[论文解读] Modular structure in labour networks reveals skill basins

Neave O’Clery, Stephen Kinsella|arXiv (Cornell University)|Sep 8, 2019

Regional Economics and Spatial Analysis参考文献 80被引用 4

一句话总结

本文提出一种多尺度社区检测方法，通过产业间劳动力流动识别基于技能的产业集群，引入‘集群就业’这一指标，用于衡量这些集群内与技能相关劳动力池的规模。基于英国数据，研究发现集群就业能够预测产业-城市就业增长，并识别出劳动力集聚的最佳尺度，为产业与教育政策提供细致入微的洞察。

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.

研究动机与目标

• 解决传统‘最近邻’模型在捕捉工业网络中更高阶技能重叠方面的局限性。
• 建模通过产业间流动形成的技能相关劳动力池如何推动就业增长与产业多样化。
• 开发一种与尺度相关的指标——‘集群就业’，用于量化集群内可利用的相关熟练劳动力规模。
• 利用统计拟合标准确定劳动力集聚的最佳尺度，支持精准的政策设计。
• 通过揭示产业间技能关联与缺口，为基于证据的产业与教育政策提供支持。

提出的方法

• 使用归一化的产业间劳动力流动作为边权重，构建产业空间网络。
• 应用多尺度社区检测算法，在不同分辨率下识别基于技能的产业集群。
• 将‘集群就业’定义为某产业所处检测到的集群内的总就业人数，代表相关的熟练劳动力池。
• 采用计量经济模型检验‘集群就业’对产业-城市就业增长的预测能力。
• 使用统计拟合标准（如R平方或AIC）确定最优聚类数量，反映最具相关性的劳动力集聚尺度。
• 利用英国纵向劳动力市场数据验证研究结果，重点关注基于技能的流动与产业表现。

实验结果

研究问题

• RQ1 基于技能的产业集群如何从产业间劳动力流动中浮现？其模块化结构是怎样的？
• RQ2 ‘集群就业’——即集群内熟练劳动力的规模——在多大程度上能预测产业层面的就业增长？
• RQ3 在何种规模（聚类数量）下，劳动力集聚能实现最大预测能力？
• RQ4 不同尺度下的技能重叠与流动模式有何差异？它们揭示了哪些关于产业能力的信息？
• RQ5 哪些产业组合有效交换技能？在哪些关键链接上存在缺失，需要政策干预？

主要发现

• 通过多尺度社区检测得出的‘集群就业’是英国产业-城市就业增长的统计显著预测因子。
• 劳动力集聚的最佳尺度为中等数量的聚类——既不过多过小的聚类，也不过少过大的聚类——表明非平凡的网络结构具有重要意义。
• 该方法揭示了以往被忽视的产业间技能关联，特别是那些在传统最近邻模型中不相邻的产业之间。
• 劳动力网络的模块化结构反映了现实中知识与劳动者流动的技能盆地，支持路径依赖的产业发展。
• 该方法识别出技能生态系统中的潜在‘缺失链接’，凸显了新学徒制或跨行业培训项目的机会。
• 已有研究引用表明，具有较高跨集群流动性和高度连接的技能集群的地区，对经济冲击更具韧性。