Direkt zum Hauptbereich

Twitter-Sentiment- & Aktienanalyse - gibt es einen Zusammenhang?


Twitter wird häufig zur Kommentierung von und Kommunikation mit Unternehmen genutzt. Dies ist ein Grund, warum Tweets zur Analyse von Aktienverläufen genutzt werden. Im Folgenden versuche ich den Zusammenhang zwischen den Sentimentwerten von Tweets und Aktienkursen aufzuzeigen; dies nur rudimentär über einen relativ kurzen Zeitraum und mit täglichen Werten. Untersucht wird das öffentlich-präsente Unternehmen Boeing und Abbvie, das weniger im Rampenlicht steht. Spoiler: Ein Zusammenhang lässt sich (in dieser Untersuchung) nicht feststellen.
Der Verlauf der Anzahl an Tweets zeigt eine große Volatilität mit einigen Hochpunkten. Es wird sichtbar, dass über Boeing sehr viel öfter getweetet wird. Es wird auch sichtbar, dass ich an einigen Tagen Ende Juni keine Tweets zu Boeing gesammelt habe.

Betrachten wir die jeweils häufigsten Begriffe in den Tweets zu den beiden Firmen so sehen wir den Unterschied zwischen den Firmen. Es wird deutlich, dass über Abbvie als Pharma- und Boeing als Luftfahrtunternehmen thematisch unterschiedlich geschrieben wird.

Auch die Wahrnemung der beiden Firmen ist unterschiedlich. Im folgenden wird die Anzahl der negativen und positiven Wörter vom Abgleich mit dem bing-Lexikon angezeigt, deren Differenz den Sentimentwert Bing ergeben. Der Afinn-Sentimentwert ergibt sich wiederum aus der Summe der Scores von -5 bis 5, welche Signalwörtern zugeordnet sind. Angezeigt wird der absolute Wert (ohne diesen zB mit der Anzahl an Tweets oder Begriffen zu normieren), um auch die Häufigkeit der Nennungen und Emotionen einzufangen; je häufiger positiv über eine Firma geschrieben wird, desto relevanter diese Tatsache.
Es wird sichtbar, dass über Abbvie - als möglicher Hersteller eines Covid19-Impfstoffes - positiv geschrieben wird. Die Entwicklung des Scores mit dem Bing und Afinn-Lexicon ist ähnlich; bei Afinn ist der Verlauf ausgeprägter und besser sichtbar. Über Boeing wird hingegen vor allem negativ geschrieben; wohl auch wegen den anhaltenden Problemen beim 737 Max. Auch hier ist der Verlauf des Sentimentwerts sichtbar.
Ein weiteres ist das NRC-Lexikon, welches Begriffen bestimmten Emotionen zuordnet, als auch einen eigenen Sentimentwert herausgibt; in der Grafik dargestellt zusammen mit der Anzahl der positiven und negativen Wörter. "trust" ist die jeweils am häufigsten vertretene Emotion.
Einen (signifikanten) Zusammenhang mit dem Aktienkurs lässt sich für Abbvie nicht feststellen. Hier der Verlauf der Sentimentwerte und des Aktienkurses:
Zwei signifikante und interessante Zusammenhänge lassen sich in den Daten aber finden. So gibt es einen negativen Zusammenhang zwischen dem Handelsvolumen und dem NRC-Sentimentwert:
Bei Boeing sieht das Schaubild mit Sentimentwerten und Aktienkurs wiefolgt aus:
Hier gibt es nur einen (interessanten) signifikanten Zusammenhang:
Zwar gibt es bei beiden Firmen Zusammenhänge, doch scheinen diese eher zufällig zu sein. Tatsächlich könnte eine stündliche Untersuchung interessanter sein; dafür sind die eingesetzten Pakete quantmod (Aktiendaten) und rtweet (Twitterdaten) aber nicht ausgelegt. Einen wirklichen Zusammenhang zwischen Sentimentwerten und den jeweiligen Aktienkursen lässt sich in dieser Untersuchung nicht feststellen.

