Gazdasági előrejelzések online folyamatok alapján. Tóth István János Hajdu Miklós

GVI Gazdaság- és Vállalkozáskutató Intézet

Gazdasági előrejelzések online folyamatok alapján

Tóth István János – Hajdu Miklós Hungarian Natural Language Processing Meetup Budapest 2012. november 21. http://www.gvi.hu/

Problémafelvetés  Google Trends  Textplore  Gyakorlati példák  Következtetések

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 http://www.gvi.hu/

2


A klasszikus konjunktúra-kutatás alapproblémái

http://www.gvi.hu/

3


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]

http://www.gvi.hu/

4


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

http://www.gvi.hu/

5


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.

http://www.gvi.hu/

6


A Google Trends bemutatása

http://www.gvi.hu/

7


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. 155. http://www.gvi.hu/

8


Internet penetráció Magyarországon Az Internet penetrációjának alakulása Magyarországon nemzetközi összehasonlításban, 2004-2011 100 90 80 70

%

60

Magyarország*

50

EU-27*

40

Lengyelország*

30

Luxemburg*

20

Svédország* USA**

10 0 2004

2005

2006

2007

2008

2009

2010

2011

Év *Forrás: Eurostat **Forrás: Pew Internet & American Life Project

http://www.gvi.hu/

9


Jelenbecslés vagy előrejelzés? Keresési gyakoriság

Et-n(It): a gazdasági aktivitás elhatározása Gi: az első keresés a Google-on It : gazdasági tranzakció Gk: az utolsó keresés a Google-on

Et-n (It)

Gi

It

http://www.gvi.hu/

Gk

idő

10


A Google Trends adatai • Keresési kifejezések, keresési kategóriák – Relatív keresési mennyiségek – Növekedési százalékok

• Időhorizont: 2004.01.01.-től egészen a múlt hétig – Forgalomtól függően akár heti bontásban is!

• Területi bontás – Forgalomtól függően akár megyei szinten elemezhező adatok

http://www.gvi.hu/

11


http://www.gvi.hu/

12


Saját dokumentumok

Internetről automatikusan gyűjtött tartalom – pl. Index, Origo

Dokumentumok honlapokról – amit a felhasználó kiválaszt


Gyakorlati példák

http://www.gvi.hu/

14


Az autóeladások alakulásának becslése a Google Trends segítségével • 1. modell: szezonális autoregresszív modell

Ct = b0 + b1Ct-1 + b2Ct-k + ut t-1 a megelőző hónap, t-k az előző év azonos periódusa

• 2. modell: a Google Trends adatain alapuló modell

Ct = b0 + b1Gt + ut Gt a Google keresési kategóriáin alapuló változók

• 3. modell: kiterjesztett modell

Ct = b0 + b1Ct-1 + b2Ct-k + b3Gt + ut

http://www.gvi.hu/

15


Az autóeladások (használt és új) alakulása (2005.01-2011.12)

Forrás: Datahouse http://www.gvi.hu/

16


Az autóeladásokkal korreláló keresési kategóriák Alcoholic Beverages

Health

Arts & Humanities

Home Financing

Banking

Home Furnishings

Books & Literature

Home Improvement

Computer & Video Games

Homemaking & Interior Decor

Computers & Electronics

Internet & Telecom

Credit & Lending

Movies

Education

Vehicle Brands

Entertainment

Vehicle Parts & Accessories

Food & Drink

Vehicle Shopping http://www.gvi.hu/

17


A modellek főbb jellemzői Factors Constant Lag(1) Lag (12)

Baseline model

Google

Extended model

(model #1) 4755.364 (1.583) 0.644 (8.339) 0.233 (3.295)

(model #2) 53949.327 (93.501)

(model #3) 35048.749 (4.387) 0.301 (2.860) 0.045 (0.534) 6548.026 (3.919) -2338.657 (-2.692) 1342.506 (2.025) 1287.287 (1.638) -1863.008 (-3.175) 0.952 0.95

-

F1_2

-

F4_2

-

F6_2

-

F3_2

-

F14_2

-

R2 Adj. R2

0.78 0.774

98899.258 (16.227) -3848.312 (-7.109) 2646.544 (4.805) 2613.504 (3.968) -1317.808 (-2.400) 0.853 0.844

