ثقة المستهلك الإجمالية التي تتحسن منذ مارس من هذا العام. تشير النتائج المماثلة في الأعمال والاقتصاد والتوظيف إلى أن الإمارات واثقة تمامًا من التعافي. يبدو أن العوامل الخارجية أقل أهمية مما كانت عليه قبل ستة أشهر - إما اللامبالاة أو المرونة لدى المستهلك. نختار الأخيرة، لكن سيكون من المثير للاهتمام أن نرى كيف تسير الأشهر البطيئة تقليديًا"

مؤشر سيلا لثقة المستهلك في الإمارات العربية المتحدة (CSI)

يبلغ مؤشر Sila CSI للإمارات أعلى مستوى له في السلسلة عند 73.8 نقطة أساس (+4) - مدفوعًا إلى حد كبير بثقة المستهلك في الاقتصاد والأعمال. كما أن معدل الزيادة في الثقة الإيجابية ينمو بمعدل لم نشهده منذ مارس.

ثقة المستهلك في الاقتصاد

يستمر مؤشر CSI لاقتصاد الإمارات في النمو بوتيرة سريعة بعد أن تجاوز الشهر الماضي أعلى مستوى سابق في السلسلة في سبتمبر. يبدو أن التفاؤل بشأن الضوء في نهاية نفق الجائحة يتزايد. بنمو صافي قدره +3.5 في الثقة الإيجابية بين مايو ويونيو، نشهد نموًا شهدناه لأول مرة في فبراير 2021، قبل أن تنتشر الأخبار عن مشاكل الجائحة الهندية. تم الآن استبدال التقلبات الصغيرة في الثقة التي شهدناها على أساس يومي مع انتشار الأخبار بتفاؤل حذر ولكن قوي في الاقتصاد والانتعاش. في هذه المرحلة، لا يشير معدل النمو إلى أن الأخبار العالمية الكبرى سيكون لها تأثير سلبي على مواقف المستهلكين حول الاقتصاد.

ثقة المستهلك في الأعمال

تجاوز مؤشر CSI للأعمال في الإمارات ثقة مستويات ما قبل الجائحة. هذا يعني أن المستهلكين أكثر إيجابية تجاه الاقتصاد العام من أي وقت مضى منذ 1 يناير 2020. كما يتسارع معدل الزيادة، مما يشير إلى أن الأحداث الخارجية لا تثقل كاهل الاقتصاد كما كانت في السابق.

ثقة المستهلك في التوظيف

يظهر مؤشر CSI للتوظيف في الإمارات وتيرة تعافٍ كبيرة، وعلى الرغم من أنه ليس عند المستويات الكاملة التي شوهدت في يناير وفبراير 2020، إلا أن هناك ثقة متزايدة في توظيف المستهلك بدرجة إيجابية صافية قدرها 82، تنمو بمعدل مماثل للقياسات الأخرى في يونيو بمقدار +3 نقاط من الإيجابية. عندما يصبح المستهلكون أكثر ثقة في توظيفهم، يكون لهذا تأثيرات متدرجة على الاقتصاد.

Subscribe to Sila CSI reports to your inbox

---

About the D/A Sila Consumer Sentiment Index: The Sila Consumer Sentiment Index (Sila CSI) is an index of over 45 million data points on social media that measures the public sentiment about the economy, business and employment in Saudi and the UAE. It excludes news, and only focuses on conversations about those particular topics. The language used is then analysed using natural language processing and AI to determine sentiment in Arabic dialects. Index scores are out of 100 (a score of 100 means 100% positive, a score of 59.5 would mean 59.5% positive, 40.5% negative). About D/A and Sila: D/A has built out the region's only sentiment platform that natively works in Arabic dialect (different Khaleej dialects in addition to broader region), Sila, and within it has a sentiment index that pools together the positive and negative discussion on social media about key items of concern to consumers. We exclude news sharing from this analysis and instead look to opinion. Put simply, we use a proprietary Natural Language Processing (NLP) model to understand what consumers are feeling towards a topic, at scale. The basis of the data is a continuous analysis of around 45mn tweets over the last 17 months (excluding news articles) from the UAE and KSA that allows us to better understand consumers' feelings, in real-time, in their language. Technical Methodology: The sentiment model is based on the Natural Language Process - NLP techniques (MLM) and BERT-Base Multilingual Cased model for the Arabic language and is trained using a custom implementation of TensorFlow. The model involves a 3-way classification (positive, neutral, and negative). For the training and testing phases, we used ArapTweet, (a dataset of tweets from 11 Arab regions from 16 different countries, for a total of 45,000 tweets and news). and the data were divided into 3 phases: train (70%), Dev (15%), and Test (15%). The input parameters are the tweet (text), the number of words, and the weight of the business lexicon corpus. The model was trained with +31,000 tweets with 4 layers and 56 hidden units and 32 adjustment parameters. On Train set, the fine-tuned model obtains 86.09% on accuracy and 87.46% on F1 score. On the Test set, we acquired 88.19% acc and 86.51% F1 score. The testing and tuning process of the model is carried out every 2 months in order to improve the corpus and adjust the precision of the model. For explanation: 86% of the F1 score means that there is no evidence of assigning a sentiment, (this can happen when the text is very short or there is no congruence in the text or a mixture of languages), for our model, after excluding these cases, the precision ranges between 92.1% and 94.67% of successful cases, that is, the error ranges between 5.33% and 7.90% Masked language modeling (MLM): taking a sentence, the model randomly masks 15% of the words in the input then runs the entire masked sentence through the model and has to predict the masked words. This is different from traditional recurrent neural networks (RNNs) that usually see the words one after the other, or from autoregressive models like GPT which internally mask the future tokens. It allows the model to learn a bidirectional representation of the sentence.