Nowcasting Italian Municipal Income with Nightlights: A Deep Learning Approach
Deze studie toont aan dat een single-layer GRU deep learning-model dat gebruikmaakt van NASA Black Marble nachtlichtgegevens de traditionele ruimtelijke en lineaire econometrische benchmarks voor het nowcasten van de belastbare inkomens van Italiaanse gemeenten aanzienlijk overtreft, wat bewijst dat het vastleggen van niet-lineariteiten en cross-sectionele heterogeniteit essentieel is voor het extraheren van werkelijke voorspellende inhoud uit satellietbeelden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van economische planning is weten wat er op dit moment gebeurt vaak een luxe die overheden zich niet kunnen veroorloven. Officiële statistieken, die ons vertellen hoeveel geld mensen verdienen in een specifieke stad of regio, worden meestal lang na de feiten gepubliceerd. Tegen de tijd dat de cijfers arriveren, kunnen de economische omstandigheden die ze beschrijven al veranderd zijn, wat het voor functionarissen moeilijk maakt om snel te reageren op crises of veranderende trends. Jarenlang hebben wetenschappers gezocht naar een snellere manier om de economie in actie te zien. Een veelbelovende aanwijzing is gekomen vanuit de ruimte: de gloed van steden bij nacht. Satellieten kunnen de intensiteit van kunstmatig licht vanaf de grond vastleggen, en onderzoekers vermoeden al lang dat helderdere lichten over het algemeen meer economische activiteit betekenen. Hoewel deze connectie bekend is bij het vergelijken van verschillende plaatsen op een enkel moment, was het minder duidelijk of de veranderende helderheid van een enkele stad in de loop van de tijd kan voorspellen hoe de inkomensniveaus veranderen voordat de officiële belastinggegevens worden gepubliceerd.
Een onderzoeker aan de Universiteit van Rome Tor Vergata zette zich in om dit puzzelstukje voor Italië op te lossen, een land waar lokale inkomensgegevens berucht traag binnenkomen, vaak met een vertraging van anderhalf jaar. De studie richtte zich op 7.631 Italiaanse gemeenten en volgde hun jaarlijkse belastbare inkomen en de helderheid van hun nachtelijke hemel gedurende een decennium. Het doel was om te zien of de satellietbeelden als een vroeg waarschuwingssysteem, of "nowcast", voor de economie konden dienen. De onderzoeker testte of kunstmatige intelligentie, specifiek een type computerprogramma ontworpen om patronen in sequentiële gegevens te herkennen, de relatie tussen het licht en het inkomen beter kon leren dan traditionele statistische methoden. De studie vergeleken deze geavanceerde computermodellen met eenvoudigere, gevestigde technieken, inclusief methoden die probeerden rekening te houden met de manier waarop naburige steden elkaars economieën kunnen beïnvloeden.
De resultaten toonden aan dat de kunstmatige intelligentie-modellen aanzienlijk nauwkeuriger waren dan de traditionele methoden. Het best presterende model, een gestroomlijnde versie van een neuraal netwerk, kon het jaarlijkse inkomen van een typische Italiaanse gemeente voorspellen met een mediane fout van ongeveer 1,07 miljoen euro. Gezien het mediane inkomen voor deze gemeenten ongeveer 29 miljoen euro is, vertegenwoordigt dit niveau van nauwkeurigheid een voorspelling die er slechts zo'n 4 procent naast zit. Dit was een substantiële verbetering ten opzichte van de op één na beste methoden, die grotere marges hadden. De studie vond dat de relatie tussen nachtelijk licht en inkomen geen eenvoudige, rechte lijn is die door standaardformules kan worden gevangen. In plaats daarvan is de connectie complex en varieert deze sterk van gemeente tot gemeente. Sommige steden zijn helder en rijk, terwijl andere wel helder kunnen zijn maar een andere economische structuur hebben, of rijk maar minder verlicht. De kunstmatie intelligentie was flexibel genoeg om deze unieke patronen voor elke locatie te leren, terwijl de traditionele modellen, die een uniforme relatie over alle gemeenten veronderstellen, dit nuanceverschil niet konden vatten.
Interessant genoeg testte de studie ook of het expliciet in kaart brengen van de verbindingen tussen naburige gemeenten de voorspellingen zou verbeteren. De onderzoekers bevestigden dat er een sterke statistische link bestaat tussen de economische activiteit van de ene gemeente en die van haar buren, een fenomeen dat bekend staat als ruimtelijke afhankelijkheid. Echter, het toevoegen van deze geografische context aan de traditionele modellen maakte ze niet beter in het voorspellen van de toekomst. Zelfs toen de modellen precies werden verteld hoe gemeenten met elkaar verbonden waren, bleven ze ver achter bij de kunstmatige intelligentie. Dit suggereert dat de belangrijkste reden waarom de traditionele modellen faalden niet was dat ze geografie negeerden, maar dat ze te rigide waren om de complexe, niet-lineaire manier te begrijpen waarop licht en inkomen met elkaar interageren. De kunstmatige intelligentie slaagde omdat het zijn logica kon aanpassen aan de specifieke eigenaardigheden van elke gemeente, in plaats van elke gemeente in hetzelfde wiskundige hokje te dwingen.
De studie onderzocht ook hoe deze modellen presteerden tijdens de chaotische jaren van de pandemie, een periode waarin lokale economieën snel en ongelijkmatig verschoven. De traditionele modellen hadden moeite tijdens deze periode van verandering en slaagden er vaak niet in om de scherpe herstelperiodes of krimp te voorspellen. In contrast hiermee behield het kunstmatige intelligentie-model zijn nauwkeurigheid, wat suggereert dat het een dieper, robuuster begrip had geleerd van de economische signalen die in het licht verborgen liggen. De onderzoeker concludeerde dat hoewel satellietnachtlichten geen perfecte spiegel van de economie zijn, ze wel echte, nuttige informatie bevatten voor het voorspellen van het lokale inkomen. De sleutel tot het ontsluiten van deze informatie ligt echter in het gebruik van een flexibel instrument dat in staat is om door de rommelige, gevarieerde realiteit van het Italiaanse landschap te navigeren. Deze aanpak biedt een praktische manier om de lange wachttijd voor officiële gegevens te verkorten, waardoor beleidsmakers een tijdige blik krijgen in de gezondheid van de economie van hun gemeenschappen zonder te hoeven wachten tot de belastingaangiften zijn ingediend.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.