互联网行业：格陵达遥感与随机森林技术在加纳的网格化劳动力市场数据分析

国际劳工局工作论文 165三月 / 2026作者 / 金炎，查普·马蒂厄，梅杨，李泽溯X格陵达遥感与随机森林技术在加纳的网格化劳动力市场数据分析 署名4.0国际（CC BY 4.0）https://doi.org/10.54394/00033744© 国际劳工组织 2026适应 如对本作品进行改编，必须添加以下免责声明，并附上归属权声明： 这是一份国际劳工组织（ILO）版权作品的改编版本。此改编版本未经ILO准备、审核或认可，不应被视为官方ILO改编。ILO对其内容的准确性和完整性概不负责，责任完全由改编版本作者承担。ILO出版物中使用的名称，这些名称符合联合国惯例，以及其中材料的呈现，并不意味着ILO对任何国家、地区或领土的法律地位有任何意见表达。本作品受Creative Commons Attribution 4.0 International许可。详见： https:// creativecommons.org/licenses/by/4.0/ 用户可以根据许可协议的规定，重复使用、分享（复制和再分发）、改编（混搭、改编和在此基础上进行创作）这些内容。用户必须明确注明国际劳工组织（ILO）是该材料的来源，并说明是否对原始内容进行了修改。禁止在翻译、改编或其他衍生作品中使用国际劳工组织的徽章、名称和标志。ISBN 9789220432976（印刷版），ISBN 9789220432983（网络PDF版），ISBN 9789220432990（epub版），ISBN 9789220433003（html版）。ISSN 2708-3438（印刷版），ISSN 2708-3446（数字版）。翻译。- 如果对本作品进行翻译，必须在署名信息之外，同时添加以下免责声明： 本译文是国际劳工组织（ILO）受版权保护的作品的翻译版本。本翻译未经国际劳工组织准备、审查或批准，不应被视为国际劳工组织的官方翻译。国际劳工组织对本译文的内容和准确性不承担任何责任。本译文的责任完全由译者承担。任何根据本许可证产生的、无法友好解决的争议，应提交联合国国际贸易法委员会（UNCITRAL）仲裁规则进行仲裁。各方应受此类仲裁产生的任何仲裁裁决的约束，作为此类争议的最终裁决。归属 用户必须指明是否进行了修改，并按照以下方式引用作品：Yan, J.，Matthieu, C.，Yang, M.，Zeshuo, L. 格陵达遥感与随机森林技术在加纳的网格化劳动力市场数据分析国际劳工组织工作论文165。日内瓦：国际劳工局，2026年。© 国际劳工组织。关于版权和许可的详细信息，请联系：rights@ilo.org 有关国际劳工组织出版物和数字产品的详细信息，请访问： www.ilo.org/publns .第三方资料 此Creative Commons许可证不适用于本出版物中包含的非国际劳工组织版权材料。如果材料归因于第三方，使用此类材料的人仅对与版权所有者协商权利并对其侵权索赔负责。 国际劳工组织工作论文可在以下网址找到：www.ilo.org/research-and-publications/working-papers授权发表：施密特，多罗西亚建议引用：或者关于其权威，或者关于其边境或边界的界定。参见： www.ilo.org/免责声明 .信息关于国际劳工组织出版物和数字产品可以在以下网址找到： www.ilo.org/研究-与-出版物ILO工作论文总结了正在进行的ILO研究的结果，旨在激发关于劳动世界各领域问题的讨论。欢迎对这篇ILO工作论文提出评论，评论可以发送至 charpe@ilo.org .对企业和商业产品及流程名称的提及并不意味着ILO的认可，未提及特定企业、商业产品或流程也不代表不赞同。严，J.，马蒂厄，C.，杨，M.，泽硕，L. 2026. 格网化加纳劳动力市场数据：利用遥感技术和随机森林, 国际劳工局工作报告 165 (日内瓦，国际劳工局)。 https://doi. org/10.54394/00033744本出版物中表达的意见和观点是作者的观点，不一定反映国际劳工组织（ILO）的意见、观点或政策。 摘要关于作者颜金 , 副教授，南京邮电大学物联网学院 & 江苏省智慧健康大数据分析与定位服务工程技术研究中心，中国南京 210023李泽述 物联网学院，南京邮电大学，中国南京210023这项研究展示了高分辨率（0.005）网格化劳动力市场数据，通过使用随机森林算法和遥感技术对加纳地区层面的普查数据进行降尺度处理而生成。它通过绘制17个就业类别（包括年龄、性别、技能、状态、部门、失业和NEET）来弥补空间分解劳动力市场数据的不足。将辅助数据（64个变量）如土地覆盖、夜间灯光、基础设施和兴趣点整合，以捕捉人口、经济和参与因素。该模型实现了高精度（大多数类别R2 > 90%），并揭示了显著的空间异质性，就业率在像素间从10%到98%不等。结果突出了城乡和南北差异，以及部门集中。变量重要性分析强调了建成区、夜间灯光、道路密度和植被健康状况在预测就业模式中的作用，并在不同就业类别中表现出特异性。该方法通过纳入劳动力市场复杂性，超越了传统的GDP或人口网格化。研究结果展示了机器学习和地理空间数据在数据匮乏环境中增强社会经济地图制作的潜力。马蒂厄·夏尔佩 , 高级经济学家，就业政策部，国际劳工组织，瑞士日内瓦1211，莫里永路4号01 国际劳工局工作论文 165杨美 物联网学院，南京邮电大学，中国南京210023 05 1 08 3 25 4 29 5 30 32 35 40致谢参考文献目录讨论引言结论申请X 2 结果 18XX材料和实验方法XXX附录摘要 01关于作者 0102 国际劳工局工作论文 1651.1 研究区域及主要劳动力市场统计数据 081.2 数据描述与处理 091.3 缩放方法 152.1 模型评估 182.2 网格化劳动力市场地图 182.3 实际与预估的区域统计数据 202.4 重要性分析 222.5 模型更粗略的分辨率和质量 243.1 就业率，行业百分比 253.2 市级劳动力市场 27 图表清单图1：选定的劳动力市场指标 09图2：网格化劳动力市场估算方法 11图3：（所选）就业类别空间分布 19图4：实际与估算统计数据 - 区级 - 选择类别 21图5：重要性分析 23图6：（选定）就业率及百分比的分布 26图7：阿克拉、库马西和塔马莱的就业分布 28图8：（所选）就业类别空间分布 36图9：（选定）就业类别空间分布 37图10：（选定）就业类别空间分布 38图11：额外就业类别空间分布 3903 国际劳工局工作论文 165 目录表表1：数据来源 13表2：最小化均方根误差的调整参数 16表3：剩余平方和及解释的变异百分比 18表4：模型评估较粗分辨率 - 0.05° 35表格5：模型评估人口类别 3504 国际劳工局工作论文 165 引言X第二难度在于劳资关