Nowe źródła danych w turystyce: badania nad opiniami z serwisów społecznościowych w ujęciu administracyjnoprawnym, ekonomicznym i społecznym
DOI:
https://doi.org/10.61016/TZAP-2956-8048-19Słowa kluczowe:
big data, web scraping, turystyka, JEL K21, JEL K23Abstrakt
Artykuł analizuje nowe źródła danych w turystyce, koncentrując się na opiniach z serwisów społecznościowych, w ujęciu administracyjno-prawnym, ekonomicznym i społecznym. Rosnące zbiory big data ewoluowały od modelu 3V do rozbudowanych ujęć, podkreślających znaczenie wiarygodności i wartości danych. Choć analiza big data przynosi korzyści, rodzi jednocześnie poważne zagrożenia dla prywatności i ryzyko ponownej identyfikacji osób, co wymaga spójnych i etycznych regulacji. W kontekście prawnym, RODO jest nadrzędnym aktem UE w zakresie ochrony danych. W Polsce podstawę stanowi Ustawa o statystyce publicznej, zezwalająca na przetwarzanie danych osobowych do monitorowania turystyki. Na poziomie unijnym, Rozporządzenie (WE) nr 223/2009 pozwala krajowym urzędom statystycznym na bezpłatne pozyskanie absolutnie niezbędnych danych od prywatnych posiadaczy, jeśli zmniejsza to obciążenie przedsiębiorstw. Ponadto, Rozporządzenie (UE) 2024/1028 (obowiązujące od maja 2026 r.) nakłada na dostawców platform najmu krótkoterminowego obowiązek comiesięcznego przekazywania danych dotyczących działalności. Kluczową metodą pozyskiwania big data dla statystyki publicznej może okazać się web scraping. Technika ta automatyzuje gromadzenie informacji z witryn, przyspiesza zbieranie danych i umożliwia analizy w czasie niemal rzeczywistym.
Scraping jest cennym zasobem uzupełniającym oficjalne statystyki, pozwalającym na ocenę jakości oferty i prognozowanie zachowań turystów.
Część empiryczna artykułu wykorzystała web scraping do pobrania 4480 opinii z Google Maps dla Zamku Królewskiego na Wawelu. Eksperyment potwierdził, że wydłużanie czasu oczekiwania na wizytę znacząco obniża wystawioną ocenę. Wyniki te podkreślają kluczowe znaczenie sprawnego zarządzania ruchem turystycznym dla satysfakcji odwiedzających. Przyszłe badania powinny dążyć do integracji danych publicznych ze scrapowanymi, co nazwano „Tourism Demand Horizon”.
Downloads
Bibliografia
Barczak, M. (2025). Application of Big Data in Tourism Demand Research. Sofia: Professor Marin Drinov Publishing House of Bulgarian Academy of Sciences.
Barczak, M., Brudnicki, R., & Wierzbiańska, S. (2023). Koncepcja metodologii badań ruchu turystycznego dla województwa kujawsko-pomorskiego uwzględniająca nowoczesne technologie pozyskiwania danych źródłowych. Urząd Marszałkowski Województwa Kujawsko-Pomorskiego.
Boboc, C.R., Babaligea, A.N., Ghita, S.I. and Saseanu, A. S. (2025).
Leveraging Web-scraping for Tourism Data Analysis: A Case Study on Romania. In: C. Vasiliu, D.C. Dabija, A.
Tziner, D. Pleșea, V. Dinu, eds. 2025. 11th BASIQ International Conference on New Trends in Sustainable Business and Consumption. Oradea, Romania, 26–28 June 2025. Bucharest: Editura ASE, 174–181.
Borek D., Management of short-term rental (2023) – regulation or deregulation? – Example of Poland (w:) Sustainable Development - Circular Economy, Critical Infrastructures, Green Transition red. S. Baltowa, A. Cholakova.
Borek D., (2024). Regulacja najmu krótkoterminowego (short-time rental STR) na poziomie krajowym i unijnym jako determinanta zarządzania obiektami zakwaterowania (w:) Europejski Przegląd Prawa i Stosunków Międzynarodowych nr 2/2024/70.
Cavallo, A., & Rigobon, R. (2016). The Billion Prices Project: Using online prices for measurement and research. Journal of Economic Perspectives, 30(2), 151–178.
Cierpiał-Wolan, M., & Stateva, G. (2023). Ocena metod integracji danych dotyczących turystyki z uwzględnieniem big data.
Wiadomości Statystyczne. The Polish Statistician, 68(12), 25–48.
Juszczak, A. (2021). Zastosowanie danych scrapowanych w pomiarze dynamiki cen. Folia Oeconomica. Acta Universitatis Lodziensis, 1(352).
Kachniewska, M. (2014). Big data analysis jako źródło przewagi konkurencyjnej przedsiębiorstw i regionów turystycznych.
Folia Turistica, (32), 35–54.
Stępień, A. (2018). Bezpieczeństwo danych osobowych w cyberprzestrzeni – Big Data. Przedsiębiorczość i Zarządzanie, 19(2/3), 56.
Macias, P., & Stelmasiak, D. (2019). Food inflation nowcasting with web scraped data (NBP Working Paper No. 302).
Narodowy Bank Polski, Warsaw.
Maślankowski, J. (2019). Pozyskiwanie i analiza danych na temat ofert pracy z wykorzystaniem big data.
Wiadomości Statystyczne. The Polish Statistician, 64(9), 60–74.
Tene, O. (2011). Privacy: The new generations. International Data Privacy Law, 1(1), 15–27.
Thakur, S., Jha, R., Dalawat, M., Jha, P., Khandare, A. (2025).
Scraping Data from Google Maps: Comparisons and Experimentations. In: Ghinea, G., Semwal, V.B., Khandare, A. (eds) Intelligent Computing and Networking. IC-ICN 2024. Lecture Notes in Networks and Systems, vol 1172.
Springer, Singapore. https://doi.org/10.1007/978-981-97- 8631-2_14.
Vankevich, A., & Kalinouskaya, I. (2021). Better understanding of the labor market using big data. Ekonomia i Prawo.
Economics and Law, 20(3), 677–692.
Wąsowicz-Zaborek, E. (2019). Treści generowane przez użytkowników Internetu jako źródło wiedzy o wizerunku miejsca docelowego podróży na przykładzie miasta Kołobrzeg. Folia Turistica, nr 53.
Woźniczka, J. (2018). Big data w marketingu: Szanse i zagrożenia. Studia Oeconomica Posnaniensia, 6(6).