 Und hier noch der Code in RStudio
 
library(rtweet)
library(ggplot2)
library(tidytext)
library(viridis)
library(quantmod)
library(lubridate)
library(tidyverse)
library(dplyr)
library(reshape)
library(Hmisc)
library(corrplot)
library(gridExtra)

# Zugang zur Twitter-API
get_token()

# Twitterdaten laden
#tweets_abbvie <- search_tweets(q = "abbvie", n = 18000, include_rts = FALSE, lang = "en") #ausgeführt 27.5.
#tweets_boeing <- search_tweets(q = "boeing", n = 18000, include_rts = FALSE, lang = "en") #ausgeführt 27.5.
tweets_data_prep_abbvie <- tweets_data_abbvie %>%
  mutate(tweet_number = row_number()) %>%
  select(tweet_number, text, created_at) 
tweets_data_prep_boeing <- tweets_data_boeing %>%
  mutate(tweet_number = row_number()) %>%
  select(tweet_number, text, created_at) 
tweets_data <- bind_rows(tweets_data_prep_abbvie %>% 
                           mutate(source = "Abbvie"),
                         tweets_data_prep_boeing %>% 
                           mutate(source = "Boeing")) %>%
  distinct() %>%
  as_tibble() %>%
  mutate(text = str_replace_all(text, "[^\x01-\x7F]", ""),
         text = str_replace_all(text, "\\.|[[:digit:]]+", ""),
         text = str_replace_all(text, "https|amp|t.co", ""))


# Plot 1 - zeitl. Verlauf der Tweets
tweets_number <- tweets_data %>%
  mutate(created_at = as.Date(created_at, format="%m/%d/%Y")) %>%
  group_by(created_at) %>%
  count(created_at, source)
tweets_number %>%
  ggplot(aes(x=created_at, y=n, colour=source))+
  geom_line() +
  facet_grid(source~., scales="free") +
  theme_minimal() +
  labs(
    x = NULL, y = NULL,
    title = paste("Anzahl an Tweets zu Abbvie & Boeing"),
    subtitle = ("in englischer Sprache, tägliche Werte"),
    caption = "Plot1")


# Plot 2 - die häufigsten Begriffe
custom_stop_words <- bind_rows(tibble(word = c("boeing", "tco", "abbvie", "abbv", "abbvie's", "ft", "ba", "faa", "fda"), 
                                      lexicon = c("custom")),
                               stop_words)
tweets_data_token <- tweets_data %>%  
  unnest_tokens(word, text) %>%
  anti_join(custom_stop_words, by = "word")
plot1 <- tweets_data_token %>%
  filter(source=="Abbvie") %>%
  count(word, source, sort = TRUE) %>%
  top_n(20) %>%
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(x = word, y = n, fill = word))+
  geom_col(show.legend = FALSE) +
  facet_grid(~source, scales="free") +
  coord_flip() +
  theme_minimal() +
  scale_fill_viridis(discrete = TRUE, option="cividis") +
  labs(
    x = NULL, y = NULL,
    caption = " ")
plot2 <- tweets_data_token %>%
  filter(source=="Boeing") %>%
  count(word, source, sort = TRUE) %>%
  top_n(20) %>%
  mutate(word = reorder(word, n)) %>%
  ggplot(aes(x = word, y = n, fill = word))+
  geom_col(show.legend = FALSE) +
  facet_grid(~source, scales="free") +
  coord_flip() +
  theme_minimal() +
  scale_fill_viridis(discrete = TRUE, option="cividis") +
  labs(
    x = NULL, y = NULL,
    caption = "Plot 2")
grid.arrange(plot1, plot2, ncol=2, nrow=1, top = "häufigste Begriffe der Tweets")


