技能驱动的工作过渡途径建议

这是我们在技能驱动的工作过渡路径建议中调整、测试和证明的一个假设。最近的一些研究利用了技能和任务级别的数据，比如职业头衔的USDictionary（DOT——O*NET的前身）或来自DOT的Germanfrom来研究职业之间的相似性。作者运用英格拉姆和诺依曼[74]使用的因子分析方法，构建了四个基本技能的衡量标准。这四个技能指标描述了职业的“技能组合”，它们被组织为技能向量。然后，他们使用欧几里德距离计算职业技能向量之间的相似性，以确定哪些工人在被替换之前找到了与之前工作技能要求相似的工作，从而避免了巨大的工资损失。类似地，盖特曼和肖恩伯格[11]使用QCS将职业划分为不同的职业，其中职业包括具有不同掌握程度的特定技能。作者使用19个技能向量之间的角度距离来定位职业和具有类似任务要求的职业，并且距离要求随着工作经验的增加而降低。最近，Alabdulkareem等人[25]利用网络科学和无监督机器学习的技术，根据美国劳工统计局（Bureau of Labor Statistics）当前人口调查中的职业转变数据，阐明了职业分化。作者实施了贸易经济学的一项既定措施，称为“揭示比较优势”（RCA），首先衡量一项技能在工作中的相对重要性，同时将高发生率技能标准化。在设置了技能重要性阈值后，技能相似性被计算为技能对在工作中同时发生时都很重要的条件概率的最小值。

然后，作者使用这些成对的技能相似性来将工作地点映射为网络，突出技能极化并证明与WaGeWa月12, 2021 26 /42极化的相关性。Dawson等人[26]将该方法应用于实时招聘广告数据，根据潜在技能需求自适应选择职业，从而扩展了该方法。这使作者能够准确地监控不断变化的劳动力需求，并发现斯特拉利亚一系列不断发展的数据科学和分析职业的技能短缺。AaldulkaReM等人〔25〕和DaWSON等人〔26〕所采用的技能相似度方法为技能空间方法提供了基础。虽然所有这些方法都对测量技能转移性的发展做出了重大贡献，但有一个主要缺点。所有这些方法对于一个护士来说，成为一名外科医生和成为一名外科医生一样困难。直觉上，一个方向比另一个方向。从这个意义上说，技能获得和职业转换是定向的、不对称的。技能不匹配的不对称度量。Nedelkoska等人[9]开发了技能不匹配指标，解释了技能之间可转移性的严重不对称。作者运用因子分析法，根据德国行政管理和个人工作历史数据，提取五种任务型技能，构建职业技能档案。然后，他们计算与每项任务相关的培训份额，并将其用作权重，以表示技能复杂性短缺和技能冗余，这会导致在工作岗位被替换后长达15年的时间内出现显著的工资损失。虽然考虑技能不对称性代表着在衡量技能之间的距离方面取得了巨大的进步，但使用了多年的教育不匹配。Bechichi等人[75]改编了Nedelkoska等人。

[9] 通过分析OECD成人技能调查（PIAAC）的职业数据建立模型。他们首先使用PIACC[76]中的六个基于任务的技能指标。然后，作者对31个不同国家的127种职业（职业级别为3位数）的这些指标进行测量，根据“认知技能”和“在职”任务中获得的技能来评估职业距离。这种方法解释了技能不对称和从工作经验中获得的技能。由此产生的“技能短缺”和“技能过剩”措施被用来预测工人从一种职业过渡到另一种职业所需的教育和培训资源。因此，这项研究代表着朝着准确测量技能和职业距离的目标迈进的又一步。然而，这项工作的一个小缺点是，它是在三位数的职业水平上进行的，这是一个相对较高的分类级别（1位数是由CVID-19引起的工作位移的最高和6位数。劳动力市场的动态变化在危机时刻和流离失所的工人面临着工作岗位之间的过渡，这是一种极其复杂的技能需求。因此，实时数据变得至关重要。我们的研究建立在这些重要的工作上，并利用实时工作解决了这两方面的问题。ads数据，并应用一种能够测量任何定义的技能集之间距离的方法，例如详细的6位数职业级别的职业、行业，甚至个性化技能集。2021年8月12日27／42S2附录：人工智能采用人工智能对劳动力市场的影响取决于企业采用人工智能技术。

