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

L'essenziale

Immagina di cercare di prevedere il tempo. Di solito, devi aspettare che il meteorologo ufficiale finisca i suoi calcoli, il che potrebbe richiedere alcuni giorni. Quando ti dice che sta per piovere, potresti già essere bagnato.

Ora, immagina di poter guardare fuori dalla finestra e vedere che tutti stanno improvvisamente comprando ombrelli e controllando le previsioni della pioggia sui loro telefoni. Ancora prima che arrivi il rapporto ufficiale, sai che sta arrivando un temporale.

Questo è esattamente ciò che hanno fatto gli autori di questo articolo, ma invece del meteo, hanno guardato alla disoccupazione, e invece degli ombrelli, hanno guardato alle ricerche su Google.

L'ambientazione: Il "Gruppo di Visegrád"

Lo studio si concentra su quattro paesi dell'Europa Centrale: la Repubblica Ceca, l'Ungheria, la Polonia e la Slovacchia. Questi sono talvolta chiamati "Gruppo di Visegrád". Mentre le grandi economie come gli Stati Uniti o la Germania ricevono tutta l'attenzione nella ricerca, questi quattro sono più piccoli. Gli autori volevano vedere se le "impronte digitali" lasciate dalle persone in questi paesi più piccoli potessero dirci qualcosa di utile sui loro mercati del lavoro.

L'idea centrale: Impronte digitali

Quando le persone perdono il lavoro o sono preoccupate di perderlo, non restano solo a casa. Nel nostro mondo moderno e digitale, vanno online. Digitano cose come "lavoro vicino a me", "come scrivere un curriculum" o "indennità di disoccupazione" su Google.

Gli autori si sono posti una domanda semplice: possiamo prevedere i tassi di disoccupazione contando quante persone cercano questi termini relativi al lavoro?

Cosa hanno scoperto (I risultati)

1. La connessione è reale
Hanno trovato un forte legame. Quando la disoccupazione sale, aumenta anche il numero di ricerche relative al lavoro. È come uno specchio: l'attività online riflette la lotta del mondo reale.

• Nella Repubblica Ceca e in Slovacchia, la connessione era molto forte (circa una corrispondenza del 50% nel modo in cui si muovevano insieme).
• In Polonia e Ungheria, la connessione era presente, solo un po' più debole.

2. "Nowcasting": Vedere il presente prima che sia ufficiale
I numeri ufficiali della disoccupazione sono lenti. I governi impiegano mesi per contare tutti, elaborare i dati e pubblicare il rapporto. Quando leggi la notizia, il dato è vecchio.

• La tesi del documento: Le ricerche su Google avvengono istantaneamente. Usando questi numeri di ricerca, gli autori sono riusciti a costruire un modello che predice il tasso di disoccupazione attuale molto meglio rispetto al semplice indovinare basandosi sui numeri dell'anno scorso. È come vedere le nuvole temporalesche formarsi prima che inizi a piovere.

3. "Forecasting": Prevedere il futuro
Gli autori si sono anche chiesti: "Queste ricerche ci aiutano a prevedere cosa accadrà il mese prossimo, anche se facciamo finta di conoscere già i numeri della disoccupazione di oggi?"

• La tesi del documento: Sì. Anche se conosci già il tasso di disoccupazione attuale, aggiungere i dati delle ricerche su Google rende comunque la previsione per il mese successivo più accurata. Questo dimostra che le ricerche non sono solo un eco ritardato del passato; esse contengono nuove informazioni su ciò che le persone stanno provando e pianificando proprio ora.

4. Una strada a doppio senso (Causalità)
Infine, hanno guardato chi influenza chi. La disoccupazione causa le ricerche, o le ricerche segnalano che la disoccupazione sta arrivando?

• La tesi del documento: È una strada a doppio senso. Nella maggior parte dei paesi studiati, funziona in entrambi i modi. Le persone cercano perché sono disoccupate, ma l'aumento delle ricerche segnala anche che il mercato del lavoro si sta facendo teso prima che le statistiche ufficiali raggiungano quel livello.

In sintesi

Il documento conclude che, anche in economie più piccole come quelle del Gruppo di Visegrád, internet è uno strumento potente. Monitorando semplicemente ciò che le persone digitano su Google, gli economisti e i decisori politici possono ottenere un quadro molto più chiaro, veloce e accurato del mercato del lavoro rispetto all'attesa dei tradizionali rapporti governativi.

In breve: Le ricerche online delle persone agiscono come un "controllo del battito" in tempo reale per l'economia, aiutandoci a vedere le tendenze della disoccupazione prima che arrivino le statistiche ufficiali.

Sommario tecnico

Sintesi Tecnica: Le ricerche su Google possono aiutare a prevedere in tempo reale e a stimare i tassi di disoccupazione nei paesi del Gruppo di Visegrád?

Problematica
Gli indicatori macroeconomici, in particolare i tassi di disoccupazione, soffrono di significativi ritardi nella pubblicazione a causa del tempo necessario per la raccolta e l'elaborazione dei dati (spesso diversi mesi). Questo ritardo ostacola le risposte politiche tempestive e l'analisi economica. Sebbene l'attività online sia stata esplorata come un proxy ad alta frequenza per il comportamento economico nelle economie sviluppate (ad esempio, USA e Germania), la sua utilità nelle economie più piccole dell'Europa Centrale rimane scarsamente indagata. Questo articolo affronta se le query di ricerca su Google relative al lavoro possano servire come predittori efficaci per i tassi di disoccupazione nei paesi del Gruppo di Visegrád: Repubblica Ceca, Ungheria, Polonia e Slovacchia.

