(SZIE MY-X, ELTE TTK, ELTE IK, BME GPK) Magyar statisztikai régiók érintettségi sorrendje a szálláshelyek árbevételének havi adatai alapján eltérő módszertanokkal Pitlik László – Varga Zoltán – Barta Gergő – Losonczi György – Pitlik László (jun) – Pitlik Mátyás – Pitlik Marcell (SZIE MY-X, ELTE TTK, ELTE IK, BME GPK) Magyar vidék - Perspektívák, megoldások a XXI. században I. Vidékfejlesztési Tudományos Konferencia 2017. október 5. - Szarvas

ELŐZMÉNYEK/PÁRHUZAMOK Hlavay József  Országos Környezettudományi és Műszaki Diákkonferencia - Budapest III. Multikulturalitás Konferencia – Gödöllő Enyedi Emlékkonferencia – Budapest *** MAGYAR TUDOMÁNYOS AKADÉMIA - Gazdálkodástudományi Bizottság - Tudásmenedzsment Munkabizottságának éves konferenciája a SELYE JÁNOS EGYETEM feltételteremtő támogatásával, „Az Ipar 4.0. – a tudásmenedzsment legújabb kihívása” címmel (Révkomárom, 2017)

Bevezetés (mottó, adatforrás) TARTALOMJEGYZÉK Bevezetés (mottó, adatforrás) Eredmények (a válság általi érintettség) A reprodukálhatóság lépései (modellek) Konklúziók (Ipar 4.0 vs. Kánon?!)

BEVEZETÉS: MOTTÓ (vö. Ipar 4 BEVEZETÉS: MOTTÓ (vö. Ipar 4.0 elvei) Tudás/tudomány csak az, ami forráskódba átírható, minden más emberi képesség művészet, ahol a tudomány és a művészet egymással szemben nem rangsorolható…

BEVEZETÉS: Adatforrás Kereskedelmi szálláshelyek belföldi bruttó szállásdíj árbevétele havonta (1000 Ft); Mindösszesen Szállástípus; Mindösszesen Kiemelt üdülőkörzetek 7+1 idősor: statisztikai régiónként (forrás: KSH, Tájékoztatási adatbázis GB1006, GB1011 – 2004.01-2017.07)

EREDMÉNYEK: A KÉRDÉS Melyik statisztikai régió a leginkább negatívan érintett régió a válság kapcsán? (Melyik régióra illik a tény-alapú szakpolitizálás kapcsán leginkább figyelnie egy robotpolitikusnak egy kibernetikus jogállamban?)

EREDMÉNYEK: A VÁLASZ(OK)

Reprodukálhatóság lépései: modellek Modell1a: Meredekség-változások elemzése (csak éves szinten) Modell1b: Meredekség-változások elemzése (havi szinten 2017 nélkül) Modell1c: Meredekség-változások elemzése (havi szinten 2017 bevonásával) Modell1d: Meredekség-változások elemzése (havi különbségekkel) Modell2: Vágópont/meredekség-alapú kitettség-index hasonlóságelemzéssel Modell3: STL –szezonális és trend alapú bontás LOESS technika használatával Modell4: Árbevétel-változás szerinti rangsor képzése Modell5: Korábbi év azonos időszakához viszonyítás Modell6: Idősorok párösszehasonlítássá konvertálása Modell7: MCM (meredekségek véletlenszerű mintázása) Modell8: Google szövegbányászat/online keresés

Reprodukálhatóság lépései: Vágópont/meredekség-alapú kitettség-index hasonlóságelemzéssel

Reprodukálhatóság lépései: idősorok pár-összehasonlítássá konvertálása

Konklúziók A leginkább negatívan érintett régió: ÉAR *** Fogalomalkotásra minden szakértő és a robot is képes! A „melyik a legjobb megoldás” kérdésre a kánon vélelmezhetően még mindig nem keresi a választ kellő intenzitással … A legjobb megoldás (vö. Occam borotvája) vélhetően általában a hibridizálás illik, hogy legyen, ahol a részeredmények konzisztenciája maximális… Az Ipar 4.0 azt várja el a tudománytól, hogy minden kérdésre képes legyen az adott pillanatban legjobb megoldást minél kevesebb szubjektív behatás mellett meghatározni (vö. Jó Állam vs. Jó Modell).

Köszönjük a megtisztelő figyelmet! MY-X TEAM: miau@miau.gau.hu Részletek: http://miau.gau.hu/miau/229/szarvas INNOCSEKK 156/2006