تعداد نشریات | 43 |
تعداد شمارهها | 1,675 |
تعداد مقالات | 13,674 |
تعداد مشاهده مقاله | 31,689,894 |
تعداد دریافت فایل اصل مقاله | 12,519,516 |
مدلسازی فضایی نرخ بیکاری در شهرستانهای ایران براساس دادههای سرشماری نفوس و مسکن | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
اقتصاد شهری | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
دوره 8، شماره 2، اسفند 1402، صفحه 11-26 اصل مقاله (1.04 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نوع مقاله: مقاله پژوهشی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
شناسه دیجیتال (DOI): 10.22108/ue.2024.140027.1278 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
حامد سبفی1؛ عبدالله جلیلیان2؛ آزاد خانزادی* 3 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1کارشناسی ارشد آمار اجتماعی و اقتصادی، دانشکده علوم پایه، دانشگاه رازی، کرمانشاه، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2دانشیار گروه آمار، دانشکدهی علوم پایه، دانشگاه رازی، کرمانشاه، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3استادیار گروه اقتصاد، دانشکده اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
بیکاری یکی از مسائل و موضوعات مهم در همه کشورهای جهان محسوب میشود و افزایش تعداد بیکاران در هر جامعهای سبب بروز مشکلات بسیاری خواهد شد. بهدلیل وجود اهمیت بالای موضوع بیکاری، در بسیاری از پژوهشهای انجامشده نیز به شناخت صحیح و درک عمیق عوامل مؤثر بر بیکاری در جهت کاهش آن توجه شده است. در پژوهش حاضر، جمعیت فعال اقتصادی و تعداد بیکاران 15 ساله و بالاتر براساس جنسیت و سطوح مختلف تحصیلات، در شهرستانهای ایران، براساس سرشماری عمومی نفوس و مسکن سال 1395 دستهبندی شدهاند. هدفی که در طول این پژوهش دنبال شده است، مدلبندی فضایی تعداد بیکاران در شهرستانهای ایران، براساس متغیرهای کمکی جنسیت و تحصیلات است. برای رسیدن به این مهم، از رویکرد بیزی و روشی موسوم به «تقریب لاپلاس آشیانهای جمعبسته» یا به اختصار INLA استفاده شده است. بعد از برازش مدل فضایی مناسب، ضرایب متغیرهای کمکی برآورد شدهاند. نتایج بهدستآمده نشان میدهند بیکاری زنان نسبت به مردان بیشتر است و با بالارفتن مقطع تحصیلی نسبت به بیسوادی، بیکاری نیز افزایش یافته است. در انتها اثرات فضایی شهرستانها برآورد شدند و شهرستانهای با بیشترین و کمترین میزان مخاطره بیکاری و همچنین شهرستانهایی که اختلاف معناداری با میانگین بیکاری کشوری ندارد، مشخص شدهاند. طبقهبندی JEL: C21، C31، R12. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
سرشماری عمومی نفوس و مسکن؛ اثرات فضایی؛ بیکاری؛ رویکرد بیزی؛ شهرستانهای ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مقدمه نیروی انسانی، مهمترین منبع اقتصادی در هر کشور است و پدیدة بیکاری، معیاری مناسب برای سنجش وضعیت توازن بین ارکان اساسی اقتصاد کشور است؛ بنابراین، پرداختن به مسئله بیکاری و مخاطرات آن و همچنین عوامل کاهش یا افزایش آن برای برنامهریزان و سیاستگذاران بهمنظور هدفگذاری و اتخاذ سیاستهای مناسب برای مقابله با افزایش آن اهمیت ویژهای دارد. وجود بیکاری در جامعه به این معناست که بین امور و فعالیتها، هماهنگی و روابط درست برقرار نیست؛ به عبارتی، روابط و مناسبات اقتصادی آن، نادرست و الگوی بهرهبرداری از منابع و امکانات غیرکارآمد است. بیکاری علاوه بر اینکه ازنظر اقتصادی به معنای استفاده غیربهینه از عوامل تولید است، ازلحاظ اجتماعی و سیاسی از ظرفیت مشکلزایی و بحرانآفرینی بالایی برخوردار است. بیکاری میتواند اعتماد اجتماعی به دولت و درنتیجه مشروعیت سیاسی آن را به چالش بکشد (خوچیانی و حسینی، 1399). بیکاری یکی از شاخصهای شناختهشده در بازار کار و اقتصاد محسوب میشود. بیکاری یکی از پدیدههای نامطلوب اقتصادی است که پیامدهای متعددی در جنبههای مختلف سیاسی، اجتماعی، فرهنگی و ... بهدنبال دارد؛ ازجمله آنها میتوان به مشکلات مالی مانند فقر، فقدان مسکن مناسب، مشکلات خانوادگی، انزوای اجتماعی برای فرد بیکار، ارتکاب به بسیاری از جرائم و دیگر آسیبها اشاره کرد. کار برای جوان بهمثابه زندگی است و نبود کار به معنای گسست از جامعه است؛ بنابراین، در جوامعی که نرخ بیکاری بهویژه در جوانان بالا میرود، باید انتظار آسیبها نه در سطح خرد بلکه در سطح بسیار وسیع و کلان را داشت. همانطور که بیان شد، نبود کار برای یک فرد جویای کار باعث ایجاد فقر و مشکلات اقتصادی و بهدنبال آن مشکلات فرهنگی و اجتماعی میشود؛ برای مثال، فردی را در نظر بگیرید که نمیتواند یک شغل مناسب بیابد و بیکار است؛ این فرد قصد ازدواج و تشکیل خانواده دارد؛ ولی مشکلات ناشی از بیکاری مانع از آن شده است؛ بنابراین، احتمال اینکه فرد منزوی و دچار مشکلات اقتصادی و اجتماعی متعددی شود بالا است. همین مثال، در ابعاد بزرگتر و در جامعه نیز میتواند صدق کند و باعث بروز بسیاری از مشکلات شود. پس به همین دلیل است که بیکاری و مشکلات ناشی از آن، یکی از مسائل مهم هر جامعهای است و کشورها راهکارهای متنوعی را بهمنظور کاهش بیکاری به کار میبندند. کشور ایران نیز از این قاعده مستثنی نیست و با این مسئله دستوپنچه نرم میکند (سیفی، 1402). نوسانات بیکاری را میتوان در دو گروه قرار داد: 1- نوسانات فراگیر؛ تحتتأثیر عوامل کلان به وجود آمدهاند و بر همه بازار کار تأثیر میگذارند و میتوان آن را با استفاده از مدلهای کارگزار نماینده مدلسازی کرد و انتظار میرود این عوامل بهصورت یکسان بر بیکارشدن افراد در فعالیتهای مختلف اقتصادی اثرگذار باشند. 