Searching for Job Security and the Consequences of Job Loss¶

作者: Gregor Jarosch
来源: Econometrica
主题: 经济理论 / 应用
相关性: 5/10
机构绿灯: Duke University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta14008

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：为什么失业会带来长期且持久的收入损失（“失业疤痕”）？ 传统的人力资本折旧理论（失业期间技能贬值）无法完全解释这一现象，因为即使工人重新就业后，其工资和就业稳定性也长期低于未失业者。本文试图从劳动力市场的摩擦性结构（特别是工作保障的异质性）出发，提供一个更完整的解释。该子方向当前处于“理论模型驱动+结构估计验证”的成熟阶段，已有大量实证文献（如 Jacobson, LaLonde, Sullivan 1993）确认了失业疤痕的存在，但对其机制（是人力资本折旧、还是工作匹配质量下降、还是搜索摩擦？）的识别仍存在争议。

发展脉络（history）¶

奠基工作：Jacobson, LaLonde, Sullivan (1993) 首次用事件研究法（event study）系统量化了失业后的长期工资损失（约 20-30%），确立了“失业疤痕”这一实证现象。但该工作仅描述现象，未解释机制。
主要进展（两条线索）：
- 人力资本折旧线索：Becker (1964) 的人力资本理论预测失业期间技能贬值，导致重新就业后工资下降。Pissarides (1992) 将这一机制纳入搜索匹配模型，但预测的损失幅度远小于实证发现。
- 工作匹配质量线索：Jovanovic (1979) 的工作匹配理论认为，失业后工人只能接受低质量匹配（低工资、高失业风险），导致长期损失。但早期模型未考虑在职搜索（on-the-job search）对匹配质量的动态影响。
当前 frontier：近年来，结构估计方法（如 Lise & Robin 2017）开始将人力资本折旧与搜索摩擦联合建模，但大多假设工作是同质的（homogeneous jobs），无法区分“工作保障”这一关键维度。本文的位置：作者 Jarosch 将工作按失业风险（job security）异质性排序，构建了一个“工作阶梯”（job ladder with slippery bottom rungs），并允许人力资本随失业时间衰减，从而同时捕捉工资、就业率和失业风险的联合动态。这是首次在结构模型中显式分离“工作保障损失”与“人力资本折旧”对失业疤痕的相对贡献。

子线索聚类¶

实证描述线索：以 Jacobson et al. (1993) 为代表的事件研究法，以及后续的匹配方法（如 Couch & Placzek 2010），主要目标是量化失业疤痕的大小，而非解释机制。这些文献为本文提供了需要复现的“目标事实”（target moments）。
理论模型线索：以 Pissarides (1992) 的搜索匹配模型和 Mortensen & Pissarides (1994) 的均衡失业理论为基础，引入人力资本折旧（如 Ljungqvist & Sargent 1998）或工作异质性（如 Burdett & Mortensen 1998）。本文属于这一线索，但创新在于将工作保障异质性与在职搜索结合，形成“底部滑溜的工作阶梯”。
结构估计线索：以 Lise & Robin (2017) 为代表，使用模拟矩估计（SMM）或极大似然估计校准模型参数。本文采用 SMM，与这一线索的技术传统一致。

这个方向在追问的核心问题¶

失业疤痕的主要驱动力是什么？ 是人力资本折旧、工作匹配质量下降、还是搜索摩擦的交互作用？
如何识别这些机制？ 在观测数据中，工资下降、失业风险上升和人力资本折旧是共线的，需要模型驱动的识别策略。
政策含义：如果主要驱动力是工作保障损失，那么政策应聚焦于改善失业者的工作匹配质量（如职业培训、工资补贴），而非仅补偿收入损失。

⚠️ 作者的 framing¶

作者的说法：作者将缺口 frame 为“现有模型无法同时解释工资、就业率和失业风险的联合动态”，并声称其模型通过引入“工作保障异质性”填补了这一缺口。作者淡化了两条竞争路线：
- 纯人力资本折旧模型：作者在引言中引用 Pissarides (1992) 和 Ljungqvist & Sargent (1998)，指出它们预测的损失幅度太小，但未深入讨论这些模型在引入更复杂的人力资本演化（如技能特定折旧）后是否能改进。
- 纯搜索摩擦模型：作者引用 Burdett & Mortensen (1998) 的工作阶梯模型，但指出其假设工作同质，无法解释失业风险异质性。然而，作者未提及已有文献（如 Postel-Vinay & Robin 2002）在搜索模型中引入工资谈判和工人异质性，这些模型也能产生持久损失。
什么明显该被引/该存在、却没出现在 intro 里？ 作者未引用因果推断文献中关于失业疤痕的 IV 或 DID 研究（如 von Wachter, Song & Manchester 2009），这些研究用工厂关闭作为外生冲击，提供了更干净的识别。作者可能认为这些方法只能估计平均处理效应，无法分解机制，但回避了它们对模型假设的检验价值。

