自动化和职业流动：数据驱动的网络模型

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Automation and occupational mobility: A data-driven network model》
---
作者：
R. Maria del Rio-Chanona, Penny Mealy, Mariano Beguerisse-D\\\'iaz,
  Francois Lafond and J. Doyne Farmer
---
最新提交年份：
2020
---
英文摘要：
  The potential impact of automation on the labor market is a topic that has generated significant interest and concern amongst scholars, policymakers, and the broader public. A number of studies have estimated occupation-specific risk profiles by examining the automatability of associated skills and tasks. However, relatively little work has sought to take a more holistic view on the process of labor reallocation and how employment prospects are impacted as displaced workers transition into new jobs. In this paper, we develop a new data-driven model to analyze how workers move through an empirically derived occupational mobility network in response to automation scenarios which increase labor demand for some occupations and decrease it for others. At the macro level, our model reproduces a key stylized fact in the labor market known as the Beveridge curve and provides new insights for explaining the curve\'s counter-clockwise cyclicality. At the micro level, our model provides occupation-specific estimates of changes in short and long-term unemployment corresponding to a given automation shock. We find that the network structure plays an important role in determining unemployment levels, with occupations in particular areas of the network having very few job transition opportunities. Such insights could be fruitfully applied to help design more efficient and effective policies aimed at helping workers adapt to the changing nature of the labor market.
---
中文摘要：
自动化对劳动力市场的潜在影响是一个引起学者、决策者和广大公众极大兴趣和关注的话题。许多研究通过检查相关技能和任务的自动化程度，估计了职业特定的风险状况。然而，相对而言，很少有研究试图对劳动力再分配过程以及随着失业工人过渡到新工作岗位，就业前景如何受到影响进行更全面的研究。在本文中，我们开发了一个新的数据驱动模型来分析工人如何通过经验得出的职业流动网络来应对自动化场景，这些场景会增加某些职业的劳动力需求，而减少其他职业的劳动力需求。在宏观层面，我们的模型再现了劳动力市场中一个被称为贝弗里奇曲线的关键程式化事实，并为解释曲线的逆时针周期性提供了新的见解。在微观层面，我们的模型提供了与给定自动化冲击相对应的短期和长期失业变化的职业特定估计。我们发现，网络结构在决定失业水平方面起着重要作用，网络特定领域的职业很少有工作过渡机会。这些见解可以有效地应用于帮助制定更有效的政策，以帮助工人适应不断变化的劳动力市场性质。
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Automation_and_occupational_mobility:_A_data-driven_network_model.pdf (9.58 MB)

2022-6-24 03:51:44 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：网络模型 自动化 Quantitative Occupational unemployment

自动化和职业流动：数据驱动的网络建模器。Maria del Rio Chanona，1,2*Penny Mealy、1,4,5马里亚诺·贝盖利斯、Franc,ois Lafond、1,3,4和J.Doyne Farmer1,2,6牛津大学马丁学院新经济思想研究所、牛津大学数学研究所、牛津大学马丁学院技术和经济变革方案牛津大学贝内特公共政策研究所地理与环境学院，剑桥大学桑塔Fe学院，*通信地址应为谁（丽塔。delriochanona@maths.ox.ac.uk).自动化对劳动力市场的潜在影响是一个引起学者、决策者和广大公众极大兴趣和关注的话题。许多研究通过检查相关技能和任务的自动化程度来评估职业规范。然而，相对而言，很少有研究试图对劳动力再分配过程以及随着失业工人向新工作过渡，就业前景如何受到影响的问题采取更为全面的观点。在本文中，我们开发了一个新的数据驱动模型来分析工人如何通过经验驱动的职业流动网络来应对自动化场景，这会增加某些职业的劳动力需求，而减少其他职业的劳动力需求。在宏观层面上，我们的模型再现了劳动力市场中一个被称为贝弗里奇曲线的关键程式化事实，并为解释曲线的逆时针周期性提供了新的见解。在微观层面，我们的模型提供了与给定自动化冲击相对应的短期和长期失业变化的职业特定估计。我们发现，网络结构在确定失业水平方面起着重要作用，网络特定领域的职业几乎没有工作机会。

这些见解可以有效地应用于帮助制定更有效的政策，以帮助工人适应劳动力市场的变化。引言为了回应人们对自动化对劳动力市场潜在影响的广泛关注【35、16、9、8、7】，我们投入了大量精力来分析特定职位对计算机化的敏感性【23、15、5】。然而，估计arobot“窃取”特定工作的可能性的研究只提供了部分情况。例如，考虑一下统计技术人员与托儿工作者面临的工作保障。Freyand Osborne[23]提出的估计表明，统计技术人员比托儿所工作人员更有可能被软件技术所取代。然而，如果这种预测最终发生，并且统计技术人员发现自己失业了，他们现有的技能可以让他们过渡到一系列“自动化风险更低、需求不断增长、更安全的职业”。相比之下，虽然儿童工作者可能不会受到计算机化的直接威胁，但他们的就业前景仍可能受到威胁。

