Can Google searches help nowcast and forecast unemployment rates in the Visegrad Group countries?

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, das Wetter vorherzusagen. Normalerweise müssen Sie warten, bis der offizielle Meteorologe seine Berechnungen abgeschlossen hat, was ein paar Tage dauern kann. Bis er Ihnen mitteilt, dass es regnen wird, sind Sie vielleicht schon nass geworden.

Stellen Sie sich nun vor, Sie könnten aus Ihrem Fenster schauen und sehen, dass plötzlich alle Regenschirme kaufen und Regenprognosen auf ihren Handys prüfen. Noch bevor der offizielle Bericht eintrifft, wissen Sie, dass ein Sturm aufzieht.

Genau das haben die Autoren dieser Arbeit getan, aber anstatt nach dem Wetter suchten sie nach der Arbeitslosigkeit, und anstatt nach Regenschirmen suchten sie nach Google-Suchanfragen.

Der Schauplatz: Die „Visegrád-Gruppe“

Die Studie konzentriert sich auf vier zentraleuropäische Länder: die Tschechische Republik, Ungarn, Polen und die Slowakei. Diese werden manchmal als „Visegrád-Gruppe“ bezeichnet. Während große Volkswirtschaften wie die USA oder Deutschland in der Forschung viel Aufmerksamkeit erhalten, sind diese vier kleiner. Die Autoren wollten sehen, ob die „digitalen Fußabdrücke“, die Menschen in diesen kleineren Ländern hinterlassen, uns etwas Nützliches über ihre Arbeitsmärkte verraten können.

Die Kernidee: Digitale Fußabdrücke

Wenn Menschen ihre Jobs verlieren oder Angst haben, sie zu verlieren, sitzen sie nicht einfach nur zu Hause. In unserer modernen, digitalen Welt gehen sie online. Sie geben Dinge wie „Jobs in meiner Nähe“, „Wie schreibe ich einen Lebenslauf“ oder „Arbeitslosengeld“ bei Google ein.

Die Autoren stellten eine einfache Frage: Können wir die Arbeitslosenquoten vorhersagen, indem wir zählen, wie viele Menschen nach diesen arbeitsbezogenen Begriffen suchen?

Was sie herausgefunden haben (Die Ergebnisse)

1. Die Verbindung ist real
Sie fanden eine starke Verbindung. Wenn die Arbeitslosigkeit steigt, steigt auch die Zahl der arbeitsbezogenen Suchanfragen. Es ist wie ein Spiegel: Die Online-Aktivität spiegelt die reale Notlage wider.

• In der Tschechischen Republik und der Slowakei war die Verbindung sehr stark (etwa eine 50-prozentige Übereinstimmung in ihrer Bewegung).
• In Polen und Ungarn war die Verbindung ebenfalls vorhanden, nur etwas schwächer.

2. „Nowcasting“: Die Gegenwart sehen, bevor sie offiziell ist
Offizielle Arbeitslosenzahlen sind langsam. Regierungen brauchen Monate, um jeden zu zählen, die Daten zu verarbeiten und den Bericht zu veröffentlichen. Bis Sie die Nachricht lesen, sind die Daten alt.

• Die Behauptung des Papers: Google-Suchanfragen geschehen sofort. Durch die Verwendung dieser Suchzahlen konnten die Autoren ein Modell erstellen, das die aktuelle Arbeitslosenquote viel besser vorhersagt, als wenn man sich nur auf die Zahlen des Vorjahres stützt. Es ist, als würde man die Gewitterwolken sehen, bevor der Regen einsetzt.

3. „Forecasting“: Die Zukunft vorhersagen
Die Autoren fragten auch: „Helfen uns diese Suchanfragen dabei, vorherzusagen, was im nächsten Monat passieren wird, selbst wenn wir so tun, als wüssten wir bereits heute die aktuellen Arbeitslosenzahlen?“

• Die Behauptung des Papers: Ja. Selbst wenn man die aktuelle Arbeitslosenquote bereits kennt, macht das Hinzufügen der Google-Suchdaten die Vorhersage für den nächsten Monat immer noch genauer. Dies beweist, dass die Suchanfragen nicht nur ein verzögertes Echo der Vergangenheit sind; sie enthalten neue Informationen darüber, was die Menschen gerade fühlen und planen.

4. Die Zwei-Wege-Straße (Kausalität)
Schließlich untersuchten sie, wer wen beeinflusst. Verursacht Arbeitslosigkeit, dass Menschen suchen, oder signalisieren Suchanfragen, dass Arbeitslosigkeit im Anmarsch ist?

