Lkw-Verkehrsdaten in der Konjunkturanalyse: Eine Anwendung für die bayerische Wirtschaft
Bibliographic record
Abstract
Auf der Ebene der Bundesländer liegen bislang nur Halbjahreswerte, aber keine Quartalswerte für das Bruttoinlandsprodukt vor. Damit können für einzelne Bundesländer konjunkturelle Wendepunkte in zeitlicher Hinsicht nicht genau diagnostiziert werden. Als Alternative kann auf die Industrieproduktion zurückgegriffen werden. Um die damit verbundenen Zeitverzögerungen zu verkürzen, werden zeitnäher verfügbare Lkw-Verkehrsdaten zur Bestimmung gesamtwirtschaftlicher Wendepunkte auf Bundesländerebene - hier exemplarisch für Bayern - untersucht. Für einen Vergleich des Lkw-Verkehrs während der Finanzmarktkrise in den Jahren 2008 und 2009 und der aktuellen Corona-Krise werden Daten der Bundesanstalt für Straßenwesen und der Zentralstelle Verkehrsmanagement in Bayern verwendet. Für den gesamten Betrachtungszeitraum bieten die Verkehrsdaten über das Lkw-Aufkommen insgesamt gesehen einen aussagekräftigen Indikator für die Identifikation von Wendepunkten in der Produktion des Verarbeitenden Gewerbes und damit für die gesamtwirtschaftliche Produktion in Bayern. Für das Niveau des Rückgangs der gesamtwirtschaftlichen Leistung können allenfalls grobe Größenordnungen angezeigt werden. Die Verkehrsdaten signalisierten frühzeitig einen zunehmenden Rückgang des realen BIP in Bayern innerhalb des ersten Quartals 2020 und in den Monaten April und Mai. Im Gegensatz zur Finanzmarktkrise von 2008/2009 reagieren die Verkehrsdaten derzeit in der Corona-Krise stärker als die Industrieproduktion, was sich mit der breiteren Sektorwirkung der Pandemie erklären lassen dürfte.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.010 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".