2- نوسانات ناهمگن یا بخشی؛ برای این نوع از نوسانات، از دادهها و مدلهای ناهمگن و بخشی استفاده میشود؛ بنابرین، میتوان مدلی از نرخ بیکاری را در نظر گرفت که تابعی از متغیرهای کلان اقتصاد و ناهمگنیهای بخشی است. بهطور کلی، بیکاری را میتوان به دو بخش بیکاری طبیعی (ساختاری) و غیر از آن دستهبندی کرد. بیکاری ساختاری، ناشی از ساختارهای جستوجو و تطبیق و سایر اصطکاکهای اقتصاد است و تغییر در آن، فقط با اصلاحات نهادی انجام میشود. بخش دیگر بیکاری که ناشی از چنین ساختارهایی نیست را میتوان با اتخاذ سیاستهای صحیح و به موقع کاهش داد یا به حداقل رساند. در سالهای ابتدایی انقلاب اسلامی، باروری افزایش یافت که نتیجۀ آن فشار بر امکانات و تسهیلات آموزشی برای جمعیت بزرگتر از شش سال در سالهای بعد بود. مدارس پرجمعیت با امکانات کم، هزینههای بسیاری را به کشور تحمیل کرد. موالید زیاد آن سالها پس از خروج از مدارس فشار زیادی به بازار کار وارد کرد. پاسخ دولت به این نیاز در کنار تلاش برای ایجاد اشتغال، هدایت جمعیت جوان به ادامه تحصیلات بود و با هدایت جوانان به تحصیل و طولانیکردن زمان ورود به بازار کار تلاش کرد تا از بحرانیشدن بیکاری جلوگیری کند و برای خود فرصت اشتغال ایجاد کند. پژوهش آل عمران و همکاران (1393) نشان میدهد برای دوره زمانی 1357 تا 1389 در ایران، در برابر افزایش یک درصد در سطح سواد، میزان بیکاری به اندازهی 57/0 درصد کاهش مییابد. این راهحل موجب شد بسیاری از جوانان ترغیب به تحصیل شوند و برای ورود به دانشگاهها تلاش کنند. اقبال به تحصیل جمعیت زیاد جوانان باعث شد سرمایههایی که میبایست صرف ایجاد اشتغال و بنگاههای تولیدی شوند، بهدلیل سوددهی بازار آموزش و تحصیل به سمت ایجاد دانشگاههای مختلف سرازیر شوند. نتیجة این گسترش در آموزش، افزایش سطح عمومی تحصیلات در کشور بوده است. تلاشهای صورتگرفته برای اشتغال کافی نبود و بیکاریهای سالهای قبل نهتنها از بین نرفت، بلکه تبدیل به نوع دیگری از بیکاری، یعنی بیکاری دانشآموختگان شد. سیاست وقفه برای ورود به بازار کار ادامه یافت و با افزایش ظرفیت دانشگاهها، برای مقاطع کارشناسی ارشد و دکتری، بیکاری دانشآموختگان به مقاطع بالای تحصیلی رسید (ذکی و همکاران، 1399). موضوع با اهمیت در تحلیل بیکاری در یک اقتصاد، این است که آیا بیکاری در یک منطقه جغرافیایی متمرکز شده است یا اینکه توزیع بیکاری در تمام نقاط جغرافیایی همگن است. پاسخ به این سؤال میتواند در سیاستگذاریهای مربوط به اشتغالزایی و کاهش بیکاری اثرگذار باشد؛ بنابراین در این مطالعه، هدف مدلسازی فضایی بیکاری در شهرستانهای ایران برای تحلیل فضایی این شاخص اقتصادی است. براساس این، با استفاده از دادههای مربوط به سرشماری عمومی نفوس و مسکن سال 1395، مرکز آمار ایران و دادههای جمعیت فعال اقتصادی و تعداد بیکاران 15 ساله و بالاتر براساس جنسیت و سطوح مختلف تحصیلات در شهرستانهای ایران، مدلبندی فضایی تعداد بیکاران در شهرستانهای ایران، براساس متغیرهای کمکی جنسیت و تحصیلات با استفاده از رویکرد بیزی و روشی موسوم به «تقریب لاپلاس آشیانهای جمعبسته»[1] یا به اختصار INLA انجام شده است. ساختاربندی این مقاله به این صورت است که در بخش دوم، مبانی نظری، ارائه و در بخش سوم پیشینه بررسی شده است. در بخش چهارم، مدل، متغیرها و دادهها، ارائه و در بخش پنجم مدلها برآورد شدهاند و درنهایت در بخش ششم، نتیجهگیری ارائه شده است.
مبانی نظری و ادبیات موضوع اشتغال بهعنوان عاملی مؤثر در رشد اقتصادی، توزیع عادلانة درآمدها، حفظ کرامت و عزتنفس انسان و افزایش ابتکارات و اختراعات است. همچنین، بیکاری بهعنوان ریشه بسیاری از ناهنجاریهای اقتصادی، اجتماعی و فرهنگی، پیامدها و تبعات اقتصادی، اجتماعی و سیاسی ناگواری در پی داشته و خود را بهصورت یک پدیده اقتصادی بسیار مهم برای دولتها و اقتصاددانان نشان داده است؛ بهگونهایکه میزان بالای اشتغال و میزان پایین بیکاری ازجمله شاخصهای اساسی توسعهیافتگی جوامع تلقی میشوند. با این حال، آنچه اهمیت نرخ بیکاری را دو چندان میکند این است که کار تنها دارایی افراد فقیر به شمار میرود و وخیمترشدن وضعیت بازار کار سبب افزایش شکاف طبقاتی، گسترش فقر و بهدنبال آن، افزایش مشکلات و معضلات اجتماعی میشود (ایزدخواستی و همکاران، 1396). ذکی و همکاران (1399) بیان میکنند بیکاری ازلحاظ اجتماعی و سیاسی ظرفیت بحرانآفرینی بالایی دارد و میتواند مقبولیت و حتی مشروعیت دولتها را زیر سؤال ببرد. پاسخ دولتها به بیکاری، اغلب ایجاد فرصتهای آموزشی است تا ورود نیروی جدید به بازار کار را به تعویق بیندازند که این موضوع در ایران باعث افزایش بیکاری تحصیلکردهها شده است. بهطورکلی، بیکار در اقتصاد به فردی گفته میشود که در سن کار (6۵-1۵) جویای کار باشد؛ اما شغل و منبع درآمدی پیدا نکند. بیکاری در کشورهای مختلف با توجه به نوع فرهنگ و حتی شرایط اقلیمی و اوضاع سیاسی و اجتماعی از علل خاصی ناشی میشود و گاه از عوامل مشترک پیروی میکند. به عقیده برخی از تحلیلگران و محققان، عامل اصلی ۷۰ درصد از ناهنجاریهای جامعه ناشی از بیکاری است؛ زیرا اشتغال میتواند از بروز بسیاری از ناهنجاریهای اجتماعی جلوگیری کند. بیکاری را میتوان به دو قسمت بیکاری ارادی و غیرارادی تقسیمبندی کرد: بیکاری ارادی به چهار قسمت دیگر تقسیم میشود. در یک تقسیمبندی دیگر میتوان بیکاری را از منظر بیکاری پنهان و آشکار (غیرپنهان) بررسی کرد. بیکاری ادواری: به بیکاری ایجادشده بر اثر سیکلهای تجاری (رکود و رونق) گفته میشود. اگر به هنگام رکود دستمزدها متناسب با قیمتها کاسته نشود، مقدار بیکاری افزایش مییابد و این افزایش بیکاری را بیکاری ادواری مینامند. این نوع از بیکاری در شرایط اشتغال