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

핵심

당신이 날씨를 예측하려고 한다고 상상해 보십시오. 보통은 공식 기상학자가 계산을 마칠 때까지 며칠을 기다려야 할 수도 있습니다. 그들이 비가 올 것이라고 알려줄 때쯤이면, 당신은 이미 비에 젖고 있을지도 모릅니다.

이제, 창밖을 내다보았더니 사람들이 갑자기 우산을 사고 휴대폰으로 강수 예보를 확인하는 모습을 볼 수 있다고 상상해 보십시오. 공식적인 보고서가 도착하기도 전에, 당신은 폭풍우가 다가오고 있다는 것을 알게 됩니다.

이것이 바로 이 논문의 저자들이 한 일입니다. 다만 날씨 대신 실업을 보았고, 우산 대신 구글 검색을 보았습니다.

배경: "비세그라드 그룹(Visegrad Group)"

이 연구는 중앙유럽의 네 국가인 체코, 헝가리, 폴란드, 슬로바키아에 초점을 맞춥니다. 이들은 때때로 "비세그라드 그룹"이라고 불립니다. 미국이나 독일 같은 거대 경제국들이 연구의 주목을 받는 반면, 이 네 나라는 규모가 더 작습니다. 저자들은 이 작은 국가들의 사람들이 남긴 "디지털 발자국"이 그들의 노동 시장에 대해 유용한 정보를 줄 수 있는지 알고 싶었습니다.

핵심 아이디어: 디지털 발자국

사람들이 직장을 잃거나 직장을 잃을까 봐 걱정할 때, 그들은 그냥 집에만 머물러 있지 않습니다. 현대의 디지털 세상에서 그들은 온라인으로 향합니다. 그들은 구글에 "내 주변 일자리", "이력서 쓰는 법", 또는 "실업 급여"와 같은 단어들을 검색창에 입력합니다.

저자들은 단순한 질문을 던졌습니다: 우리는 이러한 직업 관련 용어들을 검색하는 횟수를 세어 봄으로써 실업률을 예측할 수 있는가?

발견한 내용 (결과)

1. 연결 고리는 실재한다
그들은 강력한 연관성을 발견했습니다. 실업률이 올라가면 직업 관련 검색량도 함께 올라갑니다. 이는 마치 거울과 같습니다. 온라인 활동이 현실 세계의 고통을 반영하는 것입니다.

• 체코와 슬로바키아에서는 이 연결 고리가 매우 강력했습니다 (움직임이 일치하는 정도가 약 50%).
• 폴란드와 헝가리에서도 연결 고리는 존재했지만, 조금 더 약했습니다.

2. "나우캐스팅(Nowcasting)": 공식 발표 전 현재를 보다
공식 실업 수치는 느립니다. 정부가 모든 사람을 집계하고, 데이터를 처리하고, 보고서를 발표하는 데는 몇 달이 걸립니다. 당신이 뉴스를 읽을 때쯤이면, 그 데이터는 이미 과거의 것이 되어 있습니다.

• 논문의 주장: 구글 검색은 즉각적으로 일어납니다. 이 검색 데이터를 사용함으로써, 저자들은 단순히 작년 수치를 바탕으로 추측하는 것보다 현재의 실업률을 훨씬 더 잘 예측하는 모델을 구축할 수 있었습니다. 이는 마치 비가 내리기 전 먹구름이 형성되는 것을 보는 것과 같습니다.

3. "포캐스팅(Forecasting)": 미래를 예측하다
저자들은 또한 다음과 같이 물었습니다: "만약 우리가 오늘날의 실업률을 이미 알고 있다고 가정하더라도, 이 검색 데이터가 다음 달에 일어날 일을 예측하는 데 도움이 되는가?"

• 논문의 주장: 그렇습니다. 현재의 실업률을 이미 알고 있더라도, 구글 검색 데이터를 추가하면 다음 달에 대한 예측이 더 정확해집니다. 이는 검색 데이터가 단순히 과거의 지연된 메아리가 아니라, 사람들이 지금 느끼고 계획하고 있는 것에 대한 새로운 정보를 담고 있다는 것을 증명합니다.