如果企业行动迟缓或未能采用人工智能，那么人工智能的效果自然会受到限制。因此，人工智能加速劳动自动化的风险只有在这些技术被企业采用、融入工作流程并广泛传播的情况下才能实现。否则，它们只是孤立的用例。然而，这种考虑往往被忽视。最近关于人工智能经济影响的许多研究假设人工智能被广泛采用和传播。例如，弗雷和奥斯本（Frey and Osborne）的这项重要研究估计，47%的职业面临着一个由机器学习专家组成的小组的挑战，他们被要求确定2013年70个工作中哪些是“完全自动化”的。然而，这些预测依赖于一些可疑的假设。其中最主要的一点是，企业将快速有效地将人工智能用于商业用途。这不应被视为一种必然。正如贝森所说。[77,78]指出，仅仅因为新技术有商业应用，并不意味着它们会被及时采用和传播。因此，了解影响企业采用和传播人工智能的因素非常重要。它为决策者、企业和公民社会提供了更准确的预测和更好的规划。人工智能采用和传播的解释变量。关于影响企业采用数字技术决策的因素的研究已经很成熟[79–81]。研究人员仔细研究了个人电脑[82]、互联网[83]和社交媒体[84]等创新的采用动态。所有公司都有程度上的差异，但没有种类上的差异。文献表明，影响企业层面人工智能采用率的八个主要因素是：市场对人工智能采用的影响最大[85]。这与博弈论[86]是一致的，博弈论认为采用人工智能的边际倾向取决于已经决定采用人工智能的志愿者的比例。

假设随着更多公司采用新技术，采用新技术的边际激励会随着技术提供的竞争优势降低而降低。因此，落后的公司会受到市场份额缩水的惩罚[87]。这些竞争力量推动了企业的采用率，因为企业必须维护竞争优势并提高市场份额[88]。然而，收养决定是在不完全信息的情况下做出的，因为很难知道竞争对手在采取什么样的策略。因此，竞争可以推动应用的快速增长。表明会影响新技术的采用率[89]。例如，从员工数量和收入来看，规模较大的公司通常比规模较小的公司更早、更快地采用数字技术。此外，金融服务和ICT行业的公司往往比农业和建筑行业的公司更早、更快地采用数字技术[90]。同样，我们提出的人工智能采用指标表明了行业类别之间的实质性差异，金融和保险服务公司的采用率最高，农业行业最低。（3） 劳动力技能能力：新兴技术，如人工智能，通常需要采用和传播[91]。然而，企业、行业和经济体获取此类劳动能力的能力各不相同。AI的实施要求8月12, 2021日28／42强的技术能力。这些能力在企业、行业和经济体之间分布不均[78]。因此，能够获得相关熟练劳动力的企业越多，企业采用人工智能的可能性就越大。（4） 数字成熟度：以前的研究表明，新数字技术的采用通常取决于以前数字技术的采用[92]。

例如，宽带基础设施支持采用更复杂的数字应用程序。这种关系似乎也适用于人工智能。据麦肯锡全球研究所（McKinseyGlobal Institute）称，已经采用并吸收云基础设施和“web2”的公司。0技术，如移动技术和客户关系管理（CRM）系统，更有可能采用人工智能技术[85]。（5） 人工智能投资的预期回报：公司对新技术可以创造的价值的看法也会影响采用率[93]。同样，对人工智能商业用例持积极态度的公司更有可能更早更快地采用[85]。相反，对人工智能用例不确定的公司采用人工智能的速度较慢或不太容易，这会延迟总体采用率。（6） 人工智能的补充：与其他通用技术一样，开发和实施的补充技术越多，人工智能投资于其他技术的速度就越快。例如，与未采用任何人工智能技术的零售商相比，实施机器人流程自动化来检索库存的零售商更可能采用计算机视觉来识别库存商品。随着人工智能越来越专注于工作流程，资本投资也在深化。（7）监管效应：在比较各经济体的收养率时，监管效应可能是重要的考虑因素[ 81, 95 ]。例如，与美国公司相比，欧洲更严格的数据保护法规可能会在短期内推迟欧洲公司人工智能的采用。（8） 标准化和可用性：随着新兴技术的使用不断改进，这已被证明可以加快采用和传播速度[36]。

虽然人工智能模型仍然“狭隘”，因为它们往往高度特定于特定任务，需要非常规定制（如超参数调整或特征数据工程），但人工智能的可用性在过去十年中有所改善。例如，个人能够使用他们的技术实现高性能的机器学习模型，这些技术变得标准化，可用性得到改善，这很可能会提高采用率。在企业级人工智能采纳决策中，可能占很大比例。S3附录：使用标准化职业分类法——ANZSCO。根据澳大利亚和新西兰标准职业分类（ANZSCO）[97]，上述所有数据源对应于各自的职业类别。ANZSCO为澳大利亚和新西兰职业数据的标准化收集、分析和传播提供了基础。AZSCO的结构有五个层次：主要群体（1位）、次主要群体（2位）、次要群体（3位）、单位群体（4位）和职业群体（6位）。图1显示了职业之间的距离。B在工作转换途径的技能驱动推荐中，采用了6位分组级别。我们在这里使用了6位数字，因为（1）它是最详细的职业分组，（2）FRY和奥斯本的自动化概率映射到8月12, 2021日/42这一水平[4 ]。图3所示的“工作转换推荐系统”和转换映射子集的显示结果在4位单元分组级别分组。在这个层面上提出职业建议，以匹配澳大利亚（HILDA）的纵向数据集[14]。澳新银行的缺点。在ANZSCO分类中分析职业存在缺陷。很少更新。

