技术进步给就业带来了巨大挑战。例如，美国的生产力水平从未如此之高，但自 1999 年以来，收入最低的 50% 的人群的收入却停滞不前（见“工作转移”）。大部分的经济收益都流向了最顶层的一小部分人。技术不是唯一的原因，但它可能是最重要的原因。
美国国家科学院、工程院和医学院于 4 月 13 日发布的一份报告详细说明了信息技术对劳动力的影响1。我们共同主持了报告委员会，并在这一过程中学到了很多东西——包括在未来 10-20 年内，技术将影响几乎所有职业。例如，自动驾驶汽车可能会大幅减少对出租车和长途卡车司机的需求，而在线教育可以为失业工人提供丰富的再培训选择。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
最重要的是，我们了解到政策制定者正在对所谓的第四次工业革命或第二次机器时代一无所知的情况下盲目行动。关于基本问题，例如：关键技术，特别是人工智能 (AI) 的范围和变化速度是什么？哪些技术已经在消除、增强或改造哪些类型的工作？正在涌现哪些新的工作机会？在这种情况下，哪些政策选项可以创造就业机会？目前缺乏大量可用的数据。
如果情况乐观，这种信息的匮乏将导致错失良机。如果情况悲观，它可能会是灾难性的。如果我们想了解、准备并引导不断进步的技术所带来的不可预测的影响，我们必须彻底改造我们观察和追踪这些变化及其驱动因素的能力。
幸运的是，一个适用的数据基础设施的许多组成部分已经到位。关于经济的数字知识正在迅速普及，并且具有前所未有的精确度、细节和及时性。私营部门越来越多地采用不同的方法来生成数据并在决策中使用它们，例如 A/B 测试来比较替代方案。同时，保护隐私同时允许共享大量数据的统计摘要的技术也越来越普及。
我们呼吁创建一项综合信息战略，以整合公共和私人持有的数据。这将为政策制定者和公众提供应对技术对劳动力不断变化和不可预测的影响的方法。在此基础上，我们呼吁政策制定者采用私营部门首创的基于证据的“感知和响应”方法。
这些都是重大的变化，但对工人和经济的风险很高。
数据缺口
许多为发现、理解和适应劳动力挑战所需的数据都没有系统地收集，或者更糟糕的是，根本不存在。我们这个信息时代的讽刺之处在于，尽管网上数据泛滥，但决策者常常缺乏及时、相关的信息。
例如，尽管数字技术是许多消费者服务的基础，但美国政府的标准数据来源（例如劳工统计局进行的当前人口调查）并没有准确捕捉到临时或临时劳动力的兴起，因为它们没有提出正确的问题。研究人员和私营部门的经济学家试图通过委托他们自己的调查来解决这个问题2，但这些调查缺乏政府调查的规模、范围和可信度。政府行政数据（例如税表）提供了另一个潜在的有价值的数据来源，但这些数据需要与政府调查数据整合，以提供背景和验证3。
同样缺乏的是追踪人工智能技术和能力进展的指标。摩尔定律（微处理器性能大约每两年翻一番）捕捉到了底层半导体的进步，但它并没有涵盖计算机视觉、语音和问题解决等领域的快速改进。一个全面的人工智能指数将提供关于发展速度和广度的客观数据。将此类指数映射到各个职业的技能和任务分类法，将有助于教育工作者为未来的劳动力设计课程。加利福尼亚州斯坦福大学的人工智能百年研究等非政府组织正在采取有益的措施，但联邦政府可以而且应该做更多的工作。
令人高兴的是，我们正处于数字数据爆炸的中心。随着公司逐渐了解机器学习的力量，他们开始捕获新的数据类型，以优化其内部流程以及与客户和供应商的互动。大多数大公司都采用了软件和数据基础设施来标准化，并在许多情况下，自动化任务——从管理库存和订单到处理员工假期。亚马逊和 Netflix 等互联网公司会例行捕获海量数据，以了解接下来向客户展示哪些产品，从而提高销售额和满意度。这些关于实时数据收集的经验教训——以及数据本身——对政府也可能很有价值。
例如，求职网站包含数百万个职位发布、他们要求的技能以及职位所在地点的数据。大学拥有关于有多少学生正在修读哪些课程、他们何时毕业以及具备哪些技能的详细信息。机器人公司拥有显示对不同类型自动化装配系统需求的客户数据。技术平台公司拥有关于他们雇用多少自由职业者、他们工作的小时数以及工作地点的的数据。如果以正确的方式连接并访问这些信息，可以让我们更好地了解当前的就业状况。
但是，现在几乎没有任何此类数据在组织之间共享，因此我们未能捕获它们的社会价值。原因包括公司不愿意泄露可能被竞争对手使用的数据。隐私问题、文化惯性和反对共享的法规是其他障碍。
更多实验
