网络搜索数据与我国GDP的关联机理分析

网络搜索数据是研究我国宏观经济现象的重要微观信息依据。本文从需求、供给与政策三方面选取和筛选关键词合成网络搜索指数,并与我国GDP进行相关性研究。结果表明:网络搜索指数与GDP的相关性较高,且两者存在长期均衡关系与短期误差修正机制,当GDP逐渐偏离均衡,将会以1~2个月的调整速度从非均衡态过渡到均衡态;网络搜索指数的增长对我国GDP有促进作用。

基于网络搜索数据的GDP组合预测研究

网络搜索数据(Web Search Data, WSD)是研究宏观经济现象的重要微观信息依据。从需求、供给与政策环境等方面选取和筛选关键词来合成网络搜索指数,采用金枪鱼群(Tuna Swarm Optimization, TSO)算法优化的最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)模型,对GDP进行预测。结果表明,网络搜索指数与GDP具有强相关性,合成的网络搜索指数能较好地反映GDP的波动走势;网络搜索数据的加入使得预测结果呈现出强时效性,预测效果及预测精度都取决于对最优模型的选择,引入参数智能优化算法可提高模型的预测性能。提出的TSO-LSSVR&WSD模型充分利用网络搜索数据及组合预测优势,提高了GDP的预测精度和时效性,可应用于宏观经济指标预测中。

网络搜索数据与宏观经济景气指数的关联研究

网络搜索数据作为研究我国宏观经济现象的重要微观信息依据,具有显著意义。本文分别从消费、投资、进出口、工业生产、政策、劳动力及经济形势七方面选取并筛选关键词,进而合成网络搜索指数,通过深入的相关性研究发现,网络搜索指数与宏观经济之间呈现较高的相关性。这意味着网络搜索指数一方面能为宏观经济政策制定者提供更为准确且及时的决策参考,使政策制定更具针对性和有效性,助力宏观经济的稳定与发展;另一方面也能为市场参与者提供有价值的信息,帮助其更精准地把握市场动态,从而做出更明智的投资和经营决策,促进市场健康有序运行。

网络搜索数据与CPI的相关性研究

网络搜索数据蕴含了三亿多市场主体的兴趣与关注,反映其行为趋势与规律,为研究宏观经济问题提供了必要的微观数据基础;本文从商品市场的角度建立概念框架,以均衡价格理论为基础,揭示了网络搜索数据与居民消费价格指数(CPI)之间存在一定的相关关系及先行滞后关系;实证结果表明:网络搜索数据与CPI之间存在协整关系,模型拟合度达到0.978,预测绝对误差为0.48,宏观形势搜索指数和供求关系搜索指数相对于CPI的先行周期分别为五个月和两个月;同时模型具有很强的时效性,比国家统计局的数据发布提前一个月左右;与传统的预测方法相比,模型还具备一定的转折点预测能力.

基于网络搜索数据的房地产价格预测

本文以北京、上海、天津、重庆等16个大中城市的二手房价格和新房价格为研究对象,以来自我国最大搜索引擎的百度搜索指数为数据基础,使用6种计量模型分别对16个城市的二手房价格和新房价格进行了拟合和预测,得到预测二手房和新房价格变动情况的最优模型。结果显示:网络搜索数据不但能够较好地预测房价指数,而且能够分析经济主体行为的趋势与规律,有一定的时效性。预测的月度房地产价格能够比官方数据发布提前约两周时间。

基于网络搜索数据的国内旅游客流量预测研究——以北京市国内旅游客流量为例

随着信息技术的快速发展,互联网成为用户获取资料和信息最快捷的途径之一。网络搜索数据记录了数以亿计的搜索关注与需求,反映了市场主体的行为趋势与规律,为研究社会经济行为提供了必要数据基础。本文以北京市旅游客流量为例,从游客的旅游行为角度建立理论概念框架,揭示了网络搜索数据与游客之间的相关关系。通过搜索相关关键词数据并合成搜索指数,实证了北京市搜索数据与月旅游客流量之间存在协整关系,并结合搜索指数与历史数据构建北京市旅游客流量预测模型。分析结果表明,相比于传统的自回归时间序列模型,本模型的预测2013年2月至4月连续3个月旅游客流量的平均绝对误差仅为5.08%,拟合优度高达97.23%。另外,该预测方法可以对北京市旅游客流量进行实时监控,且比国家旅游局的数据发布提前一个月左右。

