{"id":103444,"date":"2019-10-23T11:00:58","date_gmt":"2019-10-23T11:00:58","guid":{"rendered":"https:\/\/dievolkswirtschaft.ch\/2019\/10\/chuffart-11-2019fr\/"},"modified":"2023-08-23T22:56:29","modified_gmt":"2023-08-23T20:56:29","slug":"chuffart-11-2019","status":"publish","type":"post","link":"https:\/\/dievolkswirtschaft.ch\/de\/2019\/10\/chuffart-11-2019\/","title":{"rendered":"Wie Google-Suchen wirtschaftliche Entwicklungen voraussagen"},"content":{"rendered":"

Ungewissheit, Angst und Misstrauen: Gef\u00fchle dieser Art wirken sich ung\u00fcnstig auf die Wirtschaft aus, da mit ihnen die Investitionen und der Konsum zur\u00fcckgehen und die Arbeitslosigkeit zunimmt. Zwar werden solche Stimmungsvariablen erst seit Kurzem gemessen, aber immer mehr \u00d6konometriker befassen sich damit, um \u00f6konomische Theorien zu unterst\u00fctzen. Dank des Zugriffs auf grosse Datenmengen und auf leistungsf\u00e4higere IT-Ressourcen konnten so neue Forschungsans\u00e4tze entwickelt werden. Ein Beispiel: Im Finanzsektor etwa werden Finanznachrichten und Texte aus sozialen Netzwerken \u00fcber ein Unternehmen analysiert, um Schwankungen der Preise von Verm\u00f6genswerten zu prognostizieren und zu untersuchen, wie sich neue Informationen auf die Preisentwicklung auswirken. Auch in der Makro\u00f6konomie werden Textanalysen verwendet, um Ver\u00e4nderungen der Inflation und der Arbeitslosigkeit vorherzusagen und die Auswirkungen politischer Ungewissheit abzusch\u00e4tzen.
\n
\nGef\u00fchle und Stimmungen sind in den Wirtschaftswissenschaften etwas anders definiert. So dient beispielsweise an den Finanzm\u00e4rkten die Volatilit\u00e4t als Massstab f\u00fcr Ungewissheit. Diese Ungewissheit entsteht durch wirtschaftspolitische Entscheide, die im Anschluss an Erkl\u00e4rungen und Massnahmen von Zentralbankverantwortlichen getroffen werden.[1]<\/a> Solche nicht direkt beobachtbaren Gr\u00f6ssen bezeichnet man als \u00ablatente Variablen\u00bb. Die Volatilit\u00e4t von finanziellen Renditen geh\u00f6rt zu den bekanntesten latenten Variablen in der Wirtschaft und kann mithilfe von Zeitreihen modellhaft dargestellt werden. Um sie zu messen, ben\u00f6tigt man eine sogenannte Proxy-Variable. Denn eine Rendite wird zwar t\u00e4glich verzeichnet, aber nicht ihre inh\u00e4rente Volatilit\u00e4t. Und um diese zu ermitteln, k\u00f6nnen mehrere Proxy-Variablen hilfreich sein: etwa das Quadrat der Renditen oder ein statistisches Modell, aus dem sich diese latente Variable ergibt. <\/p>\n

