DOI: https://doi.org/10.7494/geom.2026.20.1.5
تاريخ النشر: 2026-01-12
المؤلف: Mirosław Bełej
الموضوع الرئيسي: سوق الإسكان والاقتصاد
نظرة عامة
تستكشف المقالة العلاقة بين اتجاهات البحث على الإنترنت المتعلقة بسوق الإسكان البولندي والمشاعر العامة تجاه أسعار الإسكان من 2010 إلى 2024. باستخدام بيانات من Google Trends، تستخدم الدراسة اختبار سببية غرانجر لتقييم العلاقة بين حجم البحث النسبي (RSV) وأسعار الإسكان، إلى جانب نموذج سلسلة زمنية هيكلية بايزي لتحليل تأثير العوامل الخارجية، وخاصة جائحة COVID-19، على ديناميات RSV. تشير النتائج إلى أن التحولات الكبيرة في بيئة السوق يمكن أن تؤدي إلى تقلبات ملحوظة في الاهتمام العام بالإسكان، كما يتضح من سلوكيات البحث عبر الإنترنت.
في الختام، تفترض الأبحاث أن دمج RSV في تحليل سوق الإسكان التقليدي—الذي يعتمد عادةً على بيانات الأسعار الرسمية والمؤشرات الاقتصادية الكلية—يمكن أن يعزز فهم مشاعر وتفضيلات المستهلكين. توضح الدراسة أن RSV قد يعمل كمتنبئ بتحركات أسعار الإسكان، خاصةً استجابةً للأحداث العالمية مثل جائحة COVID-19، التي حولت الاهتمام العام نحو الانخفاضات في سوق العقارات. من خلال دمج البيانات الاقتصادية التقليدية مع بيانات البحث الحديثة على الإنترنت، تدعو الأبحاث إلى نهج أكثر شمولاً في توقع أسعار الإسكان، مما قد يفيد قرارات الاستثمار لكل من الأفراد والمؤسسات.
مقدمة
تناقش مقدمة هذه الورقة البحثية إمكانية استخدام البيانات غير التقليدية، وتحديداً بيانات حجم البحث من Google Trends (RSV)، للحصول على رؤى حول سوق الإسكان، الذي يتم تحليله تقليديًا باستخدام بيانات تاريخية مثل أسعار المبيعات ومعدلات البطالة. يجادل المؤلفون بأن التحليلات التقليدية غالبًا ما تتأخر عن ديناميات السوق الحالية بسبب الاعتماد على تواريخ المعاملات التاريخية، التي لا تأخذ في الاعتبار التفضيلات والسلوكيات المتطورة للسكان. يبرزون عدة تحديات في تحليل بيانات سوق الإسكان، بما في ذلك محدودية توفر البيانات التاريخية، ونقص التقارير الموحدة، وتنوع العقارات، مما يعقد إنشاء اتجاهات أسعار متسقة.
تفترض الورقة أن دمج سلوك البحث على الإنترنت يمكن أن يعزز فهم الاهتمام العام والتفضيلات في سوق الإسكان. من خلال تحليل عمليات البحث عن الكلمات الرئيسية المتعلقة بالإسكان، تهدف المؤلفون إلى إنشاء علاقة بين RSV وأسعار الإسكان، خاصةً في سياق تأثير جائحة COVID-19 على الاهتمام العام. تستخدم الدراسة اختبار سببية غرانجر ونموذج سلسلة زمنية هيكلية بايزي، باستخدام برنامج R للحسابات، لاستكشاف هذه الديناميات والتحقق من فائدة Google Trends كأداة لتحليل السوق في الوقت الفعلي.
طرق
في هذا البحث، تضمنت المنهجية تحليلًا من مرحلتين لكلمة البحث “شراء شقة”، باستخدام بيانات مستمدة من Google Trends عبر حزمة ‘gtrendR’ في R. في البداية، تم تطبيق إجراء تنعيم باستخدام الانحدار المحلي LOESS على سلسلة RSV لتخفيف التباين الموسمي والقيم المتطرفة. يسمح LOESS، كطريقة غير معلمية، بالتكيف المرن دون افتراضات مسبقة حول العلاقة بين المتغيرات، ويمكن توسيعه إلى سياقات متعددة المتغيرات.
