https://www.onetonline.org/.21.Quarterly; 2019.22. 伊达尔戈CA，克林格B，巴拉伯阿西AL，豪斯曼R.产品空间决定了国家的发展。科学2007;317(5837):482–487.23. Vollrath TL.对可替代的贸易强度衡量标准的理论评估。韦尔茨拱门。1991;127(2):265–280.24. Shutters ST，Munepeerakul R，Lobo J.限制了通往创意城市经济的道路。城市研究。2016;53(16):3439–3454.25. Alabdulkareem A、Frank先生、Sun L、AlShebli B、Hidalgo C、Rahwan I.揭开职场技能的两极分化。科学进步。2018;4（7）：eaao6030。26.Dawson N，Rizoiu MA，Johnston B，Williams MA。自适应选择职业，从在线招聘广告中发现技能短缺。参加：2019年IEEE大数据国际会议（大数据）。IEEE；2019年，第1637-1643.27页。Chen T，Guestrin C.XGBoost：一个可扩展的树推进系统。摘自：第22届ACM SIGKDD知识发现和数据挖掘国际会议记录。KDD\'16。美国纽约州纽约市：计算机协会；2016年，第785-794.28页。Robinson C.职业流动性、职业距离和特定人力资本。人力资源杂志。2018;53(2):513–551.2021年8月12日19/4229。Bergstra J，Bengio Y.超参数优化的随机搜索。机器学习研究杂志。2012;2月13日：281-305.30。Amid E，Warmuth MK.TriMap：使用三元组的大规模降维。ArXiv电子指纹。2019;.31.组织经济学。2013; p、 11-55.32。Autor D，Price B.美国劳动力市场不断变化的任务构成：Autor，Levy和Murnane（2003）的更新。麻省理工学院论文。2013;21.33. 哈里斯，罗布和巴格肖，艾瑞克。严格的2019冠状病毒疾病控制措施，政府试图限制COVID-19的传播。悉尼先驱晨报。2020;.34.费思。

19200年新冠肺炎期间的澳大利亚必要和非必要职业；2021。https://github.com/Faethm-ai/open-data/blob/main/essential-occupations-AUS/ANZSCO_4digit_essential_v_nonessential.csv.35.Bresnahan TF，Brynjolfsson E，Hitt LM。信息技术、工作组织和对熟练劳动力的需求：公司层面的证据。《经济学季刊》。2002;117(1):339–376.36. Bessen J.边做边学：创新、工资和财富之间的真正联系。耶鲁大学出版社；2015.37. Koehn E.“我们才刚刚开始”：亚马逊澳大利亚公司的收入飙升至2.92亿美元。悉尼先驱晨报。2019;.38.沃森N，伍德M.希尔达调查中的样本损耗。澳大利亚劳动经济学期刊。2004;7(2):293–308.39.劳动力市场的弹性模式。自然通讯。2021；12(1):1–8.40. Kern ML，麦卡锡PX，查克拉巴蒂D，马瑞佐。社交媒体预测的个性特征和价值观可以帮助人们找到理想的工作。2019;116(52):26459–26464.41. 布朗，艾琳和米斯拉，乔亚。劳动力市场中性别和种族的交集。社会学年度评论。2003;29(1):487–513.42. 佩杰，德瓦和博尼科夫斯基，巴特和韦斯特，布鲁斯。低工资劳动力市场中的歧视：一项现场实验。美国社会学评论。2009;74(5):777–799.43. 卡尔森，马格努斯和埃里克森，斯特凡。雇佣决策中的年龄歧视：来自劳动力市场现场实验的证据。劳动经济学。2019;59:173–183.44. 弗利，梅莱亚和威廉姆森，苏。匿名求职会减少国际期刊吗。2018;.45.经合组织。经合组织2020年就业展望；2020年。可从以下网址获得：https://www.oecd-ilibrary.org/content/publication/1686c758-en.August12, 2021 20/4246。Borjas GJ Van Ours JC。劳动经济学。麦格劳·希尔/欧文·波士顿；2010.47. 舒尔茨TW。人力资本投资。《美国经济评论》。1961;51(1):1–17.48. 贝克尔·G·人力资本。哥伦比亚大学：哥伦比亚大学出版社；1964.49. Becker GS，Murphy KM，Tamura R.人力资本、生育率和经济增长。政治经济学杂志。1990;98（5，第2部分）：S12-S37。50.2.1.1.2.2.2.2.2.2。政治经济学杂志。2005;113(4):811–839.51. Bassanini A，Garnero A.《OECD国家的解雇保护和工人流动：来自跨国/跨行业数据的证据》。劳动经济学。2013;21:25–41.52. Hassler J，Rodriguez Mora JV，Storesletten K，Zilibotti F.地理流动和社会保险的实证理论。《国际经济评论》。2005;46(1):263–303.53. 戈尔丁CD。人力资本。德国海德堡：斯普林格·维拉格；2016.54. Nedelkoska L，Neffke F.技能不匹配和技能转移：55年回顾。Wasmer E.劳动力市场中的一般技能与特定技能，以及搜索摩擦和解雇成本。《美国经济评论》。2006;96(3):811–831.56. 经合组织。OECD 2019年技能战略——塑造更美好未来的技能。经合组织；2019.57. Gardiner A，Aasheim C，Rutner P，Williams S.大数据中的技能要求：对J

