【世界银行】发展中经济体的劳动力市场稀缺

WORLDBANKGROUP ,而劳动力疤痕文献主要集中于发达经济体，对这这份报告是繁荣垂直副总裁部门的产品。它是世界银行提供研究公开访问权、并为全劳动力市场疤痕在发展中经济体中污名化与墨西哥工厂关闭导致的人才资本损失JEL代码：I26，J01，J30，2劳动力再配置以及被取代工人的重新进入劳动力市经济冲击。然而，在劳动力市场存在市场扭曲（包括riori劳动市场伤痕效应在发展中国家可能不尽管收益损失是文献中最常见的研究变量，但在不确定的环境时长是值得关注的成果，特别是在发展中国家。本文研收不同类型的失业工人，并提供了工人损失幅度的实证带来的异质性影响。由于污名与劳动力市场的信息不对32.相关文献 )发现，马其顿的短期失业会降低28%的就业概率，而长期失业会降低50%的就业概率考察了贸易自由化对因工厂关闭而失业的工人的影响。作者们业再分配情况，并分析了这些工人重返劳动力市场后的结果。在被解雇后的前两年内工资和任期（在岗时间）均有所下降，条件下就业流失对工资的影响。他们发现，在失业发生在经4收集正式就业信息，并未区分非正规就业、失业以及退出劳因为自愿离职的工人更有可能在离开当前公司后拥有更积极向数据集发现，在职位置换时工人收入下降了30%，六年后降至10%。在一篇开创模裁员对工人的影响。他们报告在职位置换当年工人收入损失超过40%，六年后其收入仍（2011）建立了一个求职和失业波动的模型，发现收入损失随着置换时失业率的上升剧增加，得出置换时劳动力市场紧俏状况有利于改善被置换工人的中长期未来收入轨迹的5通过市场调研发现，更好的劳动力市场状况缓解了失业工人的收入他们得出结论，失业工人不仅在经济调整的过渡期内，而且在长期用倾向得分匹配方法实施双重差分估计。他们报告称在本研究中，我们考察了工作流失对墨西哥工人劳动力市场小组形式，每户家庭连续五个季度接受访谈，样本的五分之一每季度更新。6该调查采用扩展型问卷收集关于个人就业历史的导致工人失业的持续时间。2受访者被询问他们是否曾经历过导致暂时)辞职，3）裁员，4）关闭自己的企业，以及5）其他原因，包括退休。在我们的分析中 ,基准类别包括未经历任何工作分离的工人。这些信息表明工厂关闭的影响与其他工作分.0%的人处于就业状态，而因过失被解雇的7。 ,在主动辞职的人群中，73.9%目前从事薪酬工作，18.3%已转型为自主创业。描述性证4.计量经济学方法该研究探讨失业后的工资、工作时长和正规性状影响后，我们评估这些影响是暂时性的还是永久性的，并按教育群体实，如果污名化是劳动力市场伤痕形成的原因，人们会预期这些影响雇主会逐渐熟悉工人的不可观测特征。如果伤痕是由可以通过工作经人力资本损失造成的，那么这些影响很可能只是暂时的。因此，工厂本文中的分析聚焦于因工厂关闭而失业的工人。我们应保持谨慎内生性或选择偏差的影响，程度取决于失业工人更可能具有不可观测他们的...8比非取代型工人基准类别更具生产力。尽管如此，通测特征的估计值，使我们能够评估人力资本损失与污名对平均疤的基准类别。首个模型设定捕捉了不同类型失业的平均效应。第二个前劳动力市场结果的滞后效应，使我们能够区分暂时性与永久性效应间减弱，工人的劳动力结果可能变得与非失业群体相似。最终设定利用了ENOE的旋转面更正式地，我们首先估计如下规范：yi,t=δt+Xi,’tβ+ΣαdTDi,d+εi,t(1)制了整体宏观经济状况。矩阵X包括一组协变量，包括性别9反映了下岗类型的位移，包括工厂关闭、裁员、辞职和关我们探讨了工作置换对当前劳动力市场结果是否存在d,s=0yi,t=yi+δDt+ΣdλdTDd+ΣdθdDtTDd+Xi,’tβ+Ei,t(3)我们观察到在两个时间段内的工作者，其中一些人经未观察到的时不变个体项(γi)以及其他时间不变变量。因此，我们估计以下规格：员配对的信息。如果匹配质量（而非个体雇员未观察到的质量）与人后续的劳动力市场结果系统性地相关，这将是一个问题。我们在），工资、每周工作时长和就业状况的影响。结果表明，工些工人平均每周额外工作2.1小时，与未受影响的工人相比，九年后仍额外增加0.7小时(关闭工厂短期内会对在正规部门工作的概率产生负面影响。在被厂的工人在正规就业的概率上平均下降了2.1个百一发现对于讨论潜在的遗漏变量偏差问题具有重要意义，因为如果雇主与质量是导致工厂关闭后工人绩效变化的重要决定因素，那么为什么它不应在离职工人方面，我们发现结果并不明确，因为他们平均经历了轻微的工资下降。然而，一旦我们随时间分解这一影响，我们观察到在离职后的第九年，关闭企业的工人，），在样本期间，墨西哥的失业率在受教育水平上存在系统性差我们发现没有证据表明工厂关闭存在性别差异效应。力市场以相似的方式重新吸纳了被解雇的男性和女性；然而，的影响略有所不同，其中男性受影响更大（工资下降中的结果显示，存在短暂存在的性别差异，该差异仅在工厂关 ,尽管在第二年之后，工资的恢复路径对男性和女性来说是相似的，系数的幅度上没有统计上显著的差异。在工时方面，没有性别差异效应，因为男性 ,这可能是一种应对机制，用以补偿工资的减少。关于工厂关闭对劳动成果影响的结果在不同教育。这一发现证实了低技能和非正式工人的疤痕效应不影响更大。对低学历群体，每周会额外增加2.8范围内是持久的。对高学历群体，估计显示初始时每周会额外增加1.7小时0个百分点之间。这种按教育类别划分的差异部双重差分估计为实证设定添加了一个不易观察的时不变个体项，该结果表明，在上一年因工厂关闭而失业的工人），资本损失解释。