Big Data - istota i możliwości zastosowania na przykładzie prognozowania bezrobocia
DOI:
https://doi.org/10.18559/SOEP.2019.4.3Słowa kluczowe:
Big Data, Bezrobocie, Digitalizacja, Rynek pracy, Prognozowanie rynku pracyAbstrakt
W dobie rosnącej informatyzacji, a w konsekwencji digitalizacji współczesnych społeczeństw, zagadnienia związane z wykorzystywaniem nowych niestandardowych zestawów danych, określanych współcześnie mianem "Big Data", zdają się jedną z najbardziej aktualnych kwestii dotyczących analiz empirycznych w ekonomii. Z uwagi na rosnące znaczenie, a także coraz łatwiejszy dostęp do tego typu danych, celem opracowania jest ocena przydatności danych zaliczanych do Big Data (danych dostępnych w ramach analiz Google trends) jako potencjalnie wartościowych w prognozowaniu wielkości bezrobocia w Polsce. Przeprowadzone rozważania z wykorzystaniem metod prognostycznych typu ARIMA wykazały, że dane tego typu mogą być przydatne w ocenie sytuacji na polskim rynku pracy. Wyniki prowadzonych analiz wykazały bowiem, że dodanie kolejnej zmiennej określającej liczbę konkretnych zapytań internetowych związanych z poszukiwaniem pracy podnosiło właściwości prognostyczne modelu prognozującego poziom bezrobocia w Polsce.
Pobrania
Bibliografia
Abowd, J. M., Kramarz, F. i Margolis, D. N. (1999). High wage workers and high wage firms, Econometrica 67, 2, 51-333. doi:10.1111/1468-0262.00020.
Zobacz w Google Scholar
Askitas, N. i Zimmermann, K. F. (2009). Google Econometrics and Unemployment Forecasting, Applied Economics Quarterly 55(2) (2009), 107-120.
Zobacz w Google Scholar
Baker, S., Bloom, N. i Davis, S. (2013). Measuring economic policy uncertainty. Chicago Booth research paper no. 13-02. Pobrane 12 listopada 2018 z http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2198490.
Zobacz w Google Scholar
Cavallo, A. (2012a). Scraped Data and sticky prices. Massachusetts Institute of Technology Sloan Working Paper no. 4976-12.
Zobacz w Google Scholar
Cavallo, A. (2012b). Online and official price indexes: Measuring Argentina's inflation, J. Monet. Econ. 60, 152-165. doi:10.1016/j.jmoneco.2012.10.002.
Zobacz w Google Scholar
Choi, H. i Varian, H. (2009). Predicting the present with Google Trends. Pobrane 13 listopada 2018 z http://google.com/googleblogs/pdfs/google_predicting_the_pre-sent.pdf.
Zobacz w Google Scholar
Choi, H. i Varian, H. R. (2012). Predicting the present with Google Trends,Economic Record 88(s1), 2-9.
Zobacz w Google Scholar
Cox, M. i Ellsworth, D. (1997). Managing Big Data for scientific visualization. ACM SIGGRAPH '97 Course #4. Exploring gigabyte datasets in real-time: algorithms,data management, and time-critical design. Los Angeles.
Zobacz w Google Scholar
D'Amuri, F. i Marcucci, J. (2012). The predictive power of Google searches in forecasting unemployment (Working Paper no. 891). Bank of Italy.
Zobacz w Google Scholar
Einav, L., Knoepfle, D., Levin, J. i Sundaresan, N. (2014). Sales taxes and Internet commerce, Am. Econ. Rev. 104, 1-26. doi:10.1257/aer.104.1.1.
Zobacz w Google Scholar
Einav, L. i Levin, J. (2014). Economics in the age of big Data, Science 346. doi: 10.1126/science.1243089.
Zobacz w Google Scholar
Hamermesh, D. S. (2013). Six decades of top economics publishing: Who and how? J. Econ. Lit. 51, 162-172. doi: 10.1257/jel.51.1.162.
Zobacz w Google Scholar
Hoff, T. (2012). How big is a petabyte, exabyte, zettabyte, or a yottabyte? Pobrane 30 listopada 2018 z http://highscalability.com/blog/2012/9/11/how-big-is-a-petabyte--exabyte-zettabyte-or-a-yottabyte.html.
Zobacz w Google Scholar
Ginsberg, J., Mohebbi, M. H., Patel, R. S. i Brammer L. (2009). Detecting influenza epidemics using search engine query data. Nature, 457(19).
Zobacz w Google Scholar
Google Trends. Big Data. (2018). Pobrane 12 listopada 2018 z https://www.google.pl/trends/explore#q=bigData.
Zobacz w Google Scholar
GUS. (2018). Pobrane 12 listopada 2018 z http://stat.gov.pl.
Zobacz w Google Scholar
Laney, D. (2001). 3d Data management: Controlling data volume, velocity and variety. Gartner. Retrieved, 6.
Zobacz w Google Scholar
McLaren, N. i Shanbhogue, R. (2011). Using internet search Data as economic indicators, Bank of England Quarterly Bulletin 1, 134-140.
Zobacz w Google Scholar
Piketty, T. i Saez, E. (2014). Inequality in the long run. Science 344, 838-843. doi: 10.1126/science.125193.
Zobacz w Google Scholar
Rivkin, S., Hanushek, E. i Kain J. (2005). Teachers, schools and academic achievement, Econometrica 73, 417-458. doi: 10.1111/j.1468-0262.2005.00584.x.
Zobacz w Google Scholar
Syverson, C. (2011). What determines productivity? J. Econ. Lit.49, 326-365. doi: 10.1257/jel.49.2.326.
Zobacz w Google Scholar
Szynkiewicz, M. (2017). Przewidywanie w nauce i przewidywanie dotyczące nauki. Studia Oeconomica Posnaniensia, 5(11), 35-50. doi:10.18559/SOEP.2017.11.3.
Zobacz w Google Scholar
Tabakow, M., Korczak, J. i Franczyk, B. (2014). Big Data - definicje, wyzwania i technologie informatyczne. Informatyka ekonomiczna Business Informatics 1(31), 2014.
Zobacz w Google Scholar
Tuhkuri, J. (2014). Big Data: Google searches predict unemployment in Finland. Pobrane 13 listopada 2018 z https://www.etla.fi/wp-content/uploads/tuhkuri_NTTS_2015_abstract.pdf.
Zobacz w Google Scholar
UEECE. (2015). Classification of Types of Big Data, Pobrane 14 listopada z http://www1.unece.org/stat/platform/display/bigData/Classification+of+Types+of+Big+Data.
Zobacz w Google Scholar
Vicente, M., Lopez, A. i Perez, R. (2015). Forecasting unemployment with internet search Data: Does it help to improve predictions when job destruction is sky-rocketing? Technological Forecasting and Social Change. doi: 10.1016/j.techfo-re.2014.12.005.
Zobacz w Google Scholar
Ward, J. S. i Barker A. (2013). Undefined by Data: A survey of Big Data definitions. arXiv:1309.5821, September.
Zobacz w Google Scholar
Woźniczka J. (2018). Big data w marketingu: szanse i zagrożenia. Studia Oeconomica Posnaniensia,6(6), 35-50. doi: 10.18559/SOEP.2018.6.3.
Zobacz w Google Scholar
