Direkt zum Hauptbereich

Template zur PDF-Analyse


Der Jahresabschluss 2019 der Daimler AG hat 350 teils eng beschriebene Seiten. Zur schnellen Analyse und ersten Einschätzung habe ich mir selbst ein PDF-Template zur Analyse von PDFs geschrieben (unten angehängt der R-Code) und aufbauend u.a. auf folgendem Intro wichtige Codes beschrieben.

Worthäufigkeiten
Zuerst schauen wir in Plot 1-4 nach den häufigsten Wörtern, bzw. Wortpaaren. Wir sehen die zu erwartenden Wörter eines Jahresabschlusses; aber auch spezifische Themen wie "Mobility" oder "Truck". Wir haben nun also bereits einen kleinen Einblick darin, was für Themen wichtig sein könnten.

 Sentiment
Was erfahren wir über die Stimmung - den Sentiment Score? Plot 5-13 zeigen uns verschiedenes dazu. Die Ausprägung von "positive" in Plot 5 lässt sich erklären. "Trust" auch; hier können wir aber tiefer tauchen und schauen, welche Wörter diese Ausprägung veranlassen. Genauso können wir schauen, welche Wörter in was für einem Umfang zur Stimmung beitragen. Doch wie sieht die Stimmung über das PDF hinweg aus? Plot 9 zeigt uns die Verteilung in Schritten von jeweils 80 Seiten. Wir sehen tatsächlich große Unterschiede zwischen den Schritten. Wo ist die Stimmung am schlechtesten? Die folgenden beiden Plots lassen vermuten, dass es hier um das Risiko-Kapitel geht und speziell Finanz- bzw. Währungsrisiken wichtig sind. Die Plots zum Maximum des Sentiment-Scores lassen vermuten, dass es hier um die Produkte geht.
Themen
Auch Themen können wir identifizieren (lassen); hier mit n=3. Allerdings wird noch nicht wirklich etwas erkennbar. Im Vergleich zwischen Topic1 und Topic2 können wir erahnen, dass es beim einen evtl. um Finanzthemen geht und beim anderen um Umweltstandards.

 Vergleich zu anderem Text
Wir können das PDF auch zu einem anderen PDF vergleichen. In diesem Fall ist text2 der Jahresabschluss 2019 der Deutschen Bank. In den Plots sehen wir in welchem Text Wörter häufiger benutzt werden, können die Gemeinsamkeit aber auch statistisch messen. Zudem können wir a) zwei Themen im zusammengefügten Text finden und b) testen, ob ein PDF auch jeweils ein Thema ergibt; also ob sich die PDFs thematisch so unterscheiden, dass dies erkennbar ist. Dies ist hier tatsächlich der Fall, wie wir im letzten Screenshot sehen können.

Die nrc-Bibliothek zur Sentimentanalyse wird hier beschrieben:
Crowdsourcing a Word-Emotion Association Lexicon, Saif Mohammad and Peter Turney, Computational Intelligence, 29 (3), 436-465, 2013.

Emotions Evoked by Common Words and Phrases: Using Mechanical Turk to Create an Emotion Lexicon, Saif Mohammad and Peter Turney, In Proceedings of the NAACL-HLT 2010 Workshop on Computational Approaches to Analysis and Generation of Emotion in Text, June 2010, LA, California.

Und hier der Code für R:
library(pdftools)
library(SnowballC)
library(dplyr)

# Text einlesen und vorbereiten
text <- pdf_text("~/Documents/Blog/Textanalyse_Template/Daimler 2019.pdf") %>% 
  readr::read_lines()
text <- data.frame(matrix(unlist(text), byrow=T),stringsAsFactors=FALSE)
text <- tibble::rowid_to_column(text, "line")
names(text) <- c("line", "text")
library(tidytext)
library(tm)
custom_stop_words <- bind_rows(tibble(word = c("miss","€", "daimler", "mercedesbenz", "report", "§", "mercedes", "benz", "ag"), 
                                      lexicon = c("custom")),
                               stop_words) #hier anpassen
tidy_text <- text %>%
  unnest_tokens(word, text) %>%
  anti_join(custom_stop_words) 
tidy_text<-tidy_text[-grep("\\b\\d+\\b", tidy_text$word),]  #Nummern entfernen

