编辑推荐：
为解决传统失业率数据局限性问题，研究人员整合约旦官方数据与 Google Trends 数据，为经济分析提供新资源。
在当今数字化时代，数据如同宝藏，深刻改变着各个领域的研究与决策方式。在经济学领域，尤其是研究失业率这一关键经济指标时，传统的数据收集方法却面临着诸多困境。传统用于统计失业率的方法，像 household surveys（家庭调查）和 administrative records（行政记录），往往存在时间滞后的问题。这就好比在快速行驶的列车上，用老旧的测速仪测量车速，等数据出来时，列车早已跑远，无法及时反映当下的真实情况。在 COVID-19 疫情期间，这种局限性更是暴露无遗。全球经济遭受重创，劳动力市场瞬息万变，政府和政策制定者急需实时数据来制定应对策略，但传统数据来源根本无法跟上经济变化的节奏。
在这样的背景下，来自 Princess Sumaya University for Technology（沙特阿拉伯费萨尔大学）和 Alfaisal University（沙特阿拉伯费萨尔大学）的研究人员 Osama Abdelhay 和 Taghreed Altamimi 开展了一项极具创新性的研究。他们将目光投向了非传统数据来源 ——Google Trends。Google Trends 就像是一个巨大的 “民意探测器”，通过分析搜索查询的热度，能实时反映公众的兴趣和关注点。研究人员将约旦统计局（Jordanian Department of Statistics，JDoS）提供的 2010 年至 2024 年的官方季度失业率数据，与 88 个精心挑选的、与失业和求职相关的阿拉伯语和英语关键词的 Google Trends 搜索兴趣数据相结合。这些关键词涵盖了现代标准阿拉伯语、黎凡特语、约旦方言以及英语，充分考虑了当地的语言习惯和就业市场的实际情况。
最终，研究人员构建了一个综合数据集，为研究人员和政策制定者提供了一个宝贵的资源。这一研究成果发表在《Scientific Data》上，它对于探索经济指标与在线搜索行为之间的关系有着重要意义，有助于开发预测模型、分析经济情绪，并为约旦及类似情况的地区制定政策提供依据。
在研究过程中，研究人员运用了多种关键技术方法。在数据收集阶段，失业率数据直接来源于 JDoS 的出版物，并经过官方核实；Google Trends 数据则通过编写 Python 脚本，利用 pytrends 库获取。为了将 Google Trends 的月度数据转化为与失业率数据匹配的季度数据，研究人员采用了三种数据聚合方法：Quarterly Mean Aggregation（QMA，季度均值聚合）、Quarterly Exponentially Weighted Moving Average（EMA，季度指数加权移动平均）和 Quarterly Seasonally Adjusted Weighted Average（SAWA，季度季节性调整加权平均）。之后，将处理好的数据与官方失业率数据进行合并，完成数据集的构建。
下面来详细看看研究结果。
- 数据收集：失业率数据方面，获取了 2010 Q1至 2024 Q3约旦的季度失业率，经多方面交叉验证，数据完整无误。Google Trends 数据则针对 88 个关键词，收集了 2010 年 1 月至 2024 年 6 月源自约旦的搜索兴趣得分。为确保数据质量，采取了分批检索关键词、重复查询可能存在问题的结果并进行数据合并等措施。
- 数据处理：通过 QMA，将一年 12 个月划分为 4 个季度，计算每个季度内 3 个月数据的简单算术平均值，生成相应的 CSV 文件。EMA 则利用指数平滑法，强调近期数据，使季度聚合值更能反映短期变化。SAWA 先对每月数据进行季节性分解，计算季节性指数，调整搜索兴趣得分，再根据调整后得分的方差分配权重计算加权平均值，三种方法为研究提供了不同视角的数据。
- 数据记录：该数据集可在 Mendeley Data 获取，包含约旦季度失业率数据文件以及分别对应不同聚合方法的 Google Trends 搜索兴趣数据文件，还有阿拉伯语关键词翻译文件。所有数据文件均为 CSV 格式，采用 UTF-8 编码，方便不同软件处理。
- 技术验证：研究人员对数据进行了多方面验证。确认失业率数据来源可靠，Google Trends 数据经过多次查询核实；检查数据的一致性和完整性，保证季度失业率数据无缺失，Google Trends 数据合理保留零值；通过时间序列图和箱线图等验证聚合数据能准确反映原始数据特征；请专家验证关键词的有效性，确保数据能体现当地特色。
研究结论表明，该数据集整合了官方统计数据和丰富的搜索数据，为研究经济指标与在线搜索行为的关系奠定了基础。它支持经济学、社会科学和数据科学领域的研究，有助于开发预测模型，为政策制定提供参考。但研究也面临一些挑战，如数据隐私、代表性和伦理问题等。不过，该研究成果为后续研究提供了新的思路和方法，推动了利用非传统数据进行宏观经济分析的发展，有望在未来为政策制定和经济研究带来更多有价值的成果。
