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