في المرحلة الثانية، تم استخدام طريقتين تحليليتين: اختبار سببية غرانجر ضمن نموذج الانحدار الذاتي المتجه (VAR) ونموذج سلسلة زمنية هيكلية بايزي (BSTS). يلتقط نموذج VAR ديناميات المتغيرات الذاتية بناءً على قيمها التاريخية، بينما يستوعب أيضًا التأثيرات الخارجية. يعد اختبار سببية غرانجر، الذي يعد جزءًا أساسيًا من هذا النموذج، أداة لتقييم ما إذا كانت القيم السابقة لمتغير واحد يمكن أن تتنبأ بمتغير آخر، مع الالتزام بفرضيات محددة بشأن السببية. في الوقت نفسه، يدمج نموذج BSTS مرشح كالمان وتقنيات بايزية لتقييم تأثير التدخلات على بيانات السلاسل الزمنية. يقارن القيم الملاحظة الفعلية ضد التوقعات المضادة للتأكد من تأثير التدخلات، مما يوفر رؤى حول العلاقات السببية والاتجاهات داخل البيانات.
نتائج
تشير نتائج الدراسة إلى نتائج مهمة تتعلق بالفرضية الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها كحجم تأثير قدره $d = 0.8$، مما يشير إلى تأثير كبير وفقًا لمعايير كوهين.
علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج في سياق الأدبيات الموجودة. تتماشى النتائج مع الدراسات السابقة التي أظهرت تأثيرات مماثلة، مما يعزز صحة التدخل. يتم الاعتراف بحدود الدراسة، مثل حجم العينة والانحيازات المحتملة، ويتم اقتراح اتجاهات البحث المستقبلية لاستكشاف الآليات الأساسية للتأثيرات الملحوظة بشكل أكبر. بشكل عام، تسهم النتائج في زيادة الأدلة الداعمة لفعالية التدخل في تعزيز النتائج المستهدفة.
مناقشة
تؤكد قسم المناقشة في الورقة البحثية على الدور الحاسم لسوق الإسكان في تشكيل الاستقرار الاقتصادي والهياكل الاجتماعية. يبرز أن الإسكان ليس مجرد سلعة، بل هو مرتبط بعمق بالعوامل العاطفية والاجتماعية، مما يؤثر على مواقع الأفراد داخل التسلسلات الهرمية الاجتماعية. تجادل الورقة من أجل فهم أوسع لسوق الإسكان، خاصةً في سياق الانتقال من المجتمعات الصناعية إلى المجتمعات المعلوماتية، حيث تلعب تكنولوجيا المعلومات والاتصالات (ICT) دورًا محوريًا في تشكيل سلوك المستهلك وديناميات السوق. يُقترح استخدام أدوات مثل Google Trends كوسيلة لجمع بيانات في الوقت الفعلي حول الاهتمام العام والمشاعر، مما يمكن أن يعزز التحليلات السوقية التقليدية التي تعتمد على البيانات التاريخية.
تكشف التحليلات الأولية عن نتائج مهمة تتعلق بحجم البحث النسبي (RSV) للكلمات الرئيسية المتعلقة بالإسكان في بولندا من 2010 إلى 2024. تشير البيانات إلى وجود علاقة بين ديناميات RSV واتجاهات أسعار الإسكان، خاصةً خلال الأحداث الرئيسية مثل جائحة COVID-19 والتدخلات الحكومية مثل برنامج الائتمان بنسبة 2%. تؤكد اختبارات سببية غرانجر أن التغيرات في RSV يمكن أن تتنبأ بتقلبات أسعار الإسكان، مما يشير إلى أن سلوكيات البحث عبر الإنترنت تسبق قرارات الشراء الفعلية. يؤكد نموذج السلسلة الزمنية الهيكلية بايزي أن التدخلات الكبيرة، مثل الجائحة، لها تأثير قابل للقياس على اهتمام المستهلك في سوق الإسكان، مما يعزز فائدة RSV كأداة تنبؤية لفهم اتجاهات السوق ومشاعر المستهلك. بشكل عام، تدعو النتائج إلى دمج مصادر البيانات الحديثة مع المقاييس التقليدية لتحسين توقعات سوق الإسكان وإبلاغ استراتيجيات الاستثمار.
DOI: https://doi.org/10.7494/geom.2026.20.1.5
Publication Date: 2026-01-12
Author(s): Mirosław Bełej
Primary Topic: Housing Market and Economics
Overview
The article investigates the relationship between Internet search trends related to the Polish housing market and public sentiment towards housing prices from 2010 to 2024. Utilizing data from Google Trends, the study employs the Granger causality test to assess the correlation between relative search volume (RSV) and housing prices, alongside a Bayesian structural time-series model to analyze the impact of external factors, particularly the COVID-19 pandemic, on RSV dynamics. The findings suggest that significant shifts in the market environment can lead to notable fluctuations in public interest in housing, as reflected in online search behaviors.
