技術進步給就業帶來了巨大挑戰。例如，美國的生產力水平從未如此之高，但自 1999 年以來，收入最低的 50% 的人群的收入卻停滯不前（見“工作轉移”）。大部分的經濟收益都流向了最頂層的一小部分人。技術不是唯一的原因，但它可能是最重要的原因。
美國國家科學院、工程院和醫學院於 4 月 13 日釋出的一份報告詳細說明了資訊科技對勞動力的影響1。我們共同主持了報告委員會，並在這一過程中學到了很多東西——包括在未來 10-20 年內，技術將影響幾乎所有職業。例如，自動駕駛汽車可能會大幅減少對計程車和長途卡車司機的需求，而線上教育可以為失業工人提供豐富的再培訓選擇。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
最重要的是，我們瞭解到政策制定者正在對所謂的第四次工業革命或第二次機器時代一無所知的情況下盲目行動。關於基本問題，例如：關鍵技術，特別是人工智慧 (AI) 的範圍和變化速度是什麼？哪些技術已經在消除、增強或改造哪些型別的工作？正在湧現哪些新的工作機會？在這種情況下，哪些政策選項可以創造就業機會？目前缺乏大量可用的資料。
如果情況樂觀，這種資訊的匱乏將導致錯失良機。如果情況悲觀，它可能會是災難性的。如果我們想了解、準備並引導不斷進步的技術所帶來的不可預測的影響，我們必須徹底改造我們觀察和追蹤這些變化及其驅動因素的能力。
幸運的是，一個適用的資料基礎設施的許多組成部分已經到位。關於經濟的數字知識正在迅速普及，並且具有前所未有的精確度、細節和及時性。私營部門越來越多地採用不同的方法來生成資料並在決策中使用它們，例如 A/B 測試來比較替代方案。同時，保護隱私同時允許共享大量資料的統計摘要的技術也越來越普及。
我們呼籲建立一項綜合資訊戰略，以整合公共和私人持有的資料。這將為政策制定者和公眾提供應對技術對勞動力不斷變化和不可預測的影響的方法。在此基礎上，我們呼籲政策制定者採用私營部門首創的基於證據的“感知和響應”方法。
這些都是重大的變化，但對工人和經濟的風險很高。
資料缺口
許多為發現、理解和適應勞動力挑戰所需的資料都沒有系統地收集，或者更糟糕的是，根本不存在。我們這個資訊時代的諷刺之處在於，儘管網上資料氾濫，但決策者常常缺乏及時、相關的資訊。
例如，儘管數字技術是許多消費者服務的基礎，但美國政府的標準資料來源（例如勞工統計局進行的當前人口調查）並沒有準確捕捉到臨時或臨時勞動力的興起，因為它們沒有提出正確的問題。研究人員和私營部門的經濟學家試圖透過委託他們自己的調查來解決這個問題2，但這些調查缺乏政府調查的規模、範圍和可信度。政府行政資料（例如稅表）提供了另一個潛在的有價值的資料來源，但這些資料需要與政府調查資料整合，以提供背景和驗證3。
同樣缺乏的是追蹤人工智慧技術和能力進展的指標。摩爾定律（微處理器效能大約每兩年翻一番）捕捉到了底層半導體的進步，但它並沒有涵蓋計算機視覺、語音和問題解決等領域的快速改進。一個全面的人工智慧指數將提供關於發展速度和廣度的客觀資料。將此類指數對映到各個職業的技能和任務分類法，將有助於教育工作者為未來的勞動力設計課程。加利福尼亞州斯坦福大學的人工智慧百年研究等非政府組織正在採取有益的措施，但聯邦政府可以而且應該做更多的工作。
令人高興的是，我們正處於數字資料爆炸的中心。隨著公司逐漸瞭解機器學習的力量，他們開始捕獲新的資料型別，以最佳化其內部流程以及與客戶和供應商的互動。大多數大公司都採用了軟體和資料基礎設施來標準化，並在許多情況下，自動化任務——從管理庫存和訂單到處理員工假期。亞馬遜和 Netflix 等網際網路公司會例行捕獲海量資料，以瞭解接下來向客戶展示哪些產品，從而提高銷售額和滿意度。這些關於即時資料收集的經驗教訓——以及資料本身——對政府也可能很有價值。
例如，求職網站包含數百萬個職位釋出、他們要求的技能以及職位所在地點的資料。大學擁有關於有多少學生正在修讀哪些課程、他們何時畢業以及具備哪些技能的詳細資訊。機器人公司擁有顯示對不同型別自動化裝配系統需求的客戶資料。技術平臺公司擁有關於他們僱用多少自由職業者、他們工作的小時數以及工作地點的的資料。如果以正確的方式連線並訪問這些資訊，可以讓我們更好地瞭解當前的就業狀況。
但是，現在幾乎沒有任何此類資料在組織之間共享，因此我們未能捕獲它們的社會價值。原因包括公司不願意洩露可能被競爭對手使用的資料。隱私問題、文化慣性和反對共享的法規是其他障礙。
更多實驗
