msueconВестник Московского университета. Серия 6. ЭкономикаLomonosov Economics Journal0130-0105MSUPRESS10.55959/MSU0130-0105-6-58-6-10msuecon-910Research ArticleОТРАСЛЕВАЯ И РЕГИОНАЛЬНАЯ ЭКОНОМИКАBRANCH AND REGIONAL ECONOMYАнализ безработицы в Сибири на начальном этапе распространения COVID-19The analysis of unemployment in Siberia at an initial stage of COVID-19https://orcid.org/0000-0001-5132-7423ЩербаковВ. С.ShcherbakovV. S.

Щербаков Василий Сергеевич — к.э.н., начальник экономического отдела

Омск

Omsk

shcherbakovvs@mail.ruhttps://orcid.org/0000-0003-4144-5893ХарламоваМ. С.KharlamovaM. S.

Харламова Мария Сергеевна — экономист 1-й категории

Омск

Omsk

hms2020@mail.ruhttps://orcid.org/0000-0001-8782-9759ГартвичР. Е.GartvichR. E.

Гартвич Роман Евгеньевич — ведущий экономист

Омск

Omsk

gartvich.roma@mail.ruОтделение по Омской области Сибирского ГУ ЦБ РФРоссияOmsk Regional Division of the Siberian Main Branch of the Central Bank of the Russian FederationRussian FederationOmsk Regional Division of the Siberian Main Branch of the Central Bank of the Russian FederationRussian Federation202312032023586170191Copyright © Щербаков В.С., Харламова М.С., Гартвич Р.Е., 20242024Щербаков В.С., Харламова М.С., Гартвич Р.Е.Shcherbakov V.S., Kharlamova M.S., Gartvich R.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msuecon.elpub.ru/jour/article/view/910

Процессы, происходящие на рынке труда, выступают отражением состояния дел в экономике региона, страны в целом. Масштабный шок экономики, вызванный пандемией COVID-19, обнажил необходимость изменения подходов к анализу и прогнозированию показателей рынка труда. В особенности увеличился спрос на исследования, направленные на поиск более высокочастотных прокси-показателей для моделирования рынка труда в краткосрочном периоде. В научной литературе накоплен определенный опыт применения поисковых запросов для анализа различных сегментов экономики, включая рынок труда, на страновом и межстрановом уровнях. При этом наблюдается определенный вакуум исследований в мезоэкономическом разрезе. В рамках данной статьи авторы предприняли попытку инкорпорирования тематических поисковых запросов в эконометрические модели для анализа регионального рынка труда Сибири в условиях пандемии COVID-19 в 2020 г. По итогам проведенного анализа в качестве основных прокси-показателей авторами отобраны данные по таким ключевым словам, как «работа» и «служба занятости» поисковой системы Яндекс. В работе построен и оценен комплекс моделей, основанных на панельных данных: объединенная (сквозная) модель, модель со случайными эффектами, модель с фиксированными эффектами, динамическая модель на панельных данных. На основе проведенного исследования было установлено, что поисковые запросы выступают значимыми факторами при моделировании региональной безработицы. Использование динамических моделей панельных данных позволило повысить точность результатов за счет включения лагов зависимой переменной — уровня безработицы. Предлагаемая логика может быть применена для анализа влияния более широкого круга шоков различной природы. 

Labor market processes reflect the economic situation both at regional and national levels. The large-scale economic shock caused by the COVID-19 pandemic showed the need for conceptual changes both in terms of analysis and forecasting of labor market. In particular, the demand for research aimed at finding higher-frequency proxy indicators for modeling a short-term situation on the labor market increased sharply. Scientific literature accumulated certain experience in using it for research of different economic segments, including the labor market, at national and international levels. However, there is lack of knowledge in the mesoeconomic context. In this paper, we incorporated search data into econometric models to analyze the regional labor market in Siberia during the COVID-19 pandemic in 2020. We selected such keywords as «job» and “employment service” from Yandex as the main proxy indicators. In this research, we construct a set of models based on panel data: pooled regression model, model with random effects, model with fixed effects, dynamic panel data model. The findings show that the search data can be used as a significant factor for modeling regional unemployment. The use of dynamic models improved the accuracy by including the lags of dependent variable — unemployment rate. The applied logic can be utilized to analyze the impact of a wider range of shocks. 

