DOI: https://doi.org/10.1007/s10614-025-11276-6
تاريخ النشر: 2026-02-19
المؤلف: Teddy Lazebnik وآخرون
الموضوع الرئيسي: دراسات الضرائب والامتثال
نظرة عامة
تتناول هذه الدراسة التحديات المتعلقة بتقدير حجم وديناميات الاقتصاد غير الرسمي (IE) من خلال دمج المكونات المكانية في النماذج التنبؤية. باستخدام بيانات من 21 منطقة في السويد بين عامي 2006 و2023، تقيم البحث أساليب النمذجة المختلفة، بما في ذلك الانحدار الخطي والشبكات العصبية الرسومية (GNNs)، لتقييم فعاليتها في التنبؤ بديناميات الاقتصاد غير الرسمي عبر دقة مكانية مختلفة. تشير النتائج إلى أن نماذج التعلم الآلي تتفوق على الانحدارات الخطية التقليدية على المستوى الإقليمي، بينما تتفوق طرق التعلم العميق، وخاصة GNNs، على المستوى الوطني. تكشف التحليلات عن تأثير تراجع المسافة الكبير، حيث يتناقص تأثير منطقة على أخرى مع زيادة المسافة الجغرافية، وتبرز أن تضمين بيانات من المناطق المجاورة يعزز بشكل كبير دقة التنبؤ.
تخلص الدراسة إلى أن التدخلات السياسية الفعالة لمعالجة عدم الرسمية يجب أن تكون مصممة إقليمياً بدلاً من تطبيقها بشكل موحد على المستوى الوطني. تشير النتائج إلى أن الاستراتيجيات التعاونية بين المناطق المجاورة يمكن أن تلتقط بشكل أفضل الديناميات المحلية والتأثيرات بين المناطق. بالإضافة إلى ذلك، تؤكد البحث على أهمية إطار زمني مكاني لمراقبة النشاط الاقتصادي غير الرسمي، داعية إلى تدخلات مستهدفة بناءً على الخصائص الإقليمية والتفاعلات الاقتصادية. بينما تقدم الدراسة رؤى قيمة، فإنها تعترف بالقيود مثل قصر سلسلة الزمن والحاجة إلى مقاييس أكثر دقة للعلاقات المكانية. يتم تشجيع الأبحاث المستقبلية على دمج الاستدلال السببي مع النمذجة التنبؤية لتوضيح تعقيدات الاقتصادات غير الرسمية، مع إمكانية توسيع النتائج لتشمل سياقات اجتماعية واقتصادية أخرى.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية الاقتصاد غير الرسمي (IE) كعنصر دائم وجوهري في كل من الاقتصادات المتقدمة والنامية، مما يتحدى القياسات الاقتصادية التقليدية وصنع السياسات. يشير المؤلفون إلى أن تأثير الاقتصاد غير الرسمي على المؤشرات الاقتصادية الكلية، مثل الناتج المحلي الإجمالي والتوظيف، يمكن أن يؤدي إلى إحصائيات مشوهة تقوض فعالية السياسات المالية والنقدية. على الرغم من الأدبيات الواسعة حول قياس الاقتصاد غير الرسمي، لا يزال هناك عدم توافق حول أفضل المنهجيات، مما يؤدي إلى تقديرات متنوعة تؤثر على المناقشات حول التهرب الضريبي والضعف المؤسسي. لقد حسنت التطورات الأخيرة في التعلم الآلي (ML) والتعلم العميق (DL) طرق التقدير، ومع ذلك غالباً ما تتجاهل هذه الأساليب الديناميات المكانية للاقتصاد غير الرسمي، والتي تعتبر حاسمة لفهم توزيعه وتطوره.
تتناول الورقة هذه الفجوة من خلال اقتراح إطار جديد يدمج بين طرق التقدير الزمنية والمكانية، المطبقة على تحليل إقليمي للسويد من 2006 إلى 2023. تهدف الدراسة إلى نمذجة مؤشر استخدام النقد الإقليمي كمؤشر للمعاملات غير الرسمية، مقارنة أداء النماذج الاقتصادية الكلاسيكية مع تقنيات ML وDL الحديثة. توفر المناطق الإدارية المتنوعة في السويد، التي تتميز بتنوع ديموغرافي وظروف اقتصادية، سياقاً مثالياً لهذا التحليل. يؤكد المؤلفون على أهمية دمج العوامل الجغرافية لتعزيز فهم ديناميات الاقتصاد غير الرسمي، خاصة في ضوء التباينات الكبيرة في تقديرات الاقتصاد غير الرسمي المبلغ عنها في الدراسات السابقة. تهدف الورقة في النهاية إلى المساهمة في الأدبيات من خلال إنشاء لوحة إقليمية للسويد، وتقييم طرق التقدير المختلفة، وتقديم منظور مكاني زمني لالتقاط الديناميات المحلية والتفاعلات عبر المناطق.
