ЮФУ
ул. М. Горького, 88, к. 211
г.Ростов-на-Дону, Россия
344002
+7 (863) 250-59-54
Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

TERRA ECONOMICUS

Возможности прогнозирования уровня безработицы на основе анализа статистики запросов (в поисковых системах)


TERRA ECONOMICUS, , Том 19 (номер 3),
Цитирование: Юревич М.А., Ахмадеев Д.Р. (2021). Возможности прогнозирования уровня безработицы на основе анализа статистики запросов (в поисковых системах) // Terra Economicus 19(3): 53–64. DOI: 10.18522/2073-6606-2021-19-3-53-64
Благодарность: Статья подготовлена по результатам исследований, выполненных за счет средств Научного фонда Финуниверситета, по теме «Прогнозирование макроэкономических индикаторов на основе анализа статистики запросов в поисковых системах».

Безработица является одним из ключевых макроэкономических показателей, играющих значительную роль при формировании и разработке экономической политики государства. Принимая во внимание серьезное влияние, которое оказал коронакризис в том числе и на рынок труда, прогнозирование уровня безработицы представляется весьма актуальной задачей. Авторы отмечают, что на данный момент существует значительное разнообразие методов прогнозирования ситуации на рынке труда и уровня безработицы, а также показывают эволюцию подходов к этому вопросу: от традиционных методов (связанных с использованием модели баланса трудовых ресурсов, изучением структурных сдвигов региональных рынков труда, использованием многофакторных моделей рынка труда, таких как ARIMA, TAR, ARNN, на основе анализа различных индексов) до новаторских. Прогнозирование ситуации на рынке труда и безработицы связано с цифровизацией и развитием интернет-технологий, предоставляющих исследователям новые инструменты анализа. Данные о поисковых запросах в системе Google и другие данные об интернет-активности помогают решить проблему с запаздыванием официальной статистики, а также добавляют релевантную информацию для анализа и прогнозирования безработицы по сравнению с традиционными методами, что приводит к улучшению качества прогнозов. На основе зарубежного и российского опыта использования статистики поисковых запросов при прогнозировании и наукастинге уровня безработицы авторами построено несколько моделей прогнозирования уровня безработицы в России. Результаты исследования показали, что добавление в авторегрессионную модель нескольких переменных частоты запросов способно повысить прогностическую точность модели. Содержательные причины превосходства гибридной модели над авторегрессионной вариацией состоят в способности первой реагировать на будущие шоки рынка труда.


Ключевые слова: уровень безработицы; рынок труда; запросы; GoogleTrends; большие данные

