科技發展如何影響就業和教育

科學

更好地了解科學技術的發展如何影響新職業的創造以及隨後的教育計劃變化,可以幫助社會各階層的決策者。 通過研發工作,創新得以實現,從而創造了新的職業,並且需要在這些新領域具有專業知識的員工。 為了滿足需求,大學和學院經常修改其程序以解決這些需求。 本文描述了一些數據源,這些數據源可能有助於我們探索行業進步,新興職業和教育變化之間的關係。

在本文中,我探討了人們如何理解科學,工程,數學和技術進步對就業和教育的影響,最終目的是預測何時可能發生這些變化。總體概念是,隨著技術的不斷發展和完善,科學技術的新發展已廣泛應用於工業。這導致雇主對新領域的專業知識的需求,並且常常導致新職業的定義。通常在這一點上,大學和學院會修改其課程,以解決雇主填補新的職業專業的需求。例如,過去五年左右,雇主對大數據,預測分析和機器學習方面的專業知識的需求促使許多大學創建了數據科學學位課程。

我在本文中描述了幾個數據源,其中大部分來自美國聯邦政府。我們需要有關該過程各個階段的信息(例如科學技術的進步,就業和行業的變化以及大學的新學位和證書課程),以了解歷史趨勢以及各個部分之間的相互作用。最有用的信息可能來自職業和行業的變化,這應該反映在分類系統中,例如北美行業分類系統(NAICS)和標準職業分類(SOC)系統。因此,我將在本文中介紹這些系統。

美國多年來一直為研究與開發(R&D)提供聯邦資金,其中國防部,衛生與公共服務部,能源部,國家科學基金會(NSF),美國國家航空航天局(NASA), 農業部和商務部(1)。 我們可以使用有關政府資助計劃的信息,已發布的學科時間表(例如計算機科學,統計學,數學,科學)以及國家科學和工程統計中心的數據來確定科學技術發展的歷史趨勢。

在整篇文章中,我根據歷史趨勢和科學技術發展,職業和大學環境的變化,提出了一些研究方向來解釋這些相互作用。

勞工統計局的就業預測

勞工統計局(BLS)自1960年以來一直在發布就業預測,目的是向學生,求職者和決策者提供有關職業機會的信息。 美國勞工統計局每2年發布一份未來300年不同行業和800個職業的預計就業數據。 2017年10月發布了2016-2026年的最新預測(2)。 我在此描述該過程,因為它為我們提供了行業與職業就業之間相互作用的概念的信息。

就業預測過程包括一系列六個主要的建模步驟,如圖1(3)所示。 每個步驟均基於不同的模型,流程和相關假設(4)。 重要的是要注意,重要的假設是在不同的建模步驟中做出的,例如用於總體經濟預測的宏模型中的完全就業假設。 BLS(4)清楚地描述了所有建模假設。

該過程的總體邏輯如下。 首先,未來就業的主要動力是勞動力人數。 反過來,可用工人的數量將影響未來經濟中可能的生產率和需求水平。 隨後,這推動了實現預期生產力和需求水平所需的行業產出和就業。 我簡要介紹了這些步驟; 有關更多信息,請訪問BLS就業預測網站(5)。

勞動力預測。

美國勞工統計局通過使用人口普查局對美國常住人口的預測數據來獲得目標年份的勞動力預測(6)。人口普查局根據有關生育率,死亡率和國際淨移民的不同假設(高,中,低等)來預測人口規模。 BLS使用中層投影。淨國際移徙對所有年齡段都有直接影響,並有可能顯著改變未來勞動力的構成以及預計的國內生產總值(GDP)構成。

未來的居民人口水平必須轉換為預計的非機構平民人口。兒童將不會參加勞動,因此減去了0至15歲年齡段的預計兒童人數。接下來,減去武裝部隊中的人數,以獲得預計的平民人口。這是針對基於年齡,性別,種族和種族的類別完成的。還從每個組中減去機構(例如監獄,療養院)中的人數估計。

