[论文解读] 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 11

一句话总结

使用 Generalized Random Forest 在 Swedish administrative data 上，论文显示 establishment closures 导致的 earnings losses 在工人、企业和市场之间高度异质化，最差者在第一年损失约 ~50%，十年累计约 ~250%。

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.

研究动机与目标

• 描述被置换的工人、企业、行业和地点，以理解 establishment closures 后收入损失的异质性。
• 使用 GRF，利用大规模的工人、企业和市场层级协变量，灵活估计收入损失的变化。
• 评估收入损失的持续性和分布，并识别导致大损失的关键预测因素。
• 探索面向高预测损失工人的政策定位含义。

提出的方法

• 使用 Swedish RAMS 数据（1985–2017），以企业关闭作为识别冲击。
• 使用丰富的工人、企业和地点特征的倾向分数匹配，构建来自存续企业的工人的匹配对照组。
• 应用 Generalized Random Forest (GRF) 估计 Conditional Average Treatment Effects (CATEs)，并获得样本外的置换效应异质性。
• 在折内按 CATEs 对工人进行排序，形成分位数组，计算每组的 Average Treatment Effects (ATEs)，同时确保折之间独立。
• 将结果衡量为按工人在 t−1 的收入对年收入进行归一化的年度收入，以及一个二元就业指标，并追踪结果从 t−3 到 t+10。

实验结果

研究问题

• RQ1 随着不同市场和企业，工人特征（如年龄、受教育程度、任职年限）对 establishment closures 的收入损失如何变化？
• RQ2 市场背景（行业、地点、需求条件）如何影响被置换工人的置换效应大小？
• RQ3 哪些可观测特征最能预测大型置换效应，在考虑它们之后仍有多少异质性？
• RQ4 针对工伤置换后减轻收入损失的定向政策有哪些含义？

主要发现

• 关闭后第一年，置换平均使年收入下降24%，就业率下降15个百分点。
• 十年后，约三分之一的收入效应仍然存在。
• 预测效应最大的10%的工人，在置换后一年的收入损失约为50%，约为中位数损失的2.5倍，且是最小损失的8倍。
• 受影响最严重的工人往往在置换前收入较低且具有不利的轨迹，同一企业内部也存在显著异质性。
• 不利的市场条件放大损失，且效果在年龄、学历、行业（特别是制造业）和地点（如人口密度低）之间存在差异。
• 在企业内外，异质性很大，市场条件（行业和地点）解释了相当大一部分变异。
• 基于两个易观测属性的定向规则（如从事重复性任务的年长工人）可以改进定向，但仍然达不到基于 GRF 的全预测。