Возможности интеграции Google Trends и официальной статистики при оценке социальной комфортности и прогнозировании финансового положения населения

Целью исследования является развитие теории статистического наблюдения в части научно-методологических подходов к обработке больших данных и определение возможностей интеграции информационных ресурсов различного типа в отношении измерения сложных латентных категорий (на примере социальной комфортности), применение данного опыта на практике посредством использования в прогнозировании индикаторов финансового состояния. Авторами построена модель социальной комфортности, в которой выбор весов для ее компонентов осуществляется на основе метода модифицированной главной компоненты. Оценка произведена с использованием данных Google Trends и официальной статистики. Методы анализа данных Google Trends базируются на разработке комплексного подхода к семантическому поиску информации о компонентах социальной комфортности, снижающего долю авторского субъективизма; методологии первичной обработки с учетом принципов сопоставимости, однородности, согласуемости, релевантности, описание функций и моделей, необходимых для отбора и корректировки поисковых запросов. Предложенный алгоритм работы с большими данными позволил определить компоненты социальной комфортности («Образование и обучение», «Безопасность», «Отдых и свободное время»), по которым необходимо произвести непосредственное встраивание больших данных в систему первичного статистического учета с дальнейшей обработкой данных и получением композитных показателей. Сделан вывод, что по компоненте «Финансовое положение» найдена устойчивая значимая корреляция, что позволяет использовать ее для дальнейших расчетов и экстраполяции показателей финансового состояния. Научная новизна состоит в разработке принципов и направлений интеграции двух альтернативных источников данных в оценке сложных латентных категорий. Полученные выводы и результаты интегральной оценки социальной комфортности могут быть использованы органами государственной статистики по формированию нового вида непрерывного статистического наблюдения на основе использования больших данных, а также исполнительной власти на федеральном, региональном и муниципальном уровнях в части определения приоритетов разрабатываемой социально-экономической политики.

1. Liu J., Li J., Li W., Wu J. Rethinking big data: A review on the data quality and usage issues. ISPRS Journal of Photogrammetry and Remote Sensing. 2016;115:134–142. DOI: 10.1016/j.isprsjprs.2015.11.006

2. Algan Y., Beasley E., Guyot F., Higa K., Murtin F., Senik C. Big data measures of well-being: Evidence from a Google well-being index in the United States. OECD Statistics Working Papers. 2016;(03). URL: https://www.oecd-ilibrary.org/docserver/5jlz9hpg0rd1-en.pdf?expires=1629818036&id=id&accname=guest&checksum=7ED 855395D 5B 778D 71E 405ED 1925ECE 3

3. Фантаццини Д., Шаклеина М.В., Юрас Н.А. Big Data в определении социального самочувствия населения России. Прикладная эконометрика. 2018;50:43–66.

4. Carlquist E., Nafstad H.E., Blakar R.M., Ulleberg P., Delle Fave A., Phelps J.M. Well-being vocabulary in media language: An analysis of changing word usage in Norwegian newspapers. The Journal of Positive Psychology. 2017;12(2):99–109. DOI: 10.1080/17439760.2016.1163411

5. Curini L., Iacus S., Canova L. Measuring idiosyncratic happiness through the analysis of Twitter: An application to the Italian case. Social Indicators Research. 2015;121(2):525–542. DOI: 10.1007/s11205–014–0646–2

6. Prata D.N., Soares K.P., Silva M.A., Trevisan D.Q., Letouze P. Social data analysis of Brazilian’s mood from Twitter. International Journal of Social Science and Humanity. 2016;6(3):179–183. DOI: 10.7763/IJSSH.2016.V6.640

7. Nguyen Q.C., Kath S., Meng H.-W., Li D., Smith K.R., VanDerslice J.A., Wen M., Li F. Leveraging geotagged Twitter data to examine neighborhood happiness, diet, and physical activity. Applied Geography. 2016;73(8):77–88. DOI: 10.1016/j.apgeog.2016.06.003

8. Yang C., Srinivasan P. Life satisfaction and the pursuit of happiness on Twitter. PLoS ONE. 2016;11(3): e0150881. DOI: 10.1371/journal.pone.0150881

9. Wang W., Hernancez I., Newman D.A., He J., Bian J. Twitter analysis: Studying US weekly trends in work stress and emotion. Applied Psychology. 2016;65(2):355–378. DOI: 10.1111/apps.12065

10. Liu P., Tov W., Kosinski M., Stillwell D.J., Qui L. Do Facebook status updates reflect subjective well-being? Cyberpsychology, Behavior, and Social Networking. 2015;18(7):373–379. DOI: 10.1089/cyber.2015.0022

11. LiKamWa R., Liu Y., Lane N. D., Zhong L. MoodScope: Building a mood sensor from smartphone usage patterns. In: Proc. 11th Annu. int. conf. on mobile systems, applications, and services (MobiSys). (Taipei, June 25–28). New York: ACM; 2013:389–402. DOI: 10.1145/2462456.2464449

12. Schwartz H.A., Sap M., Kern M. L., Eichstaedt J. C., Kapelner A., Agrawal M., Ungar L. H. et al. Predicting individual well-being through the language of social media. In: Proc. Pacifc symp. on biocomputing (PSB). (Big Island of Hawaii, Jan. 4–8, 2016). Singapore: World Scientifc Publishing Co.; 2016:516–527.

