New Neural Network Methods for Forecasting Regional Employment: an Analysis of German Labour Markets

Abstract

In this paper, a set of neural network (NN) models is developed to compute short-term forecasts of regional employment patterns in Germany. Neural networks are modern statistical tools based on learning algorithms that are able to process large amounts of data. Neural networks are enjoying increasing interest in several fields because of their effectiveness in handling complex data sets when the functional relationship between dependent and independent variables is not specified explicitly. The present paper compares two NN methodologies. First, it uses NNs to forecast regional employment in both the former West and East Germany. Each model implemented computes single estimates of employment growth rates for each German district, with a 2-year forecasting range. Next, additional forecasts are computed, by combining the NN methodology with shift-share analysis (SSA). Since SSA aims to identify variations observed among the labour districts, its results are used as further explanatory variables in the NN models. The data set used in our experiments consists of a panel of 439 German (NUTS 3) districts. Because of differences in the size and time horizons of the data, the forecasts for West and East Germany are computed separately. The out-of-sample forecasting ability of the models is evaluated by means of several appropriate statistical indicators.

RÉSUMÉ

Nouvelles Méthodes de Prévisions Fondées sur les Réseaux Neuronaux Appliquées l'Emploi Régional: Une Analyse des Marchés du travail dans l'Allemagne Réunifiée

Dans cet article, les auteurs ont développé une série de modèles utilisant les réseaux neuronaux (RN) pour calculer des prévisions à court terme des paramètres de l'emploi, par région allemande. Les RN sont des outils statistiques modernes fondés sur des algorithmes d'apprentissage, capables de traiter de grandes quantités de données. On s'intéresse de plus en plus aux RN car ils permettent de gérer efficacement des séries de données complexes, bien que la relation fonctionnelle entre les variables dépendantes et indépendantes n'est pas définie explicitement. Cet article compare deux méthodologies fondées sur les RN. D'abord, il utilise les RN pour prévoir l'emploi régional dans les deux régions anciennement appelées Allemagne de l'Ouest et Allemagne de l'Est. Chaque modèle réalisé calcule de simples estimations des taux de croissance d'emploi pour chaque district allemand, sur une durée de 2 ans. Puis, il calcule des prévisions complémentaires, en combinant la méthodologie RN avec une analyse shift-share (ASS). Comme l'ASS a pour but d'identifier les variations relevées sur le marché local du travail, on emploie les résultats obtenus comme variables indépendantes complémentaires dans les modèles RN. Notre échantillon de données utilisé dans nos expériences se compose de 439 districts allemands. Comme les districts composant l’échantillon présentent de grandes différences en matière de taille et d'horizon temporel, les prévisions pour l'Allemagne de l'Ouest et l'Allemagne de l'Est sont calculées séparément. La capacité des modèles à établir des prévisions hors – échantillon est évaluée avec différents indicateurs statistiques appropriés.

RESUMEN

Nuevos métodos de redes neurales para la previsión de empleo regional: un análisis para los mercados laborales de Alemania

En este documento desarrollamos una serie de modelos de redes neurales (RN) para calcular las previsiones a corto plazo de los modelos de empleo regional en Alemania. Las RN son modernas herramientas de estadísticas basadas en algoritmos de aprendizaje capaces de procesar un gran número de datos. Las RN se están popularizando cada vez más en diferentes campos porque son capaces de manejar grupos de datos complejos cuando la relación funcional entre las variables dependientes e independientes no está explícitamente especificada. En este artículo comparamos dos metodologías de RN. Primero, utilizamos las RN para pronosticar el empleo regional en Alemania del oeste y del este. Cada modelo aplicado computa por separado los cálculos de las tasas de crecimiento de empleo para cada distrito alemán, con un intervalo de previsión de 2 años. Luego se calculan las previsiones adicionales combinando la metodología de las RN con el análisis shift-share. Dado que los análisis shift-share identifican las variaciones observadas entre los distritos laborales, sus resultados se utilizan como otras variables explicatorios en los modelos de RN. El grupo de datos utilizado en nuestros experimentos abarca un panel de 439 distritos alemanes. Las previsiones para Alemania del oeste y este se computan por separado debido a las diferencias en los horizontes de tamaño y tiempo de los datos. La capacidad de previsión a partir de las muestras en los modelos es evaluada mediante varios indicadores adecuados de estadísticas.     

THE EXTENDED ECONOMETRIC INPUT–OUTPUT MODEL WITH HETEROGENEOUS HOUSEHOLD DEMAND SYSTEM

This paper proposes an extension to the regional econometric input–output model (REIM) [Conway, R.S. (1990) The Washington Projection and Simulation Model: A Regional Interindustry Econometric Model. International Regional Science Review, 13, 141–165; Israilevich, P.R., G.J.D. Hewings, M. Sonis and G.R. Schindler (1997) Forecasting Structural Change with a Regional Econometric Input–Output Model. Journal of Regional Science, 37, 565–590]. We integrate a demand system with age and income parameters into the REIM. The extended model thus addresses concerns about the effects of household heterogeneity. The initial testing is conducted with a model for the Chicago metropolitan area. First, using aggregate expenditure data by income and age groups, the almost ideal demand system with group fixed effects is constructed. Next, the estimated demand system is linked to the REIM to reflect long-term changes in the age and income distribution of households. The long-range simulation from the extended model takes into account structural changes in expenditure type stemming from changing demographic composition. The extended model further broadens the scope of impact analysis under various scenarios associated with age and income changes.     

中国高新区技术赶超效应分解及影响因素研究--基于52个国家级高新区面板数据的检验

文章以52个国家级高新区作为样本,基于Malqmquist指数对中国高新区技术赶超进行分解测度,并采用后向逐步回归方法提炼出关键影响因素。结果显示：中国高新区技术赶超主要是由技术前沿面上移和管理效率提升推动的;资本推进战略对全要素生产率改善起到了抑制作用,而资本深化起到了推动作用;专业化集聚和母城科技投入未促进高新区技术赶超。根据上述研究结果,高新区应该进一步强化创新资源集聚、增进创新孵化功能及优化空间资源。     

市场进入次序优势在基金业中的实证研究

本文对基金市场的进入次序优势进行了实证研究。选取54只封闭式基金作为样本,以基金净值增长率为因变量,以基金设立时间、基金规模、证券指数变化、利率等为自变量,进行回归分析。结果显示基金市场存在先动优势,即基金设立时间越早,平均净值增长率越高。     

Does Financial Intermediation Development Increase Per Capita Income in Rural China？

This paper investigates the impacts of financial intermediary （or banking） development on village-level per capita income using a Chinese dataset for selected years between 1993 and 2006. The empirical results from a random effect regression model indicate that mean per capita income in rural villages follows an inverted U-shaped path as financial intermediation develops. However, using a pooled quantile regression approach, we find that median per capita income in rural villages follows a positive linear path, rather than an inverted U-shaped path, as financial intermediation develops. The positive linear effect of financial intermediary development is observed at the lower and higher ends of the conditional per capita income distribution. This suggests that development of financial intermediation in China might not have statistically significant differential effects in low-income or high-income rural villages.