Durbin-Watson

2.008

1.412

1.811

RMSE T

5084.184 72

4825.501 84

4311.926 72

http://www.gvi.hu/

18


Keresztkorrelációk az autóeladások és a Google Trends adatain alapuló becslések között

http://www.gvi.hu/

19


Az autóeladások és a Google Trends adatain alapuló becslés kapcsolata

http://www.gvi.hu/

20


A háztartási fogyasztás alakulásának becslése a Google Trends segítségével • 1. modell: autoregresszív modell

Ct = b0 + b1Ct-1 + ut t-1 az előző negyedév

• 2. modell: A Google Trends adatain alapuló modell

Ct = b0 + b1Gt + ut Gt a Google keresési kategóriáin alapuló változók

• 3. modell: kiterjesztett modell

Ct = b0 + b1Ct-1 + b2Gt + ut

http://www.gvi.hu/

21


Háztartási fogyasztás (2004q1-2011q4)

Forrás: KSH http://www.gvi.hu/

22


A háztartási fogyasztással korreláló keresési kategóriák Arts & Humanities

Home Improvement

Books & Literature

Internet & Telecom

Computer & Video Games

Vehicle Brands

Computers & Electronics

Vehicle Parts & Accessories

Food & Drink

Vehicle Shopping

Home Financing

http://www.gvi.hu/

23


A modellek főbb jellemzői Factors Constant Lag(1)

Baseline model

Google

Extended model

(model #1) 120389.828 (0.659) 0.958 (15.199)

(model #2) 2886361.542 (339.529)

(model #3) 515823.938 (2.596) 0.821 (11.1979 24972.246 (3.282)

-

R2 Adj. R2

0.888 0.885

79805.858 (9.040) -49085.12 (-4.388) 42951.496 (5.093) 23699.449 (2.750) -21364.469 (-2.240) 0.849 0.819

Durbin-Watson

1.538

1.117

1.87

RMSE T

36653.366 31

42502.495 32

31148.167 31

F1_1

-

F4_1

-

F2_1

-

F3_1 F5_1

http://www.gvi.hu/

-

0.919 0.914

24


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

http://www.gvi.hu/

25


A háztartások fogyasztása és a Google Trends adatain alapuló becslés

http://www.gvi.hu/

26


A külföldi munkavállalási hajlandóság mérése a Google Trends segítségével

http://www.gvi.hu/

27


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, 2000. I. negyedév - 2011. IV. negyedév

25

3,5

a "válság" kifejezés előfordulása, negyedéves arány (%) - bal tengely

20

válsággal kapcsolatos kifejezések* előfordulása, negyedéves arány (%) - bal tengely

3

GDP negyedéves volumenindex** (%) - bal tengely a "GDP" kifejezés előfordulása, negyedéves arány (%) - jobb tengely

15

2,5

10

2

5

1,5

0

1

* 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

-5

0,5

-10

0 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 2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

Forrás: GVI, Textplore

http://www.gvi.hu/

28


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, 2000. I. negyedév - 2011. IV. negyedév 25

20

15

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

10

5

0

-5

** 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 2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011


http://www.gvi.hu/

29


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, 2000. január - 2012. március

35000

BUX havi átlag - bal tengely

30000

0,35

0,3

"pénzpiac" szócsoport - jobb tengely 25000

0,25

"válság" szócsoport - jobb tengely

20000

0,2

15000

0,15

10000

0,1

5000

0,05

0

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 2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011 2012


http://www.gvi.hu/

30


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, 2000. január - 2012. március 130

0,35 ipari értékesítés volumenindexe* - bal tengely "makrogazdaság" szócsoport - jobb tengely "válság" szócsoport - jobb tengely "pénzpiac" szócsoport - jobb tengely

120

110

100

0,3

0,25

* Összes ipari értékesítés volumenindexe, 2005. év havi átlaga = 100,0; szezonálisan és munkanappal kiigazított adatok, forrás: KSH

0,2

0,15

80

0,1

70

0,05

60

0 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

90

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011 2012


http://www.gvi.hu/

31


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. http://www.gvi.hu/

32


Köszönjük a figyelmet! http://www.gvi.hu/

http://www.gvi.hu/

33

Gazdasági előrejelzések online folyamatok alapján. Tóth István János Hajdu Miklós

Recommend Documents