贝克尔·G·人力资本。哥伦比亚大学：哥伦比亚大学出版社；1964.49. Becker GS，Murphy KM，Tamura R.人力资本、生育率和经济增长。政治经济学杂志。1990;98（5，第2部分）：S12-S37。50.2.1.1.2.2.2.2.2.2。政治经济学杂志。2005;113(4):811–839.51. Bassanini A，Garnero A.《OECD国家的解雇保护和工人流动：来自跨国/跨行业数据的证据》。劳动经济学。2013;21:25–41.52. Hassler J，Rodriguez Mora JV，Storesletten K，Zilibotti F.地理流动和社会保险的实证理论。《国际经济评论》。2005;46(1):263–303.53. 戈尔丁CD。人力资本。德国海德堡：斯普林格·维拉格；2016.54. Nedelkoska L，Neffke F.技能不匹配和技能转移：55年回顾。Wasmer E.劳动力市场中的一般技能与特定技能，以及搜索摩擦和解雇成本。《美国经济评论》。2006;96(3):811–831.56. 经合组织。OECD 2019年技能战略——塑造更美好未来的技能。经合组织；2019.57. Gardiner A，Aasheim C，Rutner P，Williams S.《大数据中的技能要求：招聘广告的内容分析》。计算机信息系统杂志。2018;58(4):374–384.58.右托佩尔区议员。工作流动性和年轻人的职业生涯。《经济学季刊》。1992;107(2):439–479.59. 弗里曼RB。对大学培训的过度投资？人力资源杂志。1975; p、 287-311.60。戈尔丁CD，卡茨LF。教育和科技之间的竞争。哈佛大学出版社；2009.61. Vona F，Consoli D.《创新与技能动力：生命周期方法》。行业和公司变革。2015;24(6):1393–1415.62. Mincer J.人力资本、技术和工资结构：时间序列显示了什么？国家经济研究局；1991.63.美国制造业：来自制造业年度调查的证据。《经济学季刊》。1994;109(2):367–397.64.

Autor DH，Katz LF，Krueger AB.计算不平等：计算机改变了劳动力市场吗？经济学季刊。1998;113(4):1169–1213.2021年8月12日21/4265。Autor DH，韩德尔MJ。测试任务：人力资本、工作任务和工资。劳动经济学杂志。2013;31（S1）：S59–S96。66.Goos M，Manning A，所罗门A.解释工作两极分化：常规偏见、技术变革和离岸外包。《美国经济评论》。2014;104(8):2509–26.67. Brown TB、Mann B、Ryder N、Subbiah M、Kaplan J、Dhariwal P等。语言模型很少是短期学习者。《神经信息处理系统的进展》（NeurIPS 2020）；2020.68. Touvron H，Vedaldi A，Douze M，J’egou H.确定列车测试解决方案不一致性：确定效率网；2020.69. Silver D，Hubert T，Schrittwieser J，Antonoglou I，Lai M，Guez A，等。一种通用的强化学习算法，能够熟练掌握国际象棋、shogi和Gothrough自玩。科学2018;362(6419):1140–1144.70. Blinder AS，Krueger AB.《可替代的离岸性度量：一种调查方法》。劳动经济学杂志。2013;31（S1）：S97–S128。71.Autor DH，多恩D，汉森GH。中国综合症：美国进口竞争对当地劳动力市场的影响。我是经济部副部长。2013;103(6):2121–2168.72. 吉隆坡肖。使用职业投资概念的收益函数公式。人力资源杂志。1984; p、 319-340.73。南方经济杂志。1987; p、 702-719.74。英格拉姆BF，诺依曼GR.回归技能。劳动经济学。2006;13(1):35–59.75. Bechichi N、Grundke R、Jamet S、Squiccarini M.在工作之间移动；2018.76. Grundke R、Jamet S、Kalamova M、Squicciarini M.拥有正确的组合：为VCS提供比较优势和行业绩效的技能组合；2017.77.Bessen J.技术采用成本和生产率增长：向信息技术的过渡。

经济动态回顾。2002;.78.Bessen JE、Impink SM、Seamans R、Reichensperger L.AISTARTUP业务；2018.79.1976;2(4):290–301.80.每季的1999; p、 183-213.81。Im I，Hong S，Kang女士。技术采用的国际比较：测试UTAUT模型。信息与管理。2011;48(1):1–8.82. 丁俊杰。小型企业采用信息系统的集成模型。管理信息系统杂志。1999;15(4):187–214.2021年8月12日22/4283。Andr’es L，Cuberes D，Diouf M，Serebrisky T.互联网的传播：全国分析。电信政策。2010;34（5-6）：323–340.84。佩林A.社交媒体使用。皮尤研究中心。2015; p、 52-68.85。Bughin J，Seong J，Manyika J，Chui M，Joshi R.来自人工智能前沿的笔记：模拟人工智能对世界经济的影响。麦肯锡全球研究所；2018.86. 穆尔西·克斯。用博弈论来模拟竞争。市场研究杂志。1985;22(3):262–282.87.安德鲁斯·D·克里斯库洛·C·加尔·潘。前沿企业、技术扩散和公共政策：来自经合组织国家的微观证据。经合组织；2015.88.技术管理科学。1987;33(2):161–177.89. Hall BH，Khan B.采用新技术。国家经济研究局；2003.90. 商业使用信息技术；2017https://www.abs.gov.au/statistics/industry/technology-and-innovation/business-use-information-technology/latest-release.91.Beaudry P，Doms M，Lewis E.技术采用中的内生技能偏差：来自IT革命的城市层面证据。国家经济研究局；2006.92. Andrews D，Nicoletti G，Timiliotis C.数字技术扩散：能力、激励还是两者兼而有之？经合组织；2018.93. 安德森街，纽厄尔RG。技术采用信息计划：能效审计案例。资源和能源经济学。2004;26(1):27–50.94.

