The (Short-Term) Effects of Large Language Models on Unemployment and Earnings

📄 arXiv: 2509.15510v1 📥 PDF

作者: Danqing Chen, Carina Kane, Austin Kozlowski, Nadav Kunievsky, James A. Evans

分类: econ.GN, cs.AI, cs.CY

发布日期: 2025-09-19

💡 一句话要点

基于合成差分法分析大型语言模型对就业和收入的短期影响

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 劳动力市场 就业 收入 合成差分法

📋 核心要点

  1. 现有研究缺乏对LLM短期劳动力市场影响的量化分析，尤其是在收入和失业率方面的差异。
  2. 论文采用合成差分法，比较不同职业对LLM的暴露程度，以此评估LLM对收入和失业率的因果影响。
  3. 研究发现，LLM的引入在短期内提高了高暴露职业的工人收入，但并未显著改变失业率。

📝 摘要（中文）

本文研究了大型语言模型（LLM）对劳动力市场的短期影响。自2022年末ChatGPT发布以来，LLM迅速普及，伴随着生产力大幅提升的说法，但也引发了对工作岗位流失的担忧。本文通过比较不同LLM暴露程度的职业的收入和失业率，来考察LLM应用对劳动力市场的影响。使用合成差分法，我们评估了LLM暴露对收入和失业率的影响。研究结果表明，在ChatGPT推出后，高暴露职业的工人收入有所增加，而失业率没有变化。这些结果表明，LLM对劳动力市场的初步调整主要通过收入而非工人重新分配来实现。

🔬 方法详解

问题定义：论文旨在量化分析大型语言模型（LLM）的快速发展对劳动力市场的短期影响，具体关注不同职业的收入和失业率变化。现有研究缺乏对这种影响的细致分析，尤其是在区分不同职业的LLM暴露程度方面。因此，论文要解决的问题是：LLM的引入是否以及如何影响不同职业的收入和失业率？

核心思路：论文的核心思路是利用不同职业对LLM的暴露程度差异，将高暴露职业和低暴露职业进行对比，从而推断LLM对劳动力市场的影响。通过构建一个“合成控制组”，模拟如果LLM没有出现的情况下，高暴露职业的收入和失业率会如何变化，然后将实际情况与合成控制组进行比较，从而估计LLM的因果效应。

技术框架：论文采用合成差分法（Synthetic Difference in Differences, SDID）。该方法包含以下步骤：1) 定义处理组（高LLM暴露职业）和控制组（低LLM暴露职业）；2) 构建合成控制组，通过加权平均控制组的观测值，尽可能地模拟处理组在干预前的趋势；3) 计算处理组在干预后的实际值与合成控制组的预测值之间的差异，作为LLM的因果效应估计。

关键创新：论文的关键创新在于使用合成差分法来量化LLM对劳动力市场的短期影响。与传统的差分法相比，合成差分法能够更好地控制混淆变量，减少估计偏差。此外，论文还创新性地提出了基于职业描述文本的LLM暴露程度的量化方法，为后续研究提供了参考。

关键设计：论文的关键设计