Beschreibung

Der Beitrag stellt unterschiedliche Verfahren von Prognosen regionaler Beschäftigungsentwicklung dar, die auf Neuronalen Netzen basieren. Aufgrund ihrer flexiblen Spezifikationsstrukturen werden Neuronale Netze in zahlreichen Forschungsfeldern eingesetzt. Sie eignen sich für die Analyse und Prognose ökonomischer Variablen - wie Beschäftigung oder Migration - da sie 'lernfähig' sind, d. h. dass sie die Ermittlung funktionaler Beziehungen zwischen den analysierten Variablen ermöglichen. In dem Beitrag wird eine Reihe von auf Neuronalen Netzen basierenden Experimenten vorgestellt. Auf zwei Datensätze für NUTS 3-Regionen (326 und 113 Arbeitsmarktregionen in West- bzw. Ostdeutschland) werden unterschiedliche Prognosemodelle angewandt, und die Ergebnisse der Prognosen für die Entwicklung von Vollzeitbeschäftigung werden vorgestellt und diskutiert. Unterschiedliche Spezifikationen der Prognosemodelle werden hinsichtlich 1. erklärender Variablen und 2. Struktur des Neuronales Netzes getestet. Simulationsergebnisse für unterschiedliche Perioden werden zusammengefasst und bewertet. Neben der Spezifikation von Variablen und Struktur ist die Auswahl der Lern-Parameter entscheidend für den erfolgreichen Einsatz Neuronaler Netze. Da Tests dieser Parameter selten sind, wird eine Sensitivitätsanalyse durchgeführt und diskutiert, um unterschiedliche Kombinationen von Parametern zu testen. Methodologische und empirische Bemerkungen sowie Vorschläge für zukünftige Forschungen bilden den Abschluss. (IAB)