布鲁盖尔-Occupational-change,-artificial-intelligence-and-the-geography-of-EU-labour-markets_32页_902kb

报告摘要

总结：职业变化、人工智能与欧盟劳动力市场的地理差异

核心内容

本研究分析了2002年至2016年间24个欧盟国家的职业结构变化，探讨了人工智能和机器学习技术对劳动力市场的影响，并结合地理因素进行分析。研究发现，整体而言，欧盟国家的职业结构呈现技能升级趋势，而非普遍的极化现象。然而，自2009年欧洲债务危机后，职业极化现象有所增强，尤其在城市地区表现明显。

主要观点

技能升级与职业极化：尽管整体上欧盟国家经历了职业结构的技能升级，但自2009年后，职业极化趋势增强，尤其是对没有大学学位的工人影响较大。
技术影响：人工智能和机器学习技术对低技能和中等技能职业的自动化可能性较高，而高技能职业受影响较小。技术引发的职业变化主要集中在城市和郊区地区。
地理差异：城市地区经历了最大的中等技能职业下降，而郊区和城镇次之。不同地区的职业结构变化存在显著差异，但总体上地区间的职业结构不平等并未加剧。
教育水平的影响：教育水平的提升对职业结构的升级起到了重要作用，特别是高等教育普及导致高技能职业比例上升。
制度变量：具有高劳动力灵活性、高质量科学教育和较少产品市场管制的国家，其职业结构更倾向于高技能导向。

关键信息

研究范围：涵盖24个欧盟国家，包括英国（脱欧前）。
数据来源：使用欧盟劳动力调查（EU-LFS）和欧盟收入与生活状况调查（EU-SILC）数据，结合OECD的PIAAC数据库和PISA科学成绩来衡量技能和教育质量。
方法论：通过职业分类转换（ISC088到ISC008）和技能分类（高、中、低技能）来衡量职业变化。研究还使用了概率自动化评分（Nedelkoska和Quintini, 2018）来评估职业对人工智能的敏感性。
职业分类：根据平均月收入将职业分为高、中、低技能，具体分类如下：
- 高技能：经理、专业人员、技术人员
- 中技能：办公室和行政人员、机械维修和建筑工人、运输和物料搬运人员、精密生产与机器操作员
- 低技能：食品准备、建筑和清洁、个人护理与服务、农业、销售
教育分类：
- 低等教育（L Sec）：ISCED 0-2级，通常指完成初等和中等教育
- 高等教育（U/P Sec）：ISCED 3-4级，通常指完成中等职业教育或大学预科
- 高级教育（Uni）：ISCED 5-8级，通常指获得大学学位
技术影响：低技能和中等技能职业更易受到人工智能和机器学习技术的影响，而高技能职业受影响较小。技术变化主要集中在城市和郊区。
经济影响：2009年后，由于经济衰退，低技能职业的比例上升，引发对长期负面影响的担忧。
制度因素：劳动力市场灵活性、科学教育质量和产品市场开放度是影响职业结构技能导向的重要因素。