Nowcasting Italian Municipal Income with Nightlights: A Deep Learning Approach
利用夜间灯光即时预测意大利市镇收入：深度学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要利用市镇年度收入面板开展经济活动即时预测及样本外模型比较。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用夜间灯光即时预测意大利市镇收入：深度学习方法
- 研究问题
- 官方市镇年度应税收入公布滞后时，夜间灯光能否作为提前预测的信息来源，非线性模型相对线性和空间模型表现如何？
- 方法与思路
- 作者使用意大利市镇面板，将多类神经网络与持续性、固定效应、动态及空间模型比较，按年份划分训练与样本外评估期。
- 材料陈述的贡献
- 摘要称，单层 GRU 在所设样本外比较中优于各基准；空间线性模型虽发现空间相关，预测表现仍落后于该非线性模型。
- 阅读关注点
- 应核对预测时点可获得的信息、数据处理和调参流程、误差指标定义，以及截面预测比较检验如何处理空间相关。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已获同行评审或接收；结论来自特定地区和评估年份，摘要未说明实时数据版本及其他时期表现。
原文摘要
This paper assesses whether NASA Black Marble nightlight intensity can serve as an early indicator of annual taxable income at the Italian municipal level, where official data are released with a 12--18 month lag. Using a panel of 7{,}631 municipalities over 2012--2021, we compare four recurrent neural network architectures (LSTM, BiLSTM, GRU, Transformer) against six benchmarks: simple persistence, panel fixed effects, autoregressive distributed lag, and two spatial econometric specifications (SAR, Spatial Durbin) on a queen-contiguity matrix. Models are trained on 2012--2019 and evaluated out-of-sample on 2020--2021 with a cross-sectional Diebold--Mariano test. A single-layer GRU achieves a median forecast error of 1.07 million euros across the cross-section of municipalities -- approximately $4\%$ of the median municipal IRPEF income of 29 million euros -- statistically dominating every benchmark (DM $>4$ against persistence, $>40$ against spatial linear models, all $p<0.001$). Spatial models recover statistically significant spatial autocorrelation ($ρ\approx 0.71$) and a meaningful nightlight spillover ($θ\approx 0.05$), but their forecasting gap with the GRU is virtually identical to that of spatially-naive linear specifications. We conclude that nightlights contain genuine predictive content for municipal income, but extracting it requires a model class flexible enough to capture cross-sectional heterogeneity and non-linearities that linear specifications, spatial or otherwise, cannot recover.