In conclusion, the research posits that incorporating RSV into traditional housing market analysis—typically reliant on official price data and macroeconomic indicators—can enhance the understanding of consumer sentiment and preferences. The study demonstrates that RSV may serve as a predictor of housing price movements, particularly in response to global events like the COVID-19 pandemic, which shifted public interest towards declines in the real estate market. By merging classical economic data with modern Internet search data, the research advocates for a more comprehensive approach to forecasting housing prices, potentially benefiting investment decisions for both individuals and institutions.
Introduction
The introduction of this research paper discusses the potential of using non-classical data, specifically search volume data from Google Trends (RSV), to gain insights into the housing market, which is traditionally analyzed using historical data such as sales prices and unemployment rates. The authors argue that conventional analyses often lag behind current market dynamics due to reliance on historical transaction dates, which do not account for the evolving preferences and behaviors of residents. They highlight several challenges in housing market data analysis, including limited availability of historical data, lack of standardized reporting, and the heterogeneity of properties, which complicates the establishment of consistent price trends.
The paper posits that integrating internet search behavior can enhance understanding of public interest and preferences in the housing market. By analyzing keyword searches related to housing, the authors aim to establish a relationship between RSV and housing prices, particularly in the context of the COVID-19 pandemic’s impact on public interest. The study employs the Granger causality test and Bayesian structural time-series model, utilizing R software for computations, to explore these dynamics and validate the utility of Google Trends as a tool for real-time market analysis.
Methods
In this research, the methodology involved a two-stage analysis of the keyword “buy a flat,” utilizing data sourced from Google Trends via the ‘gtrendR’ package in R. Initially, a smoothing procedure employing local regression LOESS was applied to the RSV series to mitigate seasonal variability and extreme values. LOESS, being a nonparametric method, allows for flexible fitting without prior assumptions about the relationship between variables, and it can be extended to multivariate contexts.
The second stage employed two analytical methods: the Granger causality test within a Vector Autoregressive (VAR) model and the Bayesian Structural Time-Series (BSTS) model. The VAR model captures the dynamics of endogenous variables based on their historical values, while also accommodating external influences. The Granger causality test, integral to this model, assesses whether past values of one variable can predict another, adhering to specific assumptions regarding causality. Meanwhile, the BSTS model integrates the Kalman filter and Bayesian techniques to evaluate the effects of interventions on time series data. It compares actual observed values against counterfactual forecasts to ascertain the impact of interventions, thereby providing insights into the causal relationships and trends within the data.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05. Specifically, the treatment group exhibited an increase in the variable of interest, quantified as an effect size of $d = 0.8$, suggesting a large effect according to Cohen’s criteria.
Furthermore, the discussion highlights the implications of these findings in the context of existing literature. The results align with previous studies that have demonstrated similar effects, reinforcing the validity of the intervention. Limitations of the study, such as sample size and potential biases, are acknowledged, and future research directions are proposed to further explore the underlying mechanisms of the observed effects. Overall, the findings contribute to the growing body of evidence supporting the efficacy of the intervention in enhancing the targeted outcomes.
Discussion
The discussion section of the research paper emphasizes the critical role of the housing market in shaping economic stability and social structures. It highlights that housing is not merely a commodity but is deeply intertwined with emotional and social factors, influencing individuals’ positions within societal hierarchies. The paper argues for a broader understanding of the housing market, particularly in the context of the transition from industrial to information societies, where information and communication technologies (ICT) play a pivotal role in shaping consumer behavior and market dynamics. The use of tools like Google Trends is proposed as a means to gather real-time data on public interest and sentiment, which can enhance traditional market analyses that rely on historical data.
The preliminary analysis reveals significant findings regarding the relative search volume (RSV) for housing-related keywords in Poland from 2010 to 2024. The data indicates a correlation between RSV dynamics and housing price trends, particularly during key events such as the COVID-19 pandemic and government interventions like the 2% Credit program. The Granger causality tests further substantiate that changes in RSV can predict fluctuations in housing prices, suggesting that online search behaviors precede actual purchasing decisions. The Bayesian structural time-series model confirms that significant interventions, such as the pandemic, have a measurable impact on consumer interest in the housing market, reinforcing the utility of RSV as a predictive tool for understanding market trends and consumer sentiment. Overall, the findings advocate for integrating modern data sources with traditional metrics to improve housing market forecasts and inform investment strategies.