📈 economics

Explainable Labor Market Intelligence from Online Job Postings: Multi-Frequency Skill Demand Monitoring and Forecasting

本研究提出了一种可解释的劳动力市场情报框架，该框架通过多频率分解和 XGBoost 预测技术分析超过 124,000 条 LinkedIn 职位发布，旨在为战略性劳动力规划生成关于技能需求持续性和趋势的可操作且具解释性的信号。

原作者： ahmad adi, Mona Anjali Bire, Brigita Bowaire, La Fajrin, Lod Insyur, Maria Florensia Lay, Muhamad Mubarok, Fajar Muhammad, Dara Muliyani, Nilam Rostyana, Jarwoko Saputro, Krishna Setiadi, Chaterina Su

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： ahmad adi, Mona Anjali Bire, Brigita Bowaire, La Fajrin, Lod Insyur, Maria Florensia Lay, Muhamad Mubarok, Fajar Muhammad, Dara Muliyani, Nilam Rostyana, Jarwoko Saputro, Krishna Setiadi, Chaterina Suweni

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

请将就业市场想象成一片巨大且繁忙的海洋。几十年来，试图在这些水域中航行的人们——比如寻找人才的公司或试图教授正确技能的学校——一直依赖着旧的、沉重的地图。这些被称为官方劳动力统计数据的地图虽然准确但反应迟缓；它们就像是上个月拍摄的照片，显示了鱼群曾经在哪里，却无法显示它们现在正游向何方。在数字时代，一种新的信号出现了：在线职位发布。可以将这些视为水面上实时的涟漪，它们能瞬间展示波浪在哪里破碎，以及洋流在哪里转向。

为了理解这些涟漪，科学家使用了几种关键工具。其中之一是预测（forecasting），这简单来说就是尝试根据水的过往运动轨迹来猜测水的下一步走向。另一个是持续性（persistence），这是一个关于“粘性”的专业术语。如果一波浪潮在很长一段时间内都朝着同一个方向滚动，它就具有高持续性；如果它每秒钟都在改变方向，那就是混沌的。最后是可解释性（explainability）。过去，计算机表现得像黑匣子，只给出答案而不说明原因。现在，我们希望它们表现得像一位友好的向导，指着地图说：“我认为水会往这个方向走，是因为风正从这里吹来。”理解这些概念至关重要，因为如果我们能够解读海洋的实时信号，我们就能停止为那些正在消失的工作招人，转而开始为那些刚刚开始涌现的工作进行培训。

这项名为《来自在线职位发布的具可解释性劳动力市场情报》的研究，深入探索了这片数字海洋，旨在观察我们是否能以更清晰的方式预测工作的未来。研究人员收集了来自 LinkedIn 的超过 124,000 条职位广告的大规模数据集，收集时间为 2023 年 12 月至 2024 年 4 月。他们并没有仅仅计算发布了多少职位，而是构建了一个“每周技能需求指数”，这个指数就像是一个速度计，衡量雇主对特定技能（如编程、销售或医疗保健）的需求程度。

随后，团队使用了一个巧妙的数学技巧，叫做经验模态分解（Empirical Mode Decomposition）。想象你正在听一段杂乱、充满噪音的录音。这个工具可以将录音分离成不同的层级：高频的静电噪音（短期噪声）、节奏部分（中期周期）以及主旋律（长期趋势）。通过分离这些层级，研究人员可以观察到一次职位需求的激增究竟只是暂时的故障，还是一个全新的、持久趋势的开始。

接着，他们应用了**赫斯特分析（Hurst Analysis）**来衡量“持续性”。可以将其想象为检查一种趋势是否具有动量。如果一项技能具有高持续性得分（高于 0.5），这意味着如果需求正在上升，它很可能会继续上升，就像一个在山坡下滚动的雪球。如果得分较低，则趋势可能会随机地反复波动。研究发现，他们观察到的几乎所有技能都具有高持续性，这意味着劳动力需求往往会坚持其路径，而不是随机跳动。