张力¶

未见明显对立引用。所有被引文献基本一致认为失业疤痕存在且持久，分歧仅在于机制解释。作者的工作是在已有共识上提供更精细的机制分解。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( t \)：时间（离散，以月为单位）。
- \( i \)：工人个体。
- \( e_t \)：就业状态（1=就业，0=失业）。
- \( w_t \)：工资（连续，对数形式）。
- \( j_t \)：工作类型（按失业风险排序，\( j=1,2,\dots,J \)，\( j \) 越大风险越低）。
- \( \lambda_j \)：工作 \( j \) 的失业风险（外生给定的离职率，\( \lambda_j \) 随 \( j \) 递减）。
- \( h_t \)：人力资本存量（连续，对数形式）。
- \( \delta \)：人力资本折旧率（失业期间每期折旧 \( \delta \)）。
- \( \alpha \)：人力资本回报率（工资对人力资本的弹性）。
- \( \beta \)：折现因子。
- \( V(e, j, h) \)：值函数（状态为就业状态、工作类型、人力资本）。
- \( \theta \)：模型参数向量（包括 \( \lambda_j, \delta, \alpha, \beta \)，以及搜索效率参数等）。
模型：
- 数据生成机制：工人处于一个摩擦性劳动力市场，存在异质性工作（按失业风险 \( \lambda_j \) 排序）。工人可以：
  1. 失业时搜索工作（off-the-job search），以概率 \( p_0 \) 获得一个工作机会，工作类型从分布 \( F(j) \) 中抽取。
  2. 就业时搜索更好的工作（on-the-job search），以概率 \( p_1 \) 获得一个工作机会，工作类型从分布 \( G(j) \) 中抽取（\( G \) 的支撑集偏向高 \( j \)）。
  3. 当前工作以概率 \( \lambda_j \) 被摧毁，工人进入失业状态。
- 人力资本演化：就业时人力资本不变（或缓慢增长，本文简化假设不变）；失业时人力资本以速率 \( \delta \) 折旧：\( h_{t+1} = (1-\delta) h_t \)。
- 工资决定：工资由 Nash 谈判决定，取决于工人的人力资本 \( h_t \) 和工作类型 \( j_t \)：\( w_t = \alpha h_t + \gamma_j \)，其中 \( \gamma_j \) 是工作类型溢价。
- 均衡：工人根据值函数 \( V(e, j, h) \) 做出最优搜索和接受/拒绝决策，形成稳态均衡。
可观测数据：
- 研究者实际能观测到的是什么：德国社会保障数据（SIAB），包含：
  - 工人的就业状态 \( e_t \)（每月）。
  - 工资 \( w_t \)（若就业）。
  - 失业持续时间（若失业）。
  - 工人的人口学特征（年龄、性别、教育等）。
- 想要但观测不到的是什么：
  - 工作类型 \( j_t \)（失业风险是潜变量，只能通过模型推断）。
  - 人力资本 \( h_t \)（不可观测）。
  - 搜索努力和机会到达率（不可观测）。
  - 失业风险 \( \lambda_j \)（模型参数，需估计）。

第二步：讲最小内核¶

最简特例：假设只有两种工作类型（\( J=2 \)）： - 低保障工作（\( j=1 \)）：失业风险 \( \lambda_1 = 0.1 \)（每月 10% 概率失业）。 - 高保障工作（\( j=2 \)）：失业风险 \( \lambda_2 = 0.01 \)（每月 1% 概率失业）。

核心思路：失业疤痕的主要驱动力是“工作保障损失”——失业后工人只能找到低保障工作（\( j=1 \)），而低保障工作又导致更高的未来失业风险，形成“失业-低保障-再失业”的恶性循环。人力资本折旧（\( \delta \)）只是放大这一效应，而非主因。

