1. Mənbə həqiqətən başdan sona və vizualları ilə birlikdə araşdırıldımı? Bəli; 36 səhifəlik PDF-in əsas mətni, doqquz əsas şəkli, iki əsas nəticə cədvəli, Appendix A-D və xüsusilə Appendix B-dəki reconciliation riyaziyyatı araşdırıldı. 2. Bütün elmi nəticələr mənbəyə əsaslanırmı? Bəli; mənbədə olmayan grid dəyəri, model dəqiqliyi, ölkə nəticəsi və ya sektor performansı yaradılmadı. 3. Biblioqrafik kimlik düzgündürmü; xarici veb yalnız biblioqrafik yoxlama üçün istifadə edildimi? Bəli; xarici veb yalnız IMF-in rəsmi nəşr tarixini, nömrəsini və DOI qeydini yoxlamaq üçün istifadə edildi. PDF-də çatışmayan recommended-citation tədqiqat nömrəsi ayrıca qeyd edildi. 4. Simulyasiya / təcrübə / sahə / klinik / nəzəri fərqi düzgündürmü? Bəli; tədqiqat səbəbli sahə təcrübəsi deyil, rəsmi məlumatları Yer müşahidələri ilə birləşdirən eksperimental məkan downscaling və məlumat istehsalı metodologiyasıdır. 5. Mənbədə mərkəzi düstur, metod parametri, şəkil və ya ədədi nəticə buraxıldımı? Spatial random forest tənliyi, cross-validation, forward feature selection, grid məhdudiyyətləri, reconciliation məhdudiyyətləri, kvadratik itki, GLS estimator, performans metrikləri, sektor nəticələri və əsas məhdudiyyətlər işlənildi. 6. Şəkil və qrafiklərin elmi mesajı düzgündürmü? Bəli; mənbə xəritələrinin xam hüceyrə məlumatları olmadığı üçün saxta Kanada-ABŞ xəritəsi yaradılmadı. Metodun dəqiq əlaqələri müstəqil SVG proses sxemi ilə göstərildi. 7. Altı struktur H2 sırası qorunurmu? Bəli. 8. Əlavə H2-lər varsa, yalnız yüksək dəyərli AEO suallarıdırmı? Bəli; gridded ÜDM, spatial random forest və reconciliation tədqiqatın mərkəzini anlamaq üçün müstəqil sual dəyəri daşıyır. 9. Əsas elmi entity/metod/model açıq və mənbə ilə dəstəklənən şəkildə müəyyən edildimi? Bəli; gridded GDP, spatial random forest və statistical reconciliation ilk istifadələrində nə olduqları və nə etdikləri ilə müəyyən edildi. 10. Tədqiqatın dəstəklədiyi / dəstəkləmədiyi şərh sərhədi görünürmü? Bəli; model bölgüsü ilə rəsmi statistika, korrelyasiya ilə səbəbiyyət və reconciliation ilə müstəqil hüceyrə doğrulaması bir-birindən ayrıldı. 11. HTML/SVG/Base64 struktur baxımından təhlükəsizdirmi? Bəli; script, iframe, event handler, foreignObject, xarici təsvir URL-si və pozulmuş Base64 istifadə edilmədi. SVG müstəqil, miqyassız və qapalı teqlidir. 12. Məqalə tərcümə üçün təhlükəsizdirmi və elmi təfərrüat tərcümə asanlığı naminə azaldıldımı? Bəli; canonical terminlər sabit saxlanıldı, MathJax tənlikləri görünən mətndən ayrıldı və texniki təfərrüat qorundu. GÖRSEL REFERANS ALT-QAPISI: A. Kritik mənbə xəritələrinin elmi mesajı mətndə izah edildi; xam hüceyrə məlumatları olmadığı üçün xəritələrin özü uydurulmadı. B. Yenidən qurula bilən metod axını yalnız mətnlə keçişdirilmədi; həqiqi inline SVG yaradıldı. C. Mənbə performans dəyərləri görünən HTML cədvəli ilə verildi. D. Görünməyən bir “Şəkil X”ə yönəldən boş istinad buraxılmadı. MÜƏLLİFLİK HÜQUQU / LİSENZİYA ALT-QAPISI: Mənbə © 2026 International Monetary Fund və “Not for Redistribution” qeydini daşıyır. Açıq Creative Commons lisenziyası aşkar edilmədi. Mənbə xəritələri və ya qrafikləri birbaşa kopyalanmadı; yalnız elmi əlaqələr müstəqil Verianla sxemi, cədvəl və orijinal izahla təqdim edildi.

Grid əsaslı ÜDM (gridded GDP), iqtisadi istehsalın yalnız ölkə, ştat və ya vilayət kimi inzibati bölgələr üçün deyil, müntəzəm coğrafi hüceyrələr üzərində qiymətləndirilməsini mümkün edən məkan makroiqtisadi məlumat təqdimatıdır. Marco Marini, Jim Tebrake və Andinet Woldemichael-ın tədqiqatı; rəsmi milli və submilli ÜDM məlumatlarını əhali, gecə işıqları, tikililəşmiş sahə, torpaq örtüyü və digər yüksək ayırdetməli Yer müşahidəsi dəyişənləri ilə birləşdirərək Kanada və Amerika Birləşmiş Ştatları üçün təxminən 1 km² grid hüceyrələrində eksperimental ÜDM və 10 sektor payı istehsal etməyə yönəlmiş iki mərhələli metod hazırlayır.

Birinci mərhələdə tədqiqatçılar rəsmi ÜDM və sektor məlumatlarının mövcud olduğu ən detallı inzibati səviyyədə spatial random forest modellərini öyrədirlər. ABŞ-da təlim məlumatları county səviyyəsinə qədər endiyi halda, Kanadada yalnız province/territory səviyyəsindədir. Model girişlərinə əhali, gecə işığı, azot dioksid, tikili sıxlığı və sahəsi, avtomobil yoluna və tikililəşmiş səthə məsafə, kənd təsərrüfatı sahəsinə məsafə, temperatur, yağıntı, torpaq örtüyü və ağır sənaye müəssisələrinin yaxınlığı daxildir.

İkinci mərhələdə maşın öyrənməsi ilə yaradılmış grid qiymətləndirmələri birbaşa yekun məlumat kimi qəbul edilmir. Tədqiqatçılar statistical reconciliation adlanan kvadratik optimallaşdırma metodu ilə grid və sektor qiymətləndirmələrini rəsmi regional hesablarla yenidən uzlaşdırırlar. Beləliklə, hüceyrə səviyyəsindəki qiymətləndirmələrin cəmi müvafiq rəsmi region ÜDM-inə və sektor cəmlərinə tam bərabər edilərkən, maşın öyrənməsinin təklif etdiyi məkan bölgüsü mümkün qədər qorunur.

Ümumi iqtisadi fəaliyyət üçün model performansı yüksəkdir: log ÜDM modelində \(R^2=0{,}95\), log ÜDM/km² modelində \(R^2=0{,}94\) bildirilir. Lakin sektor səviyyəsində performans xeyli dəyişir. Kənd təsərrüfatı üçün \(R^2=0{,}54\), mədənçilik üçün 0,48, maliyyə və biznes xidmətləri üçün 0,44 və istehsal üçün 0,30 olduğu halda, dövlət idarəçiliyində 0,04 və kommunal xidmətlərdə 0,12-dir.