الطرق
في هذا القسم، يحدد المؤلفون الطرق والمواد المستخدمة في دراستهم، موضحين بناء البيانات، وصياغة المتغيرات، واستراتيجيات النمذجة، وتصميم التجارب. تم هيكلة تصميم التجربة لتوسيع نطاق التقدير تدريجياً من المستويات الإقليمية إلى الوطنية ومن النماذج الزمنية إلى المكانية. يسمح هذا النهج بتقييم تقنيات النمذجة المختلفة وأهمية التأثيرات المكانية بين المناطق السويدية.
تشمل المنهجية عملية من ثلاث خطوات. في البداية، يقوم المؤلفون بتقييم النماذج الزمنية البحتة لتقدير حجم الاقتصاد غير الرسمي (IE) في كل منطقة باستخدام خوارزميات متعددة، بما في ذلك الانحدار الخطي (LR)، وغابة عشوائية (RF)، وأقرب الجيران (KNN)، وآلة الدعم الناقل (SVM)، وXGBoost (XGB)، والشبكة العصبية الأمامية (FFN)، والشبكة العصبية التلافيفية (CNN)، والشبكة العصبية الرسومية (GNN). في الخطوة الثانية، يقومون بتجميع البيانات الإقليمية إلى تقديرات وطنية، مقارنة نهج مفصل بالكامل مقابل مؤشر وطني مبسط. تتضمن الخطوة الثالثة العلاقات المكانية من خلال ربط المناطق بناءً على القرب الجغرافي، وتقييم ما إذا كانت هذه الروابط تعزز دقة التنبؤ وتراجع التأثير مع المسافة. يقيم التجربة النهائية تأثير تضمين بيانات المناطق المجاورة ومجموعة البيانات الوطنية الكاملة على الأداء التنبؤي، مع التركيز بشكل خاص على أهمية تأثيرات التسرب.
النتائج
تشير النتائج إلى أن نماذج التعلم الآلي (ML)، وخاصة XGBoost (XGB) وآلة الدعم الناقل (SVM)، تتفوق على الانحدار الخطي التقليدي (LR) في التنبؤ بالنتائج عبر 21 منطقة سويدية، كما يتضح من انخفاض متوسط الخطأ المطلق (MAE) وارتفاع معامل التحديد ($R^2$). يتم تلخيص مقاييس الأداء المتوسطة للنماذج في الجدول 3، حيث يظهر LR أعلى الأخطاء والتباين، بينما تظهر طرق ML المعتمدة على الأشجار دقة أكثر اتساقاً. على الرغم من أن نماذج التعلم العميق (DL) (FNN، CNN، GNN) تظهر تحسينات مقارنة بـ LR، إلا أن مكاسبها متواضعة مقارنة بأداء XGB وSVM.
عندما يتم تجميع التنبؤات على المستوى الوطني، كما هو موضح في الجدول 4، يظهر LR أداءً أفضل تحت المواصفة المجمعة، بينما تتفوق نماذج ML وDL تحت المواصفة الموزعة، مع تحقيق GNN أعلى $R^2$. يشير هذا إلى أن نماذج ML وDL تستفيد بشكل فعال من التباين الإقليمي، مما يلتقط التغيرات التي يفشل LR في حسابها. تكشف تحليل التأثيرات عبر المناطق المعتمد على SHAP عن علاقة سلبية قوية مع المسافات الجغرافية، مما يشير إلى أن المناطق الأقرب لها تأثير تنبؤي أكبر على بعضها البعض. أخيراً، يظهر أداء أفضل النماذج عبر تكوينات البيانات المختلفة أن نماذج ML وDL تستفيد بشكل كبير من تضمين بيانات المناطق المجاورة، بينما يستقر أداء LR عند استخدام بيانات من جميع المناطق، مما يبرز العوائد المتناقصة في دقة التنبؤ.