在这个特例下，要证的命题： - 命题：即使人力资本折旧率 \( \delta = 0 \)（失业期间技能完全不贬值），失业仍会导致长期收入损失，因为工人从高保障工作（\( j=2 \)）跌落到低保障工作（\( j=1 \)）后，未来失业概率更高，且在职搜索难以爬回高保障工作（因为低保障工作的工人搜索效率低或机会少）。 - 证明怎么走： 1. 稳态均衡：计算两种工作类型的稳态就业概率 \( \pi_1, \pi_2 \) 和失业概率 \( u \)。 - 从 \( j=1 \) 出发：每月以概率 \( \lambda_1 \) 失业，以概率 \( p_1 \) 获得 \( j=2 \) 的工作机会（若接受）。 - 从 \( j=2 \) 出发：每月以概率 \( \lambda_2 \) 失业，以概率 \( p_1 \) 获得更好的机会（但 \( j=2 \) 已是最高，故无更好机会）。 - 解稳态方程得：\( \pi_1 > \pi_2 \)（低保障工作更常见），\( u \) 由 \( \lambda_1, \lambda_2, p_0, p_1 \) 决定。 2. 失业冲击的长期效应：假设工人初始在 \( j=2 \) 工作，遭遇失业冲击后： - 短期：工资下降（因为 \( \gamma_2 > \gamma_1 \)）。 - 长期：即使重新就业，工人更可能进入 \( j=1 \)（因为失业后搜索效率低，且 \( j=1 \) 的工作机会更多）。一旦进入 \( j=1 \)，未来失业风险 \( \lambda_1 \) 是原来的 10 倍，导致更高的再失业概率和更低的终身收入。 3. 人力资本折旧的作用：若 \( \delta > 0 \)，失业期间人力资本下降，进一步降低重新就业后的工资和搜索效率，但即使 \( \delta = 0 \)，上述“工作保障损失”效应仍存在。因此，工作保障损失是主因，人力资本折旧是放大器。

为什么成立：因为工作保障的异质性（\( \lambda_1 \gg \lambda_2 \)）本身就能产生持久效应——失业后工人“卡”在低保障工作阶梯上，难以爬回高保障工作。这不需要人力资本折旧来解释。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：失业疤痕（长期收入损失）的主要驱动力是什么？是人力资本折旧还是工作保障损失？
核心工具/方法：构建了一个包含工作保障异质性和在职搜索的摩擦性劳动力市场均衡模型，并用德国社会保障数据（SIAB）进行结构估计（模拟矩估计 SMM）。
主要结论：失业疤痕的主要驱动力是“工作保障损失”——失业后工人只能找到低保障（高失业风险）的工作，这种损失与人力资本演化和在职搜索行为相互作用，形成持久影响。人力资本折旧仅起放大作用。

关键设定与假设¶

假设 1：工作保障异质性（关键创新）：工作按失业风险 \( \lambda_j \) 排序，\( \lambda_j \) 外生给定且随 \( j \) 递减。相比已有文献（如 Burdett & Mortensen 1998 假设工作同质），这是放宽了同质性假设。
假设 2：在职搜索：工人就业时仍可搜索更好的工作，但搜索效率低于失业时。这是标准假设（如 Mortensen & Pissarides 1994），但本文将其与工作保障异质性结合。
假设 3：人力资本折旧：失业期间人力资本以恒定速率 \( \delta \) 折旧，就业期间不变。这是强化了已有模型（如 Ljungqvist & Sargent 1998 假设折旧率随时间变化），但作者通过敏感性分析检验了其稳健性。
假设 4：工资由 Nash 谈判决定：工资取决于人力资本和工作类型溢价。这是标准假设，但作者未考虑工资谈判中的动态契约（如 Postel-Vinay & Robin 2002），可能简化了现实。
假设 5：模型为稳态均衡：假设劳动力市场处于稳态，忽略宏观经济波动。这是限制，但作者通过模拟验证了模型在非稳态下的稳健性。

主要结果¶

核心量化结论：
- 失业后 5 年，工人的平均工资损失约为 20%（与 Jacobson et al. 1993 一致）。
- 模型分解显示：工作保障损失解释了约 70% 的长期工资损失，人力资本折旧仅解释约 30%。
- 失业后工人的失业风险（再失业概率）永久性上升约 50%，主要归因于工作保障损失。
与 baseline 对比：
- 与纯人力资本折旧模型（\( \lambda_j \) 同质）对比：后者预测的工资损失仅为 5-10%，远小于实证值。
- 与纯搜索摩擦模型（\( \delta = 0 \)）对比：后者预测的工资损失约为 15%，接近实证值，但无法解释失业风险的上升。
稳健性：
- 改变人力资本折旧率 \( \delta \) 的设定（如允许折旧率随时间递减），结论不变。
- 改变搜索效率参数（如失业搜索效率 vs. 在职搜索效率），工作保障损失仍为主因。

证明路线与技术技巧（理论型必写，要具体）¶

整体路线（3-5 步逻辑主干）： 1. 模型构建：定义状态空间（就业状态、工作类型、人力资本），写出值函数 \( V(e, j, h) \) 和 Bellman 方程。 2. 均衡求解：给定参数 \( \theta \)，求解稳态均衡——即找到工人的最优搜索/接受策略和工资函数，使得劳动力市场流量平衡。 3. 模拟矩估计（SMM）： - 从德国社会保障数据中计算一组目标矩（target moments），如失业持续时间分布、工资分布、失业后工资路径等。 - 对每个候选参数 \( \theta \)，模拟模型生成人工数据，计算模拟矩。 - 最小化模拟矩与目标矩的加权距离（使用最优权重矩阵）。 4. 机制分解：在估计的模型上，进行反事实模拟： - 关闭工作保障异质性（设所有工作 \( \lambda_j \) 相等），计算失业疤痕大小。 - 关闭人力资本折旧（设 \( \delta = 0 \)），计算失业疤痕大小。 - 比较两者，得出工作保障损失为主因的结论。 5. 模型验证：用模型预测未用于估计的矩（如失业后工资的长期动态），与实证数据对比，检验模型拟合度。