Brynjolfsson E，Rock D，Syverson C.人工智能与现代生产力悖论：期望与统计的冲突。《人工智能经济学：议程》。芝加哥大学出版社；2018.95. 更严格的环境法规是否会促使或减少技术的采用？当技术采用率下降时。环境经济与管理杂志。2012;64(3):456–467.96. Cloud AutoML；。https://cloud.google.com/automl.97.Standard职业分类，2013年，1.2版；2013https://www.abs.gov.au/ausstats/abs@.nsf/0/E3031B89999B4582CA2575DF002DA702？opendocument#：：~:text=%20ANZSCO%20has的%20结构%20，将%20分组为%20“次要%20组”。98。澳大利亚联邦教育、技能和就业部。ANZSCOto O*净一致性；。99.Carnevale A，Jayasundera T，Repnikov D.了解在线招聘数据。乔治敦大学；2014、2021年8月12日23／42支持信息，该文件伴随着作者Nikolas Dawson、Mary Anne Williams和Marian Andrei Rizoiu提交的工作转移路径推荐。本文件中的信息是对本次调查的补充，出于完整性考虑，现将其呈现在此处。它不是理解主要论文的必要条件，也不是复制结果的必要条件。S1附录：相关工作本节讨论了影响劳动力流动的因素、技能不匹配的原因和影响、衡量人力资本可转移性，以及人工智能（AI）技术采用的原因等相关工作。工作转换关于工作转换的相关文献大体上属于劳动经济学学科中的劳动力流动和人力资本范畴。

“劳动力流动”指的是将工人分配到企业，以及他们在不同工作岗位之间流动的能力[46]。劳动力流动是健康劳动力市场的重要决定因素。有效的劳动力流动使企业能够雇佣更多的生产性工人，根据他们的偏好有效地匹配工人的工作，并有助于保护市场免受经济冲击个人拥有的影响其生产能力的经验，这些经验可以以现行市场工资交换劳动力[47–49]。劳动力流动的过程不断演变，并受到劳动力市场中各种人力资本的影响，这些人力资本指的是企业可以用来生产商品和服务的劳动力的技能、知识和能力的供应[53]。Nedelkoska和Frank认为，技能应该被视为通过教育、培训和工作经验获得的人力资本的一部分[54]。在获得技能[48]的同时，技能也是通过工作经验获得的。通常情况下，企业或行业特定技能在雇主之间的流动性并不完美，可能会阻碍劳动力的流动性，这是影响劳动力流动性的重要因素。它会影响工作之间的可转移技能集，并揭示其潜在的不匹配。本节的其余部分将讨论技能和可转移性。这些术语之间有微妙但重要的区别“技能错配”是指劳动力市场中技能的供给和需求之间的差异。

而“技能可转移性”是指利用先前获得的技能在不同工作中执行任务的能力，因为任务相似，或者技能可以灵活地应用于不同的任务[54]。以下文献构成了理论基础，直接指导我们测量技能和技能集之间距离的新方法。2021年8月12日24 /42的技能不匹配的原因和影响。技能为工人提供了完成工作所需任务的手段。a通过培训和/或经验发展的熟练程度[56]；\'“知识”是指完成一项任务[57]，其中任务是工作所需的工作单元。为简单起见，“技能”一词将在本文中共同代表这三个定义。在劳动力市场上可以买到[54]。当劳动力需求超过特定技能的供应时，这被称为“技能短缺”；当供给超过劳动力需求时，被称为“技能过剩”或“供过于求”。由于技能错配带来的成本负担，Bor经济学家对其进行了密切监控。对于工人来说，他们的工资和就业机会更低；对于公司来说，他们限制了获得人才以执行特定任务的机会；对于经济体来说，它们会消耗生产率[54]。技能不匹配的原因可能是摩擦性的，也可能是结构性的。工人找到一份适合他们的技能、教育和经验的工作会产生研究成本[58]。将工人与合适的工作匹配的摩擦可能会阻碍高效的工作转换，并加剧技能错配。然而，导致技能错配的结构性因素与技能的供求有关。关于供给方面，文献主要关注公共机构通过教育和培训促进技能发展的作用。