Bu fərq vacibdir; çünki gecə işıqları, tikililəşmə və torpaq örtüyü kimi fiziki göstəricilər kənd təsərrüfatını, mədənçiliyi və ya sıx şəhər iqtisadi fəaliyyətini müəyyən dərəcədə tuta bildiyi halda, dövlət xidmətlərində və bəzi xidmət sektorlarında dəyərin yaradıldığı yer ilə müşahidə edilə bilən fiziki infrastrukturun yerləşdiyi yer eyni olmaya bilər.

Reconciliation-dan əvvəlki ilkin qiymətləndirmələrdə kənd təsərrüfatı və utilities sektorları rəsmi sektor cəmlərindən təxminən dörd-beş dəfə kənara çıxa bilər. Reconciliation bu ümumi uyğunsuzluğu mühasibat baxımından düzəldir; lakin bu düzəliş hər bir 1 km² hüceyrə qiymətləndirməsinin müstəqil şəkildə doğrulandığı anlamına gəlmir.

Tədqiqatın ən mühüm şərh sərhədlərindən biri Kanadadır. ABŞ modelləşdirilməsi 3.082 county səviyyəsindəki rəsmi nəticələrdən istifadə edə bildiyi halda, Kanada üçün yalnız 13 province və territory müşahidəsi mövcuddur. Buna görə Kanadanın province-altı bütün məkan təfərrüatı model tərəfindən yaradılmış eksperimental bölgüdür; müstəqil şəkildə müşahidə edilmiş rəsmi 1 km² ÜDM deyil.

Tədqiqatın əsas problemi nədir?

Makroiqtisadi statistika əsasən ölkə və ya böyük submilli bölgələr üçün dərc olunur. Bu yanaşma ümumi iqtisadi böyüklükləri ölçmək baxımından güclüdür; lakin iqtisadi fəaliyyətin eyni ölkə daxilində hansı coğrafi nöqtələrdə cəmləşdiyini ətraflı şəkildə göstərmir.

Bu çatışmazlıq xüsusilə aşağıdakı növ təhlillərdə əhəmiyyət qazanır:

• daşqın, qasırğa, yanğın və ya digər fiziki risklərin yerli iqtisadi təsirlərinin qiymətləndirilməsi,
• infrastruktur çatışmazlıqlarının müəyyən edilməsi,
• regional iqtisadi bərabərsizliklərin araşdırılması,
• nəqliyyat və ticarət əlaqələrinin məkan təhlili,
• yerli istehsal və sektor konsentrasiyalarının modelləşdirilməsi.

Məsələn, eyni ştat və ya province daxilində böyük metropol, kənd təsərrüfatı bölgəsi, mədən sahəsi və az əhalili kənd ərazisi eyni inzibati ortalamanın içində itə bilər. Buna görə tədqiqat rəsmi cəmləri pozmadan iqtisadi fəaliyyəti daha kiçik coğrafi hüceyrələrə paylamağı hədəfləyir.

Grid Əsaslı ÜDM Nədir?

Grid əsaslı ÜDM rəsmi iqtisadi istehsal cəminin müntəzəm coğrafi hüceyrələrə məkan üzrə paylanmış təqdimatıdır; bu tədqiqatda hədəf ayırdetmə təxminən 1 km²-dir və hüceyrə dəyərləri birbaşa rəsmi ölçmə deyil, rəsmi hesablardan və yüksək ayırdetməli məkan göstəricilərindən törədilmiş model qiymətləndirmələridir.

Gross Cell Product anlayışı

Ədəbiyyatda grid hüceyrəsindəki istehsal bəzən Gross Cell Product (GCP) adlandırılır. GCP-nin konseptual mənası ÜDM-ə bənzəyir; fərq ölçmə sahəsinin ölkə və ya inzibati bölgə əvəzinə müəyyən ölçülü grid hüceyrəsi olmasıdır.

Tədqiqatın məqsədi rəsmi ÜDM-in yerinə yeni milli hesablar sistemi qurmaq deyil. Əksinə, rəsmi hesabları yüksək səviyyəli “anchor” və ya sabit cəm kimi qoruyaraq məkan təfərrüatı əlavə etməkdir.

Downscaling nə deməkdir?

Downscaling, daha böyük coğrafi vahidlərdə olan dəyişəni əlaqəli yüksək ayırdetməli məlumatlardan istifadə etməklə daha kiçik məkan vahidlərinə paylama prosesidir.

Bu tədqiqatda proses təxminən:

\[ \text{Resmî bölgesel GSYH} \rightarrow \text{Yer gözlemi ilişkileri} \rightarrow \text{1 km}^2 \text{ grid tahminleri} \rightarrow \text{Resmî toplamlarla reconciliation} \]

şəklində irəliləyir.

Bu tənlik tədqiqatın qiymətləndirmə tənliyi deyil, metodun öyrədici axın təqdimatıdır.

Yer müşahidəsi niyə iqtisadi fəaliyyət haqqında məlumat daşıyır?

Tədqiqatda istifadə olunan məkan dəyişənlərinin heç biri təkbaşına “ÜDM” deyil. Bunlar iqtisadi fəaliyyətin coğrafi bölgüsü ilə əlaqəli ola bilən göstəricilərdir.

Əhali: əmək təklifi və istehlakçı sıxlığı haqqında məlumat daşıyır.

Gecə işıqları: işıqlandırılmış yaşayış və istehsal sahələrinin sıxlığı vasitəsilə iqtisadi fəaliyyət üçün proksi dəyişən kimi istifadə oluna bilər.

NO₂: yanacaq istifadə edən nəqliyyat vasitələri və maşınlar kimi yanma mənbələrinin sıx olduğu yerlərdə yerli iqtisadi fəaliyyət haqqında məlumat daşıya bilər.

Tikili izi: bina sayı, sıxlığı və tutduğu sahə vasitəsilə fiziki kapital və məskunlaşma sıxlığı ilə əlaqəlidir.

Torpaq örtüyü: kənd təsərrüfatı sahəsi, meşəlik, tikililəşmiş sahə, su, qar/buz və digər səth siniflərinin sektoral məkan bölgüsü ilə əlaqəsini tutmağa kömək edə bilər.

Məsafə dəyişənləri: avtomobil yoluna, tikililəşmiş səthə və əkin sahəsinə məsafə müxtəlif fəaliyyət növlərinin şəhər mərkəzləri və infrastrukturla əlaqəsini təmsil edir.

Ağır sənaye müəssisələri: dəmir-polad kimi müəyyən istehsal fəaliyyətlərinin coğrafi mövcudluğu haqqında birbaşa yer məlumatı verir.

Əhali və gecə işığı nəticələri necə oxunmalıdır?

Kanada və ABŞ birlikdə qiymətləndirildikdə, mənbə submilli ÜDM ilə əhali arasında təxminən \(R^2=0{,}95\), gecə işığı ilə ÜDM arasında isə təxminən \(R^2=0{,}94\) bildirir.

Bu yüksək dəyərlər əhalinin və ya gecə işığının ÜDM-i “yaratdığını” göstərmir. Bunlar güclü məkan proqnoz əlaqələridir. Model bu dəyişənlərdən iqtisadi fəaliyyətin coğrafi bölgüsünü qiymətləndirmək üçün istifadə edir.