کامل، صفر بوده است و با ایجاد رکود مقدار آن افزایش مییابد. بیکاری ساختاری: به آن مقدار بیکاری گفته میشود که بر اثر نامناسبشدن مهارت و توانایی کاری بخشی از نیروی کار در شرایط پیشرفت تکنولوژی و نیاز به مهارتهای بالاتر و در صورت عدم بازآموزی نیروی کار ایجاد خواهد شد. بیکاری اصطکاکی: به آن مقدار بیکاری گفته میشود که بهدلیل تغییر شغل افراد به وجود میآید. بهعلت اینکه نیروی کار تمامی اطلاعات مربوط به شغلهای موجود را در دسترس ندارد، در صورت از دست دادن یک شغل ممکن است مدتی برای یافتن شغل مناسب بعدی وقت مصرف کند. بیکاری فصلی: به آن مقدار از بیکاری گفته میشود که در یک فصل خاص و بهدلیل ماهیت کاهش فعالیت یک بخش خاص طی آن فصل به وجود میآید؛ مانند بیکاری کشاورزان در فصل سرما. بنابراین آنچه تاکنون با عنوان نرخ بیکاری طبیعی (u) از آن نام برده میشود، عمدتاً شامل بیکاری اصطکاکی و با تعریفی گستردهتر شامل بیکاری ساختاری میشود (رحمانی، 1394). اگر به جوامع پیشرفته دنیا نگریسته شود، صرفنظر از میزان پیشرفت صنعتی، توسعهیافتگی و بزرگ و کوچک بودن، با دقت در آمار اشتغال و بیکاری آنها، دریافت میشود آن کشورهایی که نرخ بیکاری آنها در مقایسه با سایر کشورها پایینتر است، شاخص عدالت اجتماعی در آنها بالاتر است و فقر چهره پنهانتری دارد. ریشهکنکردن فقر و پایانبخشیدن به دور باطل و تسلسل این پدیده در خانوادههای فقیر، جز با فراهمکردن فرصتهای شغلی متناسب با توانمندیهای فکری و یدی آنها امکانپذیر نیست. فقرزدایی جامعه جز با محوریکردن اشتغال امکانپذیر نخواهد بود. محوریکردن اشتغال نیز در گرو برنامهریزی کلان دستگاههای مختلف و بهصورت مشارکتی، عملی خواهد بود. بهطور کلی گفتنی است برای ایجاد اشتغال و مقابله با رشد میزان بیکاری، با وجود اینکه وضعیتهای سیاسی، اجتماعی و کشورهای مبتلا به بیکاری با یکدیگر متفاوتاند و این عوامل چگونگی مهار بیکاری در آن کشورها را از یکدیگر متمایز میکند، در تمام کشورهایی که با بیکاری درگیرند، باید سرمایهگذاری و تولید افزایش یابد و برای افزایش تولید باید زمینة مصرف در داخل و صادرات به خارج فراهم شود و برای این منظور کیفیت و کمیت محصولات و خدمات بسیار مهم است. از سوی دیگر، آموزشهای لازم قبل از مقاطع آموزش عالی (دانشگاهها) و در حین تحصیل در مقاطع دانشگاهی باید با بازار کار مطابق شوند. پیشینه پژوهش بررسی موضوع بیکاری و عوامل مؤثر بر آن در سطوح مختلف جفرافیایی در جهت یافتن راهکارهایی برای کاهش آن متناسب با عوامل مختلفی اهمیت دارد که ممکن است در نواحی گوناگون متفاوت باشد. به عبارت دیگر، تحلیل فضایی بیکاری را میتوان در جهت پیشبینی عوامل مؤثر و میزان تأثیر آنها در مناطق مختلف به کار گرفت و از نتایج بهدستآمده در جهت اجرای سیاستهای صحیح در هر منطقه متناسب با شرایط آن و بهطور کل برای تمام مناطق استفاده کرد و بدین ترتیب باعث کاهش بیکاری و مشکلات ناشی از آن شد. در ادامه، چند مثال در همین رابطه و همچنین پژوهشهایی بررسی شدهاند که در این مبحث صورت گرفتهاند. جاسینتو دادههای نرخ بیکاری منطقهای در ایتالیا را با هدف ارزیابی میزان انتشار فضایی شوکهای خاص منطقهای به بیکاری و همچنین درجة ناهمگنی فضایی در پارامترهای فرایند را با استفاده از مدلهای تعمیمیافته فضایی-زمانی اتورگرسیو میانگین متحرک[2] تحلیل کرد .(Giacinto, 2006)چنین مدلهایی، یعنی مدلهای STARMA، در اواسط دهه 70 میلادی بهعنوان تعمیمی فضایی-زمانی برای مدلهای سری زمانی ARMA معرفی شدند که هدف آنها افزایش توانایی مدل در مواجه با وابستگی فضایی و ناهمگنی مشاهدات است. تحقیقات ناپارامتری اخیر نشان میدهند توزیع منطقهای نرخهای بیکاری بیشتر به مکان جغرافیایی (اثرات همسایگی) وابسته است تا عوامل ملی (اثرات ایالتی). با این حال، این نتایج وابستگی بین اثرات همسایگی و اثرات ایالتی (اثرات مشترک) را کنترل نمیکند و یک معیار از اندازههایشان را فراهم نمیآورد؛ ازاینرو، گارسیلازو و اسپیزیا یک معیار ساده را ساختهاند که نسبت به مکان و در طول زمان ثابت است و بهوسیلة آن اثرات ایالتی، اثرات همسایگی و اثرات مشترک را در اروپا و آمریکای شمالی با هم مقایسه کردهاند (Garcilazo & Spiezia, 2007). صرفنظر از سطح جغرافیایی تجمع مناطق، بهدلیل موقعیت نسبیشان، آنها تا حدودی به هم مرتبط هستند؛ بهعلاوه عملکرد اقتصادی مشابه در میان مناطق را میتوان به مجاورت نسبت داد؛ بنابراین، درک صحیح و به حساب آوردن مناسب روابط فضایی بهمنظور پیشبینی مؤثر متغیرهای اقتصادی منطقهای مورد نیاز است. چندین تکنیک اقتصادسنجی فضایی موجود است که با خودهمبستگی فضایی[3] با دادههای جغرافیایی مرتبط سروکار دارد. پاتولی و همکاران خودهمبستگی فضایی مشاهدهشده برای نرخهای بیکاری در 439 ناحیة NUTS-3 آلمان را با روش نیمهپارامتری - فیلتر فضایی - تحلیل کردند تا به الگوهای فضایی پی ببرند که بهطور مدوام در طی زمان معنیدار هستند (Patuelli et al., 2011). در بازة زمانی 1993 تا 2005 مناطق مختلف در کلمبیا فرایند قطبیشدن را تجربه کردند؛ زیرا میزان بیکاری در نواحی مختلف نسبت به میانگین ملی تفاوت داشت و این فرایند همراه با ایجاد خوشههای بیکاری بود. دیاز مدل دوربین فضایی[4] را بهمنظور کشف تأثیر عوامل مختلف در تعیین تفاوتها در میزان بیکاری منطقهای و با بهرهمندی از یک روش تجزیهای[5] پیشنهاد داده است که مشخص شود چقدر از تغییرات میزان بیکاری بهوسیلة متغیرهای موجود در مدل و چقدر بهوسیلة متغیرهایی توضیح داده میشود که حذف شدهاند و همچنین بررسی کرده است که آیا گروههای مناطق مختلف نسبت به تحریک و شوکهای ایجادشده در بازار کار واکنش متفاوتی نشان میدهند یا خیر (Diaz, 