弗里曼等人证明，技能供过于求会降低高学历工人通常获得的工资溢价[59]。此外，戈尔丁和卡茨学院教育，当劳动力市场的大学学位供应较低时，大学工资溢价会增加[60]。技能需求的结构性变化主要由（1）技术进步和（2）全球化或贸易引起。关于技术和创新，Vona和Consoli[61]为理解技能和技术变革之间的互动关系提供了一个有用的框架。在采用新技术的早期阶段，作者认为任务通常是复杂的和非常规的。因此，生产性地利用这些新技术需要专业化和高技能的劳动力。然而，随着时间的推移，知识变得结构化和法典化，使任务能够常规化和自动化。最终，随着技术生态标准化的使用，以及低技能工人能够完成的任务，专业化的边际效益逐渐减少。与此相关的是技能偏向型技术变革理论（SBTC）。SBTC假说认为，技术对高技能劳动力的优势不成比例——这解释了计算机与工作任务特定要求之间的关系。这个以任务为导向的技术变革（TBTC）框架[1,65]将劳动任务划分为两个主要光谱；常规任务到非常规任务，认知任务到手动任务。根据TBTC的说法，计算机化倾向于帮助完成非常规任务和自动化（通常是常规认知工人），这有助于解释最近的动态，如中等技能工人实际工资下降和劳动力两极分化[66]。

然而，关于计算机化的负面需求副作用仅限于日常任务的观点正在受到仔细审查。技术的迅速发展和普及使人们对这一假设产生了怀疑。Brynjolfsson和McAfee[2]以及Freyand Osborne[4]提出了令人信服的论点，即AIA的自动化能力正在扩展到认知和手动领域的非常规任务。AI以前认为无法达到的2021年8月12日25／42非常规任务是快速处理（NLP）〔67〕、图像识别〔68〕和非结构化学习任务〔69〕。全球化或贸易对技能需求也有重要影响，这可能会加剧技能错配。离岸外包使企业能够在没有个人联系的情况下完成所需的劳动任务，而无需支付费用即可实现电子化管理。Autor等人[71]发现，美国制造业就业人数下降的大约四分之一可归因于与中国贸易的增加。劳动力市场中的技能错配。这种平衡是动态的，直接影响到斯拉博人的机动性。以下小节回顾了测量技能不匹配和可转移性的文献，这直接影响了这项工作。衡量技能转移和不匹配。这项研究是劳动经济学中一个小而不断增长的领域的一部分，该领域衡量技能、工作和其他定义技能之间的“距离”。该领域最早的工作是由Shaw[72,73]完成的，他通过职业间技能转移的代理定义了职业距离的度量。这是基于这样一个假设，即具有高水平技能转移能力的职业与这些职业之间转移的高概率密切相关。

这是我们在技能驱动的工作过渡路径建议中调整、测试和证明的一个假设。最近的一些研究利用了技能和任务级别的数据，比如职业头衔的USDictionary（DOT——O*NET的前身）或来自DOT的Germanfrom来研究职业之间的相似性。作者运用英格拉姆和诺依曼[74]使用的因子分析方法，构建了四个基本技能的衡量标准。这四个技能指标描述了职业的“技能组合”，它们被组织为技能向量。然后，他们使用欧几里德距离计算职业技能向量之间的相似性，以确定哪些工人在被替换之前找到了与之前工作技能要求相似的工作，从而避免了巨大的工资损失。类似地，盖特曼和肖恩伯格[11]使用QCS将职业划分为不同的职业，其中职业包括具有不同掌握程度的特定技能。作者使用19个技能向量之间的角度距离来定位职业和具有类似任务要求的职业，并且距离要求随着工作经验的增加而降低。最近，Alabdulkareem等人[25]利用网络科学和无监督机器学习的技术，根据美国劳工统计局（Bureau of Labor Statistics）当前人口调查中的职业转变数据，阐明了职业分化。作者实施了贸易经济学的一项既定措施，称为“揭示比较优势”（RCA），首先衡量一项技能在工作中的相对重要性，同时将高发生率技能标准化。在设置了技能重要性阈值后，技能相似性被计算为技能对在工作中同时发生时都很重要的条件概率的最小值。

然后，作者使用这些成对的技能相似性来将工作地点映射为网络，突出技能极化并证明与WaGeWa月12, 2021 26 /42极化的相关性。Dawson等人[26]将该方法应用于实时招聘广告数据，根据潜在技能需求自适应选择职业，从而扩展了该方法。这使作者能够准确地监控不断变化的劳动力需求，并发现斯特拉利亚一系列不断发展的数据科学和分析职业的技能短缺。AaldulkaReM等人〔25〕和DaWSON等人〔26〕所采用的技能相似度方法为技能空间方法提供了基础。虽然所有这些方法都对测量技能转移性的发展做出了重大贡献，但有一个主要缺点。所有这些方法对于一个护士来说，成为一名外科医生和成为一名外科医生一样困难。直觉上，一个方向比另一个方向。从这个意义上说，技能获得和职业转换是定向的、不对称的。技能不匹配的不对称度量。Nedelkoska等人[9]开发了技能不匹配指标，解释了技能之间可转移性的严重不对称。作者运用因子分析法，根据德国行政管理和个人工作历史数据，提取五种任务型技能，构建职业技能档案。然后，他们计算与每项任务相关的培训份额，并将其用作权重，以表示技能复杂性短缺和技能冗余，这会导致在工作岗位被替换后长达15年的时间内出现显著的工资损失。虽然考虑技能不对称性代表着在衡量技能之间的距离方面取得了巨大的进步，但使用了多年的教育不匹配。Bechichi等人[75]改编了Nedelkoska等人。

