本报综合外媒报道 世界银行官网7月6日刊发该行高级经济学家保罗·阿夫纳（Paolo Avner）、君·伦施勒（Jun Rentschler）和英国剑桥大学剑桥马丁学院研究员萨米拉·巴尔津（Samira Barzin）以及伦敦大学学院副教授尼夫·奥克勒利（Neave O’Clery）共同撰写的文章表示，有关就业空间分布情况的详细数据非常重要，它能够帮助决策者和研究者识别城市内的经济中心，并采取有针对性的措施提升生产效率和交通效率，增强城市的快速恢复能力。

　　在实践中，人们往往通过工商登记、就业普查或旅运调查数据来了解就业岗位在城市内的空间分布情况及密度。然而，拥有高精度就业数据的城市并不多，特别是在发展中国家，相关数据可能是不完整、不可靠或过时的，而根据这样的信息作出的决策，难以有效瞄准就业这一中心目标。

　　阿夫纳等人认为，城市内各类设施（如餐厅、自助提款机、学校等）比较集中的地方、道路汇聚之处、公共交通站点或者夜间灯光较多的地方，往往是经济活动中心，也是工作场所集中的地方。相反，水体和植被大量集中的地方，就业岗位的密度可能比较低。如今，技术的发展使人们可以利用手机的衍生数据记录“有意义的”位置，因此，研究人员开发了一种可扩展的机器学习算法，能够以广泛可用的公共数据为基础，高精度估算、展示城市中各地区的就业空间分布情况。他们在14个非洲和拉丁美洲城市，利用从“公开地图”和谷歌地球引擎提取的数据进行了测试。测试结果表明，通过该算法得出的结论是可靠的，其所估算出的数据与实际调查获得的数据接近。利用这种可扩展、能够快速应用且成本较低的方法，可以生成高精度的就业情况密度图，帮助人们更系统地分析就业可及性，评估和提高城市交通投资和土地使用干预措施的有效性，针对不利于城市繁荣发展和快速恢复的薄弱环节采取措施。该算法还有助于人们开发和使用各类量化空间经济模型，以制定有效的经济政策并确定其优先顺序。

　　（姚晓丹/编译）