
Der Artikel untersucht die Rolle von queerfreundlichen Symbolen in den Foodscapes der Indischen Buurt in Amsterdam. Durch eine Mixed-Methods-Studie wurde analysiert, wie Gastronomiebetriebe in diesem Viertel queerfreundliche Symbole nutzen, um sich als offen und integrativ zu präsentieren. Die Ergebnisse zeigen, dass diese Symbole als Marketinginstrument und als Ausdruck von Solidarität und Toleranz genutzt werden, aber auch zu einer symbolischen Stellungnahme gegen Gewalt werden. Allerdings wird auch deutlich, dass diese Praktiken nicht unumstritten sind und als Instrumentalisierung von queeren Identitäten für kommerzielle Zwecke angesehen werden. Die Studie unterstreicht die Bedeutung von Foodscapes als prägende und konstitutive Elemente des Quartiersimage und betont die Notwendigkeit, die Bedürfnisse und Rechte von queeren Minderheiten in der Stadtpolitik zu berücksichtigen. Durch die Analyse der Foodscape der Indischen Buurt soll besser verständlich werden, wie queere Symbole und Identitäten in urbanen Räumen instrumentalisiert werden.
Die angewandte Wirtschaftsgeographie, insbesondere die (regionale) Wirtschaftsförderung, arbeitet mit geographischen Daten als Grundlage für evidenzbasierte Entscheidungen in der Regionalentwicklung. Hierbei spielen insbesondere räumliche sozioökonomische Strukturdaten eine zentrale Rolle. Um mit diesen wirksam und empirisch informiert arbeiten zu können, ist die angewandte Wirtschaftsgeographie auf möglichst aktuelle, inhaltlich passende und räumlich granulare Daten angewiesen. Typischerweise basiert diese Datenarbeit entweder auf eigenen lokalen Primärdatenerhebungen oder auf Sekundärdaten, wie sie beispielsweise im Rahmen der amtlichen Statistik erhoben werden. Diese Daten sind jedoch oft kostenintensiv, räumlich stark aggregiert, veraltet oder inhaltlich nicht zweckgeeignet – teils treffen alle diese Limitationen gleichzeitig zu. Der Einsatz moderner Verfahren der Künstlichen Intelligenz zur Sammlung und Auswertung (neuer) geographischer Daten eröffnet Potenziale, die datenbasierte Arbeit in der angewandten Wirtschaftsgeographie zu verbessern. In diesem Beitrag reflektieren wir über den Einsatz Künstlicher Intelligenz in der angewandten Wirtschaftsgeographie vor diesem Hintergrund und stellen Möglichkeiten vor, (neue) Daten geographisch und temporal granular zu erheben und diese mit Methoden des Natural Language Processing inhaltlich zu analysieren. Wir orientieren unsere Reflexionen an drei Informationsquellen, die wir in aktueller Forschung für diese Zwecke nutzen und für die angewandte Wirtschaftsgeographie als relevant erachten: geographisch referenzierte Nachrichten, geographisch referenzierte Unternehmenswebsites sowie geographisch referenzierte Websites von Gebietskörperschaften. Diese Informationsquellen zeichnen sich durch drei zentrale Qualitätsdimensionen aus: Temporalität, geographische Granularität sowie inhaltliche Breite und Tiefe. Der Beitrag schließt mit Handlungsempfehlungen, wie diese Daten und Methoden in der angewandten Wirtschaftsgeographie genutzt werden können und welche (digitalen) Kompetenzen dazu künftig in der geographischen Ausbildung vertieft werden sollten.