Big Data - istota i możliwości zastosowania na przykładzie prognozowania bezrobocia

• Autorzy: Sławomir Kuźmar

Warianty tytułu

Big Data - Definitions and Applicability, an Example of Unemployement Forecatsing

• Języki publikacji: PL

Abstrakty

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.(abstrakt oryginalny)

EN

In the era of the growing informatization of the world the term Big Data seems to be one of the most recent and popular issues concerning economic and social analysis according both to functioning economic agents, economic policy or real business. Due to the growing amount and accessibility to Big Data, the main objective of this paper is an attempt to define the term Big Data and categorize its main sources. Additionally, this paper aims to present possibilities for implementing Big Data in economic studies, particularly an assessment of Google trends Data as a useful tool for nowcasting and forecasting economic indicators of the Polish labour market (i.e. unemployment) is presented. The obtained results indicated that the addition of an additional variable determining the number of specific Internet queries related to the job seeking process raised the forecasting properties of the model forecasting the level of unemployment in Poland.(original abstract)

Słowa kluczowe

PL

Big Data; Bezrobocie; Digitalizacja; Rynek pracy; Prognozowanie rynku pracy

EN

Big Data; Unemployment; Digitizing; Labour market; Labour market forecasting

• Czasopismo: Studia Oeconomica Posnaniensia
• Rocznik: 2019
• Tom: 7
• Numer: nr 4
• Strony: 45--58

Twórcy

autor

Sławomir Kuźmar

• Uniwersytet Ekonomiczny w Poznaniu

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.
• Askitas, N. i Zimmermann, K. F. (2009). Google Econometrics and Unemployment Forecasting, Applied Economics Quarterly 55(2) (2009), 107-120.
• 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.
• Cavallo, A. (2012a). Scraped Data and sticky prices. Massachusetts Institute of Technology Sloan Working Paper no. 4976-12.
• 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.
• 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.
• Choi, H. i Varian, H. R. (2012). Predicting the present with Google Trends,Economic Record 88(s1), 2-9.
• Cox, M. i Ellsworth, D. (1997). Managing Big Data for scientific visualization. ACM SIGGRAPH '97 Course

Identyfikatory

DOI

10.18559/SOEP.2019.4.3