报告概述
本报告开创性地利用随机森林算法和遥感技术，将加纳2021年人口普查的区级劳动力市场数据降尺度至0.005度分辨率（约0.5公里×0.5公里）的网格数据。研究覆盖17个就业类别，包括年龄、性别、技能、就业状态、行业分布、失业及NEET，整合了64个辅助变量（如土地覆盖、夜间灯光、基础设施、兴趣点等）。模型性能优异（大多数类别R²>90%），揭示了像素级就业率的巨大异质性（10%-98%）。该方法为数据稀缺地区提供了可扩展的社会经济地图制作框架，对政策制定和学术研究具有重要价值。
报告的核心结论
加纳就业呈现显著空间异质性和南北差异
像素级就业率从10%到98%不等，南部就业率普遍高于北部；就业集中在南部城市走廊（阿克拉-库马西）和沿海地区，北部仅有少数城市中心。青年和老年工人的就业率分布模式也存在明显地域差异。
建城区、夜间灯光和道路密度是就业预测的关键变量
变量重要性分析显示，建成区相关变量捕捉人口密度，夜间灯光和贫民窟数据反映需求侧和就业质量，道路密度则整合了人口分布、行业结构和交通成本等多重维度。不同就业类别（如农业依赖植被指数，矿业依赖矿区距离）具有特异性。
城市聚集区集中了不成比例的高技能和制造业就业
仅5个最大城市（阿克拉、库马西、塔马莱、塔科腊迪、科佛里杜亚）占总就业的38%，但高技能就业占53%，制造业就业占42%。129个超1万人的城市聚集区集中了68%的高技能就业和58%的制造业就业。
模型在大多数就业类别上达到高精度，但农业和矿业表现较弱
17个就业类别中15个R²超过90%，农业（68%）和矿业（67%）的解释方差较低，这与行业GDP降尺度研究的常见挑战一致，可能需更多辅助数据（如作物产量、矿产分布）来改进。
报告回答的关键问题
加纳就业率在空间上如何分布？
全国就业率为48%，但像素级范围从10%到98%。南部就业率较高，北部较低，尤其是东北部。城市地区就业率较高，但青年在城市就业率较低，反映机会不足。城乡和南北差异显著。
哪些因素对预测加纳就业模式最重要？
建成区、夜间灯光和道路密度是最重要的三类变量。建成区反映人口密度（劳动力供给），夜间灯光代表经济活动（需求），道路密度综合人口、行业和交通便利性。农业就业更依赖植被指数，矿业就业依赖矿区距离。
高分辨率网格化就业数据如何帮助政策制定？
此类数据可识别就业热点和盲区，支持精准干预。例如，显示制造业就业虽全国占比小但在特定城市中心集中，可指导产业政策；揭示青年就业在城市较低，提示需针对城市青年创造就业机会。
该研究的方法创新体现在哪里？
首次将随机森林和遥感技术应用于加纳17个就业类别的网格化降尺度，超越传统仅对人口或GDP的网格化，纳入劳动力市场复杂性（就业质量、行业、失业等）。模型可推广至其他数据匮乏国家。
报告中的代表性数据
全国就业率
2021年，基于2021年加纳人口普查，就业率定义为就业人数占15岁及以上劳动年龄人口的比例。
模型解释方差百分比（大多数就业类别）
不适用，17个就业类别中，除NEET（89%）、农业（68%）、矿业（67%）外，其余类别R²均超过90%。
像素级就业率范围
2021年，模型预测的0.005度网格就业率，显示加纳就业率的巨大空间异质性。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 详细方法学描述：包括随机森林模型的参数调优过程（mtry和ntree选择）、k折交叉验证方案，以及从区级到像素级的降尺度流程。
- 17个就业类别的完整空间分布图（图3及附录图8-11），展示总就业、青年、女性、高技能、自雇、各行业等像素级分布。
- 模型评估指标：每个就业类别的均方残差（MSR）和解释方差百分比，以及在0.05度粗分辨率下的对比评估结果。
- 变量重要性分析：详细列出各辅助变量对模型准确度的贡献（MSE增加和节点纯度），按就业类别分别讨论。
- 就业率和行业百分比的像素级地图（图6），展示就业率分布、青年/老年就业率、高技能和制造业就业比例。
- 城市级案例分析：以阿克拉、库马西、塔马莱为例，展示城市内部就业分布的精细模式，以及城市聚集区（Africapolis）的就业集中度分析。
- 与现有研究的对比：讨论与WorldPop、LandScan等全球网格人口数据的差异，以及与其他GDP降尺度研究的R²比较。
- 数据可用性说明：使用的辅助数据源完整列表（表1），包括ESA WorldCover、MODIS、夜间灯光、OpenStreetMap等，以及区级普查数据来源。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
