Tilbake til søkeresultatene

NAERINGSPH-Nærings-phd

Machine Learning in Economics

Alternativ tittel: Maskinlæring i Samfunnsøkonomi

Tildelt: kr 1,6 mill.

Datamengden i reiselivsbransjen har økt det siste tiåret. En årsak er økt turisme og reiseaktivitet. Men den viktigste er økt digitalisering. Bedrifter og myndigheter registrerer og oppbevarer nesten all informasjon digitalt. Videre har teknologi som er utviklet til andre formål sett anvendelse, for eksempel bruk av data fra mobiltelefoner og kredittkort til å registrere turisters nasjonalitet og deres aktiviteter på et bestemt sted. Nasjonale aktører, eksempelvis myndigheter og selskaper i samferdselssektoren, åpner opp for ekstern tilgang til deres data. Data registrert og oppbevart av for eksempel opplevelse- og kulturbedrifter, hoteller og andre overnattingssteder, transport- og skattemyndigheter kan kombineres og gi ny og økt innsikt om turisters reisevaner og hvordan turisme påvirker destinasjoner. Gjennom anvendelse av statistiske metoder og modeller forankret i økonomisk teori, kan vi blant annet analysere sesongsvingninger i mer detalj og bedre generere prediksjoner av fremtidig aktivitet. Videre vurderer vi hvordan valutakurser påvirker turismeetterspørsel og økonomisk aktivitet ved destinasjoner.

-

Some of the difficulties faced by empirical economists is lack of data, and perhaps more specifically lack of data which is able in a detailed manner to identify complete decision patterns. On the other hand, computerization of companies and governmental agencies the last few decades have made it possible to record data on a large scale both with regards to high frequency time series, but also panel and cross sectional data. As a consequence, traditional methods are not sufficiently capable to encompass the complexity of these detailed data. Despite the application of some machine learning (ML) methods to economic problems, it is noted in the literature that ML and other forms of big data handling such as data mining not fully is embraced by the field of economics compared to that of the traditional econometric methods. The purpose of this project is to combine and apply econometric and ML methods to economic problems where big data, broadly defined, is available. While big data is a relative term depending on the contemporary computational power, the methods will be applied to both small (relative) and large data sets even while the data is not defined as big data, per se. Challenges faced when doing statistical analysis is the data handling done by companies. Often, data is recorded in regular and predefined intervals. At the same time, it is stored without being used for anything else than displaying the raw data in figures and/or tables, if even that. Consequently, a job must be done with regards to facilitating and connecting the data to the implemented algorithms. This requires commitment from the companies. A long term goal of this project is to make companies better observe and acknowledge the value their data often contains, increase their knowledge with regard to what expertise to demand, and when.

Budsjettformål:

NAERINGSPH-Nærings-phd