# Plot1: die häufigsten Wörter
library(ggplot2)
tidy_text %>%
  count(word, sort = TRUE) %>%
  top_n(20) %>% #hier anpassen
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(word, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot1: die häufigsten Wörter") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot2: wordcloud
library(wordcloud)
layout(matrix(c(1, 2), nrow=2), heights=c(1, 4))
par(mar=rep(0, 4))
plot.new()
text(x=0.5, y=0.5, "Plot2: wordcloud")
tidy_text %>%
  count(word) %>%
  with(wordcloud(word, n, max.words = 100)) +
  ggtitle("Plot2: wordcloud") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot3: die häufigsten Bigramme
library(tidyr)
bigrams <-text %>%
  unnest_tokens(bigram, text, token = "ngrams", n = 2) %>%
  separate(bigram, c("word1", "word2"), sep = " ") %>%
  filter(!word1 %in% custom_stop_words$word,
         !word2 %in% custom_stop_words$word) %>%
  drop_na(word1) %>%
  drop_na(word2) %>%
  unite(bigram, word1, word2, sep = " ")
bigrams<-bigrams[-grep("\\b\\d+\\b", bigrams$bigram),]
bigrams %>%
  count(bigram, sort = TRUE) %>%
  top_n(10) %>% #hier anpassen
  mutate(bigram = reorder(bigram, n)) %>%
  ggplot(aes(bigram, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot3: die häufigsten Bigramme") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot 4: die häufigsten Trigramme
trigrams <- text %>%
  unnest_tokens(trigram, text, token = "ngrams", n = 3) %>%
  separate(trigram, c("word1", "word2", "word3"), sep = " ") %>%
  filter(!word1 %in% custom_stop_words$word,
         !word2 %in% custom_stop_words$word,
         !word3 %in% custom_stop_words$word) %>%
  drop_na(word1) %>%
  drop_na(word2) %>%
  drop_na(word3)
trigrams <- trigrams %>%
  unite(trigrams, word1, word2, word3, sep = " ")
trigrams<-trigrams[-grep("\\b\\d+\\b", trigrams$trigrams),]  #remove numbers
trigrams %>%
  count(trigrams, sort = TRUE) %>%
  top_n(10) %>% #hier anpassen
  mutate(trigrams = reorder(trigrams, n)) %>%
  ggplot(aes(trigrams, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot 4: die häufigsten Trigramme") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))