4. 양방향 관계 (인과관계)
마지막으로, 그들은 누가 누구에게 영향을 미치는지 살펴보았습니다. 실업이 사람들을 검색하게 만드는 것일까요, 아니면 검색이 실업이 다가오고 있음을 알리는 신호일까요?

• 논문의 주장: 이것은 양방향 도로와 같습니다. 연구된 대부분의 국가에서 두 가지 모두 작동합니다. 사람들은 실업 상태이기 때문에 검색을 하지만, 검색량의 급증 또한 공식 수치가 따라잡기 전에 노동 시장이 긴박해지고 있다는 신호를 보냅니다.

결론

이 논문은 비세그라드 그룹과 같은 더 작은 경제권에서도 인터넷이 강력한 도구라는 결론을 내립니다. 사람들이 구글에 무엇을 입력하는지를 관찰하는 것만으로도, 경제학자들과 정책 입안자들은 전통적인 정부 보고서를 기다리는 것보다 훨씬 더 명확하고, 빠르며, 정확한 노동 시장의 모습을 얻을 수 있습니다.

요약하자면: 사람들의 온라인 검색은 경제의 실시간 "맥박 체크" 역할을 하며, 공식 통계가 도착하기 전에 실업 추세를 볼 수 있게 도와줍니다.

기술 요약

기술 요약: 구글 검색이 비세그라드 그룹(Visegrad Group) 국가들의 실업률 현재 추정(nowcast) 및 예측(forecast)에 도움이 되는가?

문제 제기
거시경제 지표, 특히 실업률은 데이터 수집 및 처리(종종 수개월 소요)에 필요한 시간으로 인해 상당한 공표 지연(publication lags) 문제를 겪고 있다. 이러한 지연은 적시적인 정책 대응과 경제 분석을 저해한다. 온라인 활동이 선진 경제국(예: 미국 및 독일)에서 경제적 행동의 고빈도 대리 지표(proxy)로 탐구되어 왔으나, 중부 유럽의 소규모 경제 체제에서의 유용성은 아직 충분히 조사되지 않았다. 본 논문은 직업 관련 구글 검색 쿼리가 비세그라드 그룹 국가들인 체코, 헝가리, 폴란드, 슬로바키아의 실업률을 예측하는 효과적인 예측 변수로 기능할 수 있는지 문제를 다룬다.

연구 방법론
본 연구는 2004년 1월부터 2013년 12월까지의 월별 데이터를 활용한다.

• 데이터 출처: 실업률은 계절 조정이 되지 않은 일반 인구(15~74세)를 나타내는 Eurostat(EU 노동력 조사 기반)에서 추출하였다. 구글 검색 데이터는 현지 언어로 된 특정 직업 관련 키워드("práce"(체코/슬로바키아), "praca"(폴란드), "állás"(헝가리))를 사용하여 Google Trends에서 추출하였다. 주간 단위의 구글 데이터를 월간 빈도로 집계하였다.
• 전처리: 정상성(stationarity) 문제를 해결하기 위해 저자들은 증강 디키-풀러(Augmented Dickey-Fuller, ADF) 검정과 KPSS 검정을 사용하였다. 결과는 원 시계열이 단위근을 포함하고 있음을 나타냈으며, 이에 따라 차분(first differences)을 사용할 필요가 있었다. 구체적으로, 분석에는 실업률의 1차 차분($\Delta UR_t$)과 구글 검색 강도의 1차 로그 차분($\Delta \log(GI)_t$)이 사용되었다.
• 분석 프레임워크:
  1. 기초 관계: 검색 강도와 실업률 변화 사이의 탄력성을 결정하기 위해 선형 회귀 모델을 추정하였다.
  2. 현재 추정(Nowcasting): 실업률 데이터가 3개월의 시차를 두고 가용하다고 가정하여, 실업 및 검색 데이터의 12개 시차(lags)를 포함하는 모델을 구축하여 실시간 예측을 시뮬레이션하였다.
  3. 예측(Forecasting): 벡터 자기회귀(VAR) 모델을 단순 자기회귀(AR) 모델과 비교하였다. VAR 모델에는 두 변수의 12개 시차가 포함되었다.
  4. 인과관계: VAR 프레임워크 내에서 그랜저 인과관계(Granger causality) 검정을 수행하여 검색 활동과 실업 사이의 영향 방향을 결정하였다.
• 평가 지표: 예측 성능은 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 그리고 모델의 예측 정확도를 통계적으로 비교하기 위한 디볼드-마리아노(Diebold-Mariano) 검정을 사용하여 평가하였다.