需要從非機構常住人口轉換為勞動力,以匹配從當前人口調查獲得的勞動力參與率。通過首先基於運行中位數對比率進行平滑,將平滑的比率轉換為對數,擬合直線,延伸到目標年份並轉換回比率,可以將勞動力參與率預測到目標年份。每個組(年齡,性別,種族和種族)的預計參與率乘以民間非機構人口的相應預測。這樣就得出了每個組的預計勞動力,將它們相加即可得出總的平民勞動力。

總體經濟預測。

未來勞動力的預計規模是用於對總體經濟進行宏觀經濟預測的重要變量,這是該過程的下一步。 BLS使用由Macroeconomic Advisers,LLC許可的模型。 該模型旨在在目標時期結束時提供全面解決方案。 [這是假設任何失業都是摩擦性的(僱員離職以獲得更好的職位),並且有足夠的需求供每個願意工作的人工作。]除了勞動力的規模,模型中的其他外部變量是能源價格 以及有關財政政策的假設。 此模型提供有關預計就業,產出,價格,生產率等的信息。 預計就業的最重要變量是非農就業人數,勞動生產率和GDP。 這些變量限制了行業的產出和就業預測。

行業預測。

預計需求是確定未來工作的關鍵因素。在此步驟中,將宏觀經濟模型對最終需求的預測分解為詳細的類別。這些用於估計在每個類別中購買的商品的類型。輸出是最終需求矩陣,其中行對應於需求類別,列表示商品組。這導致GDP的詳細分佈,從而提供了行業間經濟模型的需求組成部分。

GDP著眼於向最終購買者的銷售,而不是創造最終產品所需的中間購買。例如,國內生產總值將包括購買汽車,但不包括用於製造汽車的鋼材。在該過程的此步驟中,投入產出(I-O)模型產生了生產給定GDP所需的產出和就業的行業水平估計。

I-O模型需要四個表。使用表顯示了按行業分類的商品使用情況,製造表顯示了每個行業的商品產量。將它們轉換為係數形式,然後分別用於導出直接需求表和市場份額表。直接需求表顯示了行業在生產過程中如何使用商品,而市場份額表則顯示了每個行業的商品產量。

職業就業。

勞工統計局在此最後步驟中製定職業就業預測,並將其發佈在《國家就業矩陣》中。 該矩陣提供有關工資和薪金行業內不同職業的詳細職業的就業信息。 這些是非農的工資和薪水工作(最大的群體),自僱工人,農業工人和私人家庭工人的數量。 提供了基準年和目標年的信息。

BLS探索了可能會影響行業內某個職業需求的幾個因素。 其中包括技術創新,生產方法的變更,產品更換等。 有趣的是,BLS還對由於員工遷移到其他職位或離開勞動力而導致的離職所造成的職位空缺數量進行建模和估算,並將此信息包括在“國家就業矩陣”中。

產業與技術發展

如上一節所述,行業需求的變化和技術創新是影響未來職業就業的重要因素。此外,由BLS發布的預計就業是針對詳細的行業和職業。因此,我描述了BLS和其他聯邦機構使用的行業分類系統。這些系統為將代碼分配給企業提供了一個框架,允許隨著時間的推移進行一致的數據收集和行業經濟統計分析。

聯邦統計機構於1939年使用標準工業分類(SIC)系統,該系統由前預算局(現在為管理和預算辦公室(OMB))首次發布。像所有分類系統一樣,它會定期更新。但是,經濟變化,例如新興的面向服務的經濟,計算機使用的增加,技術的迅速發展以及全球化,促使人們需要更改行業分類系統。

1992年,OMB成立了經濟分類政策委員會,以開發新的行業分類系統。該委員會與加拿大和墨西哥的統計機構合作開發了NAICS。與SIC系統相反,該系統基於生產,消除了定義上的差異,並專注於新興的經濟活動。 NAICS於1997年首次引入,部分原因是為了解決與製造相關的服務增加,這需要在行業編碼系統中加以考慮。定期審核NAICS以反映北美經濟的變化(7,8)。

