Experimentelle Statistiken des BFS

Experimentelle Statistiken werden anhand neuer Methoden und/oder Datenquellen produziert und entsprechen damit sowohl der Dateninnovationsstrategie des BFS als auch dem statistischen Mehrjahresprogramm des Bundes. Auf dieser Microsite werden unter anderem auch die laufenden (Pilot)projekte im Bereich der Dateninnovationsstrategie beschrieben.

Durch die frühzeitige Publikation werden Nutzerinnen und Nutzer sowie Partner sowohl bei der Entwicklung als auch bei der Konsolidierung der Projekte frühzeitig einbezogen. Dadurch können die Nutzerbedürfnisse bezüglich Effizienz, Qualität und Verfügbarkeit besser und rascher erfüllt werden.

Trotzdem können die experimentellen Statistiken insbesondere aus methodischer Sicht noch Verbesserungspotenzial aufweisen. Die Methodik kann sich somit noch weiterentwickeln. Experimentelle Statistiken werden daher mit einem leicht erkennbaren Logo markiert.

Veröffentlichte Statistiken

Zur Kleingebietsschätzung (Gemeinden) der Erwerbsbeteiligung in der Strukturerhebung

Kleingebietsschätzung (Gemeinden) der Erwerbsbeteiligung in der Strukturerhebung

Die Strukturerhebung liefert wichtige Informationen zur Bevölkerung und insbesondere zur Arbeitssituation. Mit Kleingebietsschätzungen sollen die Grenzen der Standardmethoden anhand verschiedener Techniken ausgeweitet werden. Die Arbeiten haben gezeigt, dass sich die jährliche Erwerbsbeteiligung für Gemeinden mit Stichproben von mindestens 100 Personen zuverlässig schätzen lassen.

Pilotprojekte im Rahmen der Dateninnovationsstrategie

Am 21. November 2017 hat das BFS seine Dateninnovationsstrategie veröffentlicht.

Dies ist eine erste Publikation des BFS zum weitläufigen Thema der Digitalisierung. Die Publikation befasst sich in erster Linie mit der Nutzung zusätzlicher Analysemethoden (z.B. prädiktive Analyse mittels fortgeschrittener Statistiktechniken, Datenwissenschaft und/oder maschinelles Lernen), dank denen die öffentliche Statistikproduktion erweitert oder ergänzt werden kann. Im Rahmen der Dateninnovationsstrategie wurden fünf Pilotprojekte ausgewählt, die zurzeit umgesetzt werden. Die Projektbeschreibungen finden Sie weiter unten.

Zur Projekt «Arealstatistik Deep Learning» (ADELE)

Projekt «Arealstatistik Deep Learning» (ADELE)

Die Arealstatistik des BFS ist ein unverzichtbares Instrument der langfristigen Raumbeobachtung. Das Projekt zielt darauf ab, das nötige Knowhow im Bereich der Technologien zur künstlichen Intelligenz (KI) zu erlangen und damit auf lange Sicht die Luftbildinterpretation zur Identifizierung und Klassifizierung von Veränderungen zumindest teilweise zu automatisieren.

Zur Projekt «Automatisierung der NOGA-Kodierung» (NOGAuto)

Projekt «Automatisierung der NOGA-Kodierung» (NOGAuto)

Automatisierung der Kodierung der wirtschaftlichen Tätigkeit von Unternehmen anhand von Machine Learning Methoden, die an bereits im BFS vorhandene Daten angewandt werden (Erhebungsdaten, Beschreibung im Handelsregister, Schlüsselwörter, Erläuterungen der Nomenklaturen usw.).

Zur Projekt «Machine Learning SoSi» (ML_SoSi)

Projekt «Machine Learning SoSi» (ML_SoSi)

Gruppierung typischer prospektiver Verlaufsmuster bezüglich Leistungsbezügen im System der Sozialen Sicherheit und Erwerbsarbeit sowie Schätzung der Gruppenzugehörigkeit durch Nutzung individueller Merkmale und retrospektiver Verlaufsdaten unter Anwendung eines machine-learning-Ansatzes.

Zur Projekt «Plausibilitätsprüfung mit Machine Learning»

Projekt «Plausibilitätsprüfung mit Machine Learning»

Dieses Projekt beabsichtigt die Plausibilitätsprüfungen im BFS anhand von Machine Learning Algorithmen zu erweitern, zu beschleunigen und gleichzeitig die Datenqualität zu steigern.

Zur Projekt «Ermittlung des Potenzials von «Kleingebietsschätzungen» im Rahmen der Beschäftigungsstatistik» (BESTA)

Projekt «Ermittlung des Potenzials von «Kleingebietsschätzungen» im Rahmen der Beschäftigungsstatistik» (BESTA)

Ein rund 15-köpfiges Projektteam prüft, inwiefern die Methode «Kleingebietsschätzungen» sich für die Beschäftigungsstatistik eignet. Ziel ist es, zuverlässige Schätzungen der Gesamtbeschäftigung und der VZÄ für Kantone, Grossstädte und im Stichprobenplan nicht berücksichtigte NOGA-Stufen vorzunehmen.