Рубрики
Без рубрики

Пространственные последствия отраслевых изменений в Нидерландах

Мы попытались определить, как отраслевые изменения влияют на пространственные решения во всем Нидерландах. Sp … Tagged с Python, Stata.

Мы попытались определить, как отраслевые изменения влияют на пространственные решения во всем Нидерландах. В частности, мы стараемся понять, как изменения в отраслевой доле в течение следующих десяти лет, которые мы прогнозируем сами, повлияют на желательность рынка труда и желательность жизни. Этот пост является краткой нашего исследования, полная версия доступна Здесь Анкет

Нам нужны отраслевые данные, а также мы хотим, чтобы они были как можно более подробными, поэтому мы решили использовать количество компаний в каждом секторе на муниципалитет. Эти данные доступны в статистике Нидерланды (CBS, link ).

Теперь мы хотим оценить количество компаний для каждого муниципалитета в 2030 году. Мы решили, что Vector Autoregression соответствует нашей цели, поскольку некоторые отрасли имеют симбиотические отношения (посмотрите на коаггломерацию отрасли, если заинтересованы), а некоторые наносят ущерб другими.

Мы используем следующие пакеты, доступные в Python:

import pandas as pd
import numpy as np
from statsmodels.tsa.vector_ar.var_model import VAR
from pandas import DataFrame

Затем мы разворачиваем наши данные и настраиваем их, чтобы годы представляли индексы. А потом мы хотели бы оценить до 2030 года.

### Load your data with your prefered method
data = pd.read_csv('YOUR DATA')

### The following format is the pivoting suitable for CBS data
df = data.pivot_table(index="year", 
                    columns=[
                        'gem', 
                        #'industry',
                        'id'], 
                    values=["companies"])

# VAR estimation: "y_predict" is the years we want to predict

y_predict = DataFrame(index=[2020,2021,2022,2023,2024,2025,
                             2026,2027,2028,2029,2030])

### We need a list object to use in the estimation

y = numeric_df.values.tolist()
model = VAR(y)
model_fit = model.fit(trend='nc')

yhat = model_fit.forecast(model_fit.y, steps=11)

Затем мы используем наши оценки в качестве экзогенных переменных для фиксированных эффектов для пунктов назначения. Регрессии могут быть выполнены в Stata, используя «reghdfe»:

Вот некоторые из наших результатов: Изменение населения Изменение рынка труда

Затем мы хотели масштабировать в конкретном городе и исследовать результаты там. Вот наши результаты для Амстердама: Изменение притока в Амстердам Изменение оттока в Амстердам

Спасибо за чтение, рассмотрите возможность просмотра полной статьи для получения дополнительных вопросов. Я хотел бы поблагодарить моих товарищей по команде, которые позволили этому исследованию.

Оригинал: “https://dev.to/cemsirin/spatial-implications-of-sectoral-changes-in-netherlands-4cph”