Gazdasági előrejelzések online folyamatok alapján. Tóth István János Hajdu Miklós

Átírás

1 GVI Gazdaság- és Vállalkozáskutató Intézet Gazdasági előrejelzések online folyamatok alapján Tóth István János Hajdu Miklós Hungarian Natural Language Processing Meetup Budapest november 21.

2 Tartalom A konjunktúra-kutatás alapproblémái A Google Trends - lehetőségek Az online tartalmak & gazdasági folyamatok Textplore Gyakorlati példák Autóeladások, háztartási fogyasztás Migrációs potenciál Gazdasági válságra utaló kifejezések & makrogazdasági mutatók Következtetések 2

3 A klasszikus konjunktúra-kutatás alapproblémái 3

4 Célok, módszerek (1) Alapvető cél: a gazdasági folyamatok alakulásának, változásának előrejelzése Hagyományos módszerek: Reáladatok (pl. GDP, ipari termelés volumene) idősoros elemzése Üzleti klíma kérdőíves felmérése Ön szerint milyen a vállalkozás jelenlegi üzleti helyzete? [Jó, kielégítő vagy rossz] Ön szerint várhatóan hogyan alakul a vállalkozás jövedelmezősége a következő 6 hónap során? [Javul, nem változik vagy romlik] 4

5 Célok, módszerek (2) A hagyományos módszerek kapcsán felmerülő nehézségek: Reáladatok idősoros elemzése A hivatalos adatok kiadása és az általuk jellemzett időpont közötti hosszú késedelem Az adatközlések alacsony gyakorisága Gyenge előrejelző funkció Üzleti klíma kérdőíves felmérése Megbízhatóság és érvényesség problémái Stabil apparátus, szervezet Idő- és költségigény 5

6 Célok, módszerek (2) Vannak könnyebben elérhető és elemezhető adatok, amelyek javíthatják a leading indikátorokat? Érdemes az online folyamatokat vizsgálni, mind a látogatói, mind a tartalomszolgáltatói oldalról. 6

7 A Google Trends bemutatása 7

8 Külföldi tapasztalatok a Google Trends adatsorainak felhasználásáról Estimation of the unemployment rate in Germany Askitas, Nikolaous Zimmermann, Klaus, F. (2009): Google Econometrics and Unemployment Forecasting. IZA. Bonn. Improvement of automotive, tourism and housing market data forecasts in the USA Choi, Hyunyoung Varian, Hal. (2009): Predicting the Present with Google trends. Prediction and nowcasting of private consumption in the USA Kholodilin, Konstantin A. - Maximilian Podstawski - Boriss Siliverstovs (2010): Do Google Searches Help in Nowcasting Private Consumption? A Real-Time Evidence for the US. Discussion Papers 997. DIW Berlin. Schmidt, Torsten Vosen, Simeon. (2009b): Forecasting Private Consumption: Survey-based Indicators vs. Google Trends. Ruhr Economic Papers

9 Internet penetráció Magyarországon Az Internet penetrációjának alakulása Magyarországon nemzetközi összehasonlításban, % Magyarország* EU-27* Lengyelország* Luxemburg* Svédország* USA** Év *Forrás: Eurostat **Forrás: Pew Internet & American Life Project 9

10 Jelenbecslés vagy előrejelzés? Keresési gyakoriság E t-n (I t ): a gazdasági aktivitás elhatározása G i : az első keresés a Google-on I t : gazdasági tranzakció G k : az utolsó keresés a Google-on E t-n (I t ) G i I t G k idő 10

11 A Google Trends adatai Keresési kifejezések, keresési kategóriák Relatív keresési mennyiségek Növekedési százalékok Időhorizont: től egészen a múlt hétig Forgalomtól függően akár heti bontásban is! Területi bontás Forgalomtól függően akár megyei szinten elemezhező adatok 11

12 12

13 Saját dokumentumok Internetről automatikusan gyűjtött tartalom pl. Index, Origo Dokumentumok honlapokról amit a felhasználó kiválaszt

14 Gyakorlati példák 14

15 Az autóeladások alakulásának becslése a Google Trends segítségével 1. modell: szezonális autoregresszív modell C t = b 0 + b 1 C t-1 + b 2 C t-k +u t t-1 a megelőző hónap, t-k az előző év azonos periódusa 2. modell: a Google Trends adatain alapuló modell C t = b 0 + b 1 G t +u t G t a Google keresési kategóriáin alapuló változók 3. modell: kiterjesztett modell C t = b 0 + b 1 C t-1 + b 2 C t-k + b 3 G t +u t 15

16 Az autóeladások (használt és új) alakulása ( ) Forrás: Datahouse 16

17 Az autóeladásokkal korreláló keresési kategóriák Alcoholic Beverages Arts & Humanities Banking Books & Literature Computer & Video Games Computers & Electronics Credit & Lending Education Entertainment Food & Drink Health Home Financing Home Furnishings Home Improvement Homemaking & Interior Decor Internet & Telecom Movies Vehicle Brands Vehicle Parts & Accessories Vehicle Shopping 17

18 A modellek főbb jellemzői Baseline model Google Extended model Factors (model #1) (model #2) (model #3) Constant (1.583) (93.501) (4.387) Lag(1) (8.339) (2.860) Lag (12) (3.295) (0.534) F1_ (16.227) (3.919) F4_ (-7.109) (-2.692) F6_ (4.805) (2.025) F3_ (3.968) (1.638) F14_ (-2.400) (-3.175) R Adj. R Durbin-Watson RMSE T