5 %的工资下降，这一降幅大于低学历工人观察到的6.历工人相比，歧视在解释低学历工人工资下降方面起着更大的作定效应的估计中，工厂关闭后一年，低学历工人的工资%，这意味着在不考虑个体工人固定效应的情况下，1。事正规部门工作的概率存在显著差异，高学历群体相对于同教育些在失业时能够控制其所属行业的工人子样本重能从事正式就业，而没有面临失业风险的工人则相能探讨样本差异是否可能解释点估计的差异。关于工厂关闭对小时在未考虑固定效应的情况下，工厂关闭对小时工资的影响估7TENOE仅收集调查访谈期间最后两年内经历过工作终止的部分工人（即被解雇的工人）的就业行业信工资下降衡量）的估计贡献几乎相同。样本间估计值的差异更为显著。重要的是，带有共同样本的低教育程度工人样本6.研究发现总结与未来研究方向本文的贡献有两方面。首先，将其扩展到存在大量非正规就业的力市场疤痕效应的先进经济体主导文献。其次，探索疤痕效应两个组成部分的相对规即失业工人的污名化和失去的特定雇主的人力资本。该研究结果表明，来自工厂关闭的受转移工人经历显著且持久的工资研究结果证实了工厂关闭对技术工人和非技术工人的异质性影响。技能工人和可能的非正式工人来说，疤痕效应的惩罚程度较低，并说，工厂关闭的概率有可能与雇主与其雇员之间的匹配质参考文献工大学(I),经济与社会科学系,A).表格和图表辞职关闭自办企业退休其他未受影响的工人辞职关闭自办企业退休其他正式雇佣47.5获得健康41.5有兼职工作男性份额47.8平均年龄已婚人士的占比46.7平均受教育年限超过10万少于2,500每周工作小时小时工资小时工资43.1已雇佣失业脱离劳动力市场员工员工雇主个体经营者未付费工作者来源：ENOE2005-2019。劳动力市场变量的描述性统计是从1673293名在职工人样本小时日志工作时间正式性关闭自办企业观测R平方教育年限、性别、婚姻状况、年龄、年龄平方、调查期、州固定效-0.020-0.054-0.108来源：作者根据2005年至2019年的ENOE调查数据计算。注释：该图展示了模型系数的估计值由公式（2）描述。观测数量为1,228,705。来源：作者根据2005至2019年的ENOE调查数据计算。注释：该图展示了由方程（2）描述的模型系数估计值。观测数量为1,578,798。0.027-0.021来源：作者根据2005年至2019年的ENOE调查数据计算。注释：该图展示了由方程（2）描述的模型系数估计值。观测次数为1,578,798。来源：作者根据2005年至2019年的ENOE调查数据计算得出。注释：该图形展示了由方程式(2)描述的模型的系数估计值。观察值数量为1,43210来源：作者根据2005年至2019年ENOE调查数据进行的计算。注释：该图展示了由公式（2）描述的模型的系数估计值。观测值数量为1,50来源：作者根据2005年至2019年的ENOE调查数据进行计算。注释：该图展示了方程（2）所描述模型的系数估计值。观测值数量为1,575,0.050.00来源：作者根据2005年至2019年的ENOE调查数据计算。注释：该图展示了模型系数的估计值由公式（2）描述。观测次数为1,229,139。来源：作者根据2005年至2019年ENOE调查数据进行的计算。注释：该图展示了由方程（2）描述的模型的系数估计值。观测次数为1,579,自关闭以来的年数来源：作者根据2005年至2019年的ENOE调查数据计算得出。注释：该图形展示了方程（2）所描述的模型的系数估计值。观测值数量为1,8765432107/)。失业人员是指在调查访问前一周内没有工作且积极寻找工作的人。 年龄、年龄平方、调查期间、州固定效应和行业固定效应。标准误在州层面聚类。被遗漏的分类是非转移工人。0.00来源：作者根据2005年至2019年的ENOESurvey数据计算。注释：该图展示了方程（2）所描述的模型中按教育类别分离的系数估计值。低教育样本的观测数量为932,395，高教育样本的观测数量为296,310。来源：作者根据2005年至2019年的ENOE调查数据计算得出。注释：该图形展示了由方程（2）描述的模型中，按教育类别分离的系数估计值。低教育样本的观测次数为932,395，高等教育样本的观测次数为2来源：作者根据2005年至2019年的ENOE调查数据计算所得。注释：该图形展示了由方程(2)描述的模型中按性别分离的系数估计值。男性样本的观测数为753,126，女性样本的观测数为296,310。自工厂关闭以来的年数来源：作者根据2005年至2019年的ENOE调查数据计算。注释：该图展示了模型系数的估计值由公式(2)描述，并按性别分组。观测值数量是753,126（男性样本）和296,310（女性样本）。小时日志-0.0822***(0.012)工作时间0.3371(0.237)正式性-0.0902***(0.009)-0.0847***(0.011)0.2668(0.297)-0.0995***(0.008)-0.0811***(0.025)0.0008(0.528)-0.0703***(0.020)高-0.1422***(0.030)-0.8955(0.535)-0.1453***(0.019)低-0.0676***(0.011)0.5815**(0.270)-0.0809***(0.008)(1)(2)(3)(4)(5)(6)(7)年ts年ts所有样