Journal of Applied Economic Research
ISSN 2712-7435
УДК 338.27 (045)
Обзор успешных практик применения наукастинга в социально-экономическом прогнозировании
Д. В. Фирсов, Т. К. Чернышева
Финансовый университет при Правительстве Российской Федерации
Аннотация
Необходимой компетенцией в современных реалиях становится умение анализировать большие данные в экономике, в связи с чем одним из ключевых вопросов становится выбор инструментов для проведения подобного анализа. Одним из таких перспективных инструментов является наукастинг, который позволяет с высокой точностью определять экономические изменения на очень коротких временных отрезках. Актуальность исследования связана с тем, что наукастинг как инструмент позволяет, помимо прочего, прогнозировать поведение пользователей, выявлять ключевые макроэкономические тенденции и, таким образом, являться основной для принятия управленческих решений как в корпоративном, так и в государственном секторе. Целью исследования является проведение анализа успешных современных практик применения наукастинга для статистического прогнозирования социально-экономических показателей. Гипотеза исследования заключается в предположении, что наукастинг как метод макроэкономического анализа может в ближайшей перспективе стать достойной альтернативой традиционным методам анализа и статистического прогнозирования показателей социально-экономического развития, повысив точность их прогнозирования. Методологической основой исследования послужили научные труды и прикладные разработки ведущих отечественных и зарубежных ученых в области экономического прогнозирования с применением статистики поисковых запросов, а также методы сравнительного и статистического анализа, системный подход. Новизна полученных результатов заключается в систематизации и описании успешных практик применения наукастинга и прогнозирования показателей при помощи статистики запросов. В исследовании выделен основной принцип наукастинга, который заключается в получении более точной оценки состояния экономики по мере поступления новых данных. Также описаны ключевые статистические модели, применяемые в качестве инструментария наукастинга в зарубежных странах. В результате проведенного исследования было выявлено, что анализ динамики поисковых запросов, особенно в контексте ее корреляции с классическими метриками и традиционной статистикой, находится на активной фазе развития, особенно в рамках отечественной практики прогнозирования. Полученные результаты могут применяться на практике как в корпоративном, так и в государственном секторе для построения макроэкономических прогнозов.
Ключевые слова
поисковые запросы; экономические исследования; статистика запросов; модели анализа больших данных; наукастинг.
JEL classification
C55, O21Список использованной литературы
1. Fan J., Han F., Liu H. Challenges of big data analysis // National Science Review. 2014. Vol. 1, Issue 2. Рр. 293–314. DOI: doi.org/10.1093/nsr/nwt032.
2. Seymour T., Frantsvog D., Kumar S. History of search engines // International Journal of Management & Information Systems. 2011. Vol. 15, No. 4. Рр. 47–58. DOI: 10.19030/ijmis.v15i4.5799.
3. Mavragani A., Tsagarakis K.P. YES or NO: predicting the Referendum results using Google Trends // Technological Forecasting and Social Change. 2016. Vol. 109. Рр. 1–5. DOI: 10.1016/j.techfore.2016.04.028.
4. Hyenjoo K. The Analysis of innovation Management in Google // Journal of Economics and Management of Sciences. 2020. Vol. 3, Issue 4. Рр. 10–19. DOI: 10.30560/jems.v3n4p10.
5. Khorshidi S., Carter J., Mohler G., Tita G. Explaining Crime Diversity with Google Street View // Journal of Quantitative Criminology. 2021. DOI: 10.1007/s10940-021-09500-1.
6. Scott S., Varian H. Predicting the Present with Bayesian Structural Time Series // SSRN Electronic Journal. 2013. DOI: 10.2139/ssrn.2304426.
7. Medeiros M., Pires H. The Properly Use of Google Trends in Forecasting Models. 2021. [Электронный ресурс]. Режим доступа: https://www.researchgate.net/publication/350720260_The_Properly_Use_of_Google_Trends_in_Forecasting_Models.
8. Julie J., François H. A package for handling missing values in multivariate data analysis // Journal of Statistical Software. 2016. Vol. 70, Issue 1. Рр. 1–31. DOI: 10.18637/jss.v070.i01.
9. Paolo F. Predicting Finnish economic activity using firm-level data // International Journal of Forecasting. 2016. Vol. 32, Issue 1. Рр. 10–19. DOI: 10.1016/j.ijforecast.2015.04.002.
10. Knut A.A., Tørres T. Estimating the output gap in real time: A factor model approach // The Quarterly Review of Economics and Finance. 2014. Vol. 54, Issue 2. Рр. 180–193. DOI: 10.1016/j.qref.2013.09.003.
