[論文レビュー] The Heterogeneous Earnings Impact of Job Loss Across Workers, Establishments, and Markets

Susan Athey, Lisa K. Simon+3 more|arXiv (Cornell University)|Jul 13, 2023

Agricultural risk and resilience被引用数 11

ひとこと要約

スウェーデンの行政データでGeneralized Random Forestを用いると、企業の閉鎖による所得喪失は労働者、事業所、市場ごとに高度に異質であることが示され、最も影響を受けた労働者は初年におよそ50%、10年間で累積およそ250%まで失う。

ABSTRACT

Using rich Swedish administrative data, we apply causal machine learning methods to study how earnings losses after job displacement vary with observable characteristics that may be relevant for targeting policy interventions for workers. Heterogeneity in effects is as large within as across worker groups defined by age and schooling, and as large within as across establishments. A substantial portion of cross-establishment heterogeneity can be explained by industry and local labor market characteristics, suggesting a role for place- and industry-based targeting. The largest losses are concentrated among already vulnerable workers, indicating that well-designed targeting policies can improve both efficiency and equity.

研究の動機と目的

• 閉鎖による所得喪失の異質性を理解するために、移動した労働者、事業所、産業、所在地を特徴づける。
• GRFを用いて、労働者・事業所・市場レベルの多くの共変量と柔軟に所得喪失がどのように変動するかを推定する。
• 所得喪失の永続性と分布を評価し、大きな喪失の主要な予測因子を特定する。
• 大きな予測喪失を持つ労働者を特定するためのターゲティング政策の示唆を検討する。

提案手法

• 識別ショックとしての事業所閉鎖を用い、スウェーデンのRAMSデータ（1985–2017）を使用する。
• 豊富な労働者・事業所・所在地の特徴を用いた傾向スコアマッチングにより、存続している事業所の労働者からマッチした対照群を構築する。
• GRFを適用して条件付き平均処置効果(CATEs)を推定し、置換効果のアウトオブサンプルでの異質性を取得する。
• fold内でCATEsに従って労働者を順位付け、分位グループを形成し、各グループのATEを計算する際にfold間の独立性を確保する。
• アウトカムは、労働者のt−1の所得で正規化した年次所得と、雇用のバイナリ指標を加え、t−3からt+10までのアウトカムを追跡する。

実験結果

リサーチクエスチョン

• RQ1 事業所の閉鎖による所得喪失は、年齢・教育年数・勤続年数などの労働者特性と、異なる市場・事業所にわたってどのように変動しますか？
• RQ2 市場環境（産業、所在地、需要条件）は、移動した労働者の置換効果の大きさをどのように形作りますか？
• RQ3 最も強く大きな置換効果を予測する観測可能な特性は何ですか、これらを考慮した後に残る異質性はどれくらいですか？
• RQ4 雇用喪失後の所得喪失を緩和するターゲティング政策への示唆は何ですか？

主な発見

• 閉鎖後の1年で、平均して年間所得が24%低下、雇用は15ポイントの低下。
• 所得効果の1/3が置換後10年まで持続。
• 予測効果が最大の10%の労働者は、移動後1年で約50%の所得を失い、中央値の約2.5倍、最小値の8倍に相当。
• 影響を受けやすい労働者の多くは、移動前の所得が低く、悪い推移を示し、同じ事業所内でも異質性が大きい。
• 不利な市場条件は喪失を増幅し、効果は年齢・教育水準・産業（特に製造業）・所在地（例：人口密度が低い）で変動する。
• 事業所内外で異質性は大きく、市場条件（産業と所在地）が変動の substantial な部分を説明する。
• 2つの readily observed 属性（例：定型的業務の高齢労働者）に基づくターゲティングルールは改善できるが、GRFベースの全予測には及ばない。