گوگل ترندز

شاخص بورس در بسیاری از کشورها ازجمله ایران مبنای تصمیم گیری معامله گران به ویژه تازه واردان در بازار سرمایه است و به همین دلیل مبنای جستجوهای اینترنتی افراد است. بررسی جستجوهای اینترنتی براین مبنا می تواند الگوهای رفتاری معامله گران در بازار را توصیف و امکان پیش بینی آنها را فراهم آورد. گوگل ترندز داده هایی را فراهم می کند که ازطریق تجزیه وتحلیل آنها می توان به الگوهای رفتاری معامله گران دست یافت. در این پژوهش از دو شاخص «حجم جستجوی گوگل» و «شاخص بورس» کشورهای منتخب استفاده شد. پژوهش حاضر ترکیبی، از نوع تشریحی یا تبیینی است . در مرحله کمی ، جامعه آماری داده های گوگل ترندز استخراج شد و سپس با هدف تبیین یافته های بخش کمی و ارائه راهکارهای بهبود شرایط بازار، از روش تحقیق کیفی استفاده و داده ها به روش مصاحبه گردآوری شد. یافته های بخش کمی نشان داد، همبستگی بالا و معنی داری بین دو شاخص موردنظر در ایران و برخی دیگر از کشورهای موردنظر وجود دارد. درحالی که رابطه بین این دو شاخص در برخی از کشورهای دیگر ضعیف و حتی معکوس بود. با تحلیل داده های حاصل از بخش کیفی، روابط بین این دو شاخص در کشورها، تبیین و راهکارهایی جهت بهبود شرایط رفتاری معامله گران بازار ارائه شد.

با توسعه صنعت گردشگری و رشد کسب وکارهای مرتبط، کسب اطلاعات به روز در برنامه ریزی صحیح و برآورد دقیق تعداد گردشگران، به منظور به کارگیری کارآمد منابع با هدف توسعه زیرساخت ها و افزایش درآمد، ضروری است. وجود برنامه های دقیق درنهایت به ارتقای سطح رضایت گردشگران ورودی منجر می شود. با توسعه فرهنگ جست وجوگری اطلاعات، گردشگران معمولاً پیش از آغاز سفر، به جست وجوی اطلاعات مربوط به اقامتگاه ها و خدمات گردشگری موجود در مقصد، از طریق منابع اینترنتی، اقدام می کنند. در پژوهش حاضر، با استفاده از داده های منتخب مربوط به پرس وجوهای کاربران سراسر جهان در موتور جست وجوی گوگل درمورد امکانات و توانمندی های گردشگری شهر یزد، تعداد گردشگران آتی این شهر پیش بینی شده است. داده های پژوهش را آمارهای جست وجوی کاربران تشکیل می دهد که از سامانه گوگل ترندز پایین گذاری شده و با استفاده از روش یادگیری ماشینی مدل پیش بینی، طراحی و اعتبارسنجی شده است. پس از آماده سازی و تحلیل داده ها، مشخص شد که پرس وجوهای ثبت شده در گوگل ترندز، قدرت فراوانی (بیش از 95 درصد) در پیش بینی تعداد گردشگران شهر یزد در بازه زمانی سال 2014 تا 2019 در مقاطع ماهانه دارد

امروزه بیت کوین ﯾﮑﯽ از ﻣﻬﻤﺘﺮﯾﻦ رﻣﺰارزﻫﺎﯾﯽ اﺳﺖ ﮐﻪ ﺑﯿﺸﺘﺮﯾﻦ ﺣﺠﻢ ﻣﺒﺎدﻻت در ﺑﺎزار رﻣﺰارزﻫﺎ و بین کسب وکارها را ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص داده اﺳﺖ. ویژگی امکان پرداخت های آنلاین بین افراد و کسب وکارها بطور مستقیم و بدون مراجعه به موسسه مالی باعث شده قیمت این رمزارز برای کسب و-کارها و معامله گران حائز اهمیت و مبنای تصمیم گیری باشد. بنابراین مسئله قابلیت پیش بینی قیمت آن موضوع مهمی است که حجم جستجو می تواند بر آن اثرگذار باشد. هدف از این تحقیق، مطالعه و بررسی رابطه حجم جستجوهای اینترنتی و تأثیر آن بر قیمت این رمزارز است. همچنین، یکی دیگر از اهداف مقاله حاضر، معرفی گوگل ترندز به عنوان ابزار دسترسی به داده های بزرگ جهت انجام پژوهش ها در حوزه کسب و کار است. داده های لازم از گوگل ترندز در بازه زمانی سال 2016 تا 2021 است استخراج شد. حجم داده ها 5742 بوده و از کل جامعه آماری استفاده شده است. روش تحقیق، توصیفی-اکتشافی است که با هدف تبیین ارتباط بین «شاخص حجم جستجوی گوگل» و «قیمت بیت-کوین» انجام گرفته است. داده ها با استفاده از آزمون همبستگی اسپیرمن تجزیه و تحلیل گردید. یافته ها حاکی از ارتباط قوی و بسیار قوی بین شاخص های مورد بررسی است که تبیین شده است.

این پژوهش با هدف بررسی تأثیر ذهن تورمی، یعنی مشغول بودن ذهن مردم نسبت به افزایش قیمت کالاها و به ویژه دارایی ها، بر تورم ذهنی یا همان انتظارات تورمی بر تورم در اقتصاد ایران انجام شده است. داده های مورد استفاده شامل برخی شاخص های تورم ذهنی منعکس شده در فضای مجازی به طور خاص، گوگل ترندز، و مجموعه ای از متغیرهای اقتصادی از فروردین ۱۳۹۲ تا اسفند ۱۴۰۲ است. این پژوهش یک مطالعه کاربردی است که با استفاده از روش توصیفی-تحلیلی و تحلیل همبستگی، به بررسی عوامل مؤثر بر نرخ تورم و پیش بینی آن با بهره گیری از الگوریتم های یادگیری ماشین با استفاده از نرم افزار پایتون می پردازد. نتایج نشان می دهد که در تحلیل تک متغیره، دو برابر شدن تورم ذهنی بدون اعمال وقفه زمانی منجر به افزایش ۰.۹ واحدی در نرخ تورم شده است. همچنین، با اعمال وقفه سه ماهه، این متغیر موجب افزایش ۴ واحدی نرخ تورم گردید. این یافته نشان می دهد که اثر تورم ذهنی نه تنها فوری است، بلکه در طول زمان تقویت می شود. در تحلیل چندمتغیره، تأثیر ذهن تورمی در مقایسه با سایر متغیرها کاهش یافته، اما همچنان معنادار باقی مانده است. این امر نشان دهنده آن است که ذهن تورمی، در کنار سایر متغیرهای کلیدی اقتصادی مانند قیمت طلا، دلار و تولید ناخالص داخلی، ابزاری قدرتمند برای تحلیل و پیش بینی تورم به شمار می آید. از بین الگوریتم های پیشرفته یادگیری ماشین، الگوریتم درخت تصمیم بهترین عملکرد را در پیش بینی نرخ تورم ارائه کرده است. یافته های این پژوهش می تواند برای سیاست گذاران اقتصادی در مدیریت انتظارات تورمی و پیش بینی تحولات آتی نرخ تورم مفید باشد.