• Die Behauptung des Papers: Es ist eine Zwei-Wege-Straße. In den meisten der untersuchten Länder funktioniert es in beide Richtungen. Menschen suchen, weil sie arbeitslos sind, aber der Anstieg der Suchanfragen signalisiert auch, dass der Arbeitsmarkt angespannt wird, bevor die offiziellen Zahlen nachziehen.

Das Fazit

Das Paper kommt zu dem Schluss, dass das Internet selbst in kleineren Volkswirtschaften wie denen der Visegrád-Gruppe ein mächtiges Werkzeug ist. Indem man einfach beobachtet, was Menschen in Google eintippen, können Ökonomen und politische Entscheidungsträger ein viel klareres, schnelleres und genaueres Bild des Arbeitsmarktes erhalten, als wenn sie auf traditionelle Regierungsberichte warten.

Kurz gesagt: Die Online-Suchanfragen der Menschen fungieren als ein Echtzeit-„Pulscheck“ für die Wirtschaft und helfen uns, Arbeitslosigkeitstrends zu erkennen, bevor die offiziellen Statistiken eintreffen.

Technische Zusammenfassung

Technische Zusammenfassung: Können Google-Suchanfragen zur Nowcasting- und Forecasting-Analyse der Arbeitslosenquoten in den Visegrád-Staaten helfen?

Problemstellung
Makroökonomische Indikatoren, insbesondere Arbeitslosenquoten, leiden unter erheblichen Publikationsverzögerungen aufgrund der Zeit, die für die Datenerhebung und -verarbeitung benötigt wird (oft mehrere Monate). Diese Verzögerung behindert rechtzeitige politische Reaktionen und ökonomische Analysen. Während Online-Aktivitäten bereits als hochfrequente Stellvertreter für das wirtschaftliche Verhalten in entwickelten Volkswirtschaften (z. B. den USA und Deutschland) untersucht wurden, bleibt ihr Nutzen für kleinere zentraleuropäische Volkswirtschaften unteruntersucht. Diese Arbeit geht der Frage nach, ob arbeitsbezogene Google-Suchanfragen als effektive Prädiktoren für die Arbeitslosenquoten in den Visegrád-Staaten dienen können: der Tschechischen Republik, Ungarn, Polen und der Slowakei.

Methodik
Die Studie nutzt monatliche Daten aus dem Zeitraum von Januar 2004 bis Dezember 2013.

• Datenquellen: Die Arbeitslosenquoten wurden von Eurostat (basierend auf der EU-Arbeitskräfteerhebung) bezogen, welche die Gesamtbevölkerung (Alter 15–74) ohne Saisonbereinigung darstellt. Die Google-Suchdaten wurden über Google Trends mit spezifischen arbeitsbezogenen Schlüsselwörtern in den Landessprachen extrahiert: „práce“ (Tschechisch/Slowakisch), „praca“ (Polnisch) und „állás“ (Ungarisch). Wöchentliche Google-Daten wurden auf monatliche Frequenzen aggregiert.
• Vorverarbeitung: Um Probleme der Stationarität zu adressieren, verwendeten die Autoren Augmented Dickey-Fuller (ADF)- und KPSS-Tests. Die Ergebnisse zeigten, dass die ursprünglichen Zeitreihen Einheitswurzeln enthielten, was die Verwendung der ersten Differenzen erforderlich machte. Konkret nutzte die Analyse die erste Differenz der Arbeitslosenquote ($\Delta UR_t$) und die erste logarithmische Differenz der Google-Suchintensität ($\Delta \log(GI)_t$).
• Analytischer Rahmen:
  1. Basale Beziehung: Ein lineares Regressionsmodell wurde geschätzt, um die Elastizität zwischen Suchintensität und Änderungen der Arbeitslosigkeit zu bestimmen.
  2. Nowcasting: Ein Modell, das 12 Lags sowohl der Arbeitslosen- als auch der Suchdaten einbezieht, wurde konstruiert, um eine Echtzeitprognose zu simulieren, unter der Annahme, dass Arbeitslosigkeitsdaten mit einem Rückstand von drei Monaten verfügbar sind.
  3. Forecasting: Ein Vektorautoregressives Modell (VAR) wurde mit einem einfachen autoregressiven (AR) Modell verglichen. Das VAR beinhaltete 12 Lags beider Variablen.
  4. Kausalität: Granger-Kausalitätstests wurden innerhalb des VAR-Rahmens durchgeführt, um die Wirkungsrichtung zwischen Suchaktivität und Arbeitslosigkeit zu bestimmen.
• Evaluationsmetriken: Die Leistung der Prognose wurde mittels des Root Mean Squared Error (RMSE), des Mean Absolute Error (MAE) und des Diebold-Mariano-Tests bewertet, um die Prognosegenauigkeit statistisch zu vergleichen.