주요 결과

• 상관관계 및 탄력성: 네 국가 모두에서 직업 관련 검색과 실업률 사이에 양의 비례 관계가 발견되었다. 추정된 탄력성은 체코, 폴란드, 슬로바키아에서 통계적으로 유의미했으며(최소 10% 수준에서), 값은 약 0.20에서 0.55 사이였다.
• 현재 추정 성능: 구글 검색 데이터의 포함은 현재 추정 모델을 유의미하게 향상시켰다. 조정된 결정계수($R^2$)는 모든 국가에서 약 1/3 정도 증가하였다(폴란드는 약간 더 작은 증가폭을 보임). F-통계량은 검색 변수들이 1% 수준에서도 결합하여 유의미함을 확인해주었다.
• 예측 성능: 표본 외 예측(2013년)에서 구글 데이터를 포함한 모델이 과거 실업 데이터에만 의존하는 모델보다 우수한 성능을 보였다. 디볼드-마리아노 검정은 VAR 모델이 모든 국가에서 5% 유의 수준 또는 그 이상의 수준에서 AR 모델보다 유의미하게 더 나은 예측을 제공함을 확인하였다.
• 인과관계: 그랜저 인과관계 분석 결과, 네 국가 중 세 국가(체코, 폴란드, 슬로바키아)에서 양방향 인과관계가 나타났다. 이는 실업률 상승이 직업 검색 증가를 유도하고, 증가된 검색 활동이 실업 변화에 앞서거나 동반되는 노동 시장의 긴장을 신호한다는 피드백 루프를 시사한다. 헝가리는 예외적으로 양방향 모두에서 유의미한 그랜저 인과관계를 보이지 않았다.

의의 및 기여
본 논문은 경제학 분야의 빅데이터 연구에 다음과 같은 세 가지 주요 기여를 한다:

1. 지리적 범위: 구글 검색 데이터를 경제 지표로서 검증하는 범위를 대규모 선진 경제국(미국, 독일 등)을 넘어 소규모 중부 유럽 경제 체제로 확장하였다. 이는 인터넷 보급률이 낮거나 경제 구조가 다를 수 있는 지역에서도 온라인 검색 행동이 거시경제 변수의 견고한 예측 변수로 남을 수 있음을 입증한다.
2. 방법론적 엄밀성: 본 연구는 단순한 상관관계를 넘어 단계별로 종합적인 분석 절차를 제공한다. 정상성 문제를 체계적으로 다루고, 현재 추정(지연된 공식 데이터를 통한 현재 예측)과 미래 예측을 모두 평가하며, 인과관계의 방향을 조사하였다.
3. 정책적 유용성: 연구 결과는 온라인 검색 데이터가 단순히 데이터 지연으로 인한 시간 간극을 메우는 것 이상의 "추가적인 정보 가치"를 제공함을 시사한다. 대부분의 국가에서 발견된 양방향 인과관계는 검색 데이터가 공식 통계가 놓칠 수 있는 실시간 심리 및 시장 역동성을 포착하고 있음을 의미하며, 이는 비세그라드 그룹 및 유사한 경제권의 정책 입안자들에게 귀중한 도구가 된다.

결론
저자들은 직업 관련 구글 검색 쿼리가 비세그라드 그룹의 실업률을 모델링하는 강력한 근거가 된다고 결론짓는다. 이 데이터는 현재의 실업 수준을 현재 추정(nowcasting)할 수 있게 할 뿐만 아니라 미래 예측의 정확도를 높여, 해당 지역의 경제 모니터링을 위한 시의적절하고 정보 가치가 높은 신호를 제공한다.