# Plot 3 - Sentimentwerte
dat_sentiment1 <- tweets_data_token %>%
  group_by(Date=floor_date(created_at, "1 day"), source) %>%
  inner_join(get_sentiments("bing"), by="word") %>%
  count(Date, sentiment) %>%
  spread(sentiment, n, fill = 0) %>%
  mutate(sentiment_bing = positive - negative) %>%
  `colnames<-`(c("Date","source","negative_bing","positive_bing","sentiment_bing")) %>%
  ungroup() %>%
  mutate(Date = as.Date(Date))
dat_sentiment2 <- tweets_data_token %>%
  group_by(Date=floor_date(created_at, "1 day"), source) %>%
  inner_join(get_sentiments("afinn"), by="word") %>%
  summarise(sentiment_afinn = sum(value)) %>%
  ungroup() %>%
  mutate(Date = as.Date(Date))


dat_sentiment <- left_join(dat_sentiment1, dat_sentiment2, by=c("Date","source"))
dat_sentiment %>%
  as.data.frame() %>%
  melt(., id.vars=c("Date", "source")) %>%
  ggplot(aes(x=Date, y=value, col=variable)) +
  geom_line(size=0.2) +
  geom_smooth(se=FALSE) +
  geom_hline(aes(yintercept = 0), colour="grey") +
  facet_grid(vars(source), scales="free") +
  theme_minimal() +
  labs(
    x = NULL , y=NULL,
    title = paste("Sentimentwerte der Tweets zu Abbvie & Boeing"),
    subtitle = ("in englischer Sprache, tägliche Werte"),
    caption = "Plot3")


# Plot 4 - Emotionen
dat_sentiment3 <- tweets_data_token %>%
  group_by(Date=floor_date(created_at, "1 day"), source) %>%
  inner_join(get_sentiments("nrc"), by="word") %>%
  count(Date, sentiment) %>%
  spread(sentiment, n, fill = 0) %>%
  mutate(sentiment_nrc = positive - negative) %>%
  ungroup() %>%
  mutate(Date = as.Date(Date))
dat_sentiment3 %>%
  as.data.frame() %>%
  melt(., id.vars=c("Date", "source")) %>%
  mutate(category = ifelse(variable %in% c("anger", "anticipation", "disgust", "fear", "joy", "sadness", "surprise", "trust"), 'emotion', 'sentiment')) %>%
  ggplot() +
  geom_line(data = . %>% filter(variable == "sentiment_nrc"), aes(x=Date, y=value, colour=variable), size=0.2) +
  geom_line(data = . %>% filter(variable != "sentiment_nrc"), aes(x=Date, y=value, colour=variable), size=0.1) +
  geom_smooth(data = . %>% filter(variable == "sentiment_nrc"), aes(x=Date, y=value, colour=variable), se=FALSE, size=1.2, n=50) +
  geom_smooth(data = . %>% filter(variable != "sentiment_nrc"), aes(x=Date, y=value, colour=variable), se=FALSE, size=0.5, n=50) +
  geom_hline(aes(yintercept = 0), colour="grey") +
  facet_grid(vars(source), vars(category), scales="free") +
  scale_size(guide="none") +
  scale_fill_viridis(option="magma") +
  theme_minimal() +
  labs(
    x = NULL , y=NULL,
    title = paste("Emotionen der Tweets zu Abbvie & Boeing"),
    subtitle = ("in englischer Sprache, tägliche Werte"),
    caption = "Plot4")