Məlumat mənbələri və ayırdetmələri

10 sektor təsnifatı

Rəsmi ölkə və submilli sektor məlumatları Groningen Growth and Development Centre 10-Sector Database təsnifatı ilə uyğunlaşdırılıb. Təsnifat ISIC Rev. 3.1-ə əsaslanır.

Mənbə metod tənliyindəki hədəf dəyişənlər siyahısının sonunda əlavə olaraq SER simvolu görünür. Appendix A-dakı 10 sektor cədvəlində ayrıca SER kateqoriyası müəyyən edilmədiyi üçün bu simvola Verianla tərəfindən mənbədə olmayan yeni məna verilməyib.

Spatial Random Forest Bu Tədqiqatda Nə Edir?

Spatial random forest rəsmi submilli iqtisadi nəticələrlə yüksək ayırdetməli coğrafi göstəricilər arasındakı qeyri-xətti proqnoz əlaqələrini öyrənərək bu əlaqələri grid hüceyrələrinə daşıyan ağac-ansamblı əsaslı maşın öyrənməsi yanaşmasıdır; tədqiqatda məqsəd səbəbiyyət əmsalı yaratmaq deyil, məkan qiymətləndirməsi aparmaqdır.

Əsas model tənliyi

Mənbə hər bir hədəf dəyişən üçün modeli aşağıdakı ümumi formada müəyyən edir:

\[ y_i^k=f(X_i^k)+\varepsilon_i^k. \]

Burada:

• \(i\), rəsmi məlumatın müşahidə edildiyi submilli inzibati vahidi təmsil edir.
• \(k\), log ÜDM, ÜDM/km² və ya müəyyən sektor payı kimi hədəf dəyişəni təmsil edir.
• \(y_i^k\), inzibati vahiddə müşahidə olunan hədəf dəyişəndir.
• \(X_i^k\), əhali, gecə işığı, tikililəşmə, iqlim və digər coğrafi izahedici dəyişənlərdən ibarət vektordur.
• \(f(\cdot)\), spatial random forest tərəfindən öyrənilən naməlum qeyri-xətti uyğunlaşdırmadır.
• \(\varepsilon_i^k\), modelin izah edə bilmədiyi əlavə xəta terminidir.

Tənliyin mühüm tərəfi tədqiqatçıların \(f(\cdot)\) üçün əvvəlcədən xətti funksiya forması tətbiq etməməsidir. Random forest çoxsaylı qərar ağaclarının birlikdə istifadəsinə əsaslanan çevik proqnoz yanaşmasıdır.

Random forest məntiqi

Ümumi random forest məntiqində çoxlu qərar ağacı müxtəlif müşahidə və dəyişən kombinasiyaları üzərində qurulur. Hər ağac hədəf dəyişən üçün bir qiymətləndirmə yaradır və ağac ansamblının qiymətləndirmələri birləşdirilir.

Bu tədqiqatdakı tətbiq spatial kimi müəyyən edilir; çünki modelin öyrədilməsi və qiymətləndirilməsi coğrafi asılılığı nəzərə alacaq şəkildə spatial machine learning ədəbiyyatını izləyir.

Mənbə tətbiqdə R daxilindəki CAST Version 1.04 kitabxanasından istifadə edildiyini bildirir.

Dəyişən seçimi necə aparılır?

Mənbə forward feature selection istifadə edir.

Forward feature selection başlanğıcda məhdud dəyişən dəstindən başlayaraq proqnoz performansını yaxşılaşdıran izahedici dəyişənləri mərhələli şəkildə modelə əlavə edən xüsusiyyət seçimi yanaşmasıdır.

Məqsəd mövcud bütün coğrafi dəyişənləri avtomatik olaraq modelə doldurmaq deyil, hədəf dəyişən üçün proqnoz performansını yaxşılaşdıran kombinasiyanı seçməkdir.

Cross-validation necə aparılır?

Model performansı üçün mənbə k-fold cross-validation çərçivəsində leave-one-out yanaşmasından istifadə etdiyini bildirir.

Leave-one-out məntiqində müəyyən müşahidə və ya məkan vahidi təlimdən çıxarılır, model qalan məlumatlarla öyrədilir və kənarda saxlanılan vahid üzərində proqnoz performansı yoxlanılır. Proses müxtəlif müşahidələr üçün təkrarlanaraq modelin yalnız təlim məlumatını əzbərləyib-əzbərləmədiyi qiymətləndirilir.

Mənbə model variantları arasında ən aşağı Root Mean Square Error (RMSE) dəyərinə malik spesifikasiyanı seçir.

RMSE, MAE və R² nəyi ifadə edir?

RMSE, proqnoz xətalarının kvadratlarını daha çox cəzalandıran orta xəta ölçüsüdür. Daha aşağı RMSE daha yaxşı proqnoz performansı ilə uyğundur.

MAE, proqnozla müşahidə arasındakı mütləq fərqlərin orta böyüklüyünü ölçür. Daha aşağı dəyər daha kiçik orta xəta deməkdir.

\(R^2\), hədəf dəyişəndəki variasiyanın nə qədərinin model qiymətləndirmələri ilə uyğun olduğunu göstərən ölçüdür. Dəyərin 1-ə yaxınlaşması daha yüksək uyğunluq deməkdir; lakin yüksək \(R^2\) səbəbiyyət və ya hər grid hüceyrəsinin düzgün qiymətləndirildiyi anlamına gəlmir.

Mənbə hansı hiperparametrləri bildirmir?

Mənbə spatial random forest yanaşmasını, CAST 1.04 kitabxanasını, feature-selection və cross-validation quruluşunu izah edir. Bununla belə PDF-də random forest üçün:

• yekun ağac sayı,
• mtry kimi hər düyün üzrə dəyişən sayı,
• minimum düyün ölçüsü,
• maksimum ağac dərinliyi,
• yekun təsadüfi toxum

kimi bütün aşağı səviyyəli hiperparametrlər açıq şəkildə bildirilməyib. Bu dəyərlər Verianla tərəfindən təxmin edilməyib.

İnzibati səviyyədən 1 km² grid hüceyrəsinə keçiddəki fərziyyə

Model əlaqələri əvvəlcə rəsmi iqtisadi nəticələrin mövcud olduğu inzibati vahidlərdə öyrənilir. Sonra eyni əlaqə yüksək ayırdetməli grid hüceyrələrinə tətbiq olunur.

Buna görə mənbədə açıq fərziyyə vardır: inzibati vahid səviyyəsində öyrənilən coğrafi dəyişən–iqtisadi fəaliyyət əlaqəsinin hüceyrə miqyasında da istifadə oluna biləcəyi qəbul edilir.

Bu fərziyyə xüsusilə Kanada üçün vacibdir; çünki province daxilində rəsmi sub-province ÜDM təlim müşahidəsi yoxdur.

Statistical Reconciliation Niyə Lazımdır?

Statistical reconciliation maşın öyrənməsinin detallı, lakin cəmləri rəsmi hesablardan kənara çıxa bilən grid qiymətləndirmələrini məkan və sektor nümunəsini mümkün qədər qorumaqla rəsmi regional və sektor cəmlərinə tam bağlayan kvadratik optimallaşdırma mərhələsidir.