Список литературы:
  • Коровкин А.Г. (2001). Динамика занятости и рынка труда: вопросы макроэкономического анализа и прогнозирования. М.: МАКСПресс. [Korovkin A.G. (2001). Dynamics of Employment and Labor Market: Issues of Macroeconomic Analysis and Forecasting. Moscow: MAX Press (in Russian)].
  • Коровкин А.Г., Полежаев А.В., Андрюнин А.В. (2002). Структурные изменения и взаимодействия региональных рынков труда: методы и анализ // Проблемы прогнозирования (4): 134–138. [Korovkin A.G., Polezhaev A.V., Andryunin A.V. (2002). Structural changes and interactions of regional labor markets: Methods and analysis. Problems of Forecasting (4): 134–138 (in Russian)].
  • Петрова Д.А. (2019). Прогнозирование инфляции на основе интернет-запросов // Экономическое развитие России 26(11): 55–61 [Petrova D.A. (2019). Inflation forecasting based on Internet requests. Economic Development of Russia 26(11): 55–61 (in Russian)].
  • Юревич М.А., Екимова Н.А., Балацкий Е.В. (2020). Цифровая трансформация экономической науки // Информационное общество (2): 39–47. [Yurevich M.A., Ekimova N.A., Balatsky E.V. (2020). Digital transformation of economic science. Information society (2): 39–47 (in Russian)].
  • Anvik C., Gjelstad K. (2010). Just Google it. Forecasting Norwegian unemployment figures with web queries. Working Paper 11. Oslo: Center for Research in Economics and Management.
  • Askitas N., Zimmermann K.F. (2009). Google econometrics and unemployment forecasting. Appl. Econ. Q. 55(2): 107–120.
  • Barnes M., Chahrour R., Olivei G., Tang G. (2007). A principal components approach to estimating labor market pressure and its implications for inflation. Federal Reserve Bank of Boston Public Policy Brief 07-2: 1–23.
  • Chadwick M.G., Sengul G. (2015). Nowcasting the unemployment rate in Turkey: Let?s ask google. Central Bank Review 15(3): 15.
  • Chakraborty T., Chakraborty A.K., Biswas M., Banerjee S., Bhattacharya S. (2021). Unemployment rate forecasting: A hybrid approach. Computational Economics 57: 183–201.
  • Choi H., Varian H. (2012). Predicting the present with google trends. Econ. Rec. 88(s1): 2–9.
  • D?Amuri F. (2009). Predicting Unemployment in Short Samples with Internet Job Search Query Data. Germany: University Library of Munich.
  • Dumicic K., CehCasni A., Zmuk B. (2015). Forecasting unemployment rate in selected European countries using smoothing methods. World Academy of Science, Engineering and Technology: International Journal of Social, Education, Economics and Management Engineering 9(4): 867–872.
  • Edlund P.O., Karlsson S. (1993). Forecasting the Swedish unemployment rate var vs. transfer function modeling. International Journal of Forecasting 9(1): 61–76.
  • Ettredge M., Gerdes J., Karuga G. (2005). Using web-based search data to predict macroeconomic statistics. Communications of the ACM 48(11): 87–92.
  • Faraway J., Chatfeld C. (1998). Time series forecasting with neural networks: A comparative study using the air line data. Journal of the Royal Statistical Society: Series C (Applied Statistics) 47(2): 231–250.
  • Feuerriegel S., Gordon J. (2019). News-based forecasts of macroeconomic indicators: A semantic path model for interpretable predictions. European Journal of Operational Research 272(1): 162–175.
  • Fondeur Y., Karame F. (2013). Can google data help predict French youth unemployment? Econ. Modell. 30: 117–125.
  • Gonzalez-Fernandez M., Gonzalez-Velasco C. (2018). Can Google econometrics predict unemployment? Evidence from Spain. Economics Letters 170: 42–45.
  • Khan Jafur Z.R., Sookia N.U.H., NunkooGonpot P., Seetanah B. (2017). Out-of-sample forecasting of the Canadian unemployment rates using univariate models. Applied Economics Letters 24(15): 1097–1101.
  • Kreiner A., Duca J. (2020). Can machine learning on economic data better forecast the unemployment rate? Applied Economics Letters 27(17): 1434–1437.
  • Lasso F., Snijders S. (2016). The power of Google search data; an alternative approach to the measurement of unemployment in Brazil. Student Undergraduate Research E-journal! (2).
  • McLaren N., Shanbhogue R. (2011). Using internet search data as economic indicators. Bank of England Quarterly Bulletin (Q2).
  • Montgomery A.L., Zarnowitz V., Tsay R.S., Tiao G.C. (1998). Forecasting the us unemployment rate. Journal of the American Statistical Association 93(442): 478–493.
  • Naccarato A., Pierini A., Falorsi S. (2015). Using Google trend data to predict the Italian unemployment rate. Departmental Working Papers of Economics – University “Roma Tre” 0203. Department of Economics – University Roma Tre.
  • Nagao S., Takeda F., Tanaka R. (2019). Nowcasting of the U.S. unemployment rate using Google Trends. Finance Research Letters (30): 103–109.
  • Simionescu M. (2020). Improving unemployment rate forecasts at regional level in Romania using Google Trends. Technological Forecasting & Social Change 155(C).
  • Su Z. (2014). Chinese online unemployment-related searches and macroeconomic indicators. Frontiers of Economics in China 9(4): 573–605.
  • Suhoy T. (2009). Query indices and a 2008 downturn: Israeli data. Discussion Paper № 2009.06. Bank of Israel.
  • Zmitrowicz K., Khan M. (2014). Beyond the unemployment rate: Assessing Canadian and U.S. labor markets since the Great Recession. Bank of Canada Review Spring: 42–53.
Издатель: Южный Федеральный Университет
Учредитель: Южный федеральный университет
ISSN: 2073-6606