11. Melo L.F., Loaiza R.A., Villamizar-Villegas M. Bayesian combination for inflation forecasts: the effects of a prior based on central banks estimates // Economic Systems. 2016. Vol. 40, Issue 3. Рр. 387–397. DOI: 10.1016/j.ecosys.2015.11.002.
12. Chernis T., Sekkel R. A Dynamic Factor Model for Nowcasting Canadian GDP Growth // Bank of Canada Staff Working Paper. 2017. No. 2. Bank of Canada, 2017. 26 р. [Электронный ресурс]. Режим доступа: https://www.bankofcanada.ca/wp-content/uploads/2017/02/swp2017-2.pdf.
13. Colin J.H., Redding S.J., David E.W. Quantifying the sources of firm heterogeneity // The Quarterly Journal of Economics. 2016. Vol. 131, Issue 3. Рр. 1291–1364. DOI: 10.1093/qje/qjw012.
14. Groshen E.L., Brian C.M., Ana M.A., Ralph B., David М.F., Friedman D.M. How Government Statistics Adjust for Potential Biases from Quality Change and New Goods in an Age of Digital Technologies: A View from the Trenches // Journal of Economic Perspectives. 2017. Vol. 31, Issue 2. Рр. 187–210. DOI: 10.1257/jep.31.2.187.
15. Carlo T.C., Marcal E.F. Forecasting brazilian inflation by its aggregate and disaggregated data: a test of predictive power by forecast horizon // Applied Economics. 2016. Vol. 48, Issue 50. Рр. 4846–4860. DOI: 10.1080/00036846.2016.1167824.
16. Rüegg J., Gries C., Bond-Lamberty B., Bowen G.J. et al. Completing the data life cycle: using information management in macrosystems ecology research // Frontiers in Ecology and the Environment. 2014. Vol. 12, Issue 1. Рр. 24–30. DOI: 10.1890/120375.
17. Simionescu M., Gavurova B., Smrcka L. Combined forecasts to improve survey of profession forecasters predictions for quarterly inflation in the USA // Economic Research-Ekonomska Istraživanja. 2017. Vol. 30, Issue 1. Рр. 789–805. DOI: 10.1080/1331677X.2017.1314826.
18. Bragoli D., Michele M. A Nowcasting Model for Canada: Do U.S. Variables Matter? // Finance and Economics Discussion Series. 2016-036. Washington: Board of Governors of the Federal Reserve System, 2016. 33 р. DOI: 10.17016/FEDS.2016.036.
19. Chernis T., Sekkel R. Nowcasting Canadian Economic Activity in an Uncertain Environment // Bank of Canada Staff Discussion Paper. No. 2018-9. Bank of <st1:country-region w:st="on"><st1:place w:st="on">Canada</st1:place></st1:country-region>, 2018. 39 р. [Электронный ресурс]. Режим доступа: https://www.econstor.eu/bitstream/10419/200462/1/1029915407.pdf.
20. Binette A., Chang J. CSI: A Model for Tracking Short-Term Growth in Canadian Real GDP // Bank of Canada Review. 2013. Summer. Рр. 3–12 [Электронный ресурс]. Режим доступа: https://www.bankofcanada.ca/wp-content/uploads/2013/08/boc-review-summer13-binette.pdf.
21. Li X., Shang W., Wang S., Ma J. A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data // Electronic Commerce Research and Applications. 2015. Vol. 14, Issue 2. Рр. 112–125. DOI: 10.1016/j.elerap.2015.01.001.
22. Chong Z., Benfu L., Geng P., Ying L., Qingyu Y. A study on Correlation between Web Search Data and CPI // Recent Progress in Data Engineering and Internet Technology. Vol. 2 / Edited by F.L. Gaol. Springer-Verlag, 2012. Рр. 269–274. DOI: 10.1007/978-3-642-28798-5_36.
23. Petrova D., Trunin P. Population Forecasting and Analysis of Demographic Heterogeneity of Russia // SSRN Electronic Journal. 2020. DOI: 10.2139/ssrn.3594521.
24. Goolsbee A.D., Klenow P.J. Internet rising, prices falling measuring inflation in a world of E-commerce // NBER Working Paper. No. 24649. National bureau of economic research, 2018. 30 р. DOI: 10.3386/w24649.
25. Coble D., Pincheira P. Nowcasting Building Permits with Google Trends // SSRN Electronic Journal. 2017. DOI: 10.2139/ssrn.2910165.
26. Koop G., Onorante L. Macroeconomic nowcasting using Google probabilities // Topics in Identification, Limited Dependent Variables, Partial Observability, Experimentation, and Flexible Modeling. Part A. Vol. 40A / Edited by I. Jeliazkov, J.L. Tobias. Emerald Publishing, 2019. Рр. 17–40 [Электронный ресурс]. Режим доступа: https://econpapers.repec.org/bookchap/emeaecozz/s0731-90532019000040a003.htm.