Niyə maşın öyrənməsi qiymətləndirməsi təkbaşına kifayət etmir?

Random forest bir hüceyrənin və ya bölgənin iqtisadi quruluşunu coğrafi göstəricilərdən qiymətləndirə bilər. Lakin bütün hüceyrələr toplandıqda əldə edilən sektor cəminin rəsmi milli hesablarla eyni olmasını avtomatik təmin etmir.

Bu fərq xüsusilə tədqiqatın ilkin nəticələrində aydın görünür. Kənd təsərrüfatı və utilities kimi bəzi sektorlarda reconciliation-dan əvvəlki grid cəmləri rəsmi dəyərlərdən bir neçə dəfə kənara çıxa bilər.

Məqalə buna görə maşın öyrənməsini rəsmi statistikanın yerinə qoymaq əvəzinə, rəsmi statistika ilə məhdudlaşdırılan məkan bölgüsü mühərriki kimi istifadə edir.

Reconciliation notasiyası

Appendix B-də:

• \(g=1,\ldots,G\): grid hüceyrələrini,
• \(i=1,\ldots,I\): sektorları,
• \(r=1,\ldots,R\): submilli bölgələri

göstərir.

\(p_{g,i}\), grid \(g\) və sektor \(i\) üçün maşın öyrənməsinin reconciliation-dan əvvəlki qiymətləndirməsidir.

\(x_{g,i}\), eyni hüceyrə və sektor üçün reconciliation-dan sonrakı yekun dəyərdir.

Məkan aggregation matrisi

Mənbə:

\[ S_{rg}= \begin{cases} 1, & \text{grid } g \in r,\\ 0, & \text{aksi halde} \end{cases} \]

matrisini müəyyən edir.

\(S_{rg}=1\) olarsa, grid hüceyrəsi \(g\) bölgə \(r\)-nin daxilindədir. \(S_{rg}=0\) olarsa, deyil.

Bu sadə ikili matris milyonlarla grid hüceyrəsinin hansı rəsmi inzibati bölgəyə aid olduğunu cəbri şəkildə müəyyən etməyə imkan verir.

Birinci məhdudiyyət: region və sektor cəmi

Hər bir region \(r\) və sektor \(i\) üçün:

\[ \sum_{g\in r}x_{g,i} = y_{r,i}^{\mathrm{off}}. \]

Burada \(y_{r,i}^{\mathrm{off}}\), müvafiq region və sektor üçün rəsmi iqtisadi cəmdir.

Bu məhdudiyyətin mənası belədir: məsələn, müəyyən bir province daxilindəki bütün istehsal grid hüceyrələri toplandıqda nəticə rəsmi province istehsal dəyərinə bərabər olmalıdır.

İkinci məhdudiyyət: regionun bütün sektorları

Mənbə ikinci olaraq:

\[ \sum_{i=1}^{I} \sum_{g\in r} x_{g,i} = y_r^{\mathrm{off}} \]

şərtini tətbiq edir.

Bu tənlik bütün sektorlar və bütün grid hüceyrələri toplandıqda müvafiq regionun rəsmi ümumi ÜDM-inə çatılmasını məcburi edir.

Kronecker product niyə istifadə olunur?

Mənbə eyni məhdudiyyətləri matris formasında yazarkən \(\otimes\) simvolu ilə Kronecker product istifadə edir.

Kronecker product məkan aggregation matrisi ilə sektor ölçüsünü bir böyük blok matris quruluşunda birləşdirməyə imkan verir.

Sektor vahid matrisi \(I_I\) istifadə edildikdə hər sektorun regional cəm məhdudiyyəti ayrıca qoruna bilər. Vahidlərdən ibarət \(1_I'\) vektoru istifadə edildikdə isə sektorlar birlikdə toplana bilər.

Bütün məhdudiyyətlərin kompakt forması

Mənbə bütün rəsmi mühasibat məhdudiyyətlərini:

\[ Hx=y_a \]

şəklində vahid sistemdə birləşdirir.

\(H\), region-sektor mühasibat quruluşunu kodlayan seyrək matrisdir. \(x\), reconciled grid-sektor dəyərlərinin böyük vektorudur. \(y_a\), tətbiq edilməli rəsmi aggregate dəyərləri təmsil edir.

Kvadratik itki funksiyası

Maşın öyrənməsi qiymətləndirməsini rəsmi cəmlərlə uyğunlaşdırarkən hüceyrələrin ilkin məkan quruluşunu lazımsız şəkildə pozmaq istənilmir.

Buna görə mənbə:

\[ \min_x \sum_{g,i} \left( \frac{x_{g,i}-p_{g,i}} {p_{g,i}} \right)^2 \]

meyarından istifadə edir.

Bu ifadə mütləq dəyişikliyi deyil, nisbi dəyişikliyi cəzalandırır.

Məsələn, eyni 10 vahidlik dəyişiklik başlanğıc qiymətləndirməsi 1.000 olan böyük hüceyrə üçün kiçik nisbi düzəliş, başlanğıc qiymətləndirməsi 20 olan kiçik hüceyrə üçün isə çox böyük nisbi düzəliş deməkdir.

Çəki matrisi

Matris formasında:

\[ \min_x (x-p)'W(x-p) \]

və:

\[ W= \operatorname{diag} \left( \frac{1}{p_{g,i}^2} \right). \]

\(W\) çəki matrisi xəta cəzasının nisbi miqyasda tətbiq olunmasını təmin edir.

Məhdud optimallaşdırma problemi

Tam problem:

\[ \min_x (x-p)'W(x-p) \]

şərti ilə:

\[ Hx=y_a. \]

Başqa sözlə, sistem eyni anda iki işi görməlidir:

1. rəsmi mühasibat cəmlərinə tam uyğun gəlmək,
2. maşın öyrənməsi ilə əldə olunan ilkin məkan-sektor bölgüsündən mümkün olan ən az nisbi uzaqlaşmanı etmək.

GLS reconciliation estimator

Birinci dərəcə şərtləri mənbədə aşağıdakı həlli verir:

\[ x = p - W^{-1}H' \left( HW^{-1}H' \right)^{-1} \left( Hp-y_a \right). \]

Bu tənlik tədqiqatın ən mühüm riyazi quruluşlarından biridir.

\(p\): ilkin maşın öyrənməsi qiymətləndirmələridir.

\(Hp\): bu ilkin qiymətləndirmələrin rəsmi aggregation quruluşu altında yaratdığı cəmdir.

\(Hp-y_a\): maşın öyrənməsi cəmi ilə rəsmi cəm arasındakı uyğunsuzluqdur.

\(W^{-1}H'(HW^{-1}H')^{-1}\): bu uyğunsuzluğun grid və sektor hüceyrələrinə hansı çəkilərlə geri paylanacağını müəyyən edən düzəliş quruluşudur.

\(x\): bütün rəsmi məhdudiyyətləri təmin edən reconciled nəticədir.

Niyə bu sistem hesablana bilir?

\(H\) matrisi son dərəcə seyrəkdir; çünki bir grid hüceyrəsi yalnız aid olduğu region və müvafiq sektor blokları ilə əlaqəlidir.

Mənbə bu seyrək quruluşun:

• sparse Cholesky,
• multifrontal factorization

kimi metodlarla böyük grid sistemlərində səmərəli şəkildə həll oluna biləcəyini bildirir.