поисковые запросырегиональный рынок трударегиональная безработицанаукастингCOVID-19Яндексsearch dataregional labor marketregional labor marketnowcastingCOVID-19YandexReferencesКуровский, Г. С. (2019). Использование текстовой информации для прогнозирования в макроэкономике. Вестник Московского университета. Серия 6. Экономика, 6, 39–57.Federal State Statistics Service (2020). Regions of Russia. Socio-economic indicators. Retrieved April 15, 2022, from https://gks.ru/bgd/regl/b20_14p/Main.htmПодвойский, Г. Л. (2021). Российский рынок труда в условиях COVID-19: анализ, оценка, перспективы. Экономические науки, 8, 67–84.Kurovskiy, G. S. (2019). Using textual information to predict in macroeconomics. Moscow University Economic Bulletin, 6, 39–57. https://doi.org/10.38050/01300105201965Самаруха, В. И., Краснова, Т. Г., & Плотникова, Т. Н. (2018). Миграционное движение населения регионов Сибири. Известия Байкальского государственного университета, 8, 56–62.Podvoisky, G. L. (2021). Russian labor market under COVID-19 conditions: analysis, evaluation, prospects. Economic Sciences, 8, 67-84, DOI: 10.14451/1.201.67.Ульянкин, Ф. (2020). Прогнозирование российских макроэкономических показателей на основе информации в новостях и поисковых запросах. Деньги и кредит, 4, 75–97.Samarukha, V. I., Krasnova, T. G., & Plotnikova, T. N. (2018). Migration movement of the population of Siberian Regions. Bulletin of Baikal State University, 8, 56–62, DOI: 10.17150/2500-2759.2018.28(1).56-62Федеральная служба государственной статистики (2020). Регионы России. Социально-экономические показатели. Дата обращения 15.04.2022, https://gks.ru/bgd/regl/b20_14p/Main.htmShcherbakov V. S., Kharlamova M. S., & Gartvich R. E. (2022). Methods and models of nowcasting of economic indicators using search queries. Materialy mezhregional’noj nauchnoj onlajn-konferencii «Razvitie ekonomiki regionov: prostranstvennaya transformaciya, global’nye vyzovy i perspektivy ekonomicheskogo rosta», 117–127.Щербаков, В. С., Харламова, М. С., & Гартвич, Р. Е. (2022). Методы и модели наукастинга экономических показателей с помощью поисковых запросов. Материалы межрегиональной научной онлайн-конференции «Развитие экономики регионов: пространственная трансформация, глобальные вызовы и перспективы экономического роста», 117–127.Ulyankin,F. (2020). Forecasting Russian macroeconomic indicators based on information from news and search queries. Russian journal of money and finance, 4, 75–97. DOI: 10.31477/rjmf.202004.75Anttonen, J. (2018). Nowcasting the Unemployment Rate in the EU with Seasonal BVAR and Google Search Data. ETLA Working Papers, 62. http://pub.etla.fi/ETLA-WorkingPapers-62.pdfAnttonen, J. (2018). Nowcasting the Unemployment Rate in the EU with Seasonal BVAR and Google Search Data. ETLA Working Papers, 62. http://pub.etla.fi/ETLA-WorkingPapers-62.pdfAskitas, N., & Zimmermann, K. F. (2009). Google econometrics and unemployment forecasting. Applied Economics Quarterly, 55(2), 107–120.Askitas, N., & Zimmermann, K. F. (2009). Google econometrics and unemployment forecasting. Applied Economics Quarterly, 55(2), 107–120.Barreira, N., Godinho, P., & Melo, P. (2013). Nowcasting unemployment rate and new car sales in south-western Europe with Google Trends. NETNOMICS: Economic Research and Electronic Networking, 14(3), 129–165.Barreira, N., Godinho, P., & Melo, P. (2013). Nowcasting unemployment rate and new car sales in south-western Europe with Google Trends. NETNOMICS: Economic Research and Electronic Networking, 14(3), 