基于网络搜索数据的区域经济预警研究

网络搜索直接反映了互联网用户的行为与心理,随着用户的不断增长,海量的网络搜索数据对社会经济发展趋势的指示作用不断被发现并研究。文章以安徽省为例,选取区域工业增加值等指标为预测目标,基于经济波动与大数据的相关理论,运用K-L信息量法与时差相关性分析对大量国际国内经济指标与特定关键词的百度搜索指数进行筛选,得到区域经济先行指标,建立区域经济预警模型,并对模型进行了拟合检验和预测检验。结果显示,部分关键词的网络搜索数据能够有效地用于预测区域工业增加值和社会消费品零售额的月度变化,预警模型具有较好的准确性与时效性,可为政府、企业应对经济波动提供决策参考。

基于网络搜索数据的消费者信心指数预测研究——以台湾地区为例

大数据时代网络中所蕴含的数据可以真实、及时地反映当前经济变化趋势。本文根据消费者行为理论构建消费者信心指数与网络搜索行为关系的概念框架,通过搜集与消费者信心指数构成相关的台湾地区关键词搜索量,运用主成分分析方法合成搜索指数并对该地区消费者信心指数进行预测。实证结果表明:由谷歌趋势中的关键词搜索量拟合出来的搜索指数与消费者信心指数之间存在长期稳定协整关系,模型拟合度高且时效性强,预测数据比官方公布的数据提前一个月左右。与传统的预测方法相比,模型具备转折点预测的能力。

失业率预测研究——基于网络搜索数据及改进的逐步回归模型

无论是从社会管理还是从经济发展的角度来考虑,失业均已成为目前各国十分关注的重点问题之一,学者们也一直在通过各种方法来预测失业率。近年来,随着网络的发展和搜索引擎的普及应用,学者们发展出一种利用网络搜索数据来观察和研究经济及社会问题的方法。随着这一方法的有效性被证明之后,它也被引入到失业率预测的研究领域中。文章利用Google推荐的关键词搜索数据,采用改进的逐步回归方法分层建立了三个模型预测失业率,并进行因果关系检验及有效性检验。实验结果表明,三个模型的拟合优度分别达到0.930、0.935、0.936,三期预测值的MAPE分别为1.20%、0.89%、0.57%。文章认为,这种方法能有效的处理网络搜索数据并进行相关的社会问题研究和经济问题的预测。

基于极限学习机及网络搜索数据的快时尚产品预测

为实现时尚化设计,时尚产品生产企业需具备精准的识别与预测流行元素的能力。针对快时尚产品的预测问题,构建了基于极限学习机(ELM)模型的预测算法。首先由于快时尚产品具有市场需求不稳定、产品更新速度快等特点,而网络搜索数据不仅反映了用户的焦点关注与个性化需求,其中还蕴含着群体的某些社会或经济行为。利用网络搜索数据和历史成交数据作为数据来源,进而实时挖掘市场需求。其次,由于数据具有非线性不规则变化的特点,构建具有较强学习能力和泛化能力的ELM模型,对快时尚产品的流行趋势进行预测。与传统的统计预测模型相比,加入搜索数据后,构建的模型预测精度较高,同时ELM模型对流行趋势的转折点具有较强的预测能力。

大型体育赛事对我国体育产业上市公司股价指数影响的实证研究——基于网络搜索数据的新视角

该文从投资者行为视角建立概念框架,揭示了大型体育赛事对我国体育产业上市公司股价指数影响的理论机制。借鉴前期研究成果和具体操作方法,根据社会经济含义将各网络搜索关键词合成为三大类搜索指数:大型体育赛事指数、宏观经济形势指数、市场经济因素指数。实证检验结果表明,从长期来看,在不考虑其他客观外部环境影响因素的前提下,大型体育赛事对我国体育产业上市公司股价指数具有非常显著的正向影响效果,但当把一些客观外部环境影响因素纳入考虑范畴时,相对于宏观经济形势、市场经济行情等因素而言,大型体育赛事对体育产业上市公司股价指数的影响效应仍略显微弱,显著性水平也是明显降低。就短时期来讲,不管是否考虑其他客观外部环境影响因素,大型体育赛事对体育产业上市公司股价指数均可产生非常显著的联动影响效应,而这种影响效应的延续时间较短暂。

基于网络搜索数据的游客量组合预测模型

随着信息技术的不断发展,基于网络数据对事物近期发展态势预测成为热点.本文以北京市月度游客量预测为目标,以相关网络关键词搜索指数为自变量建立了BP神经网络、支持向量回归和随机森林三种单一预测模型,在此基础上构建组合模型以提高预测准确度.实验结果表明:基于GBDT建立的组合模型达到了较高的预测准确度,误差仅为3.16%,预测结果可以为旅游管理部门提供决策支持.