[9] 通过分析OECD成人技能调查（PIAAC）的职业数据建立模型。他们首先使用PIACC[76]中的六个基于任务的技能指标。然后，作者对31个不同国家的127种职业（职业级别为3位数）的这些指标进行测量，根据“认知技能”和“在职”任务中获得的技能来评估职业距离。这种方法解释了技能不对称和从工作经验中获得的技能。由此产生的“技能短缺”和“技能过剩”措施被用来预测工人从一种职业过渡到另一种职业所需的教育和培训资源。因此，这项研究代表着朝着准确测量技能和职业距离的目标迈进的又一步。然而，这项工作的一个小缺点是，它是在三位数的职业水平上进行的，这是一个相对较高的分类级别（1位数是由CVID-19引起的工作位移的最高和6位数。劳动力市场的动态变化在危机时刻和流离失所的工人面临着工作岗位之间的过渡，这是一种极其复杂的技能需求。因此，实时数据变得至关重要。我们的研究建立在这些重要的工作上，并利用实时工作解决了这两方面的问题。ads数据，并应用一种能够测量任何定义的技能集之间距离的方法，例如详细的6位数职业级别的职业、行业，甚至个性化技能集。2021年8月12日27／42S2附录：人工智能采用人工智能对劳动力市场的影响取决于企业采用人工智能技术。

如果企业行动迟缓或未能采用人工智能，那么人工智能的效果自然会受到限制。因此，人工智能加速劳动自动化的风险只有在这些技术被企业采用、融入工作流程并广泛传播的情况下才能实现。否则，它们只是孤立的用例。然而，这种考虑往往被忽视。最近关于人工智能经济影响的许多研究假设人工智能被广泛采用和传播。例如，弗雷和奥斯本（Frey and Osborne）的这项重要研究估计，47%的职业面临着一个由机器学习专家组成的小组的挑战，他们被要求确定2013年70个工作中哪些是“完全自动化”的。然而，这些预测依赖于一些可疑的假设。其中最主要的一点是，企业将快速有效地将人工智能用于商业用途。这不应被视为一种必然。正如贝森所说。[77,78]指出，仅仅因为新技术有商业应用，并不意味着它们会被及时采用和传播。因此，了解影响企业采用和传播人工智能的因素非常重要。它为决策者、企业和公民社会提供了更准确的预测和更好的规划。人工智能采用和传播的解释变量。关于影响企业采用数字技术决策的因素的研究已经很成熟[79–81]。研究人员仔细研究了个人电脑[82]、互联网[83]和社交媒体[84]等创新的采用动态。所有公司都有程度上的差异，但没有种类上的差异。文献表明，影响企业层面人工智能采用率的八个主要因素是：市场对人工智能采用的影响最大[85]。这与博弈论[86]是一致的，博弈论认为采用人工智能的边际倾向取决于已经决定采用人工智能的志愿者的比例。

假设随着更多公司采用新技术，采用新技术的边际激励会随着技术提供的竞争优势降低而降低。因此，落后的公司会受到市场份额缩水的惩罚[87]。这些竞争力量推动了企业的采用率，因为企业必须维护竞争优势并提高市场份额[88]。然而，收养决定是在不完全信息的情况下做出的，因为很难知道竞争对手在采取什么样的策略。因此，竞争可以推动应用的快速增长。表明会影响新技术的采用率[89]。例如，从员工数量和收入来看，规模较大的公司通常比规模较小的公司更早、更快地采用数字技术。此外，金融服务和ICT行业的公司往往比农业和建筑行业的公司更早、更快地采用数字技术[90]。同样，我们提出的人工智能采用指标表明了行业类别之间的实质性差异，金融和保险服务公司的采用率最高，农业行业最低。（3） 劳动力技能能力：新兴技术，如人工智能，通常需要采用和传播[91]。然而，企业、行业和经济体获取此类劳动能力的能力各不相同。AI的实施要求8月12, 2021日28／42强的技术能力。这些能力在企业、行业和经济体之间分布不均[78]。因此，能够获得相关熟练劳动力的企业越多，企业采用人工智能的可能性就越大。（4） 数字成熟度：以前的研究表明，新数字技术的采用通常取决于以前数字技术的采用[92]。

例如，宽带基础设施支持采用更复杂的数字应用程序。这种关系似乎也适用于人工智能。据麦肯锡全球研究所（McKinseyGlobal Institute）称，已经采用并吸收云基础设施和“web2”的公司。0技术，如移动技术和客户关系管理（CRM）系统，更有可能采用人工智能技术[85]。（5） 人工智能投资的预期回报：公司对新技术可以创造的价值的看法也会影响采用率[93]。同样，对人工智能商业用例持积极态度的公司更有可能更早更快地采用[85]。相反，对人工智能用例不确定的公司采用人工智能的速度较慢或不太容易，这会延迟总体采用率。（6） 人工智能的补充：与其他通用技术一样，开发和实施的补充技术越多，人工智能投资于其他技术的速度就越快。例如，与未采用任何人工智能技术的零售商相比，实施机器人流程自动化来检索库存的零售商更可能采用计算机视觉来识别库存商品。随着人工智能越来越专注于工作流程，资本投资也在深化。（7）监管效应：在比较各经济体的收养率时，监管效应可能是重要的考虑因素[ 81, 95 ]。例如，与美国公司相比，欧洲更严格的数据保护法规可能会在短期内推迟欧洲公司人工智能的采用。（8） 标准化和可用性：随着新兴技术的使用不断改进，这已被证明可以加快采用和传播速度[36]。

