NBER: 新冠疫情下的企业招聘：劳动力市场集中和技能水平下降 | 唧唧堂论文解析
picture from Internet
专栏介绍
长按二维码直接进入专栏
本文为唧唧堂《新冠病毒主题论文导读专栏》内一篇论文解析，唧唧堂将在本专栏收录发布所有新冠病毒主题的经济金融社会心理等社科类论文解析导读，同时也或将收录部分医学论文。
本专栏论文收录无截止时限，现已有超100篇NBER工作论文解析中，未来唧唧堂将源源不断把发现的新冠病毒主题论文放入本专栏，期待各位研究人的关注与订阅。点击了解专栏！
唧唧堂现招募更多经济金融研究人加入写作小组，以更快完成本专栏内容的解析产出，解析作者在获得固定稿费同时，还将获得付费阅读收入的部分提成。点击加入写作小组！
本文是争对论文《COVID-19下的企业招聘：劳动力市场集中和技能水平下降》(Corporate Hiring under COVID-19: Labor Market Concentration, Downskilling, and Income Inequality)的一篇论文解析，该论文为2020年5月发表于美国经济研究局的一篇工作论文。该研究作者包括Murillo Campello, Pradeep Muthukrishnan和Gaurav Kankanhalli.
研究背景及问题发现
Covid-19疫情造成了自大萧条以来最大的经济混乱。不同于之前的经济动荡以资本技术的提供为影响经济的渠道，这次商业活动的混乱起于生产过程中的劳动力资本。由于人力资本深受疫情情况的影响，这次经济混乱会对劳动力市场产生深远影响。招聘市场的大数据显示劳动力市场受到COVID-19的多个维度上的影响。因此，此研究立志于识别雇佣者，职业，地理位置，产业类别，以及被雇佣者的技能水平中最受疫情影响的因素。作者从疫情对美国公司招聘决定的影响为切入点进行研究。研究发现就业机会的减少和职位技能水准的降低在劳动力市场缺少深度（market depth）、收入水平低、不平等严重的地区，以及工会程度化高、不可运输的产业更明显。更多的融资渠道可以缓解公司减少新职位招聘。
数据来源
本研究最主要的数据来源于Linkup. Linkup 是一个重要的就业市场数据和分析的提供者，其数据库涵盖了从2007年起超过50000个雇佣单位的招聘公告的数据记录。对每一个招聘职位，Linkup使用O*NET code将其技能需求进行高低的归类。作者选取从2017年1月1日至2020年3月5日的数据进行抽样， 并将范围限制在美国的公司。作者同时也通过Linkup提供的数据掌握了公司的标识符（identifier), 产业类别，地理位置（zip code level）， 并且将工作岗位进行技能级别的归类（根据工作类别等级体系（scale job zone 1-5））。作者将各公司在Linkup中的标识符和他们的NAICS 产业码以及标普 GVKEY相关联，来获取此公司层面的其他信息。
除此之外，作者还从标准普尔公司会计数据库（Compustat’s database），沃顿数据研究平台（WRDS-Reuters DealScan)，和公司年度报告获取企业层面的金融和信贷状况，从Your-economy Time-Series (YTS) 数据库获取研究对象所处地理位置，也从劳动力统计局（Bureau of Labor Statistics (BLS)）和美国社区调查（American Community Survey）获取企业所处地区的经济水平和劳动力市场状况。Compustat’s database是一个涵盖北美公开交易公司金融，统计，市场信息的数据库。YTS是一个年度的企业级时间序列的数据库，供世界的政策制定者，经济发展分析者来跟踪美国各地企业的数据。YTS由商业动态研究银团（Business Dynamics Research Consortium）集合。
在最终的研究数据中， 作者的总样本包括了26,414家公共及私人企业。作者将所有数据按照公司-星期-zip code为模版进行处理，最终剩下49,385,544个研究对象。
变量构建
1. 因变量：
新增开放职位（New Job Postings）:以星期为时间单位，以3位邮政编码（zip code）为地理单位，将同一公司新开放的招聘职位总量加1后再进行对数化（logarithm)。
开放职位变化百分比（Change in Active Job Posting）:以星期为时间单位，以3位邮政编码（zip code）为地理单位，同一公司仍在进行招聘的职位数量的百分比变化。此变量描述了新增以及被删除的招聘职位。
低技能职位招聘变化率（Change in Low Skill Postings）：以星期为时间单位，以3位邮政编码（zip code）为地理单位，同一公司低技能职位招聘数量的百分比变化。（低技能职位指其O*NET codes 对应job zone 1的职位）
高技能职位招聘变化率（Change in High Skills Postings）：以星期为时间单位，以3位邮政编码（zip code）为地理单位，同一公司高技能职位招聘数量的百分比变化。（低技能职位指其O*NET codes 对应job zone 5的职位）
高低技能职位比值（High-to-Low-Skills Postings Ratio）:以星期为时间单位，以3位邮政编码（zip code）为地理单位，同一公司放出职位中高技能职位和低技能职位数量的比值。
2. 条件变量（conditioning variable）:
Covid-19 曝露程度：
作者根据样本中各公司职位招聘地点的疫情紧张程度（确诊人数）将样本分为四等份（以星期为时间单位，以郡为地理单位）。在创建dummy variable(虚拟变量)时，作者选取疫情情况最严重的一档设置为1，选取疫情情况最轻的一档设置为0.
公司规模：
作者根据样本中各公司根据资产总量将样本分为四等份。在创建dummy variable(虚拟变量)时，作者选取资产最多的一档设置为0，选取最少的一档设置为1.
公司融资状况：
作者根据各公司企业标普信用评级(S&P Issuer Rating)创建虚拟变量，以1代表低于BBB-的公司。作者还根据公司是否具有活跃的信用额度，库存现金量的高低，创建虚拟变量来衡量其疫情中金融状况。
所处产业的工会化程度（Unionization rate）:
作者根据样本中各公司根据所在产业的Unionization rate(劳动力工会化率)将样本分为四等份。在创建dummy variable(虚拟变量)时，作者选取程度最高的一档设置为1，选取最低的一档设置为0。这里劳动力工会化率（Unionization rate）指在某一产业参与工会人员与工作者总数的比率。
是否可运输（The tradable sector）：
在创建dummy variable(虚拟变量)时，作者根据样本中各公司根据是否处于可运输行业分别设值为1或0.
市场深度（Market depth）:
作者根据样本中各公司所在邮政编码地理单位根据Herfindahl–Hirschman Index (HHI)分为四等份。在创建dummy variable(虚拟变量)时，作者以邮政编码索引数（zip code index）为单位，选取最高的一档设置为1，最低的一档设置为0. 企业运营的HHI计算方法是将该企业所有运营所在地的雇佣比率平方后进行总和（基于2018年YTS以企业为单位的数据）。
当地社区收入和经济不平等水平：
作者根据公司招聘的地理单位的家庭收入中位数以及基尼系数，以相似方式构建了两个虚拟变量。作者将样本根据家庭收入水平分为4组，设置虚拟变量Low Local Household Income（低社区家庭收入）, 并将收入最低一组设值为1。作者将样本根据基尼系数分为4组，设置虚拟变量High Local Income Inequality（高社区收入不平等）, 并将不平等程度最高一组设值为1。
3. 控制变量
作者还构建了变量衡量公司总资产，现金流，债务，投资, 市价对帐面价值比率,作为可能影响该公司招聘决定的因素。