2014年-世界发展银行全球_Profiling_the_Unemployed___A_Review_of_OECD_Experiences_and_Implications_for_Emerging_Economies_52页_2mb

报告摘要

详细总结：《Profiling the Unemployed: A Review of OECD Experiences and Implications for Emerging Economies》

核心内容

本文探讨了OECD国家在公共就业服务（PES）中对失业者进行分类（profiling）的方法，并分析了这些方法对新兴经济体的借鉴意义。文章旨在识别失业者分类的最新趋势，并探索其对中等收入国家的政策应用。

主要观点

失业者分类的作用：失业者分类是PES的重要工具，用于评估失业者的再就业前景，从而实现客户细分、干预指导、资源分配、劳动力市场监测等目标。
分类方法的多样性：OECD国家采用多种分类方法，包括基于案主判断的方法、基于规则的方法和基于数据的统计方法。
新兴经济体的适用性：统计分类方法在资源有限、客户数量庞大的新兴经济体中具有较大潜力，有助于优化资源使用并提升再就业效率。
分类系统的框架：文章提出一个分析框架，区分分类系统基于信息和数据的使用程度，以及案主的自主判断空间。
分类与激活政策的关系：分类系统有助于实现激活政策，即通过有针对性的干预提高失业者的就业能力。

关键信息

分类方法概述

方法	分类方式	描述	优缺点	国家示例
案主判断分类	基于案主的判断	案主负责诊断、制定活动计划、决定干预措施	优点：重视个体需求；缺点：主观性强，依赖人力资源	德国采用四阶段PES模型，包括分类、设定目标、激活干预和跟进
基于规则的分类	时间分类	根据失业时长设定分类标准	优点：机制简单，人力资源需求低；缺点：忽视个体差异，延迟干预	爱尔兰在2008年金融危机前采用“等待观察”方法，失业满6个月后才进行分类
基于规则的分类	人口分类	根据年龄、性别等人口特征设定分类标准	优点：规则明确，实施成本较低；缺点：忽视个体差异	瑞典的青年就业计划（Youth Job Program）针对16-24岁青年
基于数据的分类	统计分类	利用统计数据预测失业者的再就业风险	优点：标准化、支持早期干预、提高政策灵活性；缺点：数据质量影响准确性，需定期更新	美国采用“求职者分类工具”（JSCI），瑞典使用“评估支持工具”（AST）

分类系统的框架

文章提出一个分析框架，用于区分分类系统，主要依据两个维度：

信息和数据的使用程度：分类系统是否依赖详细的个人数据进行分析。
案主的自主判断空间：案主在分类过程中是否拥有较大的自由裁量权。

该框架有助于理解不同分类方法的适用场景和效果差异。

分类系统的驱动因素

政策目标：如激活政策、促进再就业、提高社会福利效率等。
资源条件：包括人力资源、财政预算和数据基础设施。
制度环境：如就业服务组织的结构、社会福利改革的方向等。

分类系统的应用潜力

资源优化：分类系统可以帮助PES更有效地分配资源，优先支持高风险失业者。
提升效率：通过数据驱动的方法，可以减少人为判断的偏差，提高分类的准确性和一致性。
支持政策制定：分类结果为政策制定者提供依据，帮助其调整政策目标和资源分配策略。

分类系统的挑战

数据质量问题：数据不足或不准确可能导致误分类。
实施成本：统计分类系统的建立和维护成本较高，需进行成本效益分析。
动态调整需求：经济环境变化可能影响分类模型的预测能力，需定期更新数据和模型。

结论与建议

适用性分析：统计分类方法在中等收入国家中具有较大潜力，尤其是在人力资源有限、客户数量庞大的情况下。
探索性研究：本文不提供具体的政策建议，而是探索不同分类方法的适用性和效果，以支持新兴经济体的政策制定。
未来方向：随着数据技术的发展，PES可以利用更多自动化工具进行分类，提高服务效率和准确性。

参考资料

文章引用了OECD成员国的公共就业服务实践和相关研究。
提到了欧洲委员会的研究成果，以及澳大利亚、美国等国家的统计分类方法。

附录

附录1简要描述和比较了每个分类系统的特点和应用情况。

字数统计：约990字

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载