Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/280979 
Year of Publication: 
2023
Series/Report no.: 
IfM-Materialien No. 303
Publisher: 
Institut für Mittelstandsforschung (IfM) Bonn, Bonn
Abstract: 
Der Mittelstand ist derzeit mit vielfältigen Krisen konfrontiert. Eine frühe Erkennung relevanter Herausforderungen und Chancen ermöglicht es den mittelständischen Unternehmen und der Wirtschaftspolitik, sich darauf vorzubereiten und die geeigneten Rahmenbedingungen zu setzen. Gegenwärtig erfolgt die Früherkennung zumeist anhand von Konjunkturindikatoren, die i.d.R. anhand konkreter Zahlenwerte Rückschlüsse auf die zukünftige Wirtschaftsentwicklung ziehen. Eine systematische Auswertung wirtschaftsrelevanter Textdaten erfolgt nicht. Hier setzt das in der vorliegenden Studie entwickelte innovative Früherkennungskonzept an, das KI-gestützt Textdaten aus Medien und Wirtschaft effizient analysiert und Themen extrahiert. Mithilfe von Praxistests zeigen wir, dass das Konzept zuverlässig funktioniert und relevante Themen frühzeitig erkennen kann.
Abstract (Translated): 
Currently, SMEs are confronted with several crises. The early detection of relevant threats and opportunities enables SMEs and economic policymakers to be prepared and set the appropriate framework conditions. Early detection is often based on economic indicators that develop forecasts with the help of structured data (usually numbers). Moreover, information from text data is not analysed systematically in current economic indicators. Hence, the present study develops an innovative early detection concept that efficiently analyses text data from the media and economy. The AI-based concept can analyse large amounts of text data and extract relevant topics. With the help of multiple tests with real data, we show that the concept delivers reliable results and can recognise relevant topics at an early stage.
Subjects: 
Früherkennung
Themen
Topic Modeling
Maschinelles Lernen
early detection
topics
topic modeling
machine learning
JEL: 
M20
O10
Document Type: 
Research Report

Files in This Item:
File
Size
649.42 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.