Közösségi adatforrások felhasználási lehetőségei a területi kutatás támogatásában

Hornyák, Miklós (2014) Közösségi adatforrások felhasználási lehetőségei a területi kutatás támogatásában. GRADUS, 1 (2). pp. 230-237. ISSN 2064-8014

Preview

Text 2014_2_ECO_011_HORNYAK.pdf Download (537kB) | Preview

Abstract

A regionális versenyképességi elemzésekben a területegységeket jellemző, azok objektív összehasonlítását szolgáló indexek kialakítása általános. A létrejövő indikátorok a mennyiségi (kvantitatív) típusú adatok alapján építkeznek, azonban a minőségi (kvalitatív) típusú adatok felhasználása is terjed.Bár a felhasznált adatforrások és adattípusok köre heterogén, de jellemzően kérdőíves lekérdezések és interjútechnikák alapozzák meg a minőségi ("puha") típusú indexeket. A részvételi hajlandóság sok esetben alacsony, az adatok beszerzése így nehézségekbe ütközik. Az on-line adatforrásokon elérhető hatalmas mennyiségű adat felhasználásával e "puha" típusú adathiány pótolható, információvá alakítható. A minőségi tulajdonságokra reflektáló, a banális világot jellemző, ám a virtuális térben működő "közösségi érzékelők" a duo-mining technológia segítségével elemezhetők. Ezen szenzorok szolgáltatta adatok lokációhoz kapcsolásával, szűrésével a területegységhez kötödő adathalmaz alakítható ki. Ezen adatok további elemzésével a vizsgált térség versenyképességének jellemzését tovább finomító minőségi típusú információk nyerhetők. A big data felhasználása és az adatbányászati technológiák további támogatási lehetőséget biztosíthatnak e területen. Dolgozatunkban a duo-mining témakörében zajló kutatások adatbányászati, szövegbányászati eredményeit mutatjuk be. Első példánkban internetes hírek szövegelemzésén alapuló, a területegység médiareprezentációját (pozitív / negatív hír) jellemző Hírindex kalkulálását végezzük el. A big data alkalmazások közül a Google Trends keresési elemzésen nyugvó Jövő Orientációs Index kialakítását mutatjuk meg, mely index a területegységről . indított Google keresési kulcsszavak vizsgálata alapján jellemzi a magyarországi megyéket. Utolsó példánk adatbányászati módszerekkel történő kis- és középvállalati csődindex kalkulálását mutatja, melyben Support Vector Model felhasználásával a cégek pénzügyi, területi adataira alapozva jelezzük előre a csőd bekövetkezésének valószínűségét.

Actions (login required)

Edit Item