# Sentiment-Analyse
library(tidytext)
#get_sentiments("afinn") #assigns words with a score that runs between -5 and 5
#get_sentiments("bing") #categorizes words in a binary fashion into positive and negative categories
#get_sentiments("nrc") #LICENSE NEEDED - categorizes words in a binary fashion (“yes”/“no”) into categories of positive, negative, anger, anticipation, disgust, fear, joy, sadness, surprise, and trust
library(textdata)
# Plot 5: welche Emotionen werden angesprochen?
tidy_text %>%  
  inner_join(get_sentiments("nrc")) %>%
  count(sentiment, sort=TRUE) %>%
  mutate(sentiment = reorder(sentiment, n)) %>%
  ggplot(aes(sentiment, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot 5: welche Emotionen werden angesprochen?") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot 6: was für "trust"-Wörter gibt es?
tidy_text %>%
  inner_join(get_sentiments("nrc")%>%
               filter(sentiment == "trust")) %>% #positive, negative, anger, anticipation, disgust, fear, joy, sadness, surprise, and trust
  count(word, sort = TRUE) %>%
  top_n(10) %>% #hier anpassen
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(word, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot 6: was für trust-Wörter gibt es?") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot 7: die häufigsten positiv & negativ-konnotierten Wörter
bing_word_counts <- tidy_text %>%
  mutate(word = wordStem(word)) %>%
  inner_join(get_sentiments("bing")) %>%
  count(word, sentiment, sort = TRUE) %>%
  ungroup()
bing_word_counts %>%
  group_by(sentiment) %>%
  top_n(10) %>% #hier anpassen
  ungroup() %>%
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(word, n, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  coord_flip() +
  ggtitle("Plot 7: die häufigsten positiv & negativ-konnotierten Wörter") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot8: Comparison-Wordcloud positive vs negative Wörter
library(reshape2)
layout(matrix(c(1, 2), nrow=2), heights=c(1, 4))
par(mar=rep(0, 4))
plot.new()
text(x=0.5, y=0.5, "Plot8: Comparison-Wordcloud positive vs negative Wörter")
tidy_text %>%
  inner_join(get_sentiments("bing")) %>%
  count(word, sentiment, sort = TRUE) %>%
  acast(word ~ sentiment, value.var = "n", fill = 0) %>%
  comparison.cloud(colors = c("gray50", "gray80"),
                   max.words = 100)
# Plot9: die Entwicklung des Sentiment-Scores per 80-Zeilen
library(scales)
text_sentiment <- tidy_text %>%
  inner_join(get_sentiments("bing")) %>%
  count(index = line %/% 80, sentiment) %>% #ggfalls n anpassen
  spread(sentiment, n, fill = 0) %>%
  mutate(sentiment = positive - negative)
ggplot(text_sentiment, aes(index, sentiment)) +
  geom_col(show.legend = FALSE) +
  ggtitle("Plot9: die Entwicklung des Sentiment-Scores per 80-Zeilen") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot10: wo ist der Sentiment-Score am niedrigsten?
sentiment_min <- text_sentiment %>%
  top_n(-1) %>%
  select(index) * 80
tidy_text %>%
  filter(line >= sentiment_min$index & line < sentiment_min$index +80) %>%
  count(word, sort = TRUE) %>%
  top_n(20) %>% #hier anpassen
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(word, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot10: wo ist der Sentiment-Score am niedrigsten?") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
trigrams_min <- text %>%
  filter(line >= sentiment_min$index & line < sentiment_min$index +80) %>%
  unnest_tokens(trigram, text, token = "ngrams", n = 3) %>%
  separate(trigram, c("word1", "word2", "word3"), sep = " ") %>%
  filter(!word1 %in% custom_stop_words$word,
         !word2 %in% custom_stop_words$word,
         !word3 %in% custom_stop_words$word) %>%
  drop_na(word1) %>%
  drop_na(word2) %>%
  drop_na(word3)
trigrams_min <- trigrams_min %>%
  unite(trigrams, word1, word2, word3, sep = " ")
trigrams_min %>%
  count(trigrams, sort = TRUE) %>%
  head(n=20) %>% #hier anpassen
  mutate(trigrams = reorder(trigrams, n)) %>%
  ggplot(aes(trigrams, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot11: wo ist der Sentiment-Score am niedrigsten?") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot12: wo ist der Sentiment-Score am höchsten?
sentiment_max <- text_sentiment %>%
  top_n(1) %>%
  select(index) * 80
tidy_text %>%
  filter(line >= sentiment_max$index & line < sentiment_max$index +80) %>%
  count(word, sort = TRUE) %>%
  top_n(20) %>% #hier anpassen
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(word, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot12: wo ist der Sentiment-Score am höchsten??") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
trigrams_max <- text %>%
  filter(line >= sentiment_max$index & line < sentiment_max$index +80) %>%
  unnest_tokens(trigram, text, token = "ngrams", n = 3) %>%
  separate(trigram, c("word1", "word2", "word3"), sep = " ") %>%
  filter(!word1 %in% custom_stop_words$word,
         !word2 %in% custom_stop_words$word,
         !word3 %in% custom_stop_words$word) %>%
  drop_na(word1) %>%
  drop_na(word2) %>%
  drop_na(word3)
trigrams_max <- trigrams_max %>%
  unite(trigrams, word1, word2, word3, sep = " ")
trigrams_max %>%
  count(trigrams, sort = TRUE) %>%
  head(n=20) %>%
  mutate(trigrams = reorder(trigrams, n)) %>%
  ggplot(aes(trigrams, n)) +
  geom_col() +
  xlab(NULL) +
  coord_flip() +
  ggtitle("Plot13: wo ist der Sentiment-Score am höchsten??") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))

