ارزیابی و تحلیل نرخ بیکاری در سطح استان‌های کشور با استفاده از خوشه‌بندی مبتنی بر چگالی پیش‌بینی

الموضوعات : فصلنامه علمی برنامه ریزی منطقه ای

رامین خوچیانی ¹ , سید محمد حسینی ²

1 - استادیار گروه اقتصاد، دانشگاه آیت ا... العظمی بروجردی، بروجرد، ایران
2 - استادیار گروه ریاضی، دانشگاه آیت ا... العظمی بروجردی، بروجرد، ایران

تاريخ الإرسال : 30 الخميس , صفر, 1440 تاريخ التأكيد : 19 الجمعة , صفر, 1441 تاريخ الإصدار : 27 الإثنين , شعبان, 1441

الکلمات المفتاحية: خوشه‌بندی مبتنی بر چگالی پیش‌بینی, سری‌های زمانی, بوت‌استرپ غربالی, نرخ بیکاری,

ملخص المقالة :

آ
       آگاهی از وضعیت نرخ بیکاری استانهای کشور در افق‌های زمانی معین، برای برنامه‌ریزان منطقه‌ای و سیاستگزاران اقتصادی کشور بسیار مهم می‌باشد. در این مقاله خوشه‌بندی سری‌های زمانی بر اساس چگالی پیش‌بینی آنها تا افق مشخص بررسی شده است. در این روش به منظور تقریب توزیع پیش‌بینی‌ها از فرآیند بوت‌استرپ غربالی استفاده می‌شود. تفاوت‌های بین هر زوج از چگالی‌های بوت‌استرپ یک ماتریس عدم تشابه تولید می‌کند که برای خوشه‌بندی  استفاده می‌شود. به همین منظور از داده‌های فصلی نرخ بیکاری استانی در بازه زمانی بهار 1384 تا پاییز 1396 استفاده گردید و با توجه به الگوریتم چگالی پیش‌بینی، نرخ بیکاری استان­های کشور را برای دو افق زمانی 4 فصل (یک سال) و 10 فصل (دو سال و نیم) خوشه‌بندی کردیم. بهترین وضعیت را چه در 4 گام و چه در 10 گام (دو سال و نیم)، استان‌های سمنان و زنجان خواهند داشت و بدترین وضعیت استان‌های لرستان و کرمانشاه دارا می‌باشند. همچنین در دو افق زمانی مورد مطالعه، به جز چند استان، بقیه در خوشه‌های اصلی خود ثابت بودند. همچنین نمودار پراکنش فضایی بیکاری در ایران بر اساس خوشه‌بندی مبتنی بر چگالی پیش‌بینی نشان می­دهد که همچنان استان‌های غرب و جنوب غربی بالاترین نرخ بیکاری را خواهند داشت. بنابراین لزوم برنامه‌ریزی منطقه‌ای و توجه جدی به اشتغال استان‌های فوق‌الذکر توصیه می‌شود. در ضمن استان­هایی که در وضعیت نامطلوبی قرار دارند، دارای همسایگان با نرخ بیکاری بالا هستند و استان­های با نرخ بیکاری پایین عمدتاً دارای استانهای همجوار با نرخ بیکاری پایین هستند. به عبارت دیگر یک همبستگی مکانی مثبت بین استانهای همجوار و نرخ بیکاری وجود دارد.

المصادر:

1. Abbasi Nejad H, Ramezani H, Sadeghi M.(2013). A Study of the Relation between Unemployment and Crime in Iran Provincial Consolidated Data Approach. 3. 20 (64) :65-86 (In Persian).


2. Aghabozorgi, S. Shirkhorshidi, A.S. and Wah, T.Y. (2015). Time-series clustering – A decade review. Information Systems, Vol. 53, pp. 16-38.


3. Akhbari, R., Taee, H. (2017). Identifying hysteresis effect in unemployment rate with emphasis on second generation panel unit root and PANIC method. journal of applied economics studies in iran, 6(22), 1-31. doi: 10.22084/aes.2017.11136.2209 (In Persian).


4. Alonso, A.M. Berrendero J.R. Hernandez A. and Justel A. (2006): Time Series Clustering Based on Forecast Densities. Computational Statistics and Data Analysis, Vol. 51, pp. 762-776.


5. Cowpertwait, P.S.P. Cox, T.F. (1992): Clustering population means under heterogeneity of variance with an application to a rainfall time series problem. The Statistician, Vol. 41, pp. 113–121.


6. Cracolici, M.F. Cuffaro, M. and  Nijkamp,  P. (2007): A spatial analysis on Italian unemployment defferences. Statistical Methods and Applications, Vol. 18, Issue 2, pp. 275-291.


7. Feizpour, M., Lotfi, E. (2015). Economical Distinctions and Social Problems of Iran: Rates of Unemployment and Suicide. strategic rssearch on social problems in iran university of isfahan, 4(1), 153-166 (In Persian).


8. Filiztekin, A. (2009): Regional unemployment in Turkey, Regional Science, Vol. 88, Issue 4, pp. 863-878.


9. Fruhwirth-Schnatter, S., Kaufmann, S. (2004): Model-based clustering of multiple time series. CEPR Discussion Paper No. 4650.


