.png){kind=icon}
.png){kind=icon}
返回
Machine learning for labor market matching
.png){kind=icon}
OA
AI
DOI：10.1016/j.mlwa.2026.100861.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文开发了一个大规模机器学习框架，利用丰富的行政数据改进劳动力市场匹配。匹配被定义为求职者进入特定职业领域的就业。我们利用德国的综合就业履历数据，涵盖个人特征和与工作相关的信息，以估计各职业的就业概率并生成个性化工作推荐。其贡献在于展示了机器学习方法为何特别适用于行政劳动力市场数据，并优于传统统计方法。我们比较了Logit、普通最小二乘法（OLS）、k近邻和随机森林（RF）。RF始终达到最高的预测性能。其优势源于关键的方法论特性：RF构建基于自助样本训练的决策树集成，在每个分裂时引入随机特征选择，并通过多数投票聚合预测。这使得RF能够捕捉非线性关系和复杂交互，在高维设置中保持稳健，并减少过拟合——这些特征对异质且不平衡的行政数据尤为重要。与常规模型相比，RF能更好地利用就业历史的全部信息内容，尤其是在估算所有就业期而非仅限于失业到就业的转换时。样本包含约5500万个就业期，代表2012年至2018年间德国劳动力总数的约6%。我们的结果表明，相对于标准统计方法，基于机器学习的匹配理论上可降低高达0.3个百分点的失业率，凸显了基于RF的决策支持在劳动力市场政策中的实践相关性。
Keyword:
Classification
Job recommendations
Machine learning
Random forest
Unemployment
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。