Sıfır qiymətləndirmələr üçün 0,01 niyə əlavə olunur?

\[ W= \operatorname{diag}(1/p_{g,i}^2) \]

olduğu üçün \(p_{g,i}=0\) olduqda çəki müəyyən olunmamış hala gəlir.

Mənbə bu texniki problemi həll etmək üçün sıfır qiymətləndirməli hüceyrələrə reconciliation-dan əvvəl 0,01 ölçüsündə kiçik notional dəyər verir.

Reconciliation tamamlandıqdan sonra bu 0,01 yenidən çıxarılır və hüceyrə tam sıfıra qaytarılır.

Bu 0,01 iqtisadi fəaliyyət ölçüsü deyil; ədədi optimallaşdırmada çəki matrisini müəyyən edilmiş saxlamaq üçün istifadə olunan texniki köməkçi dəyərdir.

Reconciliation mənfi dəyər yarada bilərmi?

Mənbənin istifadə etdiyi GLS həlli işarə baxımından məhdudiyyətsizdir. Buna görə nəzəri olaraq böyük düzəliş tələb olunduqda bəzi reconciled hüceyrə dəyərləri mənfi ola bilər.

Lakin mənbə Kanada–ABŞ tətbiqində reconciliation-dan sonra mənfi dəyər yaranmadığını açıq şəkildə bildirir.

Tədqiqatın Metodu və Nəticələri

İki mərhələli metod

Tədqiqatın metod zənciri iki əsas mərhələdən ibarətdir:

1. Maşın öyrənməsi mərhələsi: rəsmi inzibati ÜDM və sektor nəticələri ilə yüksək ayırdetməli coğrafi dəyişənlər arasındakı əlaqələr öyrənilir və grid hüceyrələrinə tətbiq olunur.
2. Reconciliation mərhələsi: grid qiymətləndirmələri rəsmi region və sektor cəmlərinə tam uyğun gələcək şəkildə kvadratik optimallaşdırma ilə düzəldilir.

Grid səviyyəsində tətbiq olunan iki əlavə məhdudiyyət

Mənbə əlavə olaraq:

• 10 sektor üçün qiymətləndirilmiş sektor paylarının cəminin müvafiq inzibati vahiddə 1 olmasını,
• ÜDM-in sıfır qiymətləndirildiyi böyük fasiləsiz su sahələri, yaşayışsız səhralar və daimi qar sahələri kimi yerlərdə sektor paylarının da sıfır olmasını

məcburi edir.

Model performansı

Mənbə mətndə əlavə olaraq log adambaşına ÜDM və log adambaşına ÜDM/km² modelləri üçün \(R^2\) dəyərlərini müvafiq olaraq təxminən 0,50 və 0,56 kimi bildirir. Bu iki variantda əhali izahedici dəyişənlər dəstindən çıxarılıb.

Sektor performansları niyə fərqlidir?

Kənd təsərrüfatı və mədənçilik kimi sektorların fiziki coğrafiya ilə daha güclü məkan izi vardır. Kənd təsərrüfatı torpaq örtüyü ilə, mədənçilik isə müəyyən coğrafi və müəssisə məkanları ilə əlaqələndirilə bilər.

Xidmətlər, dövlət idarəçiliyi və utilities kimi sektorlarda isə müşahidə edilə bilən fiziki məkan ilə dəyərin milli hesablarda qeydə alındığı yer eyni olmaya bilər.

Mənbə buna görə sektor səviyyəsində dəyişənlərin proqnoz gücünün mühüm dərəcədə fərqləndiyini vurğulayır.

Dəyişən əhəmiyyəti sıralaması səbəbiyyət deməkdirmi?

Xeyr. Mənbə Figure 5-dəki variable-selection sıralamalarının yalnız proqnoza töhfəni göstərdiyini açıq şəkildə bildirir.

Məsələn, built-up area, population və nighttime light ümumi ÜDM üçün yuxarı sıralarda olduğu halda, cropland kənd təsərrüfatı modelində güclü dəyişəndir.

Bu hal “gecə işığındakı artım ÜDM-i bu qədər artırır” formasında səbəbiyyət nəticəsi vermir.

Reconciliation-dan əvvəl ən böyük kənarlaşmalar

Mənbə ilkin grid qiymətləndirmələrini rəsmi sektor ÜDM-i ilə müqayisə etdikdə kənd təsərrüfatı və utilities üçün ən böyük kənarlaşmaları müşahidə edir.

Hər iki sektorda reconciliation-dan əvvəlki grid cəmləri rəsmi məlumatların təxminən dörd-beş qatına çata bilər.

Kənd təsərrüfatı üçün bu nəticə xüsusilə öyrədicidir; çünki kənd təsərrüfatı modelinin \(R^2\) dəyəri sektorlar arasında nisbətən yüksək olan 0,54-dür.

Bu hal yaxşı inzibati səviyyəli qiymətləndirmə uyğunluğunun grid cəmlərində avtomatik mühasibat uyğunluğu demək olmadığını göstərir.

Mənbə bunu qismən kənd təsərrüfatı torpağının iqtisadi əlavə dəyərinə nisbətən çox geniş fiziki sahə tutması ilə izah edir.

Şəhər yönümlü sektorlarda ilkin qiymətləndirmə daha yaxındır

Maliyyə və biznes xidmətləri, ticarət və yerləşdirmə, emal sənayesi, eləcə də nəqliyyat və rabitə sektorlarında reconciliation-dan əvvəlki qiymətləndirmələrin rəsmi cəmlərə nisbəti Kanada və ABŞ-da ümumilikdə təxminən %75–90 intervalındadır.

Bu nəticə şəhər və kommersiya fəaliyyətlərinin gecə işığı, tikililəşmə və digər fiziki göstəricilərlə daha görünən ola bilməsi ilə uyğundur.

Reconciliation bu problemi necə həll edir?

Reconciliation bütün sektorların grid cəmlərini rəsmi milli və submilli hesablarla eyni səviyyəyə miqyaslayır və yenidən paylayır.

Lakin burada çox vacib fərq vardır:

Aggregate uyğunluq əldə etmək hüceyrə səviyyəsində müstəqil doğrulama əldə etmək deyil.

Reconciliation-dan sonra region cəminin rəsmi ÜDM-ə bərabər olması riyazi olaraq təmin edilir. Bununla yanaşı, eyni cəm daxilində iqtisadi fəaliyyətin dəqiq olaraq hansı 1 km² hüceyrəyə hansı nisbətdə aid olduğu hələ də maşın öyrənməsi modelinin məkan bölgüsü quruluşuna əsaslanır.

2021 grid əhatəsi

Post-benchmarking məlumatında müsbət ÜDM qiymətləndirilən hüceyrələr baxımından:

Mənbə yalnız müsbət ÜDM qiymətləndirilmiş hüceyrələri bu əhatə saylarına daxil edir.

Mənbədə ÜDM vahidi üzrə uyğunsuzluq

Əsas Cədvəl 1, 2021 ÜDM sütununu “USD PPP bn” kimi işarələyir və məlumat bölməsində submilli ÜDM-in IMF WEO PPP international dollars benchmark-ı ilə tənzimləndiyini izah edir.