10. Galeano, P. and Peña, D. (2000): Multivariate analysis in vector time series, Resenhas, Vol. 4, pp. 383–403.


11. Garcilazo, J. E. (2006): Regional unemployment clusters: neighborhood and state effects in Europe and North America, The Review of Regional Studies, Vol. 37, Issue 3, pp. 282-302.


12. Gharavi Nakhjavani, A. (2002): "The Unemployment Crisis in the Iranian Economy", Economic Quarterly, No. 6, 171-184 (In Persian).


13. Hosseini, G., Sadeqi, R., Ghasemi, A., Rostamalizadeh, V. (2018). Trends and Patterns of Internal Migration in Iran. Journal of Regional Planning , 8(31), 1-18 (In Persian).


14. Imani, M. (2012): Clustering of Persian texts, Master's thesis, Faculty of Computer Engineering, Sharif University of Technology. (In Persian).


15. Iran Statistical Center, "Employment and Unemployment Indicators of the country in 1376-1391", Tehran (In Persian).


16. Izadparast, M. (2011): Classification of Insurance Customers Using Data Mining, Payame Noor University of Tehran, New World Insurance Monthly, No. 161.(In Persian).


17. Kakizawa, Y. Shumway, R.H. and Taniguchi, M. (1998): Discrimination and clustering for multivariate time series, Journal of the American Statistical Association, Vol. 93, pp. 328–340.


18. Kaufman, L. and Rousseeuw, P.J. (2005): Finding groups in data: an imtroduction to cluster analysis, Hoboken, NJ: Wiley.


19. Liao, W. T. (2005): Clustering of time series data-a survey. Pattern recognition, Vol. 38, Issue 11, pp. 1857-1874.


20. Lopez-Bazo, E. and Motellon, E. (2011): The regional distributions of unemployment. What do micro-data tell us?, Research Institute of Applied Economics.


21. Macchiato, M.F. La Rotonda, L. Lapenna,V. and Ragosta, M. (1995): Time modelling and spatial clustering of daily ambient temperature: an application in Southern Italy, Environmetrics, Vol. 6, pp. 31–53.


22. Maharaj, E.A. (1996): A significance test for classifying ARMA models, Journal of Statistical Computation and Simulation, Vol. 54, pp. 305–331.


23. Montero P. and Vilar, J.A. (2015): TSclust: An R Package for Time Series Clustering, Journal of Statistical Software, Vol. 62, Issue 1, pp. 1-43.


24. Motii-Haghshenas, N. (2002): "A Comparative Study of the Employment and Unemployment Rate of Population in Different Provinces of Iran", First Conference of Iranian Demographic Association, Tehran, Iranian Demographic Association (In Persian).


25. Noghani Dokht Bahmani, M., Mir Mohamad Tabar, S. (2016). Study of Economic Factors Affecting the Crime (Meta-analysis of Research Conducted in Iran). strategic rssearch on social problems in iran university of isfahan, 4(3), 85-102 (In Persian).


26. Pattarin, F. Paterlini, S. and Minerva, T. (2004): Clustering financial time series: an application to mutual funds style analysis, Computational Statistics and Data Analysis, Vol. 47, pp. 353–372.


27. Piccolo, D., (1990). A distance measure for classifying ARIMA models. J. Time Ser. Anal. 11, 153–164.


28. Radmehr, F. and Alamolhoda, S. H. (2014). Cluster analysis: a tool for analyzing data in quantitative and mixed method studies. psychological methods and models, fourth year, No. 15, pp. 36-13. (In Persian).


29. Rezvani, M., Mansourian, H., Mahmoudian zamaneh, M., Heydarian Mohammadabadi, R. (2013). Spatial analysis of unemployment in Urban and Rural Areas in Iran With exploratory Spatial Data Analysis Approach. physical sacial planning, 1(3), 37-48 (In Persian).


30. Saadat, M., Mila Elmi, Z. and Akbari, N. (2009).Analysis of Spatial Unemployment in Iran, Nameye Mofid,19(69), 151-170 (In Persian).


31. Seidaii, S., Bahari, E. and Zarei, A.(2011): "Investigation of the Employment and Unemployment Status in Iran during the Years 1335-1389". Jasmine Strategy, No. 25, 241-216 (In Persian).


32. Shahyadi, S (2004): "Spatial Analysis and Labor Demand in Iran", MSc Thesis, Faculty of Administrative Sciences and Economics, University of Isfahan (In Persian).


33. Tong, H. Yeung, I. (2000): On Tests for Self-Exciting Threshold Autoregressive-Type Non- Linearity in Partially Observed Time Series, Journal of the Royal Statistical Society C, Vol. 40, Issue 1, pp. 43-62.


34. Vilar, J.A. Alonso, A.M. and Vilar, J.M. (2010): Non-Linear Time Series Clustering Based on Non-Parametric Forecast Densities, Computational Statistics and Data Analysis, Vol. 54, Issue 11, pp. 2850-2865.