# Aktiendaten & Sentimentwerte
stocks <- c("ABBV","BA")
getSymbols(stocks,src="yahoo", from="2020-05-19")
stock_abbvie <- data.frame(date=index(ABBV), coredata(ABBV$ABBV.Adjusted), coredata(ABBV$ABBV.Close),Volume=coredata(ABBV$ABBV.Volume), source="Abbvie") %>%
  `colnames<-`(c("date", "Adjusted", "Close", "Volume", "source")) %>%
  select("date","source","Adjusted", "Close", "Volume")
stock_boeing <- data.frame(date=index(BA), coredata(BA$BA.Adjusted), coredata(BA$BA.Close), coredata(BA$BA.Volume), source="Boeing") %>%
  `colnames<-`(c("date", "Adjusted", "Close", "Volume", "source"))
dat_sentiment <- left_join(dat_sentiment, dat_sentiment3, by=c("Date","source"))
joined_data <- merge(stock_abbvie, stock_boeing, all=TRUE) %>%
        left_join(., dat_sentiment, by=c("date"="Date", "source"))


# Korrelation Abbvie
joined_data_Abbvie <- joined_data %>%
  filter(source=="Abbvie")
joined_data_Abbvie %>%
  select_if(is.numeric) %>% 
  cor(., use="complete.obs") %>%
  round(., 3) %>%
  corrplot(., type = "upper", tl.col = "black", tl.srt = 45)
#Positive correlations in blue, negative in red color intensity & size of circle proportional to correlation coefficients
joined_data_Abbvie %>%
  select_if(is.numeric) %>%
  as.matrix() %>%
  rcorr()


# Plot 5 - Zusammenhang Abbvie
joined_data_Abbvie %>%
  select(date, Adjusted, sentiment_bing, sentiment_afinn, sentiment_nrc) %>%
  as.data.frame() %>%
  melt(., id.vars=c("date")) %>%
  mutate(category = ifelse(variable %in% c("sentiment_bing", "sentiment_afinn", "sentiment_nrc"), 'sentiment', 'stock')) %>%
  filter(complete.cases(.)) %>%
  ggplot(aes(x=date, y=value, col=variable)) +
  geom_line(n=30, size=0.2) +
  geom_smooth(se=FALSE) +
  theme_minimal() +
  facet_grid(category~., scales="free") +
  labs(
    x=NULL, y=NULL,
    title = paste("Abbvie - Aktienkurs & Twitter-Sentiment"),
    subtitle = paste("tägliche Werte"),
    caption = "Plot 5")


# Plot 6 - Zusammenhang Abbvie
Korr <- cor.test(joined_data_Abbvie$Volume, joined_data_Abbvie$sentiment_nrc, use="complete.obs") # Korrelation
ylim.primary <- c(0, ceiling(max(joined_data_Abbvie$Volume/1000000)))
ylim.secondary <- c(0, ceiling(max(joined_data_Abbvie$sentiment_nrc)))
b_1 <- diff(ylim.primary)/diff(ylim.secondary)
a_1 <- b_1*(ylim.primary[1] - ylim.secondary[1])
plot1 <- ggplot(joined_data_Abbvie, aes(x = date, y = Volume/1000000)) +
  geom_line(color="#3399FF", size=0.2) +
  geom_smooth(se=FALSE)+
  geom_line(aes(y = a_1 + sentiment_nrc*b_1), color = "#404040", size=0.2) +
  geom_smooth(aes(y = a_1 + sentiment_nrc*b_1), se=FALSE, color = "#404040")+
  scale_y_continuous("Volume [mio]", sec.axis = sec_axis(~ (. - a_1)/b_1, name = "sentiment NRC")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    x=NULL,
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)))
Korr <- cor.test(joined_data_Abbvie$Adjusted, joined_data_Abbvie$anger, use="complete.obs") # Korrelation
ylim.primary <- c(0, ceiling(max(joined_data_Abbvie$Adjusted)))
ylim.secondary <- c(0, ceiling(max(joined_data_Abbvie$anger)))
b_2 <- diff(ylim.primary)/diff(ylim.secondary)
a_2 <- b_2*(ylim.primary[1] - ylim.secondary[1])
plot2 <- ggplot(joined_data_Abbvie, aes(x = date, y = Adjusted)) +
  geom_line(color="#3399FF", size=0.2) +
  geom_smooth(se=FALSE)+
  geom_line(aes(y = a_2 + anger*b_2), color = "#404040", size=0.2) +
  geom_smooth(aes(y = a_2 + anger*b_2), se=FALSE, color = "#404040")+
  scale_y_continuous("Adjusted", sec.axis = sec_axis(~ (. - a_2)/b_2, name = "anger")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    x=NULL,
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot 6")
grid.arrange(plot1, plot2, ncol=1, nrow=2, top = "Abbvie - Aktienkurs & Emotionen auf Twitter")