虽然人工智能模型仍然“狭隘”，因为它们往往高度特定于特定任务，需要非常规定制（如超参数调整或特征数据工程），但人工智能的可用性在过去十年中有所改善。例如，个人能够使用他们的技术实现高性能的机器学习模型，这些技术变得标准化，可用性得到改善，这很可能会提高采用率。在企业级人工智能采纳决策中，可能占很大比例。S3附录：使用标准化职业分类法——ANZSCO。根据澳大利亚和新西兰标准职业分类（ANZSCO）[97]，上述所有数据源对应于各自的职业类别。ANZSCO为澳大利亚和新西兰职业数据的标准化收集、分析和传播提供了基础。AZSCO的结构有五个层次：主要群体（1位）、次主要群体（2位）、次要群体（3位）、单位群体（4位）和职业群体（6位）。图1显示了职业之间的距离。B在工作转换途径的技能驱动推荐中，采用了6位分组级别。我们在这里使用了6位数字，因为（1）它是最详细的职业分组，（2）FRY和奥斯本的自动化概率映射到8月12, 2021日/42这一水平[4 ]。图3所示的“工作转换推荐系统”和转换映射子集的显示结果在4位单元分组级别分组。在这个层面上提出职业建议，以匹配澳大利亚（HILDA）的纵向数据集[14]。澳新银行的缺点。在ANZSCO分类中分析职业存在缺陷。很少更新。

因此，他们无法掌握和适应新出现的技能，这是一个相对较新的职业，尚未得到自己的ANZSCO分类。相反，ANZSCO将其归类为“ICT业务与系统分析师”，并将其与“数据分析师”、“数据工程师”和“it业务分析师”等其他职位进行分组。然而，由于ANZSCO是官方和普遍的职业分类体系，本研究使用的所有数据均符合ANZSCO标准。将O*NET映射到ANZSCO。为了利用弗雷和奥斯本[4]在人工智能技术引起的劳动自动化职业风险方面的早期研究优势，我们首先需要将O*NET职业映射到ANZSCO，以便在6位数的水平上利用其自动化风险概率。O*NET是一种标准化的、公开的产品，与澳新银行略有不同。因此，我们使用了澳大利亚联邦教育、技能和就业部[98]的一致表，将净职业数映射到澳新银行的6位数水平。根据弗雷和奥斯本的研究，这导致每个职业都被分配了一个自动化风险概率。S4附录：模型特征下文概述了“职务转换推荐系统”模型中包含的特征。为了便于审查，这些特征被分为“劳动力需求”（招聘广告数据）和“劳动力供应”（就业统计）两类。“地面真相”希尔达数据（2018年）最近一年的每个特征。“来源”和“目标”职业与S1表中的每个特征独立关联。然而，“θ”（技能集之间的距离度量）和“差异”特征与“源”和“目标”职业对都有关。

总共有19个功能。S1表：构造特征及其解释的总结。8月12日，2021 30 /42特征描述实验室或DEDEANTHETA：“目标”职业发布频率：职位广告空缺职位数量的频率差异：张贴频率中位数薪金：最大中值薪金：工资差异：工资最低学历：最低学历学历要求差异：正规教育年限要求最低经验：经验差异：劳动供给总需求的年经验：水平（000）总雇用差异：水平（000）总工作时间：（000）总工作时间差异：（000）2021年8月12日31 /42S5附录：验证统计检验。为了获得技能空间距离测量的初步验证，我们进行了一项预期的统计测试，如《工作转换路径的技能驱动建议》中所述。为了进行这项实验，我们在每个“源”和“目标”职业对上标记了他们给定年份的距离测量值（称为“真实样本”）。然后，我们模拟了一个交替的过渡样本，在这个样本中，我们保持相同的“源”职业，并随机选择“目标”职业，所有这些职业都分配有成对的距离分数（称为“模拟样本”）。图7-A显示了所有工作转换的分布，包括向同一职业的转换。我们发现“真实”和“模拟”过渡样本之间的差异在统计学上显著（t-统计量=16.272，p-值=2.707×10）-58，科恩的D效应尺寸=0.42）。然而，在2012-2018年的2999份（或30%）年度工作转换中，909份是向同一职业的转移。直觉上，在同一职业中，转换到另一份工作的技能集距离可能很小，尤其是与其他职业相比。

