[논문 리뷰] Modular structure in labour networks reveals skill basins

Neave O’Clery, Stephen Kinsella|arXiv (Cornell University)|2019. 09. 08.

Regional Economics and Spatial Analysis참고 문헌 80인용 수 4

한 줄 요약

이 논문은 산업 간 노동 이동성을 기반으로 기술 기반 산업 클러스터를 식별하기 위해 다중 척도 커뮤니티 탐지 방법을 제안하며, 이러한 클러스터 내에서 기술 관련 노동력 풀의 규모를 측정하는 '클러스터 고용'이라는 지표를 도입한다. 영국 데이터를 바탕으로, 클러스터 고용은 산업-도시 고용 증가를 예측할 수 있으며, 최적의 노동력 집합 스케일을 규명하여 산업 및 교육 정책에 대한 세분화된 통찰을 제공한다.

ABSTRACT

There is an emerging consensus in the literature that locally embedded capabilities and industrial know-how are key determinants of growth and diversification processes. In order to model these dynamics as a branching process, whereby industries grow as a function of the availability of related or relevant skills, industry networks are typically employed. These networks, sometimes referred to as industry spaces, describe the complex structure of the capability or skill overlap between industry pairs, measured here via inter-industry labour flows. Existing models typically deploy a local or 'nearest neighbour' approach to capture the size of the labour pool available to an industry in related sectors. This approach, however, ignores higher order interactions in the network, and the presence of industry clusters or groups of industries which exhibit high internal skill overlap. We argue that these clusters represent skill basins in which workers circulate and diffuse knowledge, and delineate the size of the skilled labour force available to an industry. By applying a multi-scale community detection algorithm to this network of flows, we identify industry clusters on a range of scales, from many small clusters to few large groupings. We construct a new variable, cluster employment, which captures the workforce available to an industry within its own cluster. Using UK data we show that this variable is predictive of industry-city employment growth and, exploiting the multi-scale nature of the industrial clusters detected, propose a methodology to uncover the optimal scale at which labour pooling operates.

연구 동기 및 목표

• 기존의 '가 ближайший сосед' 모델이 산업 네트워크 내에서의 고차원 기술 겹침을 포착하지 못하는 데서 비롯되는 한계를 해결하기 위해.
• 산업 간 이동성에 의해 형성된 기술 관련 노동력 풀이 고용 증가와 산업 다각화에 어떻게 기여하는지 모델링하기 위해.
• 클러스터 내에서 가용한 관련 숙련 노동력의 규모를 정량화하는 스케일에 따라 변하는 지표인 '클러스터 고용'을 개발하기 위해.
• 통계적 적합도 기준을 활용해 최적의 노동력 집합 스케일을 규명함으로써 정책 설계의 정밀도를 높이기 위해.
• 산업 및 교육 정책의 근거가 되는 데이터를 제공하기 위해 산업 간 기술 연결성과 격차를 드러내기 위해.

제안 방법

• 모든 간선 가중치로 정규화된 산업 간 노동 이동성을 기반으로 산업 공간 네트워크를 구축한다.
• 다양한 해상도에서 작동하는 다중 척도 커뮤니티 탐지 알고리즘을 적용하여 기술 기반 산업 클러스터를 식별한다.
• '클러스터 고용'을 산업의 탐지된 클러스터 내 총 고용량으로 정의하며, 이는 관련 숙련 노동력 풀을 나타낸다.
• 클러스터 고용의 산업-도시 고용 증가 예측 능력을 시험하기 위해 경제계량 모델을 활용한다.
• 최적의 클러스터 수를 결정하기 위해 통계적 적합도 기준(예: 결정계수 또는 AIC)을 사용하며, 이는 가장 관련성이 높은 노동력 집합 스케일을 반영한다.
• 영국 종단적 노동시장 데이터를 활용해 결과를 검증하며, 주로 기술 기반 이동성과 산업 성과에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 산업 간 노동 이동성에서 기술 기반 산업 클러스터는 어떻게 형성되며, 그 모듈화된 구조는 어떠한가?
• RQ2 클러스터 고용—클러스터 내 숙련 노동력의 규모—은 산업 수준의 고용 증가를 어느 정도 예측할 수 있는가?
• RQ3 최대 예측 능력을 발휘하기 위해 노동력 집합이 작동하는 최적의 스케일(클러스터 수)은 무엇인가?
• RQ4 스케일에 따라 기술 겹침과 이동 패턴은 어떻게 다를지, 그리고 이는 산업 역량에 대해 무엇을 드러내는가?
• RQ5 어떤 산업 조합이 효과적으로 기술을 교환하는가, 그리고 정책 개입을 위해 어떤 중요한 연결 고리가 빈곤한가?

주요 결과

• 다중 척도 커뮤니티 탐지에서 유도된 클러스터 고용은 영국에서 산업-도시 고용 증가에 통계적으로 유의미한 예측 변수로 기능한다.
• 노동력 집합의 최적 스케일은 너무 많은 작은 클러스터나 너무 적은 큰 클러스터가 아닌 중간 정도의 클러스터 수로 확인되었으며, 이는 비트리비얼한 네트워크 구조가 중요하다는 것을 시사한다.
• 이 방법은 기존의 가까운 이웃 모델에서 인접하지 않은 부문 간에 이전에 드러나지 않았던 기술 연결성을 드러낸다.
• 노동 네트워크의 모듈화된 구조는 지식과 노동력이 순환하는 실제의 기술 기반 지역을 반영하며, 경로 의존적 산업 발전을 뒷받침한다.
• 이 접근법은 기술 생태계 내에서의 잠재적 '결합 고리'를 규명하여, 새로운 인턴십 또는 다부문 교육 프로그램의 기회를 드러낸다.
• 다른 연구에서 언급된 바와 같이, 클러스터 간 이동성이 높고 잘 연결된 기술 클러스터를 가진 지역은 경제적 충격에 더 높은 회복력을 보였다.