Bunun əksinə, Appendix C-dəki eyni əhatə cədvəlinin qeydində “GDP figures in current USD billions” ifadəsi var.

Mənbə daxilindəki bu vahid uyğunsuzluğu Verianla tərəfindən səssiz şəkildə düzəldilməyib. Buna görə bu məqalə ümumi 2021 pul dəyərlərindən yeni hesablamalarda istifadə etmir.

Kanada və ABŞ nəticələri niyə eyni etibarla oxuna bilməz?

ABŞ üçün rəsmi təlim nəticələri county səviyyəsinə qədər mövcuddur. Buna görə modelin ABŞ daxilindəki incə məkan nümunəsi ən azı county miqyasına qədər real submilli ÜDM fərqlərindən öyrənir.

Kanada üçün rəsmi təlim nəticəsi yalnız 13 province/territory səviyyəsindədir.

Buna görə Kanadanın province daxilindəki bölgüsü tamamilə geocovariate əlaqələri vasitəsilə model tərəfindən yaradılır.

Mənbənin öz ifadəsi ilə Kanada nəticələri experimental model-based spatial allocations kimi qiymətləndirilməlidir; müstəqil şəkildə doğrulanmış subprovincial GDP deyil.

Ümumi iqtisadi fəaliyyətin məkan nümunəsi

Post-reconciliation 2021 nəticələrində iqtisadi fəaliyyətin ən yüksək olduğu grid hüceyrələri böyük metropol dəhlizlərində cəmləşir.

ABŞ-ın şərq yarısında daha davamlı orta səviyyəli iqtisadi fəaliyyət görüldüyü halda, quraq daxili qərb bölgələrində daha seyrək, aşağı dəyərli hüceyrələr vardır.

Kanadadakı iqtisadi fəaliyyət əsasən ABŞ sərhədinə yaxın daha dar zolaqda cəmləşir və yüksək enliklərdə aydın şəkildə seyrəkləşir.

Bu nümunələr model çıxışıdır və xüsusilə Kanadada province-altı həqiqi rəsmi müşahidələr kimi şərh edilməməlidir.

Location Quotient nədir?

Tədqiqat bir grid hüceyrəsində hansı sektorun milli quruluşa nisbətən daha ixtisaslaşmış olduğunu göstərmək üçün Location Quotient (LQ) istifadə edir.

Mənbə dipnotundakı tərif riyazi olaraq:

\[ LQ_{g,i} = \frac{\text{grid }g\text{'de sektör }i\text{ payı}} {\text{ülke genelinde sektör }i\text{ payı}} \]

şəklində ifadə edilə bilər.

\(LQ=1\), sektorun grid hüceyrəsindəki çəkisinin ölkə ortalaması ilə eyni olduğu anlamına gəlir.

\(LQ=1{,}5\), grid hüceyrəsindəki sektor payının milli paydan %50 daha yüksək olduğu anlamına gəlir.

Mənbə dominant sektor xəritəsində 1,5-dən yuxarı dəyərləri aydın yerli ixtisaslaşma kimi şərh edir.

Sektoral məkan nümunələri

Model nəticələrində kənd təsərrüfatı Kanada və ABŞ-ın daxili düzənliklərində geniş və sərhədləri aşan dəhliz yaradır.

Mədənçilik, neft və qaz fəaliyyətləri ABŞ-ın intermountain west bölgələrində, Appalachian qurşağında və Kanadanın şimalındakı bəzi bölgələrdə cəmləşir.

Emal sənayesi Böyük Göllərin cənubundakı tarixi sənaye qurşağını və ABŞ-ın cənub-şərqinə uzanan bölgələri izləyir.

Maliyyə və biznes xidmətləri böyük şimal-şərq metropollarında cəmləşdiyi halda, dövlət idarəçiliyi Washington D.C. ətrafında güclü ixtisaslaşma göstərir.

Bu nəticələrin mühüm mesajlarından biri sektor coğrafiyasının inzibati sərhədləri izləmək məcburiyyətində olmamasıdır. Kənd təsərrüfatı, mədənçilik və emal sənayesi qurşaqları ştat və ya ölkə sərhədlərindən kənara fasiləsiz davam edə bilər.

Maliyyə sektoru xəritəsi nəyi göstərmir?

Mənbə xüsusi xəbərdarlıq edir: “Finance and Business Services” grid qatı maliyyə risklərinin, kreditlərin və ya təminatların fiziki məkan xəritəsi kimi oxunmamalıdır.

Maliyyə, sığorta, daşınmaz əmlak və biznes xidmətlərində əlavə dəyər çox vaxt şirkət mərkəzində qeydə alına bilər; bunun əksinə, real iqtisadi və ya maliyyə exposure başqa coğrafi bölgələrdə ola bilər.

Xidmət sektorları niyə daha çətindir?

Zavodun, kənd təsərrüfatı sahəsinin və ya mədənin fiziki məkanı uzaqdan zondlama məlumatlarında nisbətən aydın ola bilər.

Bunun əksinə:

• maliyyə vasitəçiliyi,
• telekommunikasiya,
• elektrik ötürülməsi,
• dövlət idarəçiliyi,
• təhsil və səhiyyə kimi xidmətlər

üçün dəyərin yaradıldığı yer ilə fiziki obyektin yerləşdiyi yer arasında birbaşa birə-bir əlaqə olmaya bilər.

Mənbə xidmət yönümlü iqtisadi bölgələrin spatial allocation üçün daha çətin olduğunu və gələcəkdə banklar, dövlət qurumları, məktəblər, xəstəxanalar və pərakəndə mərkəzləri kimi sektora xas məkan göstəricilərinin əlavə edilə biləcəyini bildirir.

Kənd və ucqar bölgələrdə məhdudiyyət

Gecə işığı və ya tikililəşmə kimi göstəricilər az əhalili kənd və ucqar bölgələrdə iqtisadi istehsalı daha zəif təmsil edə bilər.

Mənbə gələcəkdə:

• yol şəbəkəsinin sıxlığı,
• kənd təsərrüfatı məhsuldarlığı indeksləri,
• bazarlara məsafə

kimi əlavə dəyişənlərin istifadə oluna biləcəyini təklif edir.

Əhali ilə əlavə uyğunluq yoxlaması

Müəlliflər gələcəkdə post-benchmarking ÜDM-in əhalinin demək olar ki, sıfır olduğu grid hüceyrələrinə iqtisadi baxımdan məntiqsiz şəkildə paylanmasının qarşısını almaq üçün əhalinin ayrıca consistency check kimi istifadə edilməsini təklif edirlər.

Bu yoxlama mövcud tədqiqatın tamamlanmış hissəsi deyil; gələcəkdə edilə biləcək təkmilləşdirmə kimi təqdim olunur.

GeoPulse əlaqəsi

Tədqiqatda hazırlanmış gridded GDP qiymətləndirmələrinin IMF-də hazırlanmaqda olan GeoPulse adlı coğrafi-məkan təhlil platformasına əsas giriş olması planlaşdırılır.

Mənbənin hədəflədiyi istifadə yüksək ayırdetməli iqtisadi istehsal qiymətləndirmələrini təbii fəlakətə məruzqalma, maliyyə stresi və demoqrafik dəyişiklik kimi digər məkan risk göstəriciləri ilə birləşdirməkdir.

