论文荐读 | 用社会网络方法研究劳动力市场的职业流动

来自：定量群学

原文链接: Cheng, Siwei, and Barum Park. 2020. “Flows and Boundaries: A Network Approach to Studying Occupational Mobility in the Labor Market.” American Journal of Sociology 126(3):577–631. doi: 10.1086/712406.

一、研究背景

劳动力市场的机遇结构关系到每个劳动者的命运，也长期为社会分层学者所关切。识别机遇结构的一个重要的角度是界定劳动力市场内部潜在的职业边界。哪些工作之间的人员流动性更高？哪些工作之间几乎没有人员交换？回答好这一问题可以帮助我们厘清结构性限制与结构性机遇。

韦伯在定义社会阶层时运用了一个流动性的理论视角，也就是认为如果两个职业之间存在人员的流动，而与其他职业之间却不存在人员的流动，则说明此两个职业更倾向于属于同一社会阶层。这个理论洞见在很长时间以来并没有被社会学家操作化。实证研究在研究职业流动性的时候，首先将具体的职业小类合并，然后用统计模型研究代际或代内流动性。合并方案通常要么是大类的EGP阶层分类 (Erikson and Goldthorpe 2010)，要么是更为细致的微观阶级 (Weeden and Grusky 2012)分类。这些既有的分类合并方式本身提供了理论导向的职业边界定义，例如一般白领阶层与自营阶级的区分，或是不同种类执业执照的区隔。然而，这些分类的构建方式并不直接基于人员流动。在现今的劳动力市场，人员流动反映出了阶层分化和流动，例如，科技进步带来的自动化大潮也许导致一大批白领转向低技能服务业，近些年对数据分析与编程的普遍需求或许使得很多人穿梭在看似毫无瓜葛的不同行业，区域产业结构调整同样会让某些行业大量吸纳来自不同行业的员工。因此，有两类问题是既有职业阶级构建方式难以回答，但却可以通过研究人员流动模式来回答的。第一，纯粹从人员流动的角度来看，哪些职业在同一个“圈子”里而哪些职业不在？第二，这种直接从流动角度定义的边界会随着时间流逝而改变吗？

二、研究方法

这篇论文在研究方法上另起炉灶，从网络分析的角度回答以上两个问题，并比较了该方法与传统方法的区别。作者们将每个职业看做网络上的一个端点，职业1如果有人员流向职业2，则可抽象出一根从职业1到职业2的箭头。所有职业和所有职业之间的人员流动最终能抽象为一张加权有方向网络(weighted directed network)。加权指的是每个箭头可以根据人员流动的数量赋予权重，有方向是指网络上的人员流动由职业1 到职业2 不总是等同于由职业2到职业1。

研究基于美国Current Population Survey 1989-2015的年度调查数据。对于每一年的数据，作者们首先用网络分析的社区划分算法将三百多个职业小类合并为二三十个大类，作者们叫它“流动阶级” (mobility class)。这二三十个大类的产生直接基于职业间人员流动性: 大类内部的职业之间人员流动相对多，而大类之间的职业人员流动相对少。

作者们采用Infomap社区识别算法，为每一年的职业流动网络划分出“流动阶级”。有别于社会网络研究以往常用的社区识别算法，Infomap直接基于流动，从而适用于加权有方向网络。具体划分方式如下。首先假设一个随机漫步者，从任意点（职业）出发，这名漫步者沿着网络上的箭头移动。当面前有多条道路（箭头）可选时，漫步者选择各条道路的概率与它们的权重（人员流量）成正比。进一步假设我们需要通过给漫步者的路线编码，使得任意读者能够纯粹根据编码复原漫步者的路线；最后设立目标：我们希望得出一个最简洁、长度最短的一串编码。最简单的编码方式是给每个点赋予一个独特的号码，号码顺序便是路线顺序。然而，这样得到的一串编码最为冗长，因为从个位数开始，第三百个点的编码势必是三位数。有效率的方式是分层编码，一层社区编码，另一层是社区内部的端点编码。这样一来，不同的社区内部的端点编码可以重复地从个位数开始，最终的编码串长度能够极大程度缩短。寻找合适的社区编码方式等价于测算漫步者在哪些职业之间容易逗留，又在哪些职业之间一旦移动一步便很不容易绕回去。在这一框架下，该算法搜寻出最合适的社区划分，每一个社区即为“流动阶级”的一员。比较而言，流动阶级用数据导向构建，每一年都允许变化。研究中对比的三种传统职业阶层分类则是根据理论定义预先划分的类别，不会随时间改变。

接着，作者们根据“流动阶级”的分类为每一年的网络计算模块化指数。同时，作者们也根据三种传统职业分类方式计算网络模块化指数（Modularity）用以比较。研究将模块化指数作为劳动力市场边界僵化的指标。本文选择了LinkRank模块化指数为某个网络计算的值，反映该网络中每个社区内部漫步者逗留的时间相对于漫步者在一个随机网络中逗留在同一社区的时间。当模块化指数为0时，该阶层划分方式和随机划分没有显著区别；当模块化指数变得更大时，该阶层划分方式能够更好地描述出阶层结构的封闭和固化。

三、研究发现

这项研究发现美国劳动力市场的边界僵化程度在上升（如下图所示），理由是基于流动阶级计算的网络模块化指数在经历二十年的大体平稳之后，于2009年之后快速上升。

与此同时，用三种传统职业阶层分类计算出来的模块化指数并无明显上升趋势，且AMI（mutual information index）统计量表明了流动阶级的划分与其他三种传统阶级划分方式的重合度自1990年代以来不断下降，如下图所示。作者认为这些不同之处恰恰反映了新方法的必要性：它能更好的捕捉人员流动性的变化。

进一步的回归分析表明，2000年以后，工程技术类及管理类职业技能对于流动阶级的划分变得日益重要。劳动力流动在近年来越来越基于两类职业间的技能共性，尤其是编程、科技、管理等技能，如下图所示。作者将这一证据解读为劳动力日常的潜在边界与技能筛选的关系日益紧密。

四、讨论与展望

 首先，本文用网络分析方法识别出劳动力市场的潜在边界，然而，那些潜在边界背后的形成原因已经超出了这项研究的范畴。从理论的角度打开潜在边界的黑盒正是后续研究的工作。

 其次，为何以模块化指数度量的劳动力市场流动性在近十年下降了？作者基于文献讨论了两种假设。第一，技术冲击下的工作极化。低技能和高技能的工作岗位增加，中等技能的职业相对减少，而中等技能的工作恰恰最具有跳板作用。因此，劳动市场的流通因为跳板工作的减少而降低。第二，整个劳动市场的稳定性下降，尤其是低技能职业。对于这些职业从业者而言，频繁的失业跳槽与短期雇佣非常不利于（本不富裕的）人力资本积累，从而很难实现向更好的职业大类跃迁。

最后，本文还发现，流动阶级分类所捕捉的组间收入差距在长期有所提高。因为流动阶级所划分的职业边界在一定程度被定义为“组内跳槽比组间跳槽容易”，这一发现或许意味着通过换工作来提升收入水平变得更难了。这些假设均留待未来的研究解答。

转自：“新传学苑”微信公众号

如有侵权，请联系本站删除！