# Plot 14: Identifikaton von n Themen und aus welchen Wörtern diese bestehen
library(topicmodels)
texts_DTM <- tidy_text  %>%
  mutate(document = "text1") %>%
  count(document, word) %>%
  cast_dtm(document, word, n)
library(ldatuning)
result <- FindTopicsNumber(
  texts_DTM,
  topics = seq(from = 2, to = 10, by = 1),
  metrics = c("Griffiths2004", "CaoJuan2009", "Arun2010", "Deveaud2014"),
  method = "Gibbs",
  control = list(seed = 77),
  mc.cores = 2L,
  verbose = TRUE
)
FindTopicsNumber_plot(result) #%>% #get n from the plots
topics <- LDA(texts_DTM, k = 3, control = list(seed = 1234))  #hier anpassen
topics_prob <- tidy(topics, matrix = "beta")
topic_terms <- topics_prob %>%
  group_by(topic) %>%
  top_n(15, beta) %>% #hier anpassen
  ungroup() %>%
  arrange(topic, -beta)
topic_terms %>%
  mutate(term = reorder_within(term, beta, topic)) %>%
  ggplot(aes(term, beta, fill = factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip() +
  scale_x_reordered()  +
  ggtitle("Plot 14: Identifikaton von n Themen und aus welchen Wörtern diese bestehen?") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Plot 15: Unterschied zwischen topic 1 und 2
beta_spread <- topics_prob %>%
  mutate(topic = paste0("topic", topic)) %>%
  spread(topic, beta) %>%
  filter(topic1 > .001 | topic2 > .001) %>%
  mutate(log_ratio = log2(topic2 / topic1)) ##ggfalls hier anpassen
beta_spread %>%
  mutate(contribution = log_ratio) %>%
  arrange(desc(abs(contribution))) %>%
  head(20) %>% #hier anpassen
  mutate(term = reorder(term, contribution)) %>%
  ggplot(aes(term, log_ratio, fill = log_ratio > 0)) +
  geom_col(show.legend = FALSE) +
  xlab("terms") +
  ylab("Sentiment value * number of occurrences") +
  coord_flip() +
  ggtitle("Plot 15: Unterschied zwischen topic 1 und 2") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))


#Vergleich zu einem anderen PDF-Text
text2 <- pdf_text("~/Documents/Blog/Textanalyse_Template/Deutsche Bank 2019.pdf") %>% 
  readr::read_lines()
text2 <- data.frame(matrix(unlist(text2), byrow=T),stringsAsFactors=FALSE)
text2 <- tibble::rowid_to_column(text2, "line")
names(text2) <- c("line", "text")
joined_texts <- bind_rows(text %>% 
                            mutate(source = "text1"),
                          text2 %>% 
                            mutate(source = "text2"))
tidy_texts <- joined_texts %>%
  unnest_tokens(word, text) %>%
  anti_join(custom_stop_words)
tidy_texts<-tidy_texts[-grep("\\b\\d+\\b", tidy_texts$word),]  #remove numbers

# Plot16: Vergleich der häufigsten Wörter
frequency <- tidy_texts %>% #
  group_by(source) %>% 
  count(word, sort = TRUE) %>% 
  left_join(tidy_texts %>% 
              group_by(source) %>% 
              summarise(total = n())) %>%
  mutate(freq = n/total)
frequency <- frequency %>%
  select(source, word, freq) %>% 
  spread(source, freq) %>%
  arrange(text1, text2)
ggplot(frequency, aes(text1, text2)) +
  geom_jitter(alpha = 0.1, size = 2.5, width = 0.25, height = 0.25) +
  geom_text(aes(label = word), check_overlap = TRUE, vjust = 1.5) +
  scale_x_log10(labels = percent_format()) +
  scale_y_log10(labels = percent_format()) +
  geom_abline(color = "red") +
  ggtitle("Plot16: Vergleich der häufigsten Wörter") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# Statist. Ähnlichkeit zwischen den beiden Texten nach Worthäufigkeit
cor.test(data = frequency[,],~ text1 + text2)
# Plot17: Wichtige Wörter, welche die beiden Texte im Vergleich ausmachen (nach Zipf`s Law)
texts_words <- tidy_texts %>%
  count(source, word, sort = TRUE) %>%
  ungroup()
tw_idf <- texts_words %>%
  bind_tf_idf(word, source, n) %>%
  arrange(desc(tf_idf))
tw_idf %>%
  arrange(desc(tf_idf)) %>%
  mutate(word = factor(word, levels = rev(unique(word)))) %>% 
  group_by(source) %>% 
  top_n(15) %>%  #hier anpassen
  ungroup() %>%
  ggplot(aes(word, tf_idf, fill = source)) +
  geom_col(show.legend = FALSE) +
  labs(x = NULL, y = "tf-idf") +
  facet_wrap(~source, ncol = 2, scales = "free") +
  coord_flip() +
  ggtitle("Plot17: Wichtige Wörter, welche die beiden Texte im Vergleich ausmachen (nach Zipf`s Law)") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))

