报告概述
该研究针对加纳劳动力市场数据空间分辨率不足的问题，提出一种利用随机森林算法和遥感技术将区级普查数据降尺度至0.005度分辨率的方法。研究覆盖17个就业类别，包括年龄、性别、技能、就业状态、部门、失业及NEET。通过整合土地覆盖、夜间灯光、基础设施等64个辅助变量，捕捉人口、经济及劳动力参与因素。报告为数据稀缺地区的劳动力市场制图提供了可扩展框架，有助于政策制定者了解地方就业差异。
报告的核心结论
模型在大多数就业类别上解释度超过90%。
随机森林模型在17个就业类别中，除NEET（89%）、农业（68%）和矿业（67%）外，其余类别的解释方差百分比均超过90%，其中7个类别达到94%。模型均方残差较低（0.07-0.2），显示高精度。
加纳就业率存在显著空间异质性和南北差异。
像素级就业率从10%到98%不等，标准差15个百分点。南部就业率普遍较高，北部（除主要城市）较低。就业高度集中在阿克拉-库马西城市走廊及沿海交通沿线，北部稀疏。
建成区、夜间灯光和道路密度是就业模式的关键预测变量。
变量重要性分析显示，建成区相关变量（人口密度）、夜间灯光（经济活动）和道路密度（基础设施可达性）对总就业预测贡献最大。农业就业受植被指数主导，矿业就业受矿区距离影响。
制造业就业虽全国占比小，但存在地方专业化中心。
加纳制造业就业整体微弱，但网格化数据揭示了局部城市中心的制造业集聚。五大城市集中了42%的制造业就业，表明存在专业化生产区域。
报告回答的关键问题
如何生成加纳高分辨率网格化劳动力市场数据？
研究利用随机森林算法，以区级普查就业数据为因变量，64个辅助变量（土地覆盖、夜间灯光、道路、POI等）为自变量，训练模型后预测0.005度网格的17个就业类别，并通过区级校准因子匹配官方统计。
加纳就业率在空间上如何分布？
全国就业率48%，但像素级差异巨大。南部就业率较高，北部（除塔马莱等城市）普遍偏低。青年就业率在城市较低，农村较高；老年就业率在西部靠近科特迪瓦边界较高。
哪些因素影响加纳不同就业类别的空间分布？
总就业受人口密度（建成区）、经济活动（夜间灯光）和道路密度驱动。农业就业依赖植被指标和降水；矿业就业由矿区距离和铁路决定；高技能就业集中于城市，低技能就业城乡均有。
该研究方法对数据稀缺地区有何价值？
研究提供了可迁移的框架，利用公开遥感数据和GIS数据，在缺乏高分辨率劳动力统计的地区生成精细就业地图，支持地方就业政策规划，并可用于其他类似国家。
报告中的代表性数据
全国就业率
2021年，加纳15岁以上人口就业率，区级标准差11.2个百分点，像素级标准差15个百分点。
模型解释方差百分比
2021年，17个就业类别中，多数类别R²超过90%，最低为农业（68%）和矿业（67%）。
五大城市就业集中度
2021年，阿克拉、库马西、塔马利、塔科腊迪和科佛里杜亚占总就业的38%，但占高技能就业的53%和制造业就业的42%。
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
- 完整的方法论细节：包括数据来源（表1）、随机森林模型参数调优（表2）、模型评估指标（均方残差和解释方差）及校准因子应用过程，适合需要复现研究的读者。
- 17个就业类别的高分辨率（0.005°）空间分布图（图3、图8-11），展示各类别在像素级别的就业绝对值，直观呈现集聚与稀疏区域。
- 区级实际与预测统计数据的对比分析（图4），包括就业、雇员、高技能就业等类别的散点图及R²值，验证降尺度准确性。
- 变量重要性分析（图5），揭示不同就业类别（总就业、农业、采矿、制造、高/低技能）的关键预测变量，如建成区、夜间灯光、植被指数等。
- 模型在粗分辨率（0.05°）下的评估结果（表4），对比MSR和方差百分比变化，说明分辨率对预测质量的影响。
- 就业率、行业百分比及青年/老年就业率的空间分布（图6），展示南北差异、城乡差异及专业化区域。
- 城市级劳动力市场案例（图7）：聚焦阿克拉、库马西和塔马莱，展示就业在市中心与边缘的分布，以及道路基础设施的引导作用。
- 与Africapolis城市集聚层叠加分析，量化129个城市集聚区的人口和就业集中度（占总人口49%，高技能就业68%），支持城市-乡村对比。
- 人口类别（总人口、劳动年龄人口等）的模型评估结果（表5），为计算就业率提供基础数据质量保证。
- 讨论与未来方向：包括通勤问题、更细行政单位、替代机器学习方法（XGBoost、Res-FuseNet）及利用劳动力调查数据生成年度网格化数据等。
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。