Das Internet spiegelt unsere Sorgen<\/h2>\n


\n\u00d6konomen verwenden in der Regel quantitative Variablen. Doch die Wirtschaftswissenschaft ist eine Sozialwissenschaft und als solche auch an qualitativen Variablen interessiert. In der Vergangenheit wurden in erster Linie Frageb\u00f6gen verwendet, um diese Variablen zu quantifizieren. Auch der \u00abConsumer Sentiment Index\u00bb der Universit\u00e4t Michigan wird so ermittelt. Mittels dieser telefonischen Umfrage werden jeden Monat die qualitativen Antworten von rund 500 Haushalten untersucht. Gefragt wird dabei nach ihrer jeweiligen finanziellen Lage, nach den in einem Jahr erwarteten finanziellen Bedingungen oder nach den erwarteten allgemeinen wirtschaftlichen Bedingungen in den n\u00e4chsten zw\u00f6lf Monaten. Der dadurch erhobene Konsumentenstimmungsindex zum US-Konsumentenvertrauen entspricht dann dem Durchschnitt der Antworten.
\n
\nSeit einigen Jahren wird jedoch zunehmend auch die inh\u00e4rente \u00abStimmung\u00bb von Textdaten analysiert. Solche Textdaten sind durch die Digitalisierung der Kommunikationstr\u00e4ger in grossen Mengen verf\u00fcgbar geworden. So hat sich ein neuer Bereich der \u00f6konometrischen Forschung entwickelt, der untersucht, wie grosse Mengen qualitativer Daten, die solche Stimmungshinweise enthalten, am besten in quantitative Variablen umgewandelt werden.[2]<\/a> Die dadurch entwickelten Methoden erm\u00f6glichen es beispielsweise, in Erkl\u00e4rungen von Zentralbankchefs oder in Artikeln von Fachzeitschriften \u00fcber Geldpolitik Trends besser zu erkennen. Das dabei ber\u00fccksichtigte Textvolumen kann von nur 20 Dokumenten bis zu Tausenden von Artikeln reichen.
\n
\nIn der \u00d6konometrie gibt es zahlreiche Ans\u00e4tze, wie man solche Textdaten verwenden kann.[3]<\/a> Mithilfe linguistischer Tools, wie etwa der automatischen Verarbeitung nat\u00fcrlicher Sprache, werden die qualitativen Daten in Zahlen umgewandelt. Mit anderen Worten: Die \u00abGef\u00fchle\u00bb werden quantifiziert. Daf\u00fcr gibt es zwei M\u00f6glichkeiten: entweder mittels Algorithmen f\u00fcr maschinelles Lernen oder mit Methoden, die auf dem Wortschatz beruhen. Das Ergebnis h\u00e4ngt jedoch nach wie vor weitgehend von der Wahl der Methode ab. Je nach Zweck muss man deshalb sorgf\u00e4ltig pr\u00fcfen, welche die passende Methode ist.
\n
\nAuch Umfragen oder Proxy-Variablen[4]<\/a> k\u00f6nnen verwendet werden. Ein Beispiel daf\u00fcr sind Daten von Internet-Suchanfragen, die auf der Website Google Trends aufgef\u00fchrt sind. Gerade Daten von Google Trends sind im Gegensatz zu teuren und schwer reproduzierbaren Erhebungen \u00f6ffentlich verf\u00fcgbar. Auch wenn jede Google-Suche aus einem bestimmten Grund durchgef\u00fchrt wurde, k\u00f6nnen mithilfe von vielen aggregierten Suchdaten interessante Forschungsfragen beantwortet werden. Denn aus den Suchanfragen der Internetnutzer lassen sich Schlussfolgerungen zu den Interessen, Bedenken oder Absichten der \u00d6ffentlichkeit ziehen. <\/p>\n

Der Effekt negativer Kommunikation<\/h2>\n


\nMit der Quantifizierung von Suchdaten \u00fcber Google Trends und von Textdaten, die zur Messung latenter Stimmungsvariablen dienen, lassen sich die Prognosen in vielen Wirtschaftsbereichen verbessern. So etwa Vorhersagen dar\u00fcber, wie sich die Kommunikation von Zentralbanken auf die Finanzm\u00e4rkte auswirkt. Eine Studie[5]<\/a> nutzte etwa die Mitteilungen des Offenmarktausschusses der US-amerikanischen Notenbank (FOMC), um Schwankungen bei den US-Staatsanleihen zu prognostizieren. Es stellte sich heraus, dass inhaltliche \u00c4nderungen der Aussagen in den Berichten des FOMC der Hauptfaktor f\u00fcr Ver\u00e4nderungen der Zinss\u00e4tze sind \u2013 mehr noch als unerwartete Abweichungen vom Leitzins.
\n
\nEine andere Studie[6]<\/a> erweiterte diese Idee und untersuchte den Einfluss, den die kommunizierte Stimmung in den Mitteilungen der Zentralbanken auf die Renditen und die Volatilit\u00e4t der Finanzm\u00e4rkte hatte. Mittels Berichten \u00fcber die Finanzstabilit\u00e4t und Erkl\u00e4rungen der Zentralbankpr\u00e4sidenten wurde ein Stimmungsindex f\u00fcr Finanzstabilit\u00e4t entwickelt. Dabei zeigte sich, dass optimistische Berichte im darauffolgenden Monat tendenziell h\u00f6here Aktienkurse und eine tiefere Marktvolatilit\u00e4t zur Folge hatten.
\n
\nDie Analyse verf\u00fcgbarer Daten aus dem Internet erlaubt auch bessere Prognosen zu den Preisen von Verm\u00f6genswerten. Mittels spezieller W\u00f6rterb\u00fccher, die Textdateien auf optimistische und pessimistische Begriffe absuchen, konnte beispielsweise gezeigt werden, dass bei pessimistischen Presseartikeln negative Renditen prognostiziert wurden. Dieser Effekt ist allerdings nur vor\u00fcbergehend, denn Presseartikel liefern keine grundlegenden Informationen und ihre Wirkung auf die Preise gleicht sich nach einigen Tagen wieder aus. Insgesamt eignet sich f\u00fcr die Prognose von Aktienkursen maschinelles Lernen besser als w\u00f6rterbuchbasierte Indizes.[7]<\/a> <\/p>\n