NAICS使用六位數的分層編碼系統。 它把經濟活動分為20個行業。 這些部門可以分為主要是商品生產或服務提供部門。 例如,圖2顯示了兩位數字級別的NAICS代碼的樣本。經濟分析通常使用三位甚至六位級別的更詳細的NAICS代碼。

科學技術的發展。

美國聯邦政府提供的資金也許是推動行業和學術界推動科學技術發展的主要驅動力之一。了解政府在研發方面的投資將有助於了解多年來的技術發展情況。美國科學發展協會(AAAS)提供了極好的資源,用於由研發機構提供有關聯邦資助的歷史信息和數據(9)。

聯邦資助機構的計劃官員和經理根據對新興技術發展的了解和知識來設計研究計劃。他們的動機是為有前途的新思想和研究提供資金,以造福我們的國家,並促進創新。例如,投資於新藥開發的聯邦資金可以挽救生命並創造新的就業機會。

與陸軍,海軍和空軍有關的國防部(DoD)機構在基礎研究和應用研究方面都有資助的歷史,而DoD在聯邦研發資金中所佔份額最大(9)。最長的國防部資助機構是海軍研究辦公室(ONR)(10)。 ONR成立於1946年,以繼續第二次世界大戰期間開始的政府,學術界和工業界之間的合作,從而帶來了許多技術創新。有趣的是,ONR早於成立於1950年的NSF。

我將以ONR為例,討論如何收集有關聯邦政府用於研發的資金的歷史信息。研究議程和徵集建議會在招標或廣泛的機構公告中發布。可以在ONR網站(11)上獲得有關其計劃的當前和過去的招標信息,並且也可以在其他資助機構的網站上獲得類似的信息。還有另外兩個潛在有用的資金數據來源:小型企業創新研究(SBIR)計劃和多學科大學研究計劃(MURI)。這兩個計劃與軍隊的所有部門有關,而不僅僅是海軍。

MURI為資助跨學科的學術研究團隊付出了巨大的努力。主題由國防部計劃官員每年提出,並根據其產生對國防和商業應用至關重要的雙重用途技術的潛力來選擇。 MURI獎項的資助水平通常高於單一研究者獎項,以促進創新並加速研究。

SBIR計劃向小型企業提供資金,以支持和刺激工業技術創新。像MURI計劃一樣,SBIR主題是由參與聯邦機構的計劃官員制定的(12),它們反映了進一步開發和商業化研究與技術進步的機會。過去10年的SBIR主題可在網上獲得(13)。

工商業也為研發提供資金。這些投資的數據是通過商業研發和創新調查收集的,該調查是由美國國家科學和工程統計中心的人口普查局進行的一項調查(14)。這是對製造業和非製造業行業公司的年度調查。該調查提供了有關各個NAICS級別的資金水平,資金類型,就業,職業,創新和知識產權的信息。

科學技術的時間表。

數學,統計學,計算機科學,物理學和工程學等各個學科的重大進步的時間表也可以提供參考。這些都存在於Web上,簡單的搜索將提供許多資源和時間表。但是,基於Web的來源可能不可靠且容易出錯,因此使用來自政府機構,知名公司和專業協會的數據是明智的。

關於科學和技術如何隨著時間變化的其他潛在信息來源是專業協會,例如AAAS,計算機協會和美國物理學會。這些大型的專業協會通常會有一些小組專注於其學科中的特定主題領域。這些團體的歷史發展可以提供科學和技術進步的時間表。例如,美國統計協會(ASA)的各個部分側重於統計的特定領域或應用。通常,只要在區域和成員資格方面有足夠的進步來證明該部分是合理的,就可以建立這些部分。

Leave a Reply