Анализ безработицы в Сибири на начальном этапе распространения COVID-19

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. 

1. Куровский, Г. С. (2019). Использование текстовой информации для прогнозирования в макроэкономике. Вестник Московского университета. Серия 6. Экономика, 6, 39–57.

2. Подвойский, Г. Л. (2021). Российский рынок труда в условиях COVID-19: анализ, оценка, перспективы. Экономические науки, 8, 67–84.

3. Самаруха, В. И., Краснова, Т. Г., & Плотникова, Т. Н. (2018). Миграционное движение населения регионов Сибири. Известия Байкальского государственного университета, 8, 56–62.

4. Ульянкин, Ф. (2020). Прогнозирование российских макроэкономических показателей на основе информации в новостях и поисковых запросах. Деньги и кредит, 4, 75–97.

5. Федеральная служба государственной статистики (2020). Регионы России. Социально-экономические показатели. Дата обращения 15.04.2022, https://gks.ru/bgd/regl/b20_14p/Main.htm

6. 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.

7. Anttonen, 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.pdf

8. Askitas, N., & Zimmermann, K. F. (2009). Google econometrics and unemployment forecasting. Applied Economics Quarterly, 55(2), 107–120.

9. 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.

10. 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.3627754

11. Chadwick, M. G., & Sengül, G. (2015). Nowcasting the Unemployment Rate in Turkey: Let’s Ask Google. Central Bank Review, 15(3).

12. Choi, H., & Varian, H. (2009). Predicting initial claims for unemployment benefi ts. Google Inc., 1–5.

13. D’Amuri, F., & Marcucci, J. (2017). The predictive power of Google searches in forecasting US unemployment. International Journal of Forecasting, 33(4), 801–816.

14. Dennis, R. (2007). Fixing the New Keynesian Phillips curve. FRBSF Economic Letter.

15. Doerr, S., & Gambacorta, L. (2020). COVID-19 and regional employment in Europe. BIS Bulletin, 16.

16. Fondeur, Y., & Karamé, F. (2013). Can Google data help predict French youth unemployment? Economic Modelling, 30, 117–125.

17. Giannone, D., Reichlin, L., & Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676.

18. Hall, R., & Kudlyak, M. (2020). Unemployed with jobs and without jobs. National Bureau of Economic Research Working Paper, 27886.

19. 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.2020.104257

20. Larson, 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.2021.01.001

21. Lucas, R. E., & Rapping, L. A. (1969). Price expectations and the Phillips curve. The American Economic Review, 59(3), 345–350.

22. 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.

23. McLaren, N., & Shanbhogue, R. (2011). Using internet search data as economic indicators. Bank of England Quarterly Bulletin.

24. 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.2020.120026

25. Pavlicek, 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.0127084

26. 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.

27. 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.

28. Roberts, J. M. (1995). New Keynesian economics and the Phillips curve. Journal of Money, Credit and Banking, 27(4), 975–984.

29. 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/10419/201336

30. Varian, H., & Choi, H. (2009). Predicting the Present with Google Trends. SSRN Electronic Journal. doi:10.2139/ssrn.1659302

31. World Bank. (2021). Washington, DC. Global economic prospects, January. Retrieved December 20, 2021, from https://doi.org/10.1596/978-1-4648-1665-9

32. World Bank. (2022). Washington, DC. Global economic prospects, January. Retrieved March 15, 2022, from https://doi.org/10.1596/978-1-4648-1758-8

33. Yi, 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