2016). پریرا و همکاران بهمنظور برآورد تعداد کل بیکاران و همچنین میزان بیکاری در 28 منطقه از پرتغال که بهعنوان مناطق NUTS-3 تعیین شدهاند، از روشها و رویکردهای مدلمحور (مبتنی بر مدل) استفاده و آنها را با روشهای برآورد مستقیم مقایسه کردند که بهتازگی توسط مرکز ملی آمار پرتغال[6] به کار گرفته شدهاند (Pereira et al., 2016). تمرکز این مطالعه روی مدلسازی دادههای مربوط به نظرسنجی نیروی کار از فصل اول سال 2011 تا فصل آخر سال 2013 با توجه به روش بیزی سلسلهمراتبی بوده و از سه روش مختلف مدلسازی استفاده شده است: تعداد کل بیکاران ازطریق مدلهای پواسن، دوجملهای و دوجملهای منفی، میزان بیکاری ازطریق مدل بتا و سه وضعیت بازار کار شامل شاغل، بیکار و غیرفعال ازطریق مدل چندجملهای مدلسازی شده که دو مورد اول با استفاده از رویکرد INLA و مورد سوم با استفاده از رویکرد MCMC صورت گرفته و در آخر نتایج حاصل از تمام این مدلسازیها با هم مقایسه شدهاند. العیوتی و حسابلا دادههای بیکاری 27 استان در مصر را طی سالهای 2006 تا 2016 بررسی کردند (Al‐Ayouty & Hassaballa, 2020). از آنجایی که ممکن است مناطق با بیکاری بالا به نحوی با هم خوشهبندی شوند که باعث ایجاد خودهمبستگی فضایی شود، از یک مدل پانلی فضایی متناسب با دادهها استفاده شده است و وجود وابستگی فضایی (مثبت) در بیکاری منطقهای را نشان دادهاند. آموتنیا دادههای نظرسنجی نیروی کار نامیبیا در سالهای 2014، 2016 و 2018 را با هدف پاسخ به این دو پرسش بررسی کرده است: نخست، آیا تغییرات در نرخ بیکاری بهدلیل خوشهبندی منطقهای است (Amutenya, 2021). دوم، آیا متغیرهای کمکی مثل تحصیلات، جنسیت، سن، تراکم جمعیتی و زمان روی تغییرات میزان بیکاری منطقهای اثرگذار هستند. برای رسیدن به این اهداف، روش هموارسازی فضایی کاملاً بیزی[7] برای تعیین تغییرات منطقهای در نرخهای بیکاری استفاده شده است. سعادت و همکاران (1387) در مقاله «تحلیل فضایی بیکاری در ایران» با استفاده از مدلهای اقتصادسنجی فضایی که دربارة خودهمبستگی فضایی کاربرد دارند و دادههای اقتصادی-اجتماعی سال 1385 مرکز آمار ایران، ساختار فضایی، تفاوتهای بیکاری منطقهای ایران را در سطح 336 شهرستان بررسی کردهاند. هدف اصلی، توضیح تفاوتهای موجود در بیکاری مناطق مختلف ایران با استفاده از یک مدل مقطعی بوده است. دارانی و قربانی (1393) در مقاله «مشارکت نیروی کار در اقتصاد ملی: تحلیلی در چارچوب رگرسیون فضایی» نیز در نتایج مطالعات خود نشـان دادند اسـتانهـای کشـور از یـک وضـعیت خوشـهای در ارتبـاط بـا مشارکت اقتصادی نیروی کار برخوردارند؛ بهگونهایکه استانهای مختلف ازنظر شاخص مذکور (مشارکت اقتصادی نیروی کار)، از تأثیرگذاری مثبتی نسـبت بـه اسـتانهـای مجـاور برخوردارنـد. ازایـنرو بـه نظـر میرسد تدوین سیاستها و برنامههای منطقهای درخصـوص افـزایش نـرخ مشـارکت و به عبارتی عرضه نیروی کار، از اهمیت بالایی در برنامهریـزیهـای سـطح کـلان برخـوردار است. ذکی و همکاران (1399) در مقاله «تحلیل فضایی اثرات بیکاری و بیکاری تحصیلکردگان بر جغرافیای سیاسی ایران» با روش توصیفی-تحلیلی و آماری با تأکید بر کشف الگوهای فضایی بیکاری بهطور عام و بیکاری تحصیلکردگان بهطور خاص با استفاده از روشهای تحلیل فضایی آماره موران و آماره Getis-Ord Gi در پی پاسخ به این سؤالات است که الگوهای فضایی بیکاری در ایران چگونه است و چه اثراتی بر جغرافیای سیاسی کشور دارند. نتایج پژوهش نشان دادهاند الگوهای فضایی بیکاری، با بیکاری تحصیلکردگان متفاوت است و پایداری این الگوها در طی زمان باعث تقویت فرایندهای ناموزون مهاجرت و توسعه میشود و برداشت مردم از آن را سیاسی کرده است و تداوم این وضعیت از دیدگاه جغرافیای سیاسی، چالش بزرگی برای حاکمیت و دولتمردان است. خوچیانی و حسینی (1399) در مقاله «ارزیابی و تحلیل نرخ بیکاری در سطح استانهای کشور با استفاده از خوشهبندی مبتنی بر چگالی پیشبینی» خوشهبندی سریهای زمانی را براساس چگالی پیشبینی آنها تا افق مشخص بررسی کردهاند. در این روش بهمنظور تقریب توزیع پیشبینیها از فرایند بوتاسترپ غربالی استفاده شده است. تفاوتهای بین هر زوج از چگالیهای بوتاسترپ یک ماتریس عدم تشابه تولید میکند که برای خوشهبندی استفاده میشود. به همین منظور از دادههای فصلی میزان بیکاری استانی در بازه زمانی بهار 1384 تا پاییز 1396 استفاده شده و با توجه به الگوریتم چگالی پیشبینی، میزان بیکاری استانهای کشور برای دو افق زمانی، 4 فصل (یک سال) و 10 فصل (دو سال و نیم) خوشهبندی شده است. کاردگر و همکاران (1401) در مقاله «تحلیل فضایی عوامل مؤثر بر نرخ اشتغال استانهای ایران (با رویکرد دادههای تابلویی فضایی)» عوامل مؤثر بر نرخ اشتغال در 31 استان کشور در دوره زمانی 1395-1390را بررسی کردهاند. به این منظور، با استفاده از دادههای تابلویی و به روش اقتصادسنجی فضایی (الگوی دوربین فضایی)، خودهمبستگی فضایی و اثرات مستقیم و غیرمستقیم (سرریز فضایی) عوامل مؤثر بر میزان اشتغال در استانهای ایران برآورد شدهاند. نتایج حاصل از برآورد فضایی، وجود خودهمبستگی فضایی میزان اشتغال استانی را تأیید کردهاند. در این پژوهش خوشهبندی فضایی نرخ اشتغال استانهای ایران بهترتیب در سالهای 1390، 1395 و تغییرات این نرخ در سال 1395 نسبت به سال 1390 نشان داده شده است. استانهای واقع در غرب ایران در هر دو مقطع 1390 و 1395 از میزان اشتغال پایینتری برخوردار بودهاند. استانهای فارس، مرکزی، لرستان، گیلان، البرز و ایلام در سال 1395در مقایسه با سال 1390 میزان اشتغال بالاتری داشتهاند. در مقابل، استانهای خراسان رضوی، گلستان، یزد و کرمانشاه با کاهش میزان اشتغال روبهرو بودهاند.