19 Keresztkorrelációk az autóeladások és a Google Trends adatain alapuló becslések között 19

20 Az autóeladások és a Google Trends adatain alapuló becslés kapcsolata 20

21 A háztartási fogyasztás alakulásának becslése a Google Trends segítségével 1. modell: autoregresszív modell C t = b 0 + b 1 C t-1 +u t t-1 az előző negyedév 2. modell: A Google Trends adatain alapuló modell C t = b 0 + b 1 G t +u t G t a Google keresési kategóriáin alapuló változók 3. modell: kiterjesztett modell C t = b 0 + b 1 C t-1 + b 2 G t +u t 21

22 Háztartási fogyasztás (2004q1-2011q4) Forrás: KSH 22

23 A háztartási fogyasztással korreláló keresési kategóriák Arts & Humanities Books & Literature Computer & Video Games Computers & Electronics Food & Drink Home Financing Home Improvement Internet & Telecom Vehicle Brands Vehicle Parts & Accessories Vehicle Shopping 23

24 A modellek főbb jellemzői Baseline model Google Extended model Factors (model #1) (model #2) (model #3) Constant (0.659) ( ) (2.596) Lag(1) (15.199) ( F1_ (9.040) (3.282) F4_ (-4.388) - F2_ (5.093) - F3_ (2.750) - F5_ (-2.240) - R Adj. R Durbin-Watson RMSE T

25 Keresztkorrelációk a háztartási fogyasztás és a Google Trends adatain alapuló becslések között 25

26 A háztartások fogyasztása és a Google Trends adatain alapuló becslés 26

27 A külföldi munkavállalási hajlandóság mérése a Google Trends segítségével 27

28 25 Egyes, a gazdasági válságra utaló kifejezések előfordulási aránya és a GDP volumenindexe Egyes, a gazdasági válságra utaló kifejezések előfordulási aránya negyedévenként az összes megjelent cikk százalékában és a GDP negyedéves volumenindexe, I. negyedév IV. negyedév 3, a "válság" kifejezés előfordulása, negyedéves arány (%) - bal tengely válsággal kapcsolatos kifejezések* előfordulása, negyedéves arány (%) - bal tengely GDP negyedéves volumenindex** (%) - bal tengely a "GDP" kifejezés előfordulása, negyedéves arány (%) - jobb tengely 3 2, , * gazdasági válság, hitelválság, pénzügyi válság, recesszió, válság, világgazdasági válság, visszaesés, visszaesik ** Szezonálisan és naptári hatással kiigazított és kiegyensúlyozott adatok (előző év azonos időszaka=100,0), forrás: KSH I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV ,5 0 Forrás: GVI, Textplore 28

29 Egyes, a gazdasági válságra utaló kifejezések előfordulási aránya és a GDP volumenindexe A szócsoportok előfordulási aránya negyedévenként az összes megjelent cikk százalékában és a GDP negyedéves volumenindexe, I. negyedév IV. negyedév GDP negyedéves volumenindex (%)** "külkereskedelem" szócsoport "munkaerőpiac" szócsoport "gazdaságpolitika" szócsoport "vállalatok" szócsoport "pénzpiac" szócsoport "adó" szócsoport "államháztartás" szócsoport "makrogazdaság" szócsoport "hitel" szócsoport "gazdaságelemzés" szócsoport "válság" szócsoport ** Szezonálisan és naptári hatással kiigazított és kiegyensúlyozott adatok (előző év azonos időszaka=100,0), forrás: KSH -10 I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV Forrás: GVI, Textplore 29

30 35000 Egyes, a gazdasági válságra utaló kifejezések előfordulási aránya és a BUX index napi záróértékeinek havi átlaga A "pénzpiac" és a "válság" szócsoportok előfordulási aránya havonta az összes megjelent cikk százalékában, valamint a BUX-index napi záróértékeinek havi átlaga, január március 0, BUX havi átlag - bal tengely "pénzpiac" szócsoport - jobb tengely "válság" szócsoport - jobb tengely 0,3 0, , , , ,05 0 J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Mj Sz J Forrás: GVI, Textplore 30

31 J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Á Jl O J Egyes, a gazdasági válságra utaló kifejezések előfordulási aránya és az ipari értékesítés volumenindexe A "pénzpiac", a "válság" és a "makrogazdaság" szócsoportok előfordulási aránya havonta az összes megjelent cikk százalékában, valamint az ipari értékesítés volumenindexe, január március ipari értékesítés volumenindexe* - bal tengely "makrogazdaság" szócsoport - jobb tengely "válság" szócsoport - jobb tengely "pénzpiac" szócsoport - jobb tengely 0,35 0, * Összes ipari értékesítés volumenindexe, év havi átlaga = 100,0; szezonálisan és munkanappal kiigazított adatok, forrás: KSH 0,25 0,2 90 0, ,1 70 0, Forrás: GVI, Textplore 31

32 Következtetések Az internetes keresési forgalomra vonatkozó információk pontosabbá teszik a gazdasági indikátorok jelenbecslését, rövid távú előrejelzését. A gazdaság reálfolyamatai és az online cikkek szóhasználata között is kapcsolat mutatható ki Egyes gazdasági kifejezések előfordulási gyakorisága akár az ipari értékesítés jelenbecslésében is releváns információ lehet Az internetes tartalmakat szolgáltatók és fogyasztók viselkedésének megfigyelése egyaránt segítségünkre lehet a gazdasági előrejelzések finomításában, fejlesztésében. 32

33 Köszönjük a figyelmet!