129–165.Caperna, G., Colagrossi, M., Geraci, A., & Mazzarella, G. (2020). A Babel of Web-Searches: Googling Unemployment During the Pandemic (preprint). http://dx.doi.org/10.2139/ssrn.3627754Caperna, G., Colagrossi, M., Geraci, A., & Mazzarella, G. (2020). A Babel of Web-Searches: Googling Unemployment During the Pandemic (preprint). http://dx.doi.org/10.2139/ssrn.3627754Chadwick, M. G., & Sengül, G. (2015). Nowcasting the Unemployment Rate in Turkey: Let’s Ask Google. Central Bank Review, 15(3).Chadwick, M. G., & Sengül, G. (2015). Nowcasting the Unemployment Rate in Turkey: Let’s Ask Google. Central Bank Review, 15(3).Choi, H., & Varian, H. (2009). Predicting initial claims for unemployment benefi ts. Google Inc., 1–5.Choi, H., & Varian, H. (2009). Predicting initial claims for unemployment benefi ts. Google Inc., 1–5.D’Amuri, F., & Marcucci, J. (2017). The predictive power of Google searches in forecasting US unemployment. International Journal of Forecasting, 33(4), 801–816.D’Amuri, F., & Marcucci, J. (2017). The predictive power of Google searches in forecasting US unemployment. International Journal of Forecasting, 33(4), 801–816.Dennis, R. (2007). Fixing the New Keynesian Phillips curve. FRBSF Economic Letter.Dennis, R. (2007). Fixing the New Keynesian Phillips curve. FRBSF Economic Letter.Doerr, S., & Gambacorta, L. (2020). COVID-19 and regional employment in Europe. BIS Bulletin, 16.Doerr, S., & Gambacorta, L. (2020). COVID-19 and regional employment in Europe. BIS Bulletin, 16.Fondeur, Y., & Karamé, F. (2013). Can Google data help predict French youth unemployment? Economic Modelling, 30, 117–125.Fondeur, Y., & Karamé, F. (2013). Can Google data help predict French youth unemployment? Economic Modelling, 30, 117–125.Giannone, D., Reichlin, L., & Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676.Giannone, D., Reichlin, L., & Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676.Hall, R., & Kudlyak, M. (2020). Unemployed with jobs and without jobs. National Bureau of Economic Research Working Paper, 27886.Hall, R., & Kudlyak, M. (2020). Unemployed with jobs and without jobs. National Bureau of Economic Research Working Paper, 27886.Kong, E., & Prinz, D. (2020). Disentangling policy eff ects using proxy data: which shutdown policies aff ected unemployment during the COVID-19 pandemic? Journal of Public Economies, 189(1). doi.org/10.1016/j.jpubeco.2020.104257Kong, E., & Prinz, D. (2020). Disentangling policy eff ects using proxy data: which shutdown policies aff ected unemployment during the COVID-19 pandemic? Journal of Public Economies, 189(1). doi.org/10.1016/j.jpubeco.2020.104257Larson, W. D., & Sinclair, T. M. (2021). Nowcasting unemployment insurance claims in the time of COVID-19. International Journal of Forecasting. doi.org/10.1016/j.ij forecast.2021.01.001Larson, W. D., & Sinclair, T. M. (2021). Nowcasting unemployment insurance claims in the time of COVID-19. International Journal of Forecasting. doi.org/10.1016/j.ij forecast.2021.01.001Lucas, R. E., & Rapping, L. A. (1969). Price expectations and the Phillips curve. The American Economic Review, 59(3), 345–350.Lucas, R. E., & Rapping, L. A. (1969). Price expectations and the Phillips curve. The American Economic Review, 59(3), 345–350.Mankiw, N. G., & Reis, R. (2002). Sticky Information versus Sticky Prices: A Proposal to Replace the New Keynesian Phillips Curve. The Quarterly Journal of Economics, 117(4), 1295–1328.Mankiw, N. G., & Reis, R. (2002). Sticky Information versus Sticky Prices: A Proposal to Replace the New Keynesian Phillips Curve. The