EconPapers    
Economics at your fingertips  
 

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

Roberto Patuelli (), Aura Reggiani (), Peter Nijkamp and Uwe Blien ()

Spatial Economic Analysis, 2006, vol. 1, issue 1, 7-30

Abstract: 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.

Keywords: Neural networks; forecasts; regional employment; shift-share analysis; shift-share regression; C23; E27; R12 (search for similar items in EconPapers)
Date: 2006
References: View references in EconPapers View complete reference list from CitEc
Citations: View citations in EconPapers (12)

Downloads: (external link)
http://www.taylorandfrancisonline.com/doi/abs/10.1080/17421770600661568 (text/html)
Access to full text is restricted to subscribers.

Related works:
Working Paper: New Neural Network Methods for Forecasting Regional Employment: An Analysis of German Labour Markets (2006) Downloads
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:taf:specan:v:1:y:2006:i:1:p:7-30

Ordering information: This journal article can be ordered from
http://www.tandfonline.com/pricing/journal/RSEA20

DOI: 10.1080/17421770600661568

Access Statistics for this article

Spatial Economic Analysis is currently edited by Bernie Fingleton and Danilo Igliori

More articles in Spatial Economic Analysis from Taylor & Francis Journals
Bibliographic data for series maintained by Chris Longhurst ().

 
Page updated 2025-03-26
Handle: RePEc:taf:specan:v:1:y:2006:i:1:p:7-30