GeoPulse-a gələcək inteqrasiya niyyətdir; bu məqalə GeoPulse-un tamamlanmış performans qiymətləndirməsini təqdim etmir.

Tədqiqatın dəstəklədiyi nəticələr

• Rəsmi makroiqtisadi cəmlər, yüksək ayırdetməli Yer müşahidələri və spatial random forest birlikdə istifadə olunmaqla təxminən 1 km² səviyyəsində eksperimental ÜDM bölgüləri yaradıla bilər.
• Ümumi log ÜDM üçün istifadə olunan Yer müşahidəsi dəyişənləri yüksək proqnoz performansı göstərir.
• Sektor səviyyəsində proqnoz performansı sektorlar arasında mühüm dərəcədə fərqlənir.
• Əhali, tikililəşmiş sahə və gecə işığı ümumi ÜDM qiymətləndirməsində güclü proqnoz dəyişənləri arasındadır.
• Cropland kimi torpaq örtüyü göstəriciləri kənd təsərrüfatının məkan bölgüsü üçün daha güclü məlumat daşıya bilər.
• Maşın öyrənməsi qiymətləndirmələri rəsmi sektor və region cəmləri ilə avtomatik uyğun deyil.
• Kvadratik reconciliation grid və sektor qiymətləndirmələrini rəsmi mühasibat cəmləri ilə tam uyğunlaşdıra bilər.
• İnzibati sərhədlərin gizlətdiyi sektor ixtisaslaşmaları grid formasında daha görünən ola bilər.
• Kanada və ABŞ tətbiqi metod üçün proof-of-concept xarakteri daşıyır.

Tədqiqatın dəstəkləmədiyi nəticələr

Tədqiqat hər bir 1 km² hüceyrədə birbaşa ölçülmüş rəsmi ÜDM olduğunu göstərmir.

Tədqiqat xüsusilə Kanadanın province-altı grid dəyərlərini müstəqil doğrulanmış rəsmi məlumat kimi təqdim etmir.

Reconciliation-dan sonra rəsmi cəmlərin tam uyğun gəlməsi hər hüceyrənin real iqtisadi dəyərinin düzgün qiymətləndirildiyini sübut etmir.

Yüksək \(R^2\), istifadə olunan peyk və ya coğrafi göstəricinin ÜDM üzərində səbəb təsiri olduğunu göstərmir.

Variable importance sıralaması dəyişənlərin iqtisadi böyüklük üzərindəki işarəsini və ya səbəbiyyət əmsalını göstərmir.

Tədqiqat bütün ölkələr üçün eyni performansı sübut etmir. Kanada və ABŞ güclü rəsmi statistika sistemlərinə malik məlumat-zəngin pilot iqtisadiyyatlardır.

Tədqiqat Latın Amerikası, Saharadan cənubdakı Afrika, Cənubi Asiya və ya Cənub-Şərqi Asiyada metodun eyni dəqiqliklə işlədiyini hələ göstərmir; bu bölgələr gələcək genişlənmə sahələri kimi təklif olunur.

Tədqiqat hələ gridded capital stock məlumat dəsti yaratmır. Kapital ehtiyatı metodun gələcəkdə genişləndirilə biləcəyi sahələrdən biri kimi göstərilir.

Tədqiqat maliyyə və biznes xidmətləri gridini həqiqi maliyyə exposure və ya collateral xəritəsi kimi şərh etməyi dəstəkləmir.

Əsas məhdudiyyətlər

• Kanada təlim dəstəyi: yalnız 13 province/territory rəsmi müşahidəsi vardır; province-altı təfərrüat model istehsalıdır.
• Miqyas ötürülməsi fərziyyəsi: inzibati vahiddə öyrənilən əlaqə grid hüceyrəsi miqyasına tətbiq edilir.
• Sektor heterogenliyi: model performansı sektorlar arasında böyük fərq göstərir.
• Xidmət sektorunun görünənliyi: fiziki uzaqdan zondlama göstəriciləri bəzi xidmətləri zəif təmsil edir.
• Reconciliation: rəsmi cəmlərlə uyğunluğu təmin edir, lakin müstəqil hüceyrə doğrulamasını təmin etmir.
• Hiperparametr hesabatı: random forest-ın bütün aşağı səviyyəli parametrləri PDF-də ətraflı verilməyib.
• Rəsmi vahid uyğunsuzluğu: əsas Cədvəl 1 ilə Appendix C-nin ÜDM valyuta vahidi qeydləri bir-biri ilə tam uyğun deyil.

Ümumi elmi məna

Tədqiqatın güclü tərəfi rəsmi makroiqtisadi statistikanı maşın öyrənməsi ilə əvəz etməyə çalışmamasıdır.

Metod iki məlumat növünün güclü tərəflərini birləşdirir:

Rəsmi milli hesablar, iqtisadi böyüklüyün etibarlı cəmini təmin edir.

Yer müşahidəsi və spatial machine learning, cəmin coğrafiya daxilində haralarda cəmləşə biləcəyi barədə yüksək ayırdetməli məkan məlumatı verir.

Statistical reconciliation, bu iki qatı bir-biri ilə mühasibat baxımından uyğunlaşdırır.

Bu yanaşmanın elmi dəyəri “peyk təsvirindən real ÜDM-i birbaşa görürük” iddiasında deyil; rəsmi makroiqtisadi cəmlərin məkan bölgüsünü müşahidə edilə bilən coğrafi göstəricilərdən öyrənilmiş nümunələrlə sistematik və təkrar tətbiq oluna bilən şəkildə paylaya bilməsindədir.

Mənbə və Metod Qeydi

Orijinal başlıq: Earth Observations and Machine Learning for Gridded Macroeconomic Data

Azərbaycan dilində nəşr başlığı: Grid Əsaslı Makroiqtisadi Məlumatlar üçün Yer Müşahidələri və Maşın Öyrənməsi

Müəlliflər: Marco Marini, Jim Tebrake, Andinet Woldemichael.

Müəllif sırası: Mənbədəki sıra qorunub saxlanılıb.

Qurum: International Monetary Fund.

Departament: Statistics Department.

Corresponding və lead author: Andinet Woldemichael.

Bərabər töhfə / birgə birinci müəlliflik: Mənbədə belə bəyanat yoxdur.

Tədqiqat nömrəsi: WP/26/213.

Seriya: IMF Working Papers.

Nəşriyyat: International Monetary Fund.

PDF daxili tarixi: September 2026.

Rəsmi IMF eLibrary nəşr tarixi: 2 Oktyabr 2026.

Issue-level DOI: 10.5089/9798229062961.001.

Article-level DOI: 10.5089/9798229062961.001.A001.

Rəsmi nəşr qeydi: IMF eLibrary, Working Paper Volume 2026, Issue 213.

SSRN: Mənbə PDF elektron nüsxənin SSRN abstract 7611151 altında mövcud olduğunu bildirir.

Mənbə növü: IMF Working Paper; metod hazırlığı və eksperimental məlumat istehsalı tədqiqatı.

Resenziya statusu: Resenziyalı akademik jurnal məqaləsi kimi təqdim edilməməlidir. IMF Working Paper-ları davam edən tədqiqatı müzakirəyə açan nəşrlər kimi müəyyən edir.