由于自动化取代了其他职业的人员，这些工人中的许多人可能具备成为保育员所需的技能，因此可能会间接威胁现有保育员的工作安全。因此，尽管预计统计技术人员自动化的直接风险会更大，但考虑到可能的职业过渡和劳动力需求再分配，托儿工作者面临的失业风险会更大。在大量文献的基础上，本文开发了一个新的数据驱动的劳动力市场模型，以研究这些重要但被忽视的直接劳动力置换效应，这些文献证明了使用网络和基于代理的模型对劳动力流动建模的重要性【46、40、27、31、11、20、38、19、3、39、24】。我们模型的核心是一个经验推导的职业流动网络，其中节点是不同的职业，边缘对应于工人在它们之间转移的概率。这一网络的整体结构影响到工人在相对劳动力需求发生变化后在不同职业间重新分配的效率。为了探索自动化对劳动力市场的潜在影响，我们实施了自动化冲击，多年来，一些职业的劳动力需求减少，而其他职业的劳动力需求增加。使用基于代理的模型，我们研究了相关的总失业率和职业特定失业率随时间的变化。虽然我们根据Frey和Osborne【23】以及Brynjolfsson等人【15】的估计，仅分析了两种自动化冲击情景的结果，但我们的模型非常通用，可用于研究一系列不同的劳动力市场冲击。我们将由此产生的劳动力再分配过程建模为具有离散时间步长的随机过程。

在每个时间步骤中，职业都会打开空缺并分离（招聘）工人，失业工人申请新工作，空缺和工作申请会匹配。我们建立了一个非均衡经济模型，重点关注劳动力市场重新调整到新的稳态均衡的瞬态动力学。除了模拟之外，我们还将模型表示为确定性动力系统，在大量工作人员的限制下，预测模型模拟的预期行为。使用动力系统方程，我们可以更深入地了解模型的力学，大大加快模型动力学分析的速度，同时几乎不损失精度，并在特定情况下获得模型的实际完整分析特征。在我们的模型中，将弗雷和奥斯伯恩斯的自动化场景强加在我们的模型中，会导致总失业率在大约十年的时间内大幅上升。我们分析了对短期和长期失业（27周）的影响。毫不奇怪，自动化风险较高的职业往往受影响最大。然而，职业流动网络在确定总失业率和职业特定失业率方面发挥着重要作用。具体而言，我们表明，职业流动网络对工人流动的限制导致劳动力市场严重不匹配。在网络的某些领域，许多员工可以竞争很少的职位空缺。同时，其他领域的职业可能会有长期未填补的职位空缺。与没有流动限制的劳动力市场相比，职业流动网络结构使失业率增加约25%。我们还表明，具有相同事前自动化风险水平的职业最终可能会出现明显不同的失业水平。

例如，据估计，虽然调度员和药房辅助设备的计算机化概率都为0.72，但调度员面临的长期失业率将增加19%，而药房辅助设备的长期失业率将减少大约相同的数量。我们的模型还为贝弗里奇曲线提供了独特的见解，贝弗里奇曲线是失业率和空置率之间众所周知的负性经验关系[12]。通常，当职位空缺出现时，失业率就会下降。我们表明，在校准的参数值下，我们的模型能够在最近的美国商业周期内再现经验贝弗里奇曲线，并支持仅商业周期就能导致曲线逆时针循环行为的假设【21、18、47】。我们的研究结果对旨在帮助劳动者更好地准备和适应不断变化的劳动力市场性质的政策设计具有重要意义。对与自动化相关的就业影响进行更细致的了解，有助于提高workerretraining计划的有效性。例如，与其只考虑工人当前职业对自动化的怀疑程度，技能发展计划可以更有效地针对那些可能面临更长时间失业的职业的工人[20]。此外，更好地理解支撑贝弗里奇曲线的机制有助于决策者缓解商业周期对就业的不利影响，并加快复苏进程。结果职业流动网络我们首先构建了一个职业流动网络，代表了工人在职业间转换的容易程度。在这里，我们遵循Mealy等人的工作。

[32]并根据2010-2017年间美国职业转型的数据构建网络。在这个网络中，节点是职业，边的权重与工人在职业之间转换的可能性成正比。产生的网络被加权并定向为n=464个节点（见图1）。网络也有自循环，因为工人在换工作时通常保持相同的职业。我们用它的邻接矩阵A来表示网络，元素saij=（r，如果i=j（1- r） Pijif i 6=j，（1），其中指数i和j表示n种可能的职业。r是自我循环的权重：是指正在换工作的员工在其原职业中申请职位空缺的概率。Pijis是一个工人从职业i过渡到职业j的经验概率。有关如何计算Pij的详细信息，请读者参阅Methodssection。在本文中，我们假设AIJI在时间上是固定的——边不会改变，也不会删除或添加节点。如图1所示，这组可能的工作转换具有丰富的网络结构【32】。这加强了最近的研究，这些研究表明，职业流动比大多数劳动力市场模型中通常假设的要受到更大的限制[6，41]。图1还显示了假设Frey和Osborne的估计值，职业自动化的估计值是如何分布在职业移动网络中的。劳动力市场的网络模型我们的模型旨在了解职业层面的失业动态。网络上的工人流动由一组离散时间的随机过程来描述，即每个职业i中的就业、失业和空缺。在该模型中，我们假设图1：职业流动网络中的自动化估计。