Echtzeit-Sch\u00e4tzungen werden m\u00f6glich<\/h2>\n


\nWichtige Kennzahlen wie die Arbeitslosigkeit und das Bruttoinlandprodukt (BIP) werden nicht sehr h\u00e4ufig gemessen. Und die betreffenden Sch\u00e4tzungen werden erst mit erheblicher Verz\u00f6gerung ver\u00f6ffentlicht. In Frankreich publiziert das Nationale Institut f\u00fcr Statistik und Wirtschaftsstudien (Insee) beispielsweise den monatlich ermittelten Konsumentenpreisindex innerhalb eines Monats. Andere Variablen, wie rassistische Vorurteile oder die Korruption lokaler Beh\u00f6rden, werden bei den Standardmessungen \u00fcberhaupt nicht ber\u00fccksichtigt. Online produzierte Texte wie Google-Suchen, Ver\u00f6ffentlichungen in sozialen Netzwerken, Listen auf Job-Websites usw. k\u00f6nnen helfen, alternative Echtzeit-Sch\u00e4tzungen dieser Variablen zu erhalten. Im Gegensatz zu standardm\u00e4ssigen Prognosen werden mehrere Datenquellen verwendet, um die aktuellen Werte zu sch\u00e4tzen.
\n
\nEin herausragendes Beispiel daf\u00fcr ist das Projekt \u00abGoogle Flu Trends\u00bb. Anhand der Internetsuchanfragen prognostiziert es den Verlauf einer Grippewelle. Im Gesundheitssektor k\u00f6nnen viele Suchanfragen zu einer Krankheit ein aussagekr\u00e4ftiger Pr\u00e4diktor f\u00fcr ihre Ausbreitung sein.[8]<\/a> Im Wirtschaftsbereich werden Internet-Suchanfragen hingegen haupts\u00e4chlich zur Vorhersage der Arbeitslosenquote verwendet, und zwar anhand von Suchbegriffen, die im Zusammenhang mit der Stellensuche stehen. Die Daten von Google Trends k\u00f6nnen f\u00fcr die unverz\u00fcgliche Prognose sozio\u00f6konomischer Variablen genutzt werden.[9]<\/a> Bestimmte Google-Suchkategorien eignen sich auch f\u00fcr Prognosen zu Auto- und Hausverk\u00e4ufen sowie zur touristischen Nachfrage und zur Arbeitslosigkeit. Ausserdem k\u00f6nnen Suchanfragen erkl\u00e4ren, welche Rolle die Korruption in einem Land spielt. In Russland beispielsweise dient die Anzahl der Suchanfragen mit dem Stichwort \u00abNawalny\u00bb dazu, Verbesserungen bei der F\u00fchrung korrupter Unternehmen zu beschreiben.[10]<\/a> Alexei Nawalny ist ein Mitglied der russischen Oppositionspartei Jabloko und Autor eines Blogs \u00fcber Korruption.
\n
\nDie neuen Techniken sind ein Segen f\u00fcr \u00d6konomen, die Prognosen zu bestimmten Wirtschaftsaggregaten erarbeiten. Doch grosse M\u00f6glichkeiten bedeuten auch grosse Verantwortung. Es ist nicht einfach, diese Tools im immer dichteren Datendschungel zu beherrschen. Denn eine individuelle Google-Suche wird m\u00f6glicherweise von einer Person durchgef\u00fchrt, die nur die korrekte Schreibweise des Begriffs \u00abArbeitslosigkeit\u00bb nachpr\u00fcfen m\u00f6chte, oder von einem Medizinstudenten, der sein Wissen \u00fcber die Grippe testen m\u00f6chte.<\/p>\n