روش پژوهش معرفی روش پژوهش با توجه به پیشرفتهای اخیر در تکنولوژی و افزایش سرعت محاسبات توسط سیستمهای کامپیوتری، آمار محاسباتی نیز پیشرفت داشته است. همین امر، یعنی پیشرفتهایی که در آمار محاسباتی ایجاد شدهاند، در سالهای اخیر موجب تقویت استنباط بیزی و همچنین مورد توجه قرار گرفتن بیشتر آن شده است. INLA یکی از پیشرفتهای محاسباتی اخیر در آمار بیزی محسوب میشود که امکان مدلسازی سریع و دقیق را فراهم میآورد. در این پژوهش، مدلسازی فضایی میزان بیکاری با روش INLA در شهرستانهای ایران صورت گرفته است؛ ازاینرو، در ادامه بهطور مختصر آمار بیزی و روش INLA معرفی خواهد شد. در الگوی بیزی[i] تمام کمیتهای ناشناخته بهعنوان متغیر تصادفی در نظر گرفته میشوند و هدف محاسبه یا برآورد توزیع توأم پسین است. توزیع پارامترهای به شرط دادههای مشاهدهشدة طبق نظریه بیز بهصورت زیر است: که درستنمایی دادههای به شرط پارامترهای (که مقادیری در فضای پارامتری اختیار میکند)، توزیع پیشین پارامترها و درستنمایی حاشیهای هستند و بهعنوان یک ثابت نرمالسازی عمل میکند. محاسبه درستنمایی حاشیهای در اغلب اوقات دشوار است؛ باید توجه کرد توزیع پسین ، در اغلب موارد یک توزیع چندمتغیره با بعد بالاست و فقط در مدلهای اندکی فرم بستهای دارد؛ زیرا برآورد درستنمایی حاشیهای دشوار است؛ بنابراین، در عمل توزیع پسین بدون محاسبه درستنمایی حاشیهای برآورد خواهد شد. به همین دلیل، نظریه بیز اغلب بهصورت زیر بیان میشود: درستنمایی مدل، ، دادههای تولیدشده در فرایند را به شرط پارامترهای توصیف میکند و توزیع پیشین، ، معمولاً اطلاعات قبلی راجع به پارامترهای مدل را بازتاب میدهد. هنگامی که این اطلاعات اندک باشند، پیشینهای نامعین طوری در نظر گرفته میشوند که توزیع پسین از دادههای مشاهدهشده گرفته شده باشد. برای سالهای متمادی استنباط بیزی بر پایة روشهای مونت کارلو زنجیر مارکفی[ii] یا به اختصارMCMC تکیه کرده است (Gilks et al., 1996؛ Brooks et al., 2011)؛ اما بهدلیل اینکه در این روش توزیع توأم پسین پارامترهای مدل محاسبه میشود و در اغلب مواردی که این توزیع در فضاهایی با بعد بالا اتفاق میافتد، بسیار ازلحاظ محاسباتی هزینهبر خواهد بود. در مقابل روش MCMC، رو و همکاران یک روش محاسباتی جدید و سریع را برای استنباط بیزی ارائه دادند(Rue et al., 2009). نخست، بهطور خاص آنها روی برآورد توزیعهای حاشیهای پسین پارامترهای مدل تمرکز کردهاند؛ بنابراین، بهجای برآورد توزیعهای توأم پسین چندمتغیره با ابعاد بالا، روی به دست آوردن تقریبهایی برای توزیعهای پسین تکمتغیره متمرکز شدند. در بسیاری از موارد استنباط حاشیهای برای استنباط کلی راجع به پارامترهای مدل و اثرات نهفته کفایت میکند و نیازی به درگیرشدن با توزیعهای پسین چندمتغیره نخواهد بود که به دست آوردن آنها بهراحتی نیست. آنها نام «تقریب لاپلاس آشیانهای جمعبسته» یا INLA را برای این روش اطلاق کردند. همچنین رو و همکاران ، یک تقریب جدید برای توزیعهای حاشیهای پسین پارامترهای مدل براساس تقریب لاپلاس ارائه دادند (Rue et al., 2009). بهعلاوه میتوانید مککی را مشاهده کنید (MacKay, 2003). بهعلاوه INLA روی مدلهایی متمرکز شده است که بهوسیلة میدانهای تصادفی گوس مارکفی[iii] نهفته (GMRF) بیان میشوند. اگر متغیر تصادفی X دارای توزیع نرمال چندمتغیره با بردار میانگین و ماتریس دقت Q (معکوس ماتریس واریانس) و همچنین دارای خاصیت مارکفی باشد، آنگاه X یک GMRF است. خاصیت مارکفی در این پژوهش به این معناست که هر شهرستان فقط به شهرستانهای همسایة خود وابسته است. INLA تنها میتواند مدلهایی را برازش دهد که محدود به کلاس مدلهای قابل توصیف توسط خاصیت میدانهای تصادفی گوس مارکفی نهفته هستند؛ اما همین نوع نیز گسترة بیشماری از رایجترینهای مدلهای استفادهشده را شامل میشود. این ویژگی مزیتهای محاسباتی دارد که زمان محاسبات مربوط به برازش مدل را کاهش میدهد (Rue & Held, 2005)[iv]. همچنین رو و همکاران یک بسته نرمافزاری را در R به نام «INLA» برای مدلسازی راحتتر فراهم آوردهاند (Rue et al., 2009). برای توصیف مدلهایی که INLA میتواند برازش دهد، یک بردار از مشاهدات بهصورت را در نظر بگیرید. بهطور کلی میانگین برای مشاهده بهوسیلة یک تابع مناسب به پیشگوخطی[v] ربط پیدا میکند: که عرض از مبدأ، ضرایب متغیرهای کمکی و توابع برای اثر تصافی روی متغیرهای کمکی تعریف میشوند. همچنین نشاندهندة ساختارهای ناشناختهای است که در مدل وجود دارند؛ بدین معنا که عواملی در مدل تأثیرگذار هستند، اما ما آنها را نمیشناسیم. در ادامه طبق رابطه (4) و در بخش 4-3، با استفاده از بسته نرمافزاری «INLA» در R، مدلسازی فضایی میزان بیکاری در شهرستانها انجام شده است.