Metodologia
Lo studio utilizza dati mensili che spaziano da gennaio 2004 a dicembre 2013.

• Fonti dei dati: I tassi di disoccupazione sono stati estratti da Eurostat (basati sull'EU Labour Force Survey), rappresentando la popolazione generale (età 15–74) senza aggiustamento stagionale. I dati di ricerca su Google sono stati estratti da Google Trends utilizzando parole chiave specifiche legate al lavoro nelle lingue locali: "práce" (ceco/slovacco), "praca" (polacco) e "állás" (ungherese). I dati settimanali di Google sono stati aggregati a frequenze mensili.
• Pre-elaborazione: Per affrontare i problemi di stazionarietà, gli autori hanno impiegato i test Augmented Dickey-Fuller (ADF) e KPSS. I risultati hanno indicato che le serie originali contenevano radici unitarie, rendendo necessaria l'uso delle prime differenze. Nello specifico, l'analisi ha utilizzato la prima differenza del tasso di disoccupazione ($\Delta UR_t$) e la prima differenza logaritmica dell'intensità di ricerca su Google ($\Delta \log(GI)_t$).
• Quadro Analitico:
  1. Relazione di Base: È stato stimato un modello di regressione lineare per determinare l'elasticità tra l'intensità di ricerca e le variazioni della disoccupazione.
  2. Nowcasting: È stato costruito un modello che incorpora 12 lag sia della disoccupazione che dei dati di ricerca per simulare la previsione in tempo reale, assumendo che i dati sulla disoccupazione siano disponibili con un ritardo di tre mesi.
  3. Forecasting (Previsione): Un modello Vector Autoregression (VAR) è stato confrontato con un semplice modello Autoregressivo (AR). Il VAR includeva 12 lag di entrambe le variabili.
  4. Causalità: Sono stati eseguiti test di causalità di Granger all'interno del quadro VAR per determinare la direzione dell'influenza.
• Metriche di Valutazione: Le prestazioni di previsione sono state valutate utilizzando l'errore quadratico medio (RMSE), l'errore assoluto medio (MAE) e il test di Diebold-Mariano per confrontare statisticamente l'accuratezza delle previsioni.

Risultati Chiave

• Correlazione ed Elasticità: È stata riscontrata una relazione proporzionale positiva tra le ricerche di lavoro e i tassi di disoccupazione in tutti e quattro i paesi. Le elasticità stimate sono risultate statisticamente significative per la Repubblica Ceca, la Polonia e la Slovacchia (almeno al livello del 10%), con valori compresi tra circa 0,20 e 0,55.
• Performance di Nowcasting: L'inclusione dei dati di ricerca su Google ha migliorato significativamente i modelli di nowcasting. L'$R^2$ corretto è aumentato di circa un terzo per tutti i paesi (con un aumento leggermente inferiore per la Polonia). Le F-stat confermano che le variabili di ricerca sono congiuntamente significative anche al livello dell'1%.
• Performance di Forecasting: Nelle previsioni fuori campione (2013), i modelli che incorporano i dati di Google hanno superato i modelli basati esclusivamente sui dati storici della disoccupazione. Il test di Diebold-Mariano ha confermato che il modello VAR con i dati di ricerca ha fornito previsioni significativamente migliori rispetto al modello AR per tutti i paesi al livello di significatività del 5% o superiore.
• Causalità: L'analisi della causalità di Granger ha rivelato una causalità bidirezionale in tre dei quattro paesi (Repubblica Ceca, Polonia e Slovacchia). Ciò suggerisce un ciclo di feedback in cui l'aumento della disoccupazione guida un aumento delle ricerche di lavoro, e l'aumento dell'attività di ricerca segnala tensioni del mercato del lavoro che precedono o accompagnano i cambiamenti della disoccupazione. L'Ungheria è stata l'eccezione, non mostrando alcuna causalità di Granger significativa in nessuna delle due direzioni.

Significatività e Contributi
L'articolo apporta tre contributi primari alla letteratura sui Big Data in economia:

1. Ambito Geografico: Estende la validazione dei dati di ricerca su Google come indicatore economico oltre le grandi economie sviluppate (come USA e Germania) ai piccoli paesi dell'Europa Centrale. Dimostra che, anche in regioni con una potenziale penetrazione di internet inferiore o strutture economiche diverse, il comportamento di ricerca online rimane un predittore robusto delle variabili macroeconomiche.
2. Rigore Metodologico: Lo studio fornisce una procedura analitica completa e passo dopo passo che va oltre la semplice correlazione. Affronta sistematicamente la stazionarietà, valuta sia il nowcasting (prevedere il presente con dati ufficiali ritardati) che il forecasting (prevedere il futuro) e indaga le direzioni causali.
3. Utilità Politica: I risultati suggeriscono che i dati di ricerca su Google offrono un "valore informativo aggiuntivo" che va oltre il semplice colmare il divario temporale causato dai ritardi dei dati. La causalità bidirezionale riscontrata nella maggior parte dei paesi implica che i dati di ricerca catturano il sentiment in tempo reale e le dinamiche di mercato che i dati statistici ufficiali potrebbero perdere, offrendo uno strumento prezioso per i decisori politici nel Gruppo di Visegrád e in economie simili.

Conclusione
Gli autori concludono che le query di ricerca su Google relative al lavoro costituiscono una solida base per la modellazione dei tassi di disoccupazione nei paesi del Gruppo di Visegrád. I dati non solo permettono il nowcasting dei livelli attuali di disoccupazione, ma migliorano anche l'accuratezza delle previsioni future, fornendo un segnale tempestivo e informativo per il monitoraggio economico in queste specifiche regioni.