Wesentliche Ergebnisse

• Korrelation und Elastizität: Es wurde eine positive proportionale Beziehung zwischen arbeitsbezogenen Suchanfragen und den Arbeitslosenquoten in allen vier Ländern gefunden. Die geschätzten Elastizitäten waren für die Tschechische Republik, Polen und die Slowakei statistisch signifikant (zumindest auf dem 10 %-Niveau), mit Werten zwischen etwa 0,20 und 0,55.
• Nowcasting-Leistung: Die Einbeziehung von Google-Suchdaten verbesserte die Nowcasting-Modelle signifikant. Das bereinigte $R^2$ stieg für alle Länder um etwa ein Drittel, wobei der Anstieg für Polen etwas geringer ausfiel. F-Statistiken bestätigten, dass die Suchvariablen selbst auf dem 1 %-Niveau gemeinsam signifikant waren.
• Forecasting-Leistung: In der Out-of-Sample-Prognose (2013) übertrafen Modelle, die Google-Daten einbezogen, jene Modelle, die sich ausschließlich auf historische Arbeitslosigkeitsdaten stützten. Der Diebold-Mariano-Test bestätigte, dass das VAR-Modell mit Suchdaten für alle Länder eine signifikant bessere Prognose lieferte als das AR-Modell, und zwar auf einem Signifikanzniveau von 5 % oder besser.
• Kausalität: Die Granger-Kausalitätsanalyse ergab eine bidirektionale Kausalität in drei der vier Länder (Tschechische Republik, Polen und Slowakei). Dies deutet auf eine Rückkopplungsschleife hin, in der steigende Arbeitslosigkeit verstärkte Jobsuche antreibt und erhöhte Suchaktivität Arbeitsmarktspannungen signalisiert, die der Veränderung der Arbeitslosigkeit vorausgehen oder diese begleiten. Ungarn war die Ausnahme und zeigte keine signifikante Granger-Kausalität in keine der beiden Richtungen.

Bedeutung und Beiträge
Das Paper leistet drei primäre Beiträge zur Literatur über Big Data in der Ökonomie:

1. Geografischer Umfang: Es erweitert die Validierung von Google-Suchdaten als ökonomischen Indikator über große, entwickelte Volkswirtschaften (wie die USA und Deutschland) hinaus auf kleinere, zentraleuropäische Volkswirtschaften. Es zeigt, dass selbst in Regionen mit potenziell geringerer Internetpenetration oder unterschiedlichen Wirtschaftsstrukturen das Online-Suchverhalten ein robuster Prädiktor für makroökonomische Variablen bleibt.
2. Methodische Strenge: Die Studie bietet ein umfassendes, schrittweises analytisches Verfahren, das über einfache Korrelationen hinausgeht. Sie adressiert systematisch die Stationarität, evaluiert sowohl das Nowcasting (Vorhersage der Gegenwart mit verzögerten offiziellen Daten) als auch das Forecasting (Vorhersage der Zukunft) und untersucht kausale Richtungen.
3. Politische Relevanz: Die Ergebnisse legen nahe, dass Online-Suchdaten einen „zusätzlichen informativen Wert“ bieten, der über das bloße Schließen der durch Datenverzögerungen entstehenden Zeitlücke hinausgeht. Die gefundene bidirektionale Kausalität in den meisten Ländern impliziert, dass Suchdaten Echtzeit-Sentiment und Marktdynamiken erfassen, die offizielle Statistiken möglicherweise nicht abbilden, was ihnen ein wertvolles Instrument für politische Entscheidungsträger in der Visegrád-Gruppe und ähnlichen Ökonomien macht.

Fazung
Die Autoren kommen zu dem Schluss, dass arbeitsbezogene Google-Suchanfragen eine starke Basis für die Modellierung der Arbeitslosenquoten in der Visegrád-Gruppe bilden. Die Daten ermöglichen nicht nur das Nowcasting aktueller Arbeitslosenstände, sondern verbessern auch die Genauigkeit zukünftiger Prognosen und bieten somit ein zeitnahes und informatives Signal für die Wirtschaftsüberwachung in diesen spezifischen Regionen.