13. Da Z., Engelberg J., Gao P. The sum of all FEARS investor sentiment and asset prices. The Review of Financial Studies. 2015;28(1):1–32. DOI: 10.1093/rfs/hhu072

14. Singer E. The use of incentives to reduce nonresponse in household surveys. The University of Michigan. Survey Methodology Program. 2002;(051). URL: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.611.1597&rep=rep1&type=pdf

15. Ginsberg J., Mohebbi M.H., Patel R.S., Brammer L., Smolinski M.S., Brilliant L. Detecting influenza epidemics using search engine query data. Nature. 2009;457(7232):1012–1014. DOI: 10.1038/nature07634

16. Упадхьяя Ш. Большие данные и официальная статистика. Вопросы статистики. 2019;26(12):5–14. DOI: 10.34023/2313–6383–2019–26–12–5–14

17. Оксенойт Г.К. Цифровая повестка, большие данные и официальная статистика. Вопросы статистики. 2018;25(1):3–16.

18. Плеханов Д.А. Большие данные и официальная статистика: обзор международной практики внедрения новых источников данных. Вопросы статистики. 2017;(12):49–60.

19. Шаклеина М.В., Волкова М.И., Шаклеин К.И., Якиро С.Р. Теоретические и методологические проблемы измерения социальной комфортности: результаты эмпирического анализа на российских данных. Экономические и социальные перемены: факты, тенденции, прогноз. 2020;13(5):135–152. DOI: 10.15838/esc.2020.5.71.8

20. Петрова Д.А. Прогнозирование инфляции на основе интернет-запросов. Экономическое развитие Рос сии. 2019;26(11):55–62.

21. Guzmán G. Internet search behavior as an economic forecasting tool: The case of inflation expectations. Journal of Economic and Social Measurement. 2011;36(3):119–167. DOI: 10.3233/JEM-2011–0342

22. Afkhami M., Cormack L., Ghoddusi H. Google search keywords that best predict energy price volatility. Energy Economics. 2017;67:17–27. DOI: 10.1016/j.eneco.2017.07.014

23. Tetlock P. C. Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance. 2007;62(3):1139–1168. DOI: 10.1111/j.1540–6261.2007.01232.x

24. Brochado A. Google search-based sentiment indexes. IIMB Management Review. 2020;32(3):325–335. DOI: 10.1016/j.iimb.2019.10.015

25. Dunphy D. C., Bullard C. G., Crossing E. E.M. Validation of the general inquirer Harvard IV dictionary. Cambridge, MA: Harvard University Library; 1974. 158 p.

26. Kelly E.F., Stone P.J. Computer recognition of English word senses. Amsterdam: North-Holland; 1975. 269 p.

27. Zuell C., Weber R.P., Mohler P.P. Computer-aided text classifcation for the social sciences: The General Inquirer III. Mannheim: ZUMA, Center for Surveys, Research and Methodology; 1989.

28. Scott S.L., Varian H.R. Bayesian variable selection for nowcasting economic time series. NBER Working Paper. 2013;(19567). URL: https://www.nber.org/system/fles/working_papers/w19567/w19567.pdf

29. Kapounek S., Deltuvaitė V., Koráb P. Determinants of foreign currency savings: Evidence from Google search data. Procedia — Social and Behavioral Sciences. 2016;220:166–176. DOI: 10.1016/j.sbspro.2016.05.481

30. Bokelmann B., Lessmann S. Spurious patterns in Google Trends data — An analysis of the effects on tourism demand forecasting in Germany. Tourism Management. 2019;75:1–12. DOI: 10.1016/j.tourman.2019.04.015

31. Google Trends help — how Trends data is adjusted. Google 2018. URL: https://support.google.com/trends/answer/4365533?hl=en&ref_topic=6248052 (accessed on 23.04.2018).

32. Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I. STL: A seasonal-trend decomposition procedure based on loess. Journal of Offcial Statistics. 1990;6(1):3–73. URL: https://www.wessa.net/download/stl.pdf

33. Петрова Д.А., Трунин П.В. Выявление настроений экономических агентов на основе поисковых запросов. Прикладная эконометрика. 2020;(3):71–87. DOI: 10.22394/1993–7601–2020–59–71–87

34. Parker J., Cuthbertson C., Loveridge S., Skidmore M., Dyar W. Forecasting state-level premature deaths from alcohol, drugs, and suicides using Google Trends data. Journal of Affective Disorders. 2017;213:9–15. DOI: 10.1016/j.jad.2016.10.038

35. Айвазян С.А. Анализ качества и образа жизни населения. М.: Наука; 2012. 432 с.

36. Миндели Л.Э., Пашинцева Н.И. Российская система образования и ее отражение в статистике. Вопросы статистики. 2016;(11):67–84.

37. Chan K.L. Intelligence Capital Index. 2017. URL: http://www.kailchan.ca/wp-content/uploads/2017/04/KC_Intelligence-Capital-Index-full-results-and-methodology_Apr-2017_v2.pdf

38. Сатаров Г.А., Благовещенский Ю.Н. Статистическое сравнение России и других стран. Комитет гражданских инициатив. Фонд ИНДЕМ. URL: https://komitetgi.ru/upload/iblock/3cf/3cfcb375eced922f253c446a4b37645b.pdf

39. Иншаков С.М. Теоретические основы исследования и анализа латентной преступности. М.: ЮНИТИДАНА; 2011. 839 c.