[论文解读] AI exposure predicts unemployment risk

Morgan R. Frank, Yong‐Yeol Ahn+1 more|arXiv (Cornell University)|Aug 4, 2023

Digital Economy and Work Transformation被引用 4

一句话总结

本研究利用2010–2020年美国各州层面的高分辨率失业保险数据，评估多种人工智能（AI）暴露评分，以预测失业风险、职位流失及职业内技能变化。尽管单一AI暴露模型预测能力有限，但多个模型的集成显著提升了对失业风险的预测能力，凸显了在不同职业与地区间采用动态、情境感知且经过实证验证的AI暴露评估方法的必要性。

ABSTRACT

Is artificial intelligence (AI) disrupting jobs and creating unemployment? Despite many attempts to quantify occupations' exposure to AI, inconsistent validation obfuscates the relative benefits of each approach. A lack of disaggregated labor outcome data, including unemployment data, further exacerbates the issue. Here, we assess which models of AI exposure predict job separations and unemployment risk using new occupation-level unemployment data by occupation from each US state's unemployment insurance office spanning 2010 through 2020. Although these AI exposure scores have been used by governments and industry, we find that individual AI exposure models are not predictive of unemployment rates, unemployment risk, or job separation rates. However, an ensemble of those models exhibits substantial predictive power suggesting that competing models may capture different aspects of AI exposure that collectively account for AI's variable impact across occupations, regions, and time. Our results also call for dynamic, context-aware, and validated methods for assessing AI exposure. Interactive visualizations for this study are available at https://sites.pitt.edu/~mrfrank/uiRiskDemo/.

研究动机与目标

• 评估现有AI暴露评分是否能预测职业层面的失业风险、职位流失及技能变化。
• 通过使用2010至2020年美国各州层面的高分辨率失业保险数据，克服以往研究依赖汇总就业或工资数据的局限性。
• 评估来自Acemoglu & Autor、Frey & Osborne、Arntz et al.、Brynjolfsson et al.、Felten et al.及Webb等研究的多种AI暴露模型在不同劳动力结果上的预测有效性。
• 识别AI暴露模型适用性在地理与职业层面的异质性，挑战单一评分评估的适用性。
• 倡导在劳动力市场政策与研究中采用动态、情境感知且基于实证验证的方法来衡量AI暴露。

提出的方法

• 构建了来自美国各州失业保险机构的按最近职业分类的月度失业人数高分辨率数据集（2010–2020年）。
• 收集并标准化了多个既定研究中的AI暴露评分，包括计算机使用率、常规任务暴露度、自动化概率、机器学习适用性以及AI/软件暴露百分比。
• 采用包含年份与主要SOC职业类别固定效应的多元线性回归模型，以分离各AI暴露评分对失业风险、职位流失及职业内技能变化的预测能力。
• 使用标准化、中心化变量，确保不同单位与尺度的AI暴露指标之间具有可比性。
• 通过R²与调整后R²评估模型表现，并报告各系数的显著性水平。
• 通过组合各单一AI暴露评分进行集成建模，以评估其集体预测能力。

Figure 1: Technological exposure scores are not consistent with each other and cannot individually predict unemployment risk well. (A) The Pearson correlation of pairs of AI exposure scores across occupations. Scores are ordered according to the study’s Wave (see Table 1 ). (B) The variation in unem

实验结果

研究问题

• RQ1 单一AI暴露评分是否能预测职业层面的失业风险上升？
• RQ2 AI暴露评分能否预测职位流失率或职业内技能变化？
• RQ3 通过集成模型结合多个AI暴露评分，是否能提升对失业风险预测的准确性？
• RQ4 AI暴露模型的预测能力在不同美国州及职业间如何变化？
• RQ5 就业与工资数据在多大程度上掩盖了AI引发的其他劳动力市场冲击，如职位流失与失业？

主要发现

• 当单独使用时，包括Acemoglu & Autor、Frey & Osborne、Arntz et al.、Brynjolfsson et al.、Felten et al.及Webb等研究在内的各项AI暴露模型，对失业风险、职位流失或技能变化均无显著预测能力。
• 整合所有AI暴露评分的集成模型显著预测了失业风险，最终模型的调整后R²为0.304，表明其具有强大的集体解释力。
• 即使在控制了区域固定效应、时间趋势及职业技能要求后，集成模型仍保持预测能力，表明多个模型捕捉了AI暴露的不同互补维度。
• 模型适用性存在显著的地理异质性，不同AI暴露评分在不同美国州中更为相关，表明“一刀切”方法不足以应对实际差异。
• 本研究发现，仅依赖就业与工资数据可能忽略关键的劳动力市场冲击，如职位流失与失业，而这些因素在失业保险数据中能更准确捕捉。
• 基于2010至2017年O*NET数据测量的职业内技能变化表现出显著差异，且多个AI暴露评分（如Brynjolfsson et al.的机器学习适用性评分与Felten et al.的AI暴露评分）与技能变化显著相关，其系数分别为0.330***与-0.269***。

Figure 2: Combining AI exposure scores from all studies substantially improves predictions of unemployment risk. (A) A schematic for the theoretical influence among education, skills, technology, and unemployment risk. (B) Combined into a single linear model, AI exposure scores capture 29.1% of the