المناقشة
تعزز هذه الدراسة تقدير الاقتصاد غير الرسمي (IE) من خلال استخدام إطار زمني مكاني يدمج بين الأبعاد الزمنية والمكانية. تقوم بتقييم نقدي للأدبيات الحالية، وخاصة فعالية طرق التعلم الآلي (ML) والتعلم العميق (DL) مقارنةً بالانحدار الخطي التقليدي في تقدير الاقتصاد غير الرسمي، وتحقق في الفرضية القائلة بأن المناطق القريبة جغرافياً تؤثر على ديناميات الاقتصاد غير الرسمي لبعضها البعض. باستخدام بيانات من 21 منطقة سويدية على مدى 18 عاماً، تقوم البحث بتقييم نماذج مختلفة على المستويات الإقليمية والوطنية، مما يكشف أن نماذج ML تتفوق باستمرار على الانحدار الخطي ونماذج DL في دقة التنبؤ. يتماشى هذا مع النتائج السابقة التي تشير إلى أن تقنيات ML قادرة على التعامل مع العلاقات المعقدة وغير الخطية الموجودة في مجموعات بيانات الطلب على العملة.
تشير النتائج إلى أنه بينما توفر النماذج أداءً محسناً في التنبؤ لمؤشرات استخدام النقد المستندة إلى عدم الرسمية، فإنها لا تقدر مباشرةً حصة الاقتصاد غير الرسمي من الناتج المحلي الإجمالي. بدلاً من ذلك، تبرز أن المتغيرات المالية والهيكلية والمالية المختارة تحتوي على معلومات منهجية حول كثافة النقد الإقليمية المستقبلية. تؤكد الدراسة على أهمية دمج الاعتماديات المكانية في تقدير الاقتصاد غير الرسمي، كما يتضح من التباينات الإقليمية الكبيرة وتأثير المناطق المجاورة على الأنشطة الاقتصادية غير الرسمية. بشكل عام، تسهم هذه الأبحاث منهجياً وتجريبياً في فهم عدم الرسمية، داعية إلى نهج أكثر تكاملاً يأخذ في الاعتبار كل من العوامل المكانية والزمنية في الدراسات المستقبلية.
DOI: https://doi.org/10.1007/s10614-025-11276-6
Publication Date: 2026-02-19
Author(s): Teddy Lazebnik et al.
Primary Topic: Taxation and Compliance Studies
Overview
This study addresses the challenges of estimating the size and dynamics of the informal economy (IE) by incorporating spatial components into predictive models. Utilizing data from Sweden’s 21 regions between 2006 and 2023, the research evaluates various modeling approaches, including linear regression and graph neural networks (GNNs), to assess their effectiveness in predicting IE dynamics across different spatial resolutions. The findings indicate that machine learning models outperform traditional linear regressions at the regional level, while deep learning methods, particularly GNNs, excel at the national scale. The analysis reveals a significant distance-decay effect, where the influence of one region on another diminishes with geographic distance, and highlights that including data from neighboring regions substantially enhances predictive accuracy.
The study concludes that effective policy interventions for addressing informality should be regionally tailored rather than uniformly applied at the national level. The results suggest that cooperative strategies among neighboring regions can better capture local dynamics and interregional spillovers. Additionally, the research emphasizes the importance of a spatio-temporal framework for monitoring informal economic activity, advocating for targeted interventions based on regional characteristics and economic interactions. While the study presents valuable insights, it acknowledges limitations such as the short time series and the need for more nuanced measures of spatial relationships. Future research is encouraged to integrate causal inference with predictive modeling to further elucidate the complexities of informal economies, potentially extending the findings beyond Sweden to other socio-economic contexts.
Introduction
The introduction of this research paper highlights the significance of the informal economy (IE) as a persistent and integral component of both developed and developing economies, challenging traditional economic measurement and policymaking. The authors note that the IE’s impact on macroeconomic indicators, such as GDP and employment, can lead to distorted statistics that undermine the effectiveness of fiscal and monetary policies. Despite extensive literature on IE measurement, there remains no consensus on the best methodologies, resulting in varied estimates that influence discussions on tax evasion and institutional weaknesses. Recent advancements in machine learning (ML) and deep learning (DL) have improved estimation methods, yet these approaches often overlook the spatial dynamics of the IE, which are crucial for understanding its distribution and evolution.