27. Raulin C. Forecasting Consumer Price Index in Haiti using Google Trends. 2018 [Электронный ресурс]. Режим доступа: www.researchgate.net/publication/323665693_Forecasting_Consumer_Price_Index_in_Haiti_using_Google_Trends.
28. Borup D., Schütte E.C.M. In Search of a Job: Forecasting Employment Growth Using Google Trends // Journal of Business & Economic Statistics. 2020. DOI: 10.1080/07350015.2020.1791133.
29. Fajar M., Prasetyo O.R., Nonalisa S., Wahyudi Forecasting Unemployment Rate in the Time of COVID-19 Pandemic Using Google Trends Data (Case of Indonesia) // International Journal of Scientific Research in Multidisciplinary Studies. 2020. Vol. 6, Issue 11. Pр. 29–33.
30. Rajshekhar S., Kundu S. Forecasting the United States Unemployment Rate by Using Recurrent Neural Networks with Google Trends Data // International Journal of Trade, Economics and Finance. 2020. Vol. 11, No. 6. DOI: 10.18178/ijtef.2020.11.6.679.
31. Yao T., Zhang Yue-J. Forecasting Crude Oil Prices with the Google Index // Energy Procedia. 2017. Vol. 105. Pр. 3772–3776. DOI: 10.1016/j.egypro.2017.03.880.
32. Barta A., Molnar M. Forecasting oil prices based on online occurrence volume // Journal of Modern Science. 2021. No. 1 [Электронный ресурс]. Режим доступа: https://www.researchgate.net/publication/350358726_Forecasting_oil_price_based_on_online_occurence_volume.
33. Teng Y., Bi D., Xie G., Jin Y., Huang Y., Lin B., et al. Dynamic Forecasting of Zika Epidemics Using Google Trends // PLoS ONE. 2017. Vol. 12, No. 1. DOI: 310.1371/journal.pone.0165085.
34. Mavragani A., Gkillas K. COVID-19 predictability in the United States using Google Trends time series // Scientifc Reports. 2020. Vol. 10. Article number: 20693. DOI: 10.1038/s41598-020-77275-9.
35. Rabiolo A., Alladio E., Morales E., McNaught A., Bandello F., Afifi A., Marchese A. Forecasting the COVID-19 epidemic integrating symptom search behavior: an infodemiology study // MedRxiv. 2021. DOI: 10.1101/2021.03.09.21253186.
36. Mostafa M., Yanes N., Abbas M., El-Manzalawy Y. Improved Prediction of COVID-19 Transmission and Mortality Using Google Search Trends for Symptoms in the United States. MedRxiv. 2021. DOI: 10.1101/2021.03.14.21253554.
Благодарности
Статья подготовлена в рамках государственного задания Правительства РФ Финансовому университету на 2021 г. по теме «Направления модернизации российской университетской системы с учетом запросов реального сектора экономики и мировых технологических трендов».
Информация об авторах
Фирсов Дмитрий Владимирович
Младший научный сотрудник Института экономической политики и проблем экономической безопасности Финансового университета при Правительстве Российской Федерации, г. Москва, Россия (125993 (ГСП-3), г. Москва, Ленинградский просп., 49); ORCID 0000-0001-5985-7285; e-mail: dvfirsov@fa.ru.
Чернышева Татьяна Константиновна
Стажер-исследователь Института экономической политики и проблем экономической безопасности Финансового университета при Правительстве Российской Федерации, г. Москва, Россия (125993 (ГСП-3), г. Москва, Ленинградский просп., 49); ORCID 0000-0002-4744-7198; e-mail: tkchernysheva@fa.ru.
Для цитирования
Фирсов Д.В., Чернышева Т.К. Обзор успешных практик применения наукастинга в социально-экономическом прогнозировании // Journal of Applied Economic Research. 2021. Т. 20, № 2. С. 269-293. DOI: 10.15826/vestnik.2021.20.2.012.
Информация о статье
Дата поступления 14 марта 2021 г.; дата поступления после рецензирования 24 апреля 2021 г.; дата принятия к печати 16 мая 2021 г.
DOI: http://dx.doi.org/10.15826/vestnik.2021.20.2.012
Скачать полный текст статьи:
~2 МБ, *.pdf
(Размещен
29.06.2021)
Создано / Изменено: 18 августа 2015 / 20 сентября 2021
© ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»
Увидели ошибку?
выделите фрагмент и нажмите:
Ctrl + Enter
Дизайн портала: Artsofte