因此，我们想测试当我们排除向同一职业过渡时，统计意义是否成立。为了运行此测试，我们首先删除了同一职业的工作转换（从2012-2018年剩下2090个职业）。按照上述相同的过程，我们创建了“真实”和“模拟”样本。图7-B显示了两个样本之间的差异，其中：。。×-06效果大小降低（科恩的D效果大小=0.14）。我们对每一个进行统计测试。如技能驱动所示，在本研究中，技能空间代表职业过渡的统计显著性的置信度低于0.05。2021年8月12日32/42-3.-2.-1 0 1 200.20.40.60.811.2模拟转换实际转换a-3.-2.-101200.20.40.60.811.2B- -职业转变相似性图7。针对工人改变职业的过渡（B）。2021年8月12日33／42非过渡实际过渡预测不是过渡实际过渡过程504 96176 424100150 200 250300 350400 450500 A0。0.2 0.4 0.6 0.8 1.0假阳性率0。00.20.40.60.81.0真阳性率接收器工作特性XGBoost分类器（面积=0.77）B非过渡实际过渡预测非过渡实际过渡498 102217 383150202503003504004500.0 0 0.2 0.4 0.6 0.8 1.0假阳性率0。00.20.40.60.81.0真阳性率接收器工作特性XG增压分类器：仅θ（面积=0.73）DCFig 8。预测性能和混淆矩阵。包括所有特征的工作转换模型可以获得最高的结果，如（A）混淆矩阵和（B）ROC曲线；而仅包含技能空间距离方法的工作转移分类器模型的性能较低，如（C）Confusion矩阵和（D）ROC曲线所示。工作转换推荐系统验证。无花果

8-A显示了包含S1表中所有特征的二元分类器模型的混淆矩阵。此功能配置实现了最高的性能（精度=76%，F1宏平均值=77%）。正如所观察到的，这个经过训练的模型能够预测真正的消极（“非过渡”——回忆=84%）略好于真正的积极（“实际过渡”——回忆=71%）。图8-B显示了“接收方操作特征”曲线（ROC曲线），它是二进制分类模型在所有分类阈值下的性能。ROC曲线总结了使用不同概率阈值的权衡模型。通常，高性能模型由曲线图左上角的ROC曲线表示。如图所示。8-B，蓝色ROC曲线始终高于红色斜线，这表明表现水平很强。类似地，图8-C显示了混淆矩阵，图8-D显示了仅包括技能空间距离度量（“θ”）的分类器模型的ROC曲线。虽然“仅限θ”模型仍表现相对较好（准确度和F1宏观平均值=73%），但性能确实有所下降。同样，真正的消极因素（“非a=64%）。这突出表明，招聘广告数据和就业统计数据中增加的劳动力市场特征提高了模型的性能，可以预测单独使用“θ”的模型的ROC曲线略低。2021年8月12日34／42消融试验及特征重要性。为了了解“JobTransitions推荐系统”中建模特征的相对重要性，我们进行了烧蚀测试和特征特征集，然后重新训练模型，以进行预测和评估性能。我们得出结论，如果删除某个功能后性能下降，则该功能对模型的预测能力“更重要”。无花果

9-A显示了所有19个功能的结果，强调了最大的性能下降发生在删除“θ”距离度量时。这些模型都是在一个一致的设置下训练的，正如《工作转换路径的技能驱动建议》中所解释的那样。为了巩固烧蚀试验的结果，我们随后进行了特征重要性分析，如下所示。我们使用“增益”度量，它通过计算XGBoost模型中每个树的特征贡献来显示每个特征对模型的相对贡献。增益分数越高，表明特征对生成预测越重要。同样，“θ”被压倒性地认为是预测工作转换的最重要特征。8月12日，2021、35/420、0.2、0.4、0.6、0、8、0.6、0、4、0、4、0、0、0.6、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、4、0、0、4、0、4、0、4、0、4、0、0、4、0、4、0、0、4、0、4、0、0、4、0、0、4、0、4、0、4、0、0、4、0、0、4、0、4、0、4、0、0、4、0、0、4、0、4、0、4、0、4、0、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、0、4、0、3、0、0、4、0、3、0、0、4、0、3、0、0TestMetric:F1宏观平均值排除特征A0 10 20 40 5060 SourceMineExperience Source Posting Frequency IffTargetMine Education SourceTotal Employeed YearlyAvgSource MediansalarySource Hours WorkedYearlyAvgSource DiffTargetMine Education SalaryDiffTargetMine Experience Education DiffPosting FreffTargetPosting Frequency WorkedYearyAvgTotalEmployeed DiffTargetTotalYearlyAvg重要特征：收益特征图9。量化特征重要性。

（A） 分类器特征的烧蚀测试和（B）特征重要性分析都表明技能空间距离度量（“θ”）是预测职业转换的最重要特征。8月12日，2021 36 /42S6附录：推荐工作和技能表转换示例-国内清洁职业转移概率No.Joad ADS 2019 No.Word广告2020差异百分比0.960395不同的普通清洁剂0.960395 323 276 - 47 -1455 1084商业清洁剂0.946621 865 671 - 194 -22.427 776服务员South-Y-Y-Y-63.33 33 33酒吧服务员和BARSTSTASγ-Y-Y-70.000000销售助理（普通）0.935315 2835 1609-1226-43.245150厨师0.926472 1904 877-1027-53.939076厨师0.914349 726 356-370-50.964187老年和残疾看护人0.893725 961 1302 341 35.483871儿童看护人0.887601 837 414-423-50.537634一般文员0.876921 2281 1466-815-35.729943S7附录：人工智能收养表人工智能相似性得分。