Müəllif hüququ / lisenziya: © 2026 International Monetary Fund. PDF “Not for Redistribution” qeydini daşıyır. Creative Commons açıq lisenziyası göstərilməyib.

JEL kodları: C55, O47, R12.

Mənbə açar sözləri: Earth observations; gridded GDP; spatial machine learning.

Əsas tədqiqat məqsədi: Rəsmi milli və submilli ÜDM ilə sektor məlumatlarını yüksək ayırdetməli coğrafi-məkan göstəricilərindən istifadə etməklə təxminən 1 km² grid hüceyrələrinə downscale etmək və nəticələri rəsmi mühasibat cəmləri ilə tam uyğunlaşdırmaq.

Pilot ölkələr: Kanada və Amerika Birləşmiş Ştatları.

Referens tətbiq ili: Əsas grid nəticələrində 2021.

ABŞ rəsmi məlumat dəstəyi: County səviyyəsi, admin 2; 3.082 county müşahidəsi model təlimində istifadə edilə bilir.

Kanada rəsmi məlumat dəstəyi: 13 province/territory səviyyəsində müşahidə; province-altı bütün məkan təfərrüatı model istehsalıdır.

Grid hədəf ayırdetməsi: Təxminən 1 km².

Yüksək ayırdetməli geocovariate ayırdetməsi: WorldPop dəyişənlərinin çoxu təxminən 3 arcsecond, yəni təxminən 100 m.

Əsas metod: Spatial random forest + forward feature selection + leave-one-out cross-validation + kvadratik statistical reconciliation.

Proqram təminatı: R daxilində CAST Version 1.04 kitabxanası.

Model seçimi: Müxtəlif pooled və split coğrafi nümunələrdə model variantları öyrədilir; dəyişən seçimi tətbiq olunur və ən aşağı RMSE-yə malik spesifikasiya saxlanılır.

Maşın öyrənməsinin əsas tənliyi: \(y_i^k=f(X_i^k)+\varepsilon_i^k\).

Reconciliation əsas problemi: İlkin ML qiymətləndirmələri \(p\), rəsmi mühasibat məhdudiyyəti \(Hx=y_a\) altında nisbi kvadratik kənarlaşmanı minimuma endirəcək şəkildə reconciled dəyərlər \(x\)-ə çevrilir.

GLS reconciliation həlli: \(x=p-W^{-1}H'(HW^{-1}H')^{-1}(Hp-y_a)\).

Reconciliation texniki təfərrüatı: Sıfır qiymətləndirməli hüceyrələrə çəki matrisini müəyyən edilmiş saxlamaq üçün müvəqqəti 0,01 dəyəri verilir və prosesdən sonra yenidən sıfırlanır.

Mənfi dəyər vəziyyəti: GLS həlli nəzəri olaraq mənfi hüceyrə yarada bilər; mənbə Kanada–ABŞ tətbiqində mənfi reconciled dəyər yaranmadığını bildirir.

Ümumi ÜDM performansı: log ÜDM üçün RMSE 0,39, \(R^2=0{,}95\), MAE 0,29; log ÜDM/km² üçün RMSE 0,44, \(R^2=0{,}94\), MAE 0,32.

Sektor performansı: Kənd təsərrüfatı və mədənçilik nisbətən güclüdür; dövlət idarəçiliyi, utilities, ticarət/yerləşdirmə və nəqliyyat/rabitə daha aşağı \(R^2\) dəyərlərinə malikdir.

Reconciliation-dan əvvəl mühüm kənarlaşma: Kənd təsərrüfatı və utilities sektorlarında gridded cəmlər rəsmi ÜDM-in təxminən dörd-beş qatına çata bilər.

2021 müsbət ÜDM grid əhatəsi: Kanada 988.661 hüceyrə; ABŞ 5.354.938 hüceyrə.

Valyuta vahidi üzrə mənbədaxili uyğunsuzluq: Əsas Cədvəl 1 ÜDM dəyərlərini “USD PPP bn” kimi işarələyir və metod bölməsi WEO PPP benchmark-ını müəyyən edir; Appendix C cədvəl qeydi isə eyni seriyanı “current USD billions” kimi müəyyən edir. Verianla bu uyğunsuzluğu səssiz şəkildə düzəltməyib.

Hədəf dəyişən simvolu üzrə mənbədaxili qeyri-müəyyənlik: Metod bölməsindəki hədəf dəstində SER simvolu yer alır, lakin Appendix A-dakı 10 sektor təsnifatında ayrıca SER kateqoriyası müəyyən edilmir. Mənbədə olmayan izah əlavə edilməyib.

Məlumatların əlçatanlığı: Mənbə BEA, Statistics Canada, WorldPop, ESA, NASA və Global Energy Monitor daxil olmaqla istifadə olunan məlumat mənbələrini ətraflı sadalayır; PDF-də vahid açıq replikasiya paketi və ya ayrıca standart Data Availability Statement verilməyib.

Model hiperparametrlərinin əlçatanlığı: CAST 1.04, spatial random forest, feature selection və cross-validation quruluşu bildirilir; bütün aşağı səviyyəli random forest hiperparametrləri PDF-də açıq deyil.

Maliyyələşmə bəyanatı: Mənbədə ayrıca standart tədqiqat maliyyələşməsi bəyanatı yoxdur.

Maraqlar toqquşması: Mənbədə ayrıca standart maraqlar toqquşması bəyanatı yoxdur.

CRediT / müəllif töhfələri: Mənbədə standart CRediT töhfə cədvəli yoxdur.

Təşəkkür: Mənbə Javier Uruñuela López-ə şərh və təkliflərinə; Alessandra Sozzi və Zhaosheng Li-yə gridded GDP məlumatlarının hazırlanmasına verdikləri dəstəyə görə təşəkkür edir.

Əsas metodoloji məhdudiyyət: Grid səviyyəsindəki dəyərlər rəsmi birbaşa müşahidə deyil. Reconciliation aggregate uyğunluq təmin edir, lakin hüceyrə dəqiqliyini müstəqil şəkildə doğrulamır. Kanadada province-altı məkan bölgüsü tamamilə model tərəfindən yaradılır.

Gələcək tədqiqat: Kənd/ucqar ərazilər üçün yeni covariate-lər, xidmət sektoruna xas infrastruktur nöqtələri, əhali əsaslı uyğunluq yoxlaması, digər coğrafiyalara genişlənmə və gridded capital stock istehsalı təklif olunur.

İnstitusional mövqe xəbərdarlığı: Mənbədəki fikirlər müəlliflərə aiddir; IMF, IMF Executive Board və ya IMF management fikirlərini mütləq təmsil etmir.

Nəşr qeydi: Bu Azərbaycan dilində izah mənbə Working Paper-ın məlumat quruluşunu, spatial random forest metodunu, grid downscaling məntiqini, cross-validation və feature-selection mərhələlərini, statistical reconciliation tənliklərini, performans nəticələrini, məkan sektor tapıntılarını və məhdudiyyətlərini öyrədici şəkildə çatdırır. Mənbədə olmayan grid dəyəri, model nəticəsi, statistika, hiperparametr və ya ölkə ümumiləşdirməsi yaradılmayıb. Elmi istinadlarda orijinal IMF Working Paper və rəsmi DOI əsas götürülməlidir.