Quarterly Journal of Economics, 117(4), 1295–1328.McLaren, N., & Shanbhogue, R. (2011). Using internet search data as economic indicators. Bank of England Quarterly Bulletin.McLaren, N., & Shanbhogue, R. (2011). Using internet search data as economic indicators. Bank of England Quarterly Bulletin.Mihaela, S. (2020). Improving unemployment rate forecasts at regional level in Romania using Google Trends. Technological Forecasting and Social Change, 155. doi:10.1016/j.techfore.2020.120026Mihaela, S. (2020). Improving unemployment rate forecasts at regional level in Romania using Google Trends. Technological Forecasting and Social Change, 155. doi:10.1016/j.techfore.2020.120026Pavlicek, J., & Kristoufek, L. (2015). Nowcasting Unemployment Rates with Google Searches: Evidence from the Visegrad Group Countries. PLOS ONE, 10(5). doi:10.1371/journal.pone.0127084Pavlicek, J., & Kristoufek, L. (2015). Nowcasting Unemployment Rates with Google Searches: Evidence from the Visegrad Group Countries. PLOS ONE, 10(5). doi:10.1371/journal.pone.0127084Phillips, A. W. (1958). The Relation between Unemployment and the Rate of Change of Money Wage Rates in the United Kingdom, 1861-1957. Economica, 25(100), 283–299.Phillips, A. W. (1958). The Relation between Unemployment and the Rate of Change of Money Wage Rates in the United Kingdom, 1861-1957. Economica, 25(100), 283–299.Pouliakas, K., & Branka, J. (2020). EU jobs at highest risk of COVID-19 social distancing: will the pandemic exacerbate labour market divide? IZA Discussion paper, 13281.Pouliakas, K., & Branka, J. (2020). EU jobs at highest risk of COVID-19 social distancing: will the pandemic exacerbate labour market divide? IZA Discussion paper, 13281.Roberts, J. M. (1995). New Keynesian economics and the Phillips curve. Journal of Money, Credit and Banking, 27(4), 975–984.Roberts, J. M. (1995). New Keynesian economics and the Phillips curve. Journal of Money, Credit and Banking, 27(4), 975–984.Tuhkuri, J. (2016). ETLAnow: A Model for Forecasting with Big Data — Forecasting Unemployment with Google Searches in Europe. ETLA Report, 54. http://hdl.handle. net/10419/201336Tuhkuri, J. (2016). ETLAnow: A Model for Forecasting with Big Data — Forecasting Unemployment with Google Searches in Europe. ETLA Report, 54. http://hdl.handle. net/10419/201336Varian, H., & Choi, H. (2009). Predicting the Present with Google Trends. SSRN Electronic Journal. doi:10.2139/ssrn.1659302Varian, H., & Choi, H. (2009). Predicting the Present with Google Trends. SSRN Electronic Journal. doi:10.2139/ssrn.1659302World Bank. (2021). Washington, DC. Global economic prospects, January. Retrieved December 20, 2021, from https://doi.org/10.1596/978-1-4648-1665-9World Bank. (2021). Washington, DC. Global economic prospects, January. Retrieved December 20, 2021, from https://doi.org/10.1596/978-1-4648-1665-9World Bank. (2022). Washington, DC. Global economic prospects, January. Retrieved March 15, 2022, from https://doi.org/10.1596/978-1-4648-1758-8World Bank. (2022). Washington, DC. Global economic prospects, January. Retrieved March 15, 2022, from https://doi.org/10.1596/978-1-4648-1758-8Yi, D., Ning, S., Chang, S.-J., & Kou, S. C. (2020). Forecasting unemployment using Internet search data via PRISM. Cornell University. https://arxiv.org/abs/2010.09958Yi, D., Ning, S., Chang, S.-J., & Kou, S. C. (2020). Forecasting unemployment using Internet search data via PRISM. Cornell University. https://arxiv.org/abs/2010.09958

The authors declare that there are no conflicts of interest present.