为了预测接下来会发生什么，他们使用了一种名为 XGBoost 的机器学习模型。然而，他们并没有让该模型成为一个黑匣子，而是添加了 SHAP——这是一个像聚光灯一样的工具，能够展示哪些因素驱动了预测。结果非常具有启发性：该模型并不需要复杂的数据就能做出良好的推测；它主要依赖于上周的需求量以及需求变化的速率。该模型的准确度（R²）达到了 0.386，作者指出，这足以用于捕捉市场的方向，即使它无法精确预测具体的职位数量。

这项研究最令人兴奋的部分在于它将技能分为四个截然不同的类别，将原始数据转化为战略指南：

新兴技能（Emerging Skills）： 这些是冉冉升起的新星。**医疗保健（Healthcare）**是该类别中唯一的技能，显示出极高的增长率（+54.6%）和极高的持续性得分（0.937）。这表明医疗保健从业者存在强烈的、结构性的需求，而不仅仅是暂时的激增。
持续但下降（Persistent but Declining）： 这是一个棘手的类别。信息技术（IT）、**销售（Sales）和工程（Engineering）*等技能表现出高持续性（意味着趋势很强），但趋势却是向下*的。例如，IT 需求下降了 22.6%。研究表明，这并非暂时的低迷，而是一种结构性转变，这意味着公司应该停止招聘旧有的 IT 岗位，转而为新的岗位进行培训。
稳定型（Stable）： **管理（Management）和制造业（Manufacturing）**等技能表现出轻微下降，但由于它们非常稳定且可预测，因此被视为稳定型。它们既没有爆发式增长，也没有崩盘。
波动型（Volatile）： 虽然它们不是前述顶尖结果的重点，但该框架旨在识别那些剧烈上下跳动的技能，从而警告雇主不要对短期激增做出过度反应。

作者谨慎地指出，这些发现是基于一个相对较短的时间窗口（约 17 周）以及特定的平台（LinkedIn），因此它们代表的是“数字”劳动力市场，而非全世界所有的工作。他们认为，虽然该模型在预测精确数字方面并不完美，但它在告诉我们“风往哪里吹”方面表现出色。通过将实时数据与这些清晰、可解释的类别相结合，这项研究提供了一种新的方式，让学校、公司和政府能够规划未来，确保他们不会为一片不再存在的海域建造船只。

技术摘要：基于在线职位发布的具解释性劳动力市场情报研究

问题陈述
在数字化和人工智能的驱动下，当代劳动力市场正经历着剧烈的结构性转型，这为雇主、教育机构和政策制定者带来了不确定性。虽然传统的劳动力市场统计数据具有可靠性，但它们存在时间滞后性，且缺乏捕捉快速变化的技能需求的细粒度能力。尽管在线职位发布能够提供实时的、细粒度的技能需求信号，但现有研究往往主要关注预测准确性（最小化误差指标），而忽略了决策所需的解释性。此外，当前的方法通常将劳动力需求建模为单一的聚合时间序列，未能区分短期市场噪声（瞬时波动）与结构性趋势（持续动态）。这种区分的缺失可能导致误导性的结论，并引发反应式而非主动式的劳动力规划。此外，许多预测模型以“黑箱”形式运行，限制了其对需要透明解释才能采纳建议的决策者的实用价值。

研究方法
本研究提出了一种可解释劳动力市场情报（LMI）框架，旨在将大规模、非结构化的在线职位发布转化为可操作的多频率技能需求预测。该框架利用了从 2023 年 12 月到 2024 年 4 月（共 17 周）在全球范围内收集的 123,849 条 LinkedIn 职位发布数据集。该方法通过七个连续阶段进行：