基于网络搜索数据对我国营商环境变化情况的评估

营商环境是评估各地企业经营发展环境的指标,是企业投资时选择投资地的最重要标准之一。企业营商环境的发展状况,是观察经济运行、改革成效的重要标准。为及时监测我国营商环境的动态变化,本文尝试利用网络搜索数据,构建了全国、分地区和分省份的三级月度营商环境指数,评估我国各地营商环境变化趋势。结果显示,2017年1—7月,我国营商环境逐月改善。分区域看,东部地区营商环境明显好于中、西部和东北地区,而中部地区营商环境改善速度明显快于东、西部和东北地区。

基于网络搜索数据的雾霾经济与CPI相关性研究

本文以北京为例,基于网络搜索数据,采用3折交叉验证技术,运用支持向量机和线性回归的方法研究和分析雾霾经济消费对CPI的实际影响。结果显示,两个模型拟合得到的数据与官方CPI数据非常相近,但支持向量机的拟合度和稳定性更好。

基于网络搜索数据的品牌汽车销量预测研究

随着大数据时代的到来,基于网络数据的应用研究已成为热点。以品牌汽车销量预测为目标,将传统相关性分析与基于LASSO的特征选择方法相结合,选取相关品牌的网络搜索数据关键特征,而后建立了LASSO线性回归、支持向量回归和随机森林三种机器学习预测模型,并与传统ARIMA模型进行比较分析。实验结果表明,随机森林模型的预测平均误差为6.4%,比ARIMA模型降低了12.2个百分点,预测结果可为汽车企业生产规划和制定营销方案提供有效的决策支持。

网络搜索数据与消费者信心指数自回归模型研究

本文建立网络搜索数据与消费者信心指数自回归时间序列模型,对消费者信心指数进行分析,发现网络搜索数据和消费者信心指数之间存在显著相关性。

网络搜索数据与股市收益率的关系研究——以房地产板块为例

以房地产板块为例,研究了网络搜索数据与股市收益率的相互影响关系。首先,构造了基于网络搜索数据的百度搜索指数,利用HP滤波法将百度搜索指数分解为长期搜索和短期搜索。其次,构建MSBVAR模型,分区制对长期搜索、短期搜索和股市收益率之间的关系进行了研究。结果表明,网络搜索和股市收益的关系中表现出马尔科夫转换过程;投资者对股市的关注与股市收益率,在短期内具有显著的正相关关系,在长期关注下两者具有显著的负相关关系;在高波动区制下,验证了过度关注弱势假设的成立。

基于网络搜索数据的房地产价格指数的短期预测

网络搜索数据在一定程度上代表了人们的经济行为,可以利用网络搜索数据代表消费者和房地产开发商的需求和投资预期来对房地产价格指数进行预测。基于此,利用百度指数关键词数据作为解释变量,然后利用lasso算法筛选得到最终进入模型的变量,最后利用SVR模型以二线城市——合肥市为例,对2012-2018年新建商品住宅销售价格指数进行拟合,为了验证模型的预测效果,引入SARIMA模型进行比较,得到结论:加入网络搜索数据的SVR模型的预测效果要优于仅使用历史数据的SARIMA模型;加入搜索数据后,能够比官方发布数据提前15-20天左右,可以对房地产市场进行实时监控。

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法(grey wolf optimizer,GWO)优化支持向量回归(support vector regression,SVR)中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测.以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析.结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.

大数据背景下基于网络搜索数据商品零售价格指数预测研究

大数据时代背景下,基于网络海量搜索数据包含大量有价值信息。针对宏观经济指标商品零售价格指数的非线性变化特征,结合与RPI相关的网络搜索数据,采用支持向量回归SVR多种参数优化模型对商品零售价格指数进行预测研究。借助多个预测性能度量指标对比分析,最终确定结合网络搜索数据粒子优化算法的支持向量回归模型PSO-SVR&US为最优模型。研究结果表明:网络搜索数据有助于商品零售价格指数的预测研究,并且预测效果好坏与预测精度高低还依赖于最优模型的选取;同时,基于最优模型的商品零售价格指数月度预测值比官方数据公布领先半月左右,其预测结果可为及时监测商品零售价格指数变动和经济宏观调控提供有价值的参考。