面板（A）是Freyand Osborne估计的不同职业计算机化概率的统计图【23】。值得注意的是，计算机化的概率具有双峰分布。面板（B）显示了职业流动网络，其中节点代表职业，链接代表职业之间可能的工人过渡。节点的颜色表示估计的计算机化概率。红色节点的自动化程度较高，蓝色节点的自动化程度较低。节点的大小表示每个职业中的员工数量。工人们在地理上是完全可移动的，我们忽视了工资压力。可能的职业是固定的，工人的职业定义为她最后一次受雇的职业。在任何给定的时间t，职业i中雇佣的工人数量为ei，t，失业工人数量为ui，t，职位空缺数量为vi，t。分离（即红色）的工人数量为ωi，空缺数量为νi，t。劳动力流动fij，t+1是在职业j中雇佣的先前在职业i中失业的工人数量。由此产生的一组随机过程可以用方程ei来描述，t+1=ei，t- ωi，t+1 |{z}分离工人+Xjfji，t+1 |{z}雇佣工人（2）ui，t+1=ui，t+ωi，t+1 |{z}分离工人-Xjfij，t+1 |{z}过渡工人（3）vi，t+1=vi，t+νi，t+1 |{z}空缺-Xjfji，t+1 |{z}雇佣工人。（4） 这些方程表示守恒定律，说明每个变量的变化等于流入和流出之间的差值。等式（2）指出，就业的变化等于雇佣的工人数量减去离职的工人数量。类似地，等式（3）指出，失业率的变化等于被解雇的工人人数减去被雇用的人数。最后，等式。

（4） 声明空缺数量等于创造的空缺数量减去雇佣的工人数量。图2是一个流程图，从工人的角度和职位空缺的角度明确了过渡。我们用小写字母表示职业特定变量，用大写字母表示总量（例如，总失业率为Ut=Piui，t），并用粗体字表示向量（即utis ui，t的第i个元素）。时间步长的选择应使其持续时间足够长，以便工人在不同职业之间进行转换，但时间太短，工人无法多次改变其重新就业状态。也就是说，不允许工人在一个时间段内从就业状态转换为失业状态，然后再回到就业状态。同样，不能在同一时间步内打开和填充真空。我们假设分离工人的数量ωi，t+1和职位空缺的数量νi，t+1遵循形式为ωi，t+1的二项过程~ Bin（ei，t，πu，i，t），（5）νi，t+1~ Bin（ei，t，πv，i，t），（6），其中Bin（m，p）表示一个二项分布，有m次试验和成功概率p。成功概率πu，i，和πv，i，t取决于劳动力供需的不平衡，并在动态中起着关键作用。由于这有点复杂，我们将首先完成对模型的概述，并在稍后返回以指定πu，i，andπv，i，t。劳动力流动fij，t+1取决于职业流动网络的结构、空缺和失业工人的数量以及求职和工作匹配的过程。搜索和匹配过程可以看作是一个urn问题。假设每个员工都有一个球，上面写着她的名字，每个职位空缺都是一个瓮。

职业中的每一个工人，我都有可能挑选一个与职业j相对应的瓮，然后把球放在里面。所有工人放置完球后，以统一的概率从每个瓮中取出一个球，并雇佣相应的工人。如果空缺职位没有收到求职者，则会在下一个时间步骤中保留空缺职位。因此，劳动力流量fij，t+1是一个随机变量，可以根据以下事实计算：工人从职业i过渡到职业j的概率等于其应用于j的概率qij，t+1乘以其应用被接受的概率pij，t+1。职业i中的失业工人适用于职业j中的失业的概率qij，t+1是qij，t+1=vj，tAijPlvl，tAil。（7） 这意味着从职业i提交到职业j isE的预期申请数量【sij，t+1 | ui，t】=ui，tqij，t+1。（8） 由于每个失业工人发送一份工作申请，对于固定i，随机变量sij，t+1遵循一个多项式分布，其中ui，t变量和概率qij，t+1对于j=1。。。，n、 所有有申请的职位空缺都雇用一名员工。然而，一些空缺职位可能没有申请，在这种情况下，没有人被聘用，而且空缺职位仍然空缺。正如我们将明确指出的那样，应用程序成功的概率pij，t+1遵循urn模型[48]。随着劳动力供求的变化，劳动力的供求在职业流动网络中转移。这是由式（5）中分离工人的二项过程的成功概率πu，i，tof和式（6）中创造空缺的二项过程的成功概率πv，i，tf决定的。我们将每个过程分解为两个独立的随机过程。