新年伊始，《集誌社》團隊繼去年 5 月走訪港九新界，記錄多區逾千間店舖的變化後，去年底重訪逾 1300 間店舖， 繼續從店舖空置率和各區市道變化，微觀經濟變化。略懂電腦編碼的記者，透過 23、24 年新成立和解散公司的名單，分析 45 萬間「執笠、開張」公司的數據和名稱。45 萬行數據，是一個什麼概念；報道過程費時約兩、三個月，記者過程中遇上甚麼挑戰？
45 萬行數據，對讀者而言是什麼概念？
老實說，仍能夠在一部家用電腦、一部遠端電腦上進行整理和分析，加上數據僅是按月或星期更新，這規模對電腦而言實在難言「大」。標題採用「執笠開張大數據」，多多少少也是乘著當今 buzzword（流行語）而去。
政府常言由治及興，《集誌社》走訪各區了解吉舖空置率和市道之餘，記者也有大想頭：是否可能在幾多公司執笠、幾多公司開張之餘，嘗試從名稱看看它們是什麼公司？公司註冊處網頁，能找到新開張公司名單的 PDF，按週更新。但要了解解散的公司，挑戰則更大 —— 理論上這張名單可向公司註冊處購買，但若要入手兩年數據、最少要花費逾三千元；在未知數據內容是否適用、會否有「斬獲」的情況下，對小公司而言是需要謹慎考慮的金額。
記者透過分析公司數據和名稱，觀察經濟表現、行業趨勢。
挖掘「執笠」數據三部曲 遇三大挑戰
記者於是決定另闢蹊徑 —— 先將過去兩年，與「公司註冊處」相關的約 4000 份憲報公告全數下載；再按照《公司條例》中有關公司解散的條文篩選出適用的數百份公告；最後從數百份文件中提取公司名稱、公司編號或商業登記號碼，以及解散日期等，加以整理再作分析。
這個過程說來容易，實則對於非技術背景出身的記者是一大挑戰。起碼記者不曾想過，以常用工具將英文版本 PDF 轉換成純文字檔案後，竟出現大堆中文字，且結構鬆散，例如「下 列 公 司 notice 的名 is 稱 hereby 」，令人摸不著頭腦。後來嘗試不同的文字提取工具，才成功獲得較為「乾淨」的版本。
另一挑戰是對公司名稱的分析。在香港註冊的公司不少都是中英文名俱備，但也有一部分的公司只有中文、或只有英文名稱，因而無法「偷懶」只取其中一個語言作分析。然而，可以用來做中文分詞的工具和可參考的資源，遠較英文為少。如何讓電腦得知，當「智能」同時出現應一併計算，而非僅計算「智」、「能」？這對每日使用中文的香港人而言，答案是理所當然，但要向電腦拆解邏輯卻非易事。
而為堅守確保資訊真確、反映現實的原則，提取數據期間，記者一直謹慎行事，以多個不同方法提取、並與公司註冊處的整體數字作比對，反覆放大檢視每一個有明顯出入的地方。直至將與官方數字的落差減至約 1%，認為足以讓分析的結果具一定代表性，才開始進行消化、分析 ，把觀察呈現在讀者眼前。
除實地考察記錄，記者嘗試循其他公開資料，微觀經濟市道變化。（資料圖片）
新加坡公司註冊資料涵 50 多項數據
連同處理其餘日常採訪工作，這次報道過程費時約兩、三個月。期間幸得從事相關行業的友人出手相助，在記者 R 爆頭時協助解難，實在感激。
在香港嘗試做數據新聞，最大的挑戰似乎在於如何取得可用的數據。報道出街後，不禁想起政府近年常常掛在嘴邊的「智慧城市」、「數字經濟」。以此報道為例，可從政府開放數據平台上直接下載使用的，僅為新註冊公司名稱、解散公司數目；相較新加坡政府同類平台，後者除有詳細的公司註冊名單、載有名稱和註冊日期外，還涵蓋公司地址、架構、業務範疇、人數等 53 個欄目，可下載 CSV 檔或調用 API，非常方便。
不論是為了政府近年銳意推動的數字經濟，抑或是提高管治透明度、保障公眾知情權，開放數據都是重要的一環。期望當局繼續改善公開數據，讓「大數據」不再只是 buzzword。
不同於外媒有專職數據新聞的記者職位，《集誌社》記者、編輯要嘗試「百足咁多爪」，在有限人手和資源下發揮小宇宙。踏入新一年，我們期待繼續做更多新嘗試，為讀者帶來看新聞的新角度，誠邀讀者支持與我們同行。
相關報道：執笠開張大數據｜分析兩年 45 萬間解散、註冊公司名單 說由治及興 解散公司三年升