چارچوب دادهای مفاهیم مربوط به بیکاری و واژگان مرتبط با آن در ادامه بررسی شدهاند. به همین منظور، تعاریف اصطلاحات زیر از مرکز ملی آمار ایران به نشانی www.amar.org.ir گردآوری شدهاند. تا جایی که ممکن است این اصطلاحات، از تعاریف و مفاهیم بینالمللی و براساس سیزدهمین کنفرانس بینالمللی آمارشناسان کار[vi] تبعیت میکنند که در سال 1983 برگزار شد. کار: برای تعیین چگونگی وضعیت فعالیت اقتصادی افراد از کلمه کلیدی کار استفاده شده است. کار آن دسته از فعالیتهای اقتصادی (فکری یا بدنی) است که بهمنظور کسب درآمد (نقدی یا غیرنقدی) صورت گیرد و هدف آن تولید کالا یا ارائه خدمت باشد. افرادی که کار میکنند بهطور عمده به دو گروه خوداشتغال (افرادی که برای خود کار میکنند) و مزد و حقوقبگیر (افرادی که در قبال کار خود مزد و حقوق میگیرند) تقسیم میشوند. زمان آماری (هفته مرجع): زمان آماری برای تعیین وضعیت فعالیت، دومین و سومین هفته تقویمی (شنبه تا جمعه) ماه میانی هر فصل است که هفته مرجع نامیده میشود. شاغل: افراد 15 ساله و بیشتر که در طول هفته مرجع، طبق تعریف کار، حداقل یک ساعت کار کرده یا بنا بهدلایلی بهطور موقت کارشان را ترک کرده باشند. افرادی که بدون دریافت مزد برای یکی از اعضای خانوار خود کار میکنند که با وی نسبت خویشاوندی دارند (کارکنان فامیلی بدون مزد)؛ کارآموزانی که در دوره کارآموزی فعالیتی در ارتباط با فعالیت مؤسسه محل کارآموزی انجام میدهند، یعنی بهطور مستقیم در تولید کالا یا ارائه خدمات سهیم هستند؛ محصلانی که در هفته مرجع مطابق تعریف کار کردهاند و تمام افرادی که در نیروهای مسلح بهصورت کادر دائم یا موقت خدمت میکنند (نیروهای مسلح شامل پرسنل کادر، درجهداران و سربازان وظیفه نیروهای نظامی و انتظامی) ازجمله گروههای افراد شاغل محسوب میشوند. بیکار: افراد 15 ساله و بیشتر که در دورههای زمانی مرجع، فاقد کار باشند (دارای اشتغال مزد و حقوقبگیری یا خوداشتغالی نباشد)، در هفته زمانی مرجع یا هفته بعد از آن آماده برای کار باشند (برای مزد و حقوقبگیری و خوداشتغالی آمادگی داشته باشند) و جویای کار باشند (اقدامات مشخصی را بهمنظور جستوجوی کار بهصورت مزد و حقوقبگیری یا خوداشتغالی انجام داده باشند) و افرادی که بهدلیل آغار به کار در آینده یا انتظار بازگشت به شغل قبلی جویای کار نیستند، اما فاقد کار و آماده برای کار بودهاند نیز بیکار محسوب میشوند. جمعیت فعال اقتصادی (نیروی کار): تمامی افراد شاغل و بیکار در سن کار (15ساله و بیشتر) است. براساس دادههایی که از سرشماری عمومی نفوس و مسکن سال 1395 مرکز ملی آمار ایران جمعآوری شدهاند، جمعیت 15 ساله و بیشتر برحسب جنسیت، وضعیت فعالیت اقتصادی و سطح سواد در شهرستانهای ایران در دسترس قرار گرفته است. بعد از دریافت و انجام ویرایشهای مدنظر، چارچوب دادهای با ابعاد 11*5147 به دست آمده است که سطرهای آن دادههای مربوط به 429 شهرستان ایران برای دو نوع جنسیت زن و مرد و شش سطح سواد (بیسواد، ابتدایی، متوسطه اول، متوسطه دوم، پیشدانشگاهی و تحصیلات عالی) هستند؛ یعنی 5148=6*2*429؛ اما چون زنان بیسواد شهرستان ابوموسی از استان هرمزگان، فاقد جمعیت فعال اقتصادی است، یک سطر از این چارچوب دادهای، کاسته و درنهایت تعداد سطرها 5147 میشود. ستونهای این چارچوب دادهای، نام و کد استانها و شهرستانها، جنسیت، متغیر تحصیلات (شامل شش سطح بیسواد، ابتدایی، متوسطه اول، متوسطه دوم، پیشدانشگاهی و عالی)، جمعیت فعال و تعداد بیکاران، میزان بیکاری، متغیر نشاندهندة شهرستانهای ایران که از 1 تا 429 شمارهگذاری شدهاند و متغیر نشاندهندة جنسیت هستند که صفر برای مرد و یک برای زن است. گفتنی است نرخ بیکاری از نسبت تعداد بیکاران به جمعیت فعال اقتصادی محاسبه میشود.
جدول 1- مجموع جمعیت فعال و بیکار به تفکیک جنسیت و سطوح سواد براساس دادههای سرشماری عمومی نفوس و مسکن سال 1395
منبع: نتایج پژوهش و سرشماری نفوس و مسکن سال 1395
تعریف مدل و متغیرهای موجود هدفی که در این پژوهش دنبال شده است، مدلسازی فضایی تعداد بیکاران در شهرستانهای ایران است؛ بدین معنا که تأثیر متغیرهای کمکی جنسیت و تحصیلات در شهرستانها، بر متغیر تعداد بیکاران بررسی شده است. شایان ذکر است تعداد بیکاران با توجه به جمعیت فعال هر رده (یک جنس، یک سطح سواد و در یک شهرستان مدنظر) سنجیده شده است. برای رسیدن به این هدف، یک مدل خطی تعمیمیافته با اثرات آمیخته[vii]، به دادههای مربوط به وضعیت فعالیت اقتصادی در سرشماری نفوس و مسکن سال 1395 برازش داده شده است. متغیرهای جنسیت و تحصیلات، متغیرهای کمکی هستند که بهعنوان اثرات ثابت[viii] در مدل و اثرات فضایی[ix] مربوط به شهرستانها و عوامل ناشناختة دیگر بهعنوان اثرات تصادفی[x] در نظر گرفته شدهاند. به عبارت دیگر، اگر ، تعداد بیکاران در هر سطح سواد، هر جنسیت و هر شهرستانی را نشان دهد، آنگاه پیشگوی خطی ، بهصورت زیر تعریف میشود: تعاریف متغیرها و ضرایب مدل (5) در جدول (2) مشاهده میشوند. گفتنی است در برازش مدل به دادهها، هم اثرات تکی و هم اثرات متقابل برای دو متغیر جنسیت و تحصیلات در نظر گرفته شدهاند.
جدول 2- نام و تعاریف متغیرهای موجود در مدل
منبع: یافتههای پژوهش
برای برازش چنین مدلی به دادهها، رویکرد بیزی استفاده شده است. در این رویکرد، از روش تقریب لاپلاس آشیانهای جمعبسته یا به اختصار INLA، برای برآورد ضرایب اثرات ثابت و تصادفی و همچنین پیشگوهای خطی مدنظر استفاده شده است.
نتایج برازش مدل به دادهها ضرایب تکی و متقابل اثرات ثابت جنسیت و تحصیلات در ادامه با استفاده از روش INLA و مدلی که پیشتر بیان شد، برآوردهایی بررسی و تفسیر شدهاند که برای ضرایب اثرات ثابت در مدل، یعنی ضرایب اثرات تکی و متقابل متغیرهای جنسیت و تحصیلات به دست آمدهاند. برآورد ضریب متغیر جنسیت در مدل، نسبت به «مردان» و همچنین برآورد ضرایب متغیر تحصیلات نسبت به «بیسوادی»، در جدول (3) نشان داده شده است. همچنین برآورد ضرایب اثرات متقابل متغیرهای جنسیت و تحصیلات نسبت به «مردان بیسواد» در این جدول آمده است. طبق این جدول، مشاهده میشود هم اثرات تکی جنسیت و تحصیلات و هم اثرات متقابل این دو متغیر روی تعداد بیکاران، ازلحاظ آماری معنیدار هستند (زیرا در بازه اطمینان 95 درصدی برای هیچکدام از این ضرایب، صفر مشاهده نمیشود).
جدول 3- برآورد ضرایب و بازه اطمینان 95 درصدی برای اثرات تکی و متقابل جنسیت و تحصیلات نسبت به مردان بیسواد
منبع: نتایج پژوهش
بهطور کلی برای بخش اثرات ثابت جنسیت و تحصیلات میتوان تفسیرهای بیانشده را در ادامه بهصورت خلاصه مرور کرد.