# Plot 18: zwei gemeinsame Themen in beiden Texten
texts_DTM <- tidy_texts %>%
  count(source, word) %>%
  cast_dtm(source, word, n)
topics <- LDA(texts_DTM, k = 2, control = list(seed = 1234))
topics_prob <- tidy(topics, matrix = "beta") #probability of that term being generated from that topic for each line
topic_terms <- topics_prob %>%
  group_by(topic) %>%
  top_n(10, beta) %>% #hier anpassen
  ungroup() %>%
  arrange(topic, -beta)
topic_terms %>%
  mutate(term = reorder_within(term, beta, topic)) %>%
  ggplot(aes(term, beta, fill = factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip() +
  scale_x_reordered() +
  ggtitle("Plot 18: zwei gemeinsame Themen in beiden Texten") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# plot 19: die größten Unterschiede zwischen beiden gemeinsamen Themen
beta_spread <- topics_prob %>%
  mutate(topic = paste0("topic", topic)) %>%
  spread(topic, beta) %>%
  filter(topic1 > .001 | topic2 > .001) %>%
  mutate(log_ratio = log2(topic2 / topic1))
beta_spread %>%
  mutate(contribution = log_ratio) %>%
  arrange(desc(abs(contribution))) %>%
  head(20) %>% #hier anpassen
  mutate(term = reorder(term, contribution)) %>%
  ggplot(aes(term, log_ratio, fill = log_ratio > 0)) +
  geom_col(show.legend = FALSE) +
  xlab("terms") +
  ylab("Sentiment value * number of occurrences") +
  coord_flip() +
  ggtitle("plot 19: die größten Unterschiede zwischen beiden gemeinsamen Themen") +
  theme(plot.title = element_text(size = 10, hjust = 0.5))
# gamma ist der Anteil an Wörtern, aus welchen jeweils ein Thema generiert wurde
# d.h. je mehr ein PDF ein Thema ausmacht, desto höher das Gamma
# -> thematischer Unterschied, wenn jeweils ein PDF zu einem Topic beiträgt
topic_documents <- tidy(topics, matrix = "gamma")
topic_documents

Photo by Pixabay from Pexels

Labels:

Beliebte Posts aus diesem Blog

Was ist fremd?

brandy74 "Malstunde" Some rights reserved. www.piqs.de Der Begriff Fremdheit wird benutzt zur Charakterisierung einer Beziehung. Immer muss etwas bekannt sein um es auch als fremd zu bezeichnen; andernfalls kann es nicht beschrieben werden. Wissenschaftlich wird die Fremdheit oft auch als die Gleichzeitigkeit von Nähe und Entferntheit, von Verbundenheit und Getrenntheit charakterisiert. Wer demnach etwas als fremd bezeichnet, unterscheidet die Welt an dieser Stelle in ein Innen und ein Außen. Das Fremde sei jenseits einer einer imaginären Grenze. Diese Grenzen können unterschiedlich lokalisiert werden. Bei der kulturellen Fremdheit werden andere kulturelle Verhaltensweisen und Ansichten identifiziert und als fremd bezeichnet. Bei der sozialen Fremdheit ist der Fremde hingegen Teil der eigenen Gesellschaft, der eigenen Gemeinschaft. Durch die Zuschreibung der sozialen Fremdheit wird er aus dem eigenen Bereich, also dem eigenen sozialen Milieu, exkludiert. Drückt sich
Read more »

Sentiment-Analyse von deutschen Texten in R

Eine Sentiment-Analyse funktioniert im Grunde wiefolgt: die einzelnen Wörter werden eines Textes werden mit bestimmten Bibliotheken abgeglichen und eine Einteilung in "positiv/negativ" oder ein hinterlegter Sentiment-Wert abgegriffen. Die Summe dieser Werte ergibt schließlich den Sentiment-Score des ganzen Texts. Für englische Texte sind in R bereits Bibliotheken hinterlegt (z.B. im Package tidytext ). Für deutsche Texte habe ich auf meiner Recherche die Bibliothek  SentiWS  der Universität Leipzig gefunden. Die rund 16.000 positiven und 18.000 negativen Wörter sind mit einer Wertspanne von -1 zu 1 hinterlegt. Das Problem ist, dass diese in zwei Textdateien kommen, deren Format erst aufbereitet werden muss. So sieht die Bibliothek beim Einlesen aus: Mit folgendem Code habe ich mir die Bibliothek operationalisiert: library(dplyr) # SentiWS - Dateien hier runterladen: https://wortschatz.uni-leipzig.de/en/download # a) negative Wörter # die Textdatei einlesen negat
Read more »