  1. Baker et al. (2016). [<\/span>]<\/a><\/li>
  2. F\u00fcr weitere Einzelheiten siehe Algaba et al. (2019). [<\/span>]<\/a><\/li>
  3. F\u00fcr eine detaillierte \u00dcbersicht siehe insbesondere Gentzkow et al. (2018). [<\/span>]<\/a><\/li>
  4. \u00dcberpr\u00fcfbare Variable, die eine nicht \u00fcberpr\u00fcfbare oder nicht messbare Variable ersetzt. [<\/span>]<\/a><\/li>
  5. Lucca und Trebbi (2009). [<\/span>]<\/a><\/li>
  6. Baker et al. (2014). [<\/span>]<\/a><\/li>
  7. Jegadeesh und Wu (2013). [<\/span>]<\/a><\/li>
  8. Siehe insbesondere Zeng und Wagner (2002). [<\/span>]<\/a><\/li>
  9. Choi und Varian (2012). [<\/span>]<\/a><\/li>
  10. Enikolopov et al (2018). [<\/span>]<\/a><\/li><\/ol>","protected":false},"excerpt":{"rendered":"

    Ungewissheit, Angst und Misstrauen: Gef\u00fchle dieser Art wirken sich ung\u00fcnstig auf die Wirtschaft aus, da mit ihnen die Investitionen und der Konsum zur\u00fcckgehen und die Arbeitslosigkeit zunimmt. Zwar werden solche Stimmungsvariablen erst seit Kurzem gemessen, aber immer mehr \u00d6konometriker befassen sich damit, um \u00f6konomische Theorien zu unterst\u00fctzen. Dank des Zugriffs auf grosse Datenmengen und auf […]<\/p>","protected":false},"author":4935,"featured_media":18534,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"om_disable_all_campaigns":false,"ep_exclude_from_search":false,"footnotes":""},"post__type":[69,66],"post_opinion":[],"post_serie":[],"post_content_category":[213],"post_content_subject":[],"acf":{"seco_author":4935,"seco_co_author":null,"author_override":"","seco_author_post_ocupation_year":"","seco_author_post_occupation_de":"Dozent f\u00fcr \u00d6konometrie, Forschungszentrum f\u00fcr Wirtschaftsstrategien (Crese), Universit\u00e4t Franche-Comt\u00e9, Besan\u00e7on (Frankreich)","seco_author_post_occupation_fr":"Ma\u00eetre de conf\u00e9rences en \u00e9conom\u00e9trie, Centre de recherche sur les strat\u00e9gies \u00e9conomiques (Crese), universit\u00e9 de Franche-Comt\u00e9, Besan\u00e7on (France)","seco_co_authors_post_ocupation":null,"short_title":"Wirtschaftsprognosen mit Google-Daten","post_lead":"Aussagen wirtschaftlicher Entscheidungstr\u00e4ger und Anfragen bei Suchmaschinen geben Hinweise auf Tendenzen und auf die gesellschaftliche Stimmungslage. Mithilfe dieser neuen Daten lassen sich genauere Konjunkturprognosen erstellen.","post_hero_image_description":"Die Websuche spiegelt gesellschaftliche Trends: Wenn \u00fcberm\u00e4ssig viele Menschen den Begriff \u00abGrippe\u00bb googeln, deutet dies auf eine Epidemie hin.","post_hero_image_description_copyright_de":"iStock","post_hero_image_description_copyright_fr":"iStock","post_references_literature":"