“大数据”在宏观经济预测分析中的应用

努力和尝试。梳理截至当前的文献，应用大数据做宏观经济预测和分析的研究主要可以归结以下几个方面。（一）研究失业率问题最早利用网络搜索数据作为宏观经济指标的是 Ettredge et al.（2005），他们的研究是利用网络搜索数据研究美国的失业率情况，通过搜索引擎相关词条搜索情况来分析预测美国失业率情况，发现网络搜索量与美国失业率之间存在着较强的关系。 Askitas and Zimmermann（2009）； D’Amuri and Francesca（2009）以及 Suhoy（2010）分别研究了德国、意大利和以色列的失业率情况，发现互联网搜索数据与这些国家的失业率数据相关性较强，通过了解网络中关于“失业”相关的词条搜索量，可以更快地了解这些国家的失业率情况。McLaren and Shanbhogue（2011）利用网络特定词条的搜索指数反映英国的就业市场情况，通过观察网络搜索相关关键词的次数变化，对比英国官方提供的就业信息，发现它们之间存在高度的相关性，认为网络词条搜索量可以作为反映失业率情况的一个指标。 McLaren and Shanbhogue（2011）检验了在线搜索对英国就业和住房市场预测活动的重要性，在预测模型中加入搜索数据指标，对比使用调查数据，发现包含因特网搜索的模型对样本外预测结果的 RMSE 值更小，能显著提高样本外预测效果。 Choi and Varian（2012）介绍了如何利用 Google Trends来构建反映失业率情况的经济指标，文章认为失业率情况与构建得到的指标之间存在较为紧密的联系，特定词条的搜索量可以作为判断宏观经济变化的重要指标，并且利用这些指标可以对失业率做预测分析。 Chadwick and Sengul（2012）； Barreira and Godinho（ 2013）； Pavlicek and Kristoufek（2014） 通过应用 Google trends 的搜索数据分别对不同地区和领域的失业率进行预测，发现了类似的效果。 Su（2014）认为虽然中国官方没有提供失业率的数据，但是网民会通过网络搜索来反映失业率的情况，他利用百度搜索引擎的搜索数据来构建失业率的指标，并且用构建的指标分析与其他中国宏观经济指标之间的联系，发现相关性较强，认为这种构建起来的失业率指标可以用于辅助分析预测中国经济情况。 Pavlicek and Kristoufek（2015）使用 Goolge Trends 上有关找工作的搜索数据来对不同经济体的失业率进行预测和分析，通过分析发现使用 Goole Trends 的数据能够增强预测捷克和匈牙利的就业率效果。国内学者也在利用搜索大数据研究失业率方面有所探索，王勇、董恒新（2017）利用网络搜索数据，采用 5 种不同的预测方法研究分析了中国季度失业率问题，研究表明基于网络搜索数据预测的失业率能够比官方数据更早反映失业率趋势变化。（二）研究通货膨胀问题Müller（2006）介绍了瑞士政府一项 CPI 计算方法的改革，这项改革通过数据采集器来收集瑞士销售市场上的商品价格信息，通过网络传输数据信息，利用网络自动传输销售商品种类和价格数据，最终能达到实时计算过去指定时间段的 CPI 指数。 Guzman（2011）通过网络中搜索“通货膨胀”相关的词汇搜索量作为通货膨胀指标，他认为现代人通过互联网来搜索自己感兴趣的内容，如果居民感受到日常生活中价格的普遍上涨，那么就会通过网络搜索来了解关于“通货膨胀”的话题，如果关于“通货膨胀”搜索量越大，那么居民感受到的“通货膨胀”越强，表明实际的通货膨胀越高，从而构建了用“通货膨胀”搜索量为指标来预测通货膨胀。 Cavallo and Rigobon（2016）介绍了他们的 BPP（ Billion Prices Project）项目，从 2008 年开始，通过网络爬虫技术获取 60 多个国家 1500 万种零售商品价格，以及动态的更新信息，基于此构建了滞后 3 天的消费者价格指数（CPI）以及各类具体商品的消费价格指数。张崇等（2012）利用部分关键词的网络搜索量的数据，研究搜索量数据与CPI 之间的关系，构建搜索指数来预测 CPI 指数，得到比国家统计局早一个月左右的预测数据，并且具备一定的转折点的预测能力。孙毅等（2014）研究了网络搜索行与通货膨胀之间的关系，认为两者之间存在长期的协整关系。徐映梅、高一铭（2017）利用百度搜索引擎的搜索指数来构建 CPI 舆情指数来辅助预测CPI。袁铭（2015）利用购物网站的用户搜索关键词数据研究了中国全国和城镇CPI，并试图进行及时预测，表明搜索量与CPI之间有明显因果关系，并基于此对CPI做预测分析。淘宝交易平台同样也利用网络交易数据构建了价格指数，提供两种不同的价格指数，阿里巴巴网购（全网）价格指数（aSPI）和网购核心商品价格指数（aSPI-core），前者是基于生活消费理论编制的，反映阿里巴巴网购平台总体支出价格水平的变化；后者提供了固定篮子理论出发的阿里核心商品价格指数，反映了核心商品价格指数。基于阿里巴巴网购交易大数据，也很方便测算食品类、烟酒类、办公用品及服务等不同类别的细致的价格指数。（三）研究社会消费问题Kholodilin et al.（2009）使用 Google Insights 数据作为预测美国私人消费情况的指标，通过对比使用传统统计数据做指标和包含 Google Insights 指标预测美国私人消费增长率发现，通过主成分分析法（PCA）来对 Google Insights进行降维后加入模型可以提高 20% 的准确率。 Penna and Huang（2009）同样使用 Google 搜索引擎的方式，对一系列的词条进行搜索，并且构建美国消费者情绪指数（SBI），这种指数反映及时，并且可以用来预测其他两个美国常用消费者信心指数（ICS 和 CCI），SBI明显优于ICS 和CCI，能提供独立信息并且更加稳健。 Suhoy（2010）利用 Google 搜索引擎的搜索量数据作为以色列私人消费量的指标。 Vosen and Schmidt.（2010）利用 Google 趋势提供的关键词的搜索量的时间序列数据，构建了一个德国社会私人消费的指标。该指标相比于欧盟委员会提供的消费者信心指标和零售贸易信息指标，该指标具有实时预测评估能力，在研究的时间范围内，计算得到的该指标也优于基于调查数据得到的指标。Kgurgur et al.（2016）利用网络搜索数据开发了土耳其社会的消费者情绪指数（GBI）。并且，研究发现， GBI与官方消费者信息指数（CCI）高度相关，并且 GBI 可以用于预测 CCI。（四）研究房地产市场Webb（2009）研究了美国家庭“止赎权”（forreclosure）问题，发现网络搜索“止赎权”的搜索量与家庭行使“止赎权”