关键跳跃点： - 难点 1：工作保障异质性的识别：在观测数据中，工作类型 \( j \) 是潜变量，如何区分“低保障工作”和“高保障工作”？作者通过失业风险的反向推断：在模型中，工人的失业风险由其工作类型决定，而失业风险可以从数据中的失业持续时间分布推断。具体地，作者假设失业风险 \( \lambda_j \) 服从一个参数化分布（如 Gamma 分布），通过 SMM 同时估计 \( \lambda_j \) 的分布和工人的工作类型分配。 - 难点 2：在职搜索与工作保障的交互：在职搜索允许工人从低保障工作爬向高保障工作，但低保障工作的工人搜索效率可能更低（因为工作压力大、时间少）。作者通过引入搜索效率异质性（低保障工作的搜索效率为 \( p_1 \)，高保障工作的搜索效率为 \( p_2 \)，且 \( p_1 < p_2 \)）来捕捉这一交互，但这一假设缺乏微观证据支持。

技术技巧点名： - 模拟矩估计（SMM）：用于校准模型参数，属于 M-estimation 的变体。作者使用最优权重矩阵（基于目标矩的协方差矩阵）来提高效率。 - 值函数迭代：用于求解 Bellman 方程，属于数值动态规划的标准方法。 - 反事实模拟：用于机制分解，通过“关闭”特定机制（如设 \( \delta = 0 \)）来量化其贡献。

真实例子与应用¶

用的什么数据/场景：德国社会保障数据（SIAB），包含 1975-2010 年约 2% 的德国工人样本，涵盖就业状态、工资、失业持续时间等信息。作者聚焦于 1990-2005 年的男性工人，排除东德和移民。
怎么把本文方法用上去：
1. 从数据中计算目标矩：失业持续时间分布、工资分布、失业后 5 年工资路径、失业后 5 年就业率等。
2. 用 SMM 估计模型参数，得到工作保障分布 \( \lambda_j \)、人力资本折旧率 \( \delta \)、搜索效率参数等。
3. 用估计的模型进行反事实模拟：分别关闭工作保障异质性和人力资本折旧，计算失业疤痕大小。
得到什么结果：如上所述，工作保障损失解释了约 70% 的长期工资损失。
这个例子想说明什么：验证理论（工作保障损失是主因），并展示结构模型在机制分解中的优势——传统 DID 或 IV 方法只能估计平均处理效应，无法区分不同机制的贡献。

🔎 结论是否比证明窄¶

窄结论：作者在结论中声称“工作保障损失是失业疤痕的主要驱动力”，但这一结论严格依赖于模型假设（特别是工作保障异质性的参数化形式和搜索效率异质性的设定）。作者在稳健性检验中仅改变了人力资本折旧率，未检验工作保障分布形式（如假设 \( \lambda_j \) 服从对数正态 vs. Gamma）的敏感性。因此，结论的外部有效性（推广到其他劳动力市场或时间段）存疑。
泛化 claim：作者在引言中暗示模型可推广到其他国家的劳动力市场，但未提供任何跨国比较证据。这一 claim 属于 conjecture，而非严格证明。

四、开放问题¶

工作保障异质性的微观基础：本文假设工作保障 \( \lambda_j \) 是外生给定的，但现实中工作保障可能由企业内生决定（如企业规模、行业周期）。如何将企业层面的决策纳入模型？扎根于本文假设 1（工作保障外生性）。
搜索效率异质性的识别：本文假设低保障工作的搜索效率低于高保障工作，但这一假设缺乏微观证据。能否用实验数据（如随机提供搜索培训）来识别搜索效率的异质性？扎根于本文对搜索效率参数的设定（未做敏感性分析）。
非稳态动态：本文假设稳态均衡，但失业疤痕在宏观经济衰退期可能更严重（因为工作机会更少）。如何将模型扩展到非稳态（如引入时间变化的 \( \lambda_j \) 或搜索效率）？扎根于本文假设 5（稳态均衡）。
与因果推断方法的桥接：本文的结构估计方法提供了机制分解，但无法像 IV 或 DID 那样提供干净的因果识别。能否将结构模型与因果推断方法（如 DML）结合，在更弱的假设下识别工作保障损失的因果效应？扎根于本文未引用的因果推断文献（如 von Wachter et al. 2009）。

Maintained by 陈星宇 · Homepage · Source on GitHub