利用现有数据需要改变思维模式4。在过去的十年中，许多公司已经从“预测和计划”的方法转向“感知和响应”的方法，这使他们能够快速适应快速变化的环境。通过不断收集关于客户、竞争对手、供应商及其自身运营的大量实时数据，公司已经学会了如何改进他们的策略、产品供应和盈利能力。自 2005 年以来，采用数据驱动决策方法的制造公司的数量增加了两倍多，反映了其对盈利能力和效率的提升5。
最灵活的公司会进行实时实验，以测试不同的政策和产品。例如，互联网公司会例行运行 A/B 测试：向客户展示不同的界面，衡量哪个最有效，然后采用最成功的界面。我们与在线教育提供商 Udacity 的创始人塞巴斯蒂安·特隆讨论了这种方法。通过这种方式，该公司了解到，通过要求学生在开始课程之前申请入学，它可以大大提高其课程的学员留存率。与直觉相反，它还发现，在中国提高价格后，其服务的总体需求增加了三倍。
政府可以而且必须吸取数据驱动决策和实验的教训。面对具有未知后果的快速且不可预测的变化，他们需要能够实时观察这些变化，并快速测试政策响应，以确定哪些有效。例如，再培训失业工人的最佳政策可以在对一个区域内的工人试用几种不同的政策之后确定。可以在一年内观察到这些政策对就业的不同影响，然后再采用产生最大再就业的政策。当局可以继续进行实验以适应未来的变化。
一个此类实验的例子实际上是一个意外。2008 年，在州政府资金意外短缺需要配给资金后，俄勒冈州使用彩票程序来随机决定哪些公民可以获得政府医疗保险 (Medicaid)。该过程提供了关于该计划对健康和福祉的因果影响的宝贵信息，并表明医疗补助覆盖范围导致预防性筛查（例如胆固醇筛查）的增加6。政府项目中有许多机会可以进行更有计划的实验。由于许多项目都是分阶段实施的，因此可以以很少或不花费成本进行一些随机化。
政府角色
不应将数字数据视为政府以更传统的方式收集的信息的替代品。它通常会使政府数据更有价值，而不是更少。通常，随着组织流程、商品和服务数字化的副产品而产生的“数字尾气”数据轨迹并不能完全捕获或代表底层现象。例如，根据我们的分析，Java 程序员在就业网络平台 LinkedIn 的数据库中得到了很好的体现，但卡车司机却没有。不是每个人都有智能手机，更不用说特定的应用程序了。数字支付工具、社交网络或搜索引擎的使用因人口统计学类别和其他感兴趣的变量而异。
尽管现在可以获得 TB 和 EB 级别的数据，但它们需要进行校准和验证。做到这一点的最佳方法通常是通过政府收集的那种系统调查（例如全国人口普查）和行政数据。并且，像行业一样，政府应该利用更多类型的数字数据，这些数据是其运营的副产品而收集的——例如，自动收费或税收。
收集真正具有代表性的数据有时需要法律强制遵守和匿名性。它可能还需要新的公私合作伙伴关系模式——包括激励收集对社会具有巨大价值但对最适合收集它们的私人组织几乎没有直接价值的数据的方法。这反映了这样一个事实，即信息通常可以以接近零的边际成本共享，是最终的公共产品7。例如，由于从特定再培训计划获得的技能，招聘网站可能没有理由公布关于一个经济部门的下岗工人从某种类型的新工作中获得哪些统计数据。即使这些趋势在他们的数据中可见，共享这些数据不花钱，并且对新失业的工人有价值，也是如此。
我们与私人组织的领导人进行了交谈，包括威斯康星州密尔沃基的人力资源顾问 Manpower；加利福尼亚州山景城的 LinkedIn；以及马萨诸塞州波士顿的就业市场分析公司 Burning Glass Technologies。所有人都表示愿意进行此类数据共享。
前进之路
一项合理的公共战略来管理就业革命，需要对变革有一个清晰和全面的认识。要获得这种认识，需要三个要素。首先，我们必须找到方法从包括私营组织在内的各种来源收集数据和统计摘要。其次，需要一个可信赖的中间机构来保护数据提供者的隐私、访问、安全、匿名和其他权利，并为公众提供摘要（就像美国人口普查局和其他统计机构目前所做的那样）。第三，我们需要方法来整合来自不同统计抽样偏差和偏倚的来源的数据，在可能的情况下对数据进行标准化，并标记任何剩余的偏倚。
这种新的信息基础设施应与现有的核心指数相整合，这些核心指数跟踪就业、收入、招聘、裁员、辞职和生产力等关键指标，并与来自私营部门的强大数据源相结合。这将使统计数据和分析能够揭示在持续变革的背景下经济的标准关键指标。
在这里，完美并不是实用的先决条件——任何事物都比盲目飞行要好。投资于一个能够持续收集、存储、共享和分析有关工作的数据的基础设施，是任何政府可以采取的最重要和最紧迫的步骤之一。
本文经许可转载，并于 2017 年 4 月 13 日首次发表。