به عبارت سادهتر، جملات گفتهشده را میتوان بهصورت زیر خلاصه کرد: اثرات تکی متغیر تحصیلات: عالی > متوسطه دوم > پیشدانشگاهی > متوسطه اول > ابتدایی اثرات متقابل متغیرهای جنسیت و تحصیلات: پیشدانشگاهی: زن > ابتدایی: زن > متوسطه اول: زن > عالی: زن > متوسطه دوم: زن
شکل 1- نمودار اثرات تکی متغیر تحصیلات روی تعداد بیکاران نسبت به بیسوادی منبع: نتایج پژوهش
شکل 2- نمودار اثرات متقابل متغیر جنسیت در مقابل تحصیلات روی تعداد بیکارن نسبت به مردان بیسواد منبع: نتایج پژوهش اثرات فضایی شهرستانها برای بررسی اثرات فضایی شهرستانها، ضرایب مربوطه و همچنین بازه اطمینان 95 درصدی آنها در جدولی برآورد شدهاند[xi]. از جدول اثرات فضایی 429 شهرستان، برای شناسایی شهرستانهای با بیشترین و کمترین میزان مخاطره بیکاری استفاده شده است. با توجه به اثرات فضایی شهرستانها میتوان آنها را به سه دسته تقسیم کرد. شهرستانهایی که برآورد اثرات فضایی برای آنها مثبت و مخاطره بیکاری در آنها از میانگین بیکاری کل کشور بالاتر است. دسته بعدی شهرستانهایی هستند که برآورد اثرات فضایی آنها ازلحاظ آماری معنادار نیست؛ بدین معنا که اختلاف معناداری در مخاطره بیکاری با میانگین بیکاری کشوری در آنها مشاهده نمیشود و دسته آخر شهرستانهایی هستند که برآورد اثرات فضایی برای آنها منفی و مخاطره بیکاری در آنها از میانگین بیکاری کل کشور پایینتر است. نقشهای که در شکل (3) مشاهده میشود، شهرستانهای با برآورد منفی را با رنگ آبی، شهرستانهای با برآورد مثبت را با رنگ قرمز و شهرستانهای بدون اثرات فضایی معنادار را با رنگ سبز نشان میدهد. بهطور کلی 189 شهرستان اثرات فضایی معناداری ندارند، 117 شهرستان دارای اثرات مثبت و 123 شهرستان دارای اثرات منفی هستند. برای شناسایی شهرستانهای با بیشترین و کمترین میزان مخاطره بیکاری، همانطور که در ابتدای این بخش نیز ذکر شد، از جدول موجود در لینک استفاده شده است. شهرستانهای ابوموسی (هرمزگان)، گراش (فارس)، آرادان (سمنان)، خوشاب (خراسان رضوی)، دلیجان (مرکزی)، نیر (اردبیل)، نطنز (اصفهان)، فیروزکوه (تهران)، ماکو (آذربایجان غربی)، خرمبید (فارس)، لارستان (فارس)، بهترتیب دارای کمترین میزان مخاطره بیکاری هستند. بیشترین میزان مخاطره بیکاری بهترتیب در شهرستانهای ثلاثباباجانی، اسلامآباد غرب، جوانرود، روانسر، هرسین (هر چهار شهرستان از استان کرمانشاه)، کوهرنگ و لردگان (چهارمحال و بختیاری)، مریوان (کردستان)، هشترود (آذربایجان شرقی)، بن (چهارمحال و بختیاری) و گیلانغرب (کرمانشاه) اتفاق میافتد.
شکل 3- نقشه شهرستانهای ایران براساس برآورد اثرات فضایی مثبت، منفی و بدون اثرات معنادار منبع: یافتههای پژوهش
نتیجهگیری و پیشنهادها همانطور که قبلاً بیان شد، هدفی که در طول این پژوهش دنبال شده است، مدلبندی فضایی تعداد بیکاران در شهرستانهای ایران، براساس متغیرهای کمکی جنسیت و تحصیلات است. برای رسیدن به این مهم، از رویکرد بیزی و روشی موسوم به «تقریب لاپلاس آشیانهای جمعبسته» یا به اختصار INLA استفاده شد. بعد از برازش مدل فضایی مناسب، ضرایب متغیرهای کمکی برآورد شدند. گفتنی است نتایج حاصل از این پژوهش براساس دادههای مربوط به وضعیت فعالیت اقتصادی در سرشماری نفوس و مسکن سال 1395 است؛ بنابراین، با توجه به اینکه دادهها برای سالهای خارج از سرشماری در دسترس نیستند، این محدودیت در طول انجام این پژوهش وجود داشته است. نتایچ این پژوهش نشان میدهد:
در بخش برآورد اثرات فضایی شهرستانها، شهرستانهای با بیشترین و کمترین میزان مخاطره بیکاری شناسایی شدند. در انتها و در قالب پیشگوهای خطی که از برازش مدل برآورد شدند، شهرستانهای با بیشترین و کمترین میزان مخاطره بیکاری در هر جنسیت و هر سطحی از سطوح ششگانة سواد نیز شناسایی شدند؛ بدین معنا که در جدولی کامل[xii] ها یا پیشگوهای خطی که پیشتر بیان شدند به همراه بازه اطمینان 95 درصدی برای آنها، برای 5147 سطح مدنظر با استفاده از روش INLA برآورد شدند. با استفاده از این نتایج میتوان تفسیرهای مختلفی متناسب با هدف مدنظر انجام داد؛ بنابراین، برای تفسیرهای کاربردی که موجب اتخاذ تصمیمات درست برای کاهش بیکاری شود، نتایج بهدستآمده مفید خواهند بود. نتایج بهصورت زیر ارائه میشوند:
در قسمت اثرات تکی این ضرایب، نخست، زنبودن نسبت به مردبودن تعداد بیکاران را افزایش میدهد؛ زیرا پایه محاسبات برازش مدل با روش INLA، مردبودن است و میتوان این نتیجه را در جدول (3) مشاهده کرد؛ بدین معنا که مخاطره بیکاری زنان نسبت به مردان در بخش اثر تکی متغیر جنسیت، 13/0 است. همچنین، مشاهده میشود با افزایش سطح تحصیلات نسبت به بیسوادی، تعداد بیکاران افزایش مییابد و مقدار افزایش تعداد بیکاران بهازای هر سطح مشخص از تحصیلات در جدول (3) مشاهده میشود. بهطور واضحتر میتوان در شکل (1) مشاهده کرد که بهترتیب با افزایش سطح سواد از تحصیلات ابتدایی تا تحصیلات عالی، تعداد بیکاران نیز افزایش مییابد. تنها تفاوت دو سطح سواد متوسطه دوم و پیشدانشگاهی شاید خیلی به چشم نیاید. بیشترین تأثیر در افزایش تعداد بیکاران نیز مربوط به تحصیلات عالی است و میتوان آن را در شکل (1) مشاهده کرد. در بخش اثرات متقابل دو متغیر تحصیلات و جنسیت، طبق جدول (3) مشاهده میشود که برآورد ضرایب همگی مثبت هستند؛ بدین معنا که مخاطره بیکاری در زنان با هر سطحی از تحصیلات، نسبت به مردان بیسواد بالاتر است؛ اما برای مشاهده بهتر روند افزایش تعداد بیکاران، شکل (1)، اثرات متقابل جنسیت و تحصیلات را نمایش میدهد. شکل (2)، به همین منظور در ادامه آمده است. طبق شکل (2)، از تحصیلات ابتدایی تا متوسطه دوم در زنان نسبت به مردان بیسواد، مقدار رشد تعداد بیکاران بهمراتب نزولی شده است؛ اما بعد از آن یک جهش رخ داده است و برای تحصیلات پیشدانشگاهی، به میزان محسوسی این مقدار رشد تعداد بیکاران صعود کرده است. بعد از تحصیلات پیشدانشگاهی، باز هم تحصیلات عالی باعث رشد تعداد بیکاران شده است؛ اما نسبت به تحصیلات پیشدانشگاهی به میزان کمتری است.
