基于深度学习的意大利市镇收入速报: 利用夜灯指标
计量经济学
2026-05-12 v1
摘要
本文评估了 NASA Black Marble 夜灯强度是否可作为意大利市镇年度税收收入的早期指示器,其中官方数据以 12-18 个月的滞后形式发布。我们构建了覆盖 2012-2021 年、包含 7631 个市镇的面板数据集,将四种循环神经网络架构 (LSTM、BiLSTM、GRU、Transformer) 与六个基准模型进行比较:简单持久、面板固定效应、自回归分布滞后模型,以及两个空间计量模型 (SAR、空间 Durbin), 使用女王邻域矩阵。模型在 2012-2019 年训练,在 2020-2021 年进行样本外评估,并采用交叉序列 Diebold-Mariano 检验。单层 GRU 实现了跨市镇 107 万欧元的中位数预测误差——约为 2900 万欧元中位数市镇 IRPEF 收入的 4%——在所有基准模型中均统计上占优势 (DM 对持久模型 >4, 对空间线性模型 >40, 所有 p<0.001)。空间模型恢复了统计显著的空间自相关 (ρ≈0.71) 和有意义的夜灯溢出 (θ≈0.05),但其与 GRU 的预测差距几乎与空间无关的线性规范相同。我们得出结论,夜灯包含真实的预测信息,但提取此信息需要灵活的模型类才能捕捉跨序列异质性和非线性,而线性规范(无论空间或 otherwise)均无法恢复。
引用
@article{arxiv.2605.08782,
title = {Nowcasting Italian Municipal Income with Nightlights: A Deep Learning Approach},
author = {Massimo Giannini},
journal= {arXiv preprint arXiv:2605.08782},
year = {2026}
}