因此，他们无法掌握和适应新出现的技能，这是一个相对较新的职业，尚未得到自己的ANZSCO分类。相反，ANZSCO将其归类为“ICT业务与系统分析师”，并将其与“数据分析师”、“数据工程师”和“it业务分析师”等其他职位进行分组。然而，由于ANZSCO是官方和普遍的职业分类体系，本研究使用的所有数据均符合ANZSCO标准。将O*NET映射到ANZSCO。为了利用弗雷和奥斯本[4]在人工智能技术引起的劳动自动化职业风险方面的早期研究优势，我们首先需要将O*NET职业映射到ANZSCO，以便在6位数的水平上利用其自动化风险概率。O*NET是一种标准化的、公开的产品，与澳新银行略有不同。因此，我们使用了澳大利亚联邦教育、技能和就业部[98]的一致表，将净职业数映射到澳新银行的6位数水平。根据弗雷和奥斯本的研究，这导致每个职业都被分配了一个自动化风险概率。S4附录：模型特征下文概述了“职务转换推荐系统”模型中包含的特征。为了便于审查，这些特征被分为“劳动力需求”（招聘广告数据）和“劳动力供应”（就业统计）两类。“地面真相”希尔达数据（2018年）最近一年的每个特征。“来源”和“目标”职业与S1表中的每个特征独立关联。然而，“θ”（技能集之间的距离度量）和“差异”特征与“源”和“目标”职业对都有关。

总共有19个功能。S1表：构造特征及其解释的总结。8月12日，2021 30 /42特征描述实验室或DEDEANTHETA：“目标”职业发布频率：职位广告空缺职位数量的频率差异：张贴频率中位数薪金：最大中值薪金：工资差异：工资最低学历：最低学历学历要求差异：正规教育年限要求最低经验：经验差异：劳动供给总需求的年经验：水平（000）总雇用差异：水平（000）总工作时间：（000）总工作时间差异：（000）2021年8月12日31 /42S5附录：验证统计检验。为了获得技能空间距离测量的初步验证，我们进行了一项预期的统计测试，如《工作转换路径的技能驱动建议》中所述。为了进行这项实验，我们在每个“源”和“目标”职业对上标记了他们给定年份的距离测量值（称为“真实样本”）。然后，我们模拟了一个交替的过渡样本，在这个样本中，我们保持相同的“源”职业，并随机选择“目标”职业，所有这些职业都分配有成对的距离分数（称为“模拟样本”）。图7-A显示了所有工作转换的分布，包括向同一职业的转换。我们发现“真实”和“模拟”过渡样本之间的差异在统计学上显著（t-统计量=16.272，p-值=2.707×10）-58，科恩的D效应尺寸=0.42）。然而，在2012-2018年的2999份（或30%）年度工作转换中，909份是向同一职业的转移。直觉上，在同一职业中，转换到另一份工作的技能集距离可能很小，尤其是与其他职业相比。

因此，我们想测试当我们排除向同一职业过渡时，统计意义是否成立。为了运行此测试，我们首先删除了同一职业的工作转换（从2012-2018年剩下2090个职业）。按照上述相同的过程，我们创建了“真实”和“模拟”样本。图7-B显示了两个样本之间的差异，其中：。。×-06效果大小降低（科恩的D效果大小=0.14）。我们对每一个进行统计测试。如技能驱动所示，在本研究中，技能空间代表职业过渡的统计显著性的置信度低于0.05。2021年8月12日32/42-3.-2.-1 0 1 200.20.40.60.811.2模拟转换实际转换a-3.-2.-101200.20.40.60.811.2B- -职业转变相似性图7。针对工人改变职业的过渡（B）。2021年8月12日33／42非过渡实际过渡预测不是过渡实际过渡过程504 96176 424100150 200 250300 350400 450500 A0。0.2 0.4 0.6 0.8 1.0假阳性率0。00.20.40.60.81.0真阳性率接收器工作特性XGBoost分类器（面积=0.77）B非过渡实际过渡预测非过渡实际过渡498 102217 383150202503003504004500.0 0 0.2 0.4 0.6 0.8 1.0假阳性率0。00.20.40.60.81.0真阳性率接收器工作特性XG增压分类器：仅θ（面积=0.73）DCFig 8。预测性能和混淆矩阵。包括所有特征的工作转换模型可以获得最高的结果，如（A）混淆矩阵和（B）ROC曲线；而仅包含技能空间距离方法的工作转移分类器模型的性能较低，如（C）Confusion矩阵和（D）ROC曲线所示。工作转换推荐系统验证。无花果