[1] Integrated Nested Laplace Approximation [2] Generalized Spatio Temporal Autoregressive Moving Average [3] Spatial autocorrelation [4] spatial Durbin model [5] decomposition methodology [6] National Statistical Institute of Portugal (INE) [7] Fully Bayesian spatial smoothing [i] Bayesian Paradigm [ii] Monte Carlo Markov Chain [iii] Gaussian Markov random field [iv] مرورهای اخیر بر موضوع INLA، در رو و همکاران (2017) مشاهده میشود. [v] Linear predictor [vi] ICLS: International Conference of Labor Statisticians [vii] GLMM: Generalized Linear Mixed Model [viii] Fixed effects [ix] Spatial effects [x] Randon effects [xi]https://github.com/Hamed2998/linear-predictor-of-unemployment2016-data/raw/main/complete%20counties%20effects.xlsx [xii] https://github.com/jalilian/iran2016census/tree/main/unempoyment
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
آل عمران، رویا، آل عمران، سید علی، و کسمایی پور، وحیده (1393). بررسی تأثیر بهرهوری نیروی کار بر بیکاری در ایران. فصلنامه مدیریت بهرهوری، 8(29)، 60-47. https://sanad.iau.ir/Journal/jpm/Article/976000 ایزدخواستی، حجت، جواهردهی، سمانه، و عبدالهی، مسعود (1396). تحلیل عوامل کلان اقتصادی مؤثر بر بیکاری در استانهای ایران: با تأکید بر اعتبارات هزینهای و تملک داراییهای سرمایهای. فصلنامه اقتصاد و الگوسازی، (4)، 1-30. https://ecoj.sbu.ac.ir/article_67489.html خوچیانی، رامین، و حسینی، سیدمحمد (1399). ارزیابی و تحلیل نرخ بیکاری در سطح استانهای کشور با استفاده از خوشهبندی مبتنی بر چگالی پیشبینی. برنامهریزی منطقهای، (37) رتبه A+، 1-16. https://jzpm.marvdasht.iau.ir/article_3737.html?lang=fa ذکی، یاشار، احمدی، سیدعباس، عباسی شوازی، محمدجلال، و ادیب نیا، زهرا (1399). تحلیل فضایی اثرات بیکاری و بیکاری تحصیلکردگان بر جغرافیای سیاسی ایران. نامه انجمن جمعیتشناسی ایران، 15(29)، 178-151. https://doi.org/10.22034/jpai.2020.243922 رحمانی، تیمور (1394). اقتصاد کلان (ج.1). برادران. رفیعی دارانی، هادی، و قربانی، محمد (۱۳۹۳). مشارکت نیروی کار در اقتصاد ملی: تحلیلی در چارچوب رگرسیون فضایی. فصلنامه تحقیقات مدلسازی اقتصادی، ۵(۱۸)، 140-119. https://jemr.khu.ac.ir/article-1-831-fa.html سعادت، محمدجواد، علمی، زهرا (میلا)، و اکبری، نعمتاله (1387). تحلیل فضایی بیکاری در ایران. نامه مفید، 14(69)، 176-151. https://sid.ir/paper/3559/fa سیفی، حامد (1402). مدلسازی فضایی نرخ بیکاری در شهرستانهای ایران براساس دادههای سرشماری نفوس و مسکن 1395 [پایاننامه کارشناسی ارشد، دانشگاه رازی]. گنج. https://ganj.irandoc.ac.ir/#/articles/81976e878d2e3be37852c8130559d748 کاردگر، راضیه، شریفی، نورالدین، و علمی، زهرا میلا (1401). تحلیل فضایی عوامل مؤثر بر نرخ اشتغال استانهای ایران (با رویکرد دادههای تابلویی فضایی). فصلنامه مدلسازی اقتصادسنجی، 7(4)، 177-143. https://doi.org/10.22075/jem.2023.28546.1768 Al‐Ayouty, I., & Hassaballa, H. (2020). Regional unemployment in Egypt: Spatial panel data analysis. African Development Review, 32(4), 565-577. https://doi.org/10.1111/1467-8268.12461 Amutenya, F. (2021). Space-time modelling of unemployment rate in Namibia (Doctoral dissertation, University of Namibia). http://hdl.handle.net/11070/2946 Brooks, S., Gelman, A., Jones, G., & Meng, X. L. (Eds.). (2011). Handbook of markov chain monte carlo. CRC press. https://doi.org/10.1201/b10905 Di Giacinto, V. (2006). A generalized space-time ARMA model with an application to regional unemployment analysis in Italy. International Regional Science Review, 29(2), 159-198. https://doi.org/10.1177/0160017605279457 Díaz, A. M. (2016). Spatial unemployment differentials in Colombia. Revista Desarrollo y Sociedad, (76), 123-163. https://doi.org/10.13043/dys.76.3 Garcilazo, J. E., & Spiezia, V. (2007). Regional unemployment clusters: Neighborhood and state effects in Europe and North America. Review of Regional Studies, 37(3), 282-302. https://doi.org/10.52324/001c.8298 Gilks, W. R., Richardson, S., & Spiegelhalter, D. (Eds.). (1995). Markov Chain Monte Carlo in Practice. Boca Raton, Florida: Chapman & Hall. https://doi.org/10.1201/b14835 MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press. http://www.inference.org.uk/mackay/itila/ Patuelli, R., Griffith, D. A., Tiefelsdorf, M., & Nijkamp, P. (2011). Spatial filtering and eigenvector stability: space-time models for German unemployment data. International Regional Science Review, 34(2), 253-280. https://doi.org/10.1177/0160017610386482 Pereira, S., Turkman, F., & Correia, L. (2016). Spatio-temporal analysis of regional unemployment rates: A comparison of model based approaches. REVSTAT – Statistical Journal, 16(4), 515-536. https://doi.org/10.57805/revstat.v16i4.255 Rue, H., & L. Held. (2005). Gaussian Markov Random Fields: Theory and Applications. Chapman; Hall/CRC Press. https://doi.org/10.1201/9780203492024 Rue, H., Riebler, A., Sørbye, S. H., Illian, J. B., Simpson, D. P., & Lindgren, F. K. (2017). Bayesian Computing with INLA: A Review. Annual Review of Statistics and Its Application, 4(1): 395–421. https://doi.org/10.1146/annurev-statistics-060116-054045 Rue, H., Sara, M., & Nicolas, C. (2009). Approximate Bayesian Inference for Latent Gaussian Models by Using Integrated Nested Laplace Approximations. Journal of the Royal Statistical Society, Series B, 71(2): 319–92. https://doi.org/10.1111/j.1467-9868.2008.00700.x
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
آمار تعداد مشاهده مقاله: 77 تعداد دریافت فایل اصل مقاله: 65 |