Dieses Studierendenprojekt untersucht Möglichkeiten für den Einsatz von Machine- und Deep-Learning-Algorithmen, um die Lücke zwischen Angebot und Nachfrage in kleinen landwirtschaftlichen Betrieben zu schließen. Wir nutzen OpenStreetMap zur Visualisierung von Hotspots, welche frische landwirtschaftliche Erzeugnissen und andere Agrarrohstoffe anbieten. Dabei kommen geografische Informationssysteme (GIS) und OpenStreetMap zum Einsatz. Anschließend nutzen wir Machine-Learning-Algorithmen mit Python, um Hotspots der Nachfrage anhand ausgewählter sozioökonomischer Indikatoren über Proxys zu untersuchen (Feldmeyer et al. 2020).
Das Projekt ist keineswegs deterministisch. Wir möchten gemeinsam mit unserem Projektmentor iterativ die Stärken, Schwächen und Grenzen unseres Ansatzes im Hinblick auf nachhaltigen lokalen Konsum in Hamburg und den umliegenden Regionen untersuchen, der auch Teil der Ziele für nachhaltige Entwicklung (SDGs) 11 und 12 ist. Darüber hinaus könnten unsere Ergebnisse je nach Datenverfügbarkeit und Reproduzierbarkeit auf andere Regionen ausgeweitet werden.
Unsere übergeordneten Ziele sind das projektbasierte Lernen (Erfassung, Verwaltung, Auswertung und Anwendung), das Erlernen der Verwaltung und Bedienbarkeit georäumlicher/zeitlicher Daten sowie die Erforschung der Grenzen der „Datafizierung“ von Problemlösungen in diesem sehr begrenzten Bereich im Feld der Nachhaltigkeit. Wir erwarten, dass unser Projekt Informationsasymmetrien überbrücken wird, indem es einen Schritt in Richtung datengesteuerter Entscheidungsfindung macht.
Nachfolgend listen wir beispielhaft Literatur zu unseren Projektthemen auf:
- Bavorova, M., Unay‐Gailhard, I., & Lehberger, M. (2016). Who buys from farmers’ markets and farm shops: The case of Germany. International journal of consumer studies, 40(1), 107-114.
- Faletar, I., Erler, M., Berkes, J., Ollier, C., Mergenthaler, M., & Christoph-Schulz, I. (2022). Farmers’ and Citizens’ Criticism towards the German Food Retail Sector – Insight into the Results of a Future Workshop. Austrian Journal of Agricultural Economics and Rural Studies, 31(17). https://doi.org/10.15203/OEGA_31.17ISSN 1815-8129 I E-ISSN 1815-1027.
- Feldmeyer, D., Meisch, C., Sauter, H., & Birkmann, J. (2020). Using OpenStreetMap data and machine learning to generate socio-economic indicators. ISPRS International Journal of Geo-Information, 9(9), 498.
- Ridsdale, C., Rothwell, J., Smit, M., Ali-Hassan, H., Bliemel, M., Irvine, D., … & Wuetherick, B. (2015). Strategies and best practices for data literacy education: Knowledge synthesis report. https://doi.org/10.13140/RG.2.1.1922.5044.