Migration und Bevölkerungsentwicklung: Solidarität und Selbsthilfe

Aus: Neue Potenziale - zur Lage der Nation in Deutschland , Juni 2014,  Berlin-Institut für Bevölkerung und Entwicklung Vor ein paar Wochen war ich auf einem sehr spannenden Vortrag am ifo-Institut in München von Herrn Dr. Klingholz, Direktor des Berlin Instituts für Bevölkerung und Entwicklung. Der Vortrag widmete sich einerseits der Zusammensetzung und dem Bildungs- wie Integrationsgrad deutscher Migranten und andererseits der zukünftigen Bevölkerungsentwicklung in Teilen der Welt und deren Auswirkungen auf die Migration in Europa, bzw. Deutschland. Polarisierend Unterteilt man die Migranten(1) nach Gruppen hinsichtlich ihrer Herkunftsländer, so zeigt sich oft eine starke Polarisierung des Bildungsgrades. Beispiel Rumänien und Polen. Zwar ist der Anteil der Migranten aus Rumänien und Polen ohne Bildungsabschluss wesentlich höher als der Anteil der Einheimischen. Umgekehrt ist der Anteil an Akademikern bei Migranten aus Rumänien und Polen höher als bei Einheimischen. Auch
Read more »

die Hot-Dog-Ökonomie

Diego Torres Silvestre " Ice Creams, Hot Dogs & Pretzels" Some rights reserved. www.piqs.de Man stelle sich eine Wirtschaft vor, in der nur zwei Güter hergestellt würden: Würstchen und Brötchen. Konsumenten würden Hotdogs kaufen; also jeweils ein Brötchen mit einer Wurst. Die Fertigung geschieht durch Menschenhand. So fing Paul Krugman 1997 einen Artikel für das Online-Magazine Slate an, in welchem er den Zusammenhang von Technologie, Jobs und Kapitalismus erklären will. Er fährt fort, dass in dieser Wirtschaft 120 Millionen Arbeiter beschäftigt sind, was einer Vollbeschäftigung entspreche. Zur Herstellung einer Wurst oder eines Brötchens benötige es zwei Arbeitstage. Die 60 Millionen Angestellten in der Brötchenproduktion und genauso viele in der Wurstfabrikationen produzieren demnach täglich 30 Millionen Brötchen und Würste. Angenommen es komme eine verbesserte Technologie auf, mit deren Hilfe ein Arbeiter zur Herstellung einer Wurst nur noch einen Tag
Read more »

die schöne Welt von Red Bull

Till Krech "wroooom" Some rights reserved. www.piqs.de Red Bull – vom Marktführer für Energiegetränke zum kommenden Medienimperium? Das Magazin Fast Company vergab in der Liste „The World´s 50 Most Innovative Companies“ den 29. Platz an Red Bull für genau diese Entwicklung. Gebündelt unter dem Dach der Red Bull Media House GmbH besitzt der Konzern mittlerweile verschiedene Medienbeteiligungen und Neugründungen. Kritiker bezeichnen es als eine gewaltige Marketingmaschine. Rund ein Drittel des Umsatzes wird für die Pflege des Marktauftritts ausgegeben. Eine firmeninterne Nachrichtenagentur sammelt Inhalte zu einen der vielen weltweiten aufsehenerregenden Red-Bull-Ereignisse, um sie externen Medien gebündelt und aufbereitet zur Verfügung zu stellen. Über eigene Medien werden die Konsumenten sogar direkt erreicht. Das 2007 gegründete Hochglanzmagazin "Red Bulletin" hat bereits eine Auflage von 5 Millionen Heften erreicht und wird mehrspraching in zwö
Read more »

Verspargelung der Landschaft

FZ 18: "Mount Idarkopf" www.piqs.de Some Rights reserved. Vielleicht ist es, weil ich erst 22 Jahre alt bin. Vielleicht weil es bei meiner Heimatstadt schon seit mehr als zehn Jahren ein Windrad gibt. Aber das Argument einer Verspargelung der Landschaft durch Windräder zählt für mich nicht. Ich komme aus Baden-Württemberg. Insofern verfolgt mich das Argument der Verspargelung der Landschaft durch den ehemaligen baden-württembergischen Ministerpräsidenten Erwin Teufel fast genauso lange wie das Windrad vor meiner Haustür. Das Argument wird immer wieder von jenen hervorgebracht, welche gegen die Aufstellung von Windrädern sind. Die einen fürchten um die Landschaft, andere finden sie einfach nicht schön und noch andere bringen es nur als Vorwand. Besonders die Nähe zur Atomwirtschaft fällt einem bei der hießigen CDU auf. In Baden-Württemberg ist der Fall bei den Windrädern vielleicht ein bisschen spezieller. Wenn man hier die Windenergie effizient nutzen will, so
Read more »