OECD-使用Google趋势跟踪实时经济活动（英文）-2020.12-55页_6mb

总结：使用Google Trends实时追踪经济活动

核心内容

本文介绍了OECD基于Google Trends数据构建的OECD周度经济活动追踪器（OECD Weekly Tracker），该追踪器用于估算46个OECD和G20国家的周度GDP增长率。该工具旨在弥补传统经济指标在实时数据获取上的不足，特别是在应对快速变化的经济活动时，如新冠疫情带来的冲击。

主要观点

• 实时数据需求：在经济活动快速变化的背景下，及时的经济信息对宏观政策制定至关重要。传统GDP数据通常滞后数周甚至数月，无法满足实时决策的需求。
• Google Trends的潜力：Google Trends数据提供了高频率、可跨国家比较的搜索行为信息，可用于构建实时经济追踪工具。相比传统的调查指标（如PMI），它在危机时期表现出更强的预测能力。
• 非线性建模方法：本文采用神经网络算法来建模Google Trends与GDP增长之间的关系，以捕捉非线性模式，这种模式在极端经济波动中尤为关键。
• 模型校准与解释性：通过机器学习可解释性工具（如Shapley值），模型的非线性关系可以被直观解释，增强其可信度与实用性。
• 应用与效果：该追踪器在模拟中表现良好，尤其在新冠疫情的背景下，能有效捕捉经济衰退和复苏动态，并提供消费模式变化的证据。

关键信息

• 数据来源：Google Trends提供了基于关键词、类别和主题的搜索数据，涵盖46个国家，时间跨度从2004年至2020年。
• 数据处理：
  • 搜索数据被转换为年同比增长率，以消除季节性。
  • 对2011年1月和2016年1月的数据断层进行了平滑处理。
  • 消除长期趋势偏差，以提高模型的准确性。
• 变量选择：
  • 包括消费（如食品、车辆、家用电器）、服务（如表演艺术、旅行、体育）、劳动力市场（如失业救济、就业）、住房（如房地产代理、贷款、暂缓偿还）、工业活动（如海运、农业设备）和经济焦虑（如经济危机、经济新闻）等类别。
  • 选用了1200个Google Trends类别中的215个和33个主题，以提高模型的泛化能力。
• 模型结构：
  • 使用面板数据模型进行季度GDP增长建模，再将结果应用于周度数据以生成周度追踪器。
  • 公式如下：
    $$
    y_{iq} = f(dsvi_{c,q}, cfe_i) + \sigma_i
    $$
    $$
    \widehat{y_{iw}} = \hat{f}(dsvi_{c,w}, cfe_i)
    $$
  • 模型利用神经网络算法，能够捕捉非线性关系，并在不同国家间进行灵活比较。
• 模型表现：
  • 在样本国家中，基于Google Trends的季度模型的均方根误差（RMSE）比仅使用GDP滞后项的自回归模型低17%。
  • 在2020年第二季度的负冲击中，模型低估了实际影响，这与其前所未有的规模有关。
  • 尽管模型在实时分析中具有实用性，但在标准变量最终发布后，其预测能力通常不优于传统模型。
• 研究意义：
  • 提供了对经济活动的实时洞察，有助于政策制定者快速评估经济状况。
  • 为未来使用其他高频率数据（如移动数据、信用卡交易、新闻数据）进行经济分析提供了参考。
  • 强调了机器学习方法在经济建模中的价值，尤其是在处理非线性关系和跨国家异质性方面。

模型创新

• 跨国家比较：通过使用Google Trends的标准化变量，模型能够在46个国家之间进行一致的比较。
• 非线性建模：引入神经网络，以捕捉更复杂的经济关系，而非简单的线性假设。
• 融合关键词与主题：结合Google Trends的类别和主题数据，增强模型对经济活动的全面理解。

模型局限

• 数据偏差：部分国家（如中国和沙特阿拉伯）由于Google搜索活动与经济指标之间的异质性，未被纳入模型。
• 黑箱问题：神经网络的解释性较差，因此需要借助Shapley值等工具来解释模型结果。
• 长期趋势影响：随着Google搜索用户基数的增长，部分搜索类别的相对强度下降，需通过数据预处理消除长期偏差。

模型应用场景

• 疫情分析：追踪器在疫情期间表现出良好的预测能力，能够捕捉经济活动的下降与复苏过程。
• 消费模式变化：揭示了消费量的下降以及消费结构的转变，如从服务转向商品，反映了社会互动减少的趋势。
• 政策评估：为评估封锁措施、经济刺激政策等提供了实时数据支持，有助于政策制定者及时调整政策。

附录与图表

• 附录A：详细描述了数据预处理和数据问题。
• 附录B：提供了变量选择的更多细节。
• 附录C：展示了额外的模型结果。
• 图表：
  • 图1：展示了基于关键词和主题的Google Trends查询方式。
  • 图2：展示了基于Google Trends的GDP增长预测（M-1预测）。
  • 图3：展示了2020年第二季度的预测结果。
  • 图4：将OECD周度追踪器与Google移动数据进行对比。
  • 图5和图6：展示了关键变量及其对预测的贡献。
  • 图7至图13：提供了对2020年经济衰退和复苏的深入分析，以及消费模式变化的证据。

关键词

• nowcasting（实时预测）
• Google Trends
• high-frequency（高频数据）
• machine learning（机器学习）
• neural network（神经网络）
• interpretability（可解释性）
• COVID-19（新冠疫情）

JEL分类号

• C45, C53, C55, E37