数据获取与预处理： 使用自然语言处理（NLP）技术（小写化、分词、词干提取、停用词消除）对原始职位文本进行清洗和标准化。
技能提取与标准化： 将非结构化文本映射到标准化的技能分类体系中，创建一个表示特定技能出现在职位文档中的二元指示矩阵。
每周技能需求指数（SDI）构建： 将技能提及次数聚合为归一化的每周时间序列数据。SDI 计算为每 1,000 个总职位中要求特定技能的职位数量，从而实现跨时间比较。
多频率分解（EMD）： 使用**经验模态分解（EMD）**将非平稳的 SDI 时间序列分解为代表不同时间频率（短期波动、中期周期）的本征模态函数（IMF）以及一个残差长期趋势。这隔离了瞬时噪声与结构性转变。
多频率 Hurst 分析： 使用重标距分析（R/S 分析）估计原始序列及每个分解成分的 Hurst 指数（ $H$ ）。
- $H > 0.5$ ：持久行为（趋势连续性）。
- $H \approx 0.5$ ：随机游走行为。
- $H < 0.5$ ：反持久行为（均值回归/波动性）。
可解释预测（XGBoost + SHAP）： 使用 XGBoost 回归模型预测每周总需求的变化量（ $\Delta y_{t+1}$ ）。特征包括滞后需求、动量、滚动统计量以及聚合 Hurst 指数。应用 SHAP（SHapley Additive exPlanations） 对预测进行分解，将预测变化归因于特定的输入特征，以确保透明度。
LMI 生成： 将输出综合为四个可操作的类别：新兴型（正增长 + 持久性）、持续/稳定型（高持久性 + 稳定/正增长）、波动型（反持久性或高频主导）以及衰退型（负增长 + 持久性）。

核心结果

持久性动态： 所有分析的顶级技能均表现出持久行为（ $H > 0.5$ $H > 0.5$ ），表明劳动力需求遵循趋势模式而非随机波动。
- 医疗保健表现出最强的持久性（ $H = 0.937$ ）和最高的增长率（+54.6%），被归类为新兴型。
- 信息技术（IT）、销售和工程表现出高持久性（ $H > 0.62$ ）但增长率为负（范围在 -13.7% 至 -28.6% 之间），被归类为衰退型。这表明是结构性收缩而非暂时性低迷。
- 管理和制造业表现出高持久性（ $H > 0.78$ ）及适度的负增长，被归类为稳定型。
预测性能： XGBoost 模型在预测每周总需求变化方面的 $R^2$ 达到了 0.386。作者指出，主要目标是生成可解释的情报，而非最大化点预测的准确性。
可解释性（SHAP）： 特征重要性分析显示，近期需求水平（滞后 1 期）和需求动量（差分滞后 1 期）是预测的主要驱动因素，其次是短期趋势（3 周滚动平均值）。这证实了劳动力需求具有很强的自相关性。
分解洞察： 多频率分析显示，虽然残差趋势通常趋向于 $H \approx 1.0$ （表明近乎确定性的结构性转变），但高频成分（IMF_1）也显示出中度的持久性（ $H \approx 0.6-0.8$ ），这表明即使是短期激增也往往遵循趋势跟随行为，而非均值回归。

意义与贡献
本文声称对文献和实践有三个主要贡献：

方法论整合： 它将多频率分解（EMD）、基于 Hurst 的持久性分析以及可解释机器学习（XGBoost + SHAP）整合进一个统一的框架中。这实现了从纯粹的预测工程向战略解释性的范式转变，从而能够分离瞬时噪声与结构性趋势。
理论操作化： 它将数字劳动力市场分析和可解释劳动力分析统一操作化为一个框架。它证明了劳动力需求信号并非纯粹的随机过程，而是包含可利用的结构性信息，从而将人力资本理论扩展到了动态数字劳动力市场的语境中。
实际情报生成： 它生成了可操作的情报类别（新兴、持续、波动、衰退），直接支持战略资源配置。通过提供透明、可解释的信号，该框架使人力资源策略师、营销分析师和政策制定者能够从反应式招聘转向主动式人才管理、课程对齐和再培训计划。

局限性与范围
作者承认存在以下局限性：

时间范围： 数据集仅涵盖 17 周，限制了识别长期周期性模式或多年结构性变化的能力。报告的 Hurst 指数被解释为短期持久性的指标。
数据来源： 对 LinkedIn 职位发布的依赖可能会低估非正式劳动力市场、小型企业以及在现有分类体系中招聘活动有限的职业。
技能表示： 不同雇主之间术语的变化，以及现有分类体系中可能存在的对快速演进能力的代表性不足的问题。
外部因素： 预测框架依赖于历史需求模式，并未明确纳入宏观经济状况、监管变化或地缘政治事件等外部变量。

研究结论认为，虽然该框架为早期劳动力市场信号提供了一个稳健的基准，但未来的研究应扩大时间范围，整合宏观经济指标，并完善技能本体映射，以增强标准化和因果解释能力。

技术摘要：基于在线职位发布的具解释性劳动力市场情报研究

类似论文