# Korrelation Boeing
joined_data_Boeing <- joined_data %>%
  filter(source=="Boeing")
joined_data_Boeing %>%
  select_if(is.numeric) %>% 
  cor(., use="complete.obs") %>%
  round(., 3) %>%
  corrplot(., type = "upper", tl.col = "black", tl.srt = 45)
#Positive correlations in blue, negative in red color intensity & size of circle proportional to correlation coefficients
joined_data_Boeing  %>%
  select_if(is.numeric) %>%
  as.matrix() %>%
  rcorr()

# Plot 7 - Zusammenhang Boeing
joined_data_Boeing %>%
  select(date, Adjusted, sentiment_bing, sentiment_afinn, sentiment_nrc) %>%
  as.data.frame() %>%
  melt(., id.vars=c("date")) %>%
  mutate(category = ifelse(variable %in% c("sentiment_bing", "sentiment_afinn", "sentiment_nrc"), 'sentiment', 'stock')) %>%
  filter(complete.cases(.)) %>%
  ggplot(aes(x=date, y=value, col=variable)) +
  geom_line(n=30, size=0.2) +
  geom_smooth(se=FALSE) +
  facet_grid(category~., scales="free") +
  theme_minimal() +
  labs(
    x=NULL, y=NULL,
    title = paste("Boeing - Aktienkurs & Twitter-Sentiment"),
    caption = "Plot 7")


# Plot 8 - Zusammenhang Abbvie
Korr <- cor.test(joined_data_Boeing$Adjusted, joined_data_Boeing$sentiment_afinn, use="complete.obs") # Korrelation
ylim.primary <- c(0, ceiling(max(joined_data_Boeing$Adjusted)))
ylim.secondary <- c(min(joined_data_Boeing$sentiment_afinn, na.rm=TRUE),max(joined_data_Boeing$sentiment_afinn,  na.rm=TRUE))
b <- diff(ylim.primary)/diff(ylim.secondary)
a <- b*(ylim.primary[1] - ylim.secondary[1])
ggplot(joined_data_Boeing, aes(x = date, y = Adjusted)) +
  geom_line(color="#3399FF", size=0.2) +
  geom_smooth(se=FALSE)+
  geom_line(aes(y = a + sentiment_afinn*b), color = "#404040", size=0.2) +
  geom_smooth(aes(y = a + sentiment_afinn*b), se=FALSE, color = "#404040")+
  scale_y_continuous("Adjusted", sec.axis = sec_axis(~ (. - a_2)/b_2, name = "sentiment Afinn")) +
  theme_classic()+
  theme(axis.line.y.right = element_line(color = "#404040"), 
        axis.ticks.y.right = element_line(color = "#404040"),
        axis.text.y.right = element_text(color = "#404040"), 
        axis.title.y.right = element_text(color = "#404040")) +
  theme(axis.line.y.left = element_line(color = "#0080FF"), 
        axis.ticks.y.left = element_line(color = "#0080FF"),
        axis.text.y.left = element_text(color = "#0080FF"), 
        axis.title.y.left = element_text(color = "#0080FF")) +
  labs(
    x=NULL,
    title = paste("Boeing - Aktienkurs & Emotionen auf Twitter"),
    subtitle = paste("Korrelation:", round(Korr$estimate,4), " & p-Value:", format.pval(Korr$p.value, digits = 4, nsmall = 3,  eps = 0.001)),
    caption = "Plot 8")

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.

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 »