下表包含“制定人工智能采用领先指标”部分人工智能采用雷达图的基础数据。行业2013 2016 2019百分比变化13-19金融和保险服务0.000958 0.001599 0.002887 201.395294信息媒体和电信0.001057 0.001283 0.002286 116.285278专业、科学和技术服务0.000545 0.001027 0.001590 191.537693零售业0.000266 0.000568 0.001348 407.375732电力、天然气、，水和废水处理服务0.000443 0.000520 0.001300 193.594618教育和培训0.000707 0.000933 0.001257 77.744881运输、邮政和仓储0.000282 0.000427 0.000981 247.957226公共管理0.000270 0.000481 0.000905 234.594611租金，雇佣和房地产服务0.000157 0.000439 0.000775 392.117595艺术和娱乐服务0.000256 0.000571 0.000738 188.519596制造业0.000206 0.000356 0.000690 235.589203行政和支持服务0.000243 0.000346 0.000661 172.344264批发贸易0.000219 0.000388 0.000642 193.307221采矿0.000260 0.000223 0.000595 128.900314施工0.000360.000487257.990332其他服务0.0001360.0001800.000306124.906123医疗和社会援助0.000080.0001700.000281252.858476住宿和食品服务0.000086 0.000208 0.000267 208.987030农业、林业和渔业0.0001080.0001830.000239 120.979250暂时人工智能技能与澳大利亚工业的相似性。

下图是在制定AI2012-2019领先指标的过程中对相同数据的另一种可视化。2021年8月12日37／420.00，0.10，200.00，0.10，20.00，0.10，0.10，20.0，20.0，0.10，2，AUS 2012-2019年零售业运输的顶级AI技能邮政和仓储批发贸易其他服务专业和科学服务公共管理房地产医疗和社会援助IMT制造业采矿建筑教育和培训电力和废物服务金融和保险服务商品和食品服务行政和支持服务农业，2012年至2019年，林业和渔业艺术与娱乐服务与人工智能技术产业的相似性图10。2012-2019年人工智能技能和澳大利亚工业（ANZSIC部门）技能集之间的年度技能相似性。S8附录：材料与方法中讨论的技能计数分布，在计算个人技能相似性之前，我们筛选出极为罕见的技能，以减少噪音和计算复杂性。我们将最低年度技能计数阈值设置为大于或等于5。如图11中的经验累积分布函数（ECDF）所示，这部分虚线阈值线被排除在外，占技能的25%以下。2021年8月12日38 /420.0.0.250.500 .75 1.00 1 2 2 3 4 Log10（技能计数2018）经验CDFFIG 11。2018年招聘广告中技能数量的经验累积分布函数。2021年8月12日39／42S9附录：AI种子技能的发布频率SEC。材料和方法，如主要论文图6所示。这就允许了技能需求的演变，并说明了技能的重要性。最常见的（2）机器学习；（3） 数据科学；（4） 数据挖掘；（5）大数据。如图12所示，从2012年到2010年，所有五种种子技能的发布频率都有所增加。

而“数据挖掘”的增长较为温和，在2015年达到其最高发布频率水平，此后有所下降。图13显示，不仅AI种子技能的绝对发布频率增加了，而且包含这些技能的空缺百分比也增加了。2012年，人工智能种子技术。2019年，这一比例上升到了招聘广告（或13399个空缺）的1.3%以上——是需要人工智能技能的招聘广告比例的十倍多。虽然这些简单的指标提供了人工智能种子技能所需增长程度的指标，但使用发帖频率作为劳动力需求的代理存在一些基本缺陷。下面讨论使用发帖频率与技能相似性相比的缺点。2021年8月12日40/422012、2013、2014、2015、2016、2017、2018、20950、1000、1500、2000、2500、3000、3500人工智能机器学习数据挖掘大数据频率12。发布人工智能技能的频率。用于建立年度人工智能技能动态列表的五项人工智能技能的年度发布频率。2012 2013 2014 2015 2017 2018 201902k4k6k8k10k12k14k0。20.40.60.811.21.4具有人工智能种子技能的工作岗位占真空度的百分比占总真空度的百分比图13。人工智能技能的空缺率。澳大利亚包含这五种人工智能种子技能的空缺百分比。2021年8月12日41／42S10附录：技能相似度超过后频的优点，在文献[99 ]中最广泛使用的用于技能重要性的代理是技能频率。这只是计算一项技能在预定时间段内出现在与特定职位（或其他群体）相关的招聘广告中的次数；计数越高，需求就越大，这意味着技能对职业的重要性就越大。

虽然技能频率可以提供劳动力需求的一些指示，但它无法揭示哪些技能对特定职业更重要或更不重要，因为一些技能在所有职业中以高频率普遍化。例如，“特定于沟通的工作”。因此，我们通过测量每份招聘广告中每项技能的比较优势来获取技能重要性的代表，如材料与方法中的RCA方程所示。我们的衡量标准通过规范化来控制高发生率的技能，并在个人招聘广告中制定了技能重要性的衡量标准，这些衡量标准后来代表了劳动力市场群体（职业、行业等）中的技能重要性。2021年8月12日42/42