利用現有資料需要改變思維模式4。在過去的十年中，許多公司已經從“預測和計劃”的方法轉向“感知和響應”的方法，這使他們能夠快速適應快速變化的環境。透過不斷收集關於客戶、競爭對手、供應商及其自身運營的大量即時資料，公司已經學會了如何改進他們的策略、產品供應和盈利能力。自 2005 年以來，採用資料驅動決策方法的製造公司的數量增加了兩倍多，反映了其對盈利能力和效率的提升5。
最靈活的公司會進行即時實驗，以測試不同的政策和產品。例如，網際網路公司會例行執行 A/B 測試：向客戶展示不同的介面，衡量哪個最有效，然後採用最成功的介面。我們與線上教育提供商 Udacity 的創始人塞巴斯蒂安·特隆討論了這種方法。透過這種方式，該公司瞭解到，透過要求學生在開始課程之前申請入學，它可以大大提高其課程的學員留存率。與直覺相反，它還發現，在中國提高價格後，其服務的總體需求增加了三倍。
政府可以而且必須吸取資料驅動決策和實驗的教訓。面對具有未知後果的快速且不可預測的變化，他們需要能夠即時觀察這些變化，並快速測試政策響應，以確定哪些有效。例如，再培訓失業工人的最佳政策可以在對一個區域內的工人試用幾種不同的政策之後確定。可以在一年內觀察到這些政策對就業的不同影響，然後再採用產生最大再就業的政策。當局可以繼續進行實驗以適應未來的變化。
一個此類實驗的例子實際上是一個意外。2008 年，在州政府資金意外短缺需要配給資金後，俄勒岡州使用彩票程式來隨機決定哪些公民可以獲得政府醫療保險 (Medicaid)。該過程提供了關於該計劃對健康和福祉的因果影響的寶貴資訊，並表明醫療補助覆蓋範圍導致預防性篩查（例如膽固醇篩查）的增加6。政府專案中有許多機會可以進行更有計劃的實驗。由於許多專案都是分階段實施的，因此可以以很少或不花費成本進行一些隨機化。
政府角色
不應將數字資料視為政府以更傳統的方式收集的資訊的替代品。它通常會使政府資料更有價值，而不是更少。通常，隨著組織流程、商品和服務數字化的副產品而產生的“數字尾氣”資料軌跡並不能完全捕獲或代表底層現象。例如，根據我們的分析，Java 程式設計師在就業網路平臺 LinkedIn 的資料庫中得到了很好的體現，但卡車司機卻沒有。不是每個人都有智慧手機，更不用說特定的應用程式了。數字支付工具、社交網路或搜尋引擎的使用因人口統計學類別和其他感興趣的變數而異。
儘管現在可以獲得 TB 和 EB 級別的資料，但它們需要進行校準和驗證。做到這一點的最佳方法通常是透過政府收集的那種系統調查（例如全國人口普查）和行政資料。並且，像行業一樣，政府應該利用更多型別的數字資料，這些資料是其運營的副產品而收集的——例如，自動收費或稅收。
收集真正具有代表性的資料有時需要法律強制遵守和匿名性。它可能還需要新的公私合作伙伴關係模式——包括激勵收集對社會具有巨大價值但對最適合收集它們的私人組織幾乎沒有直接價值的資料的方法。這反映了這樣一個事實，即資訊通常可以以接近零的邊際成本共享，是最終的公共產品7。例如，由於從特定再培訓計劃獲得的技能，招聘網站可能沒有理由公佈關於一個經濟部門的下崗工人從某種型別的新工作中獲得哪些統計資料。即使這些趨勢在他們的資料中可見，共享這些資料不花錢，並且對新失業的工人有價值，也是如此。
我們與私人組織的領導人進行了交談，包括威斯康星州密爾沃基的人力資源顧問 Manpower；加利福尼亞州山景城的 LinkedIn；以及馬薩諸塞州波士頓的就業市場分析公司 Burning Glass Technologies。所有人都表示願意進行此類資料共享。
前進之路
一項合理的公共戰略來管理就業革命，需要對變革有一個清晰和全面的認識。要獲得這種認識，需要三個要素。首先，我們必須找到方法從包括私營組織在內的各種來源收集資料和統計摘要。其次，需要一個可信賴的中間機構來保護資料提供者的隱私、訪問、安全、匿名和其他權利，併為公眾提供摘要（就像美國人口普查局和其他統計機構目前所做的那樣）。第三，我們需要方法來整合來自不同統計抽樣偏差和偏倚的來源的資料，在可能的情況下對資料進行標準化，並標記任何剩餘的偏倚。
這種新的資訊基礎設施應與現有的核心指數相整合，這些核心指數跟蹤就業、收入、招聘、裁員、辭職和生產力等關鍵指標，並與來自私營部門的強大資料來源相結合。這將使統計資料和分析能夠揭示在持續變革的背景下經濟的標準關鍵指標。
在這裡，完美並不是實用的先決條件——任何事物都比盲目飛行要好。投資於一個能夠持續收集、儲存、共享和分析有關工作的資料的基礎設施，是任何政府可以採取的最重要和最緊迫的步驟之一。
本文經許可轉載，並於 2017 年 4 月 13 日首次發表。