The paper addresses this gap by proposing a novel framework that integrates both temporal and spatial estimation methods, applied to a regional analysis of Sweden from 2006 to 2023. The study aims to model a regional cash-use indicator as a proxy for informal transactions, comparing the performance of classical econometric models with modern ML and DL techniques. Sweden’s diverse administrative regions, characterized by varying demographics and economic conditions, provide an ideal context for this analysis. The authors emphasize the importance of incorporating geographic factors to enhance the understanding of the IE’s dynamics, particularly in light of the significant discrepancies in informal economy estimates reported in previous studies. The paper ultimately aims to contribute to the literature by establishing a regional panel for Sweden, benchmarking different estimation methods, and introducing a spatio-temporal perspective to capture local dynamics and cross-regional interactions.
Methods
In this section, the authors outline the methods and materials utilized in their study, detailing the data construction, variable formulation, modeling strategies, and experimental design. The experimental design is structured to progressively broaden the estimation scope from regional to national levels and from temporal to spatial models. This approach allows for an evaluation of various modeling techniques and the significance of spatial spillovers among Swedish regions.
The methodology involves a three-step process. Initially, the authors benchmark purely temporal models to estimate the informal economy (IE) size in each region using multiple algorithms, including Linear Regression (LR), Random Forest (RF), k-Nearest Neighbors (KNN), Support Vector Machine (SVM), XGBoost (XGB), Feedforward Neural Network (FFN), Convolutional Neural Network (CNN), and Graph Neural Network (GNN). In the second step, they aggregate regional data into national estimates, comparing a fully disaggregated approach against a simplified national indicator. The third step incorporates spatial relationships by linking regions based on geographic proximity, assessing whether these connections enhance predictive accuracy and the decay of influence with distance. The final experiment evaluates the impact of including neighboring data and the complete national dataset on predictive performance, specifically focusing on the significance of spillover effects.
Results
The results indicate that machine learning (ML) models, particularly XGBoost (XGB) and Support Vector Machine (SVM), outperform traditional linear regression (LR) in predicting outcomes across 21 Swedish regions, as evidenced by lower mean absolute error (MAE) and higher coefficient of determination ($R^2$). The average performance metrics for the models are summarized in Table 3, where LR exhibits the highest errors and variability, while tree-based ML methods demonstrate more consistent accuracy. Although deep learning (DL) models (FNN, CNN, GNN) show improvements over LR, their gains are modest compared to the performance of XGB and SVM.
When predictions are aggregated at the national level, as shown in Table 4, LR performs better under the summed specification, whereas ML and DL models excel under the spread specification, with GNN achieving the highest $R^2$. This suggests that ML and DL models effectively leverage regional heterogeneity, capturing variations that LR fails to account for. The analysis of SHAP-based cross-regional influence reveals a strong negative correlation with geographical distances, indicating that closer regions have a greater predictive influence on each other. Finally, the performance of the best models across different data configurations shows that ML and DL models benefit significantly from incorporating neighboring regions’ data, while LR’s performance plateaus when using data from all regions, highlighting diminishing returns in predictive accuracy.
Discussion
This study enhances the estimation of the informal economy (IE) by employing a spatiotemporal framework that integrates both temporal and spatial dimensions. It critically evaluates existing literature, particularly the efficacy of machine learning (ML) and deep learning (DL) methods compared to traditional linear regression in estimating the IE, and investigates the hypothesis that geographically proximate regions influence each other’s informal economic dynamics. Utilizing data from Sweden’s 21 regions over 18 years, the research benchmarks various models at both regional and national levels, revealing that ML models consistently outperform linear regression and DL models in predictive accuracy. This aligns with previous findings that ML techniques are adept at handling the complex, nonlinear relationships inherent in currency-demand datasets.
The results indicate that while the models provide improved forecasting performance for cash-use-based proxies of informality, they do not directly estimate the IE’s share of GDP. Instead, they highlight that selected fiscal, structural, and financial variables contain systematic information about future regional cash intensity. The study underscores the importance of incorporating spatial dependencies in IE estimation, as evidenced by the significant regional variations and the influence of neighboring regions on informal economic activities. Overall, this research contributes methodologically and empirically to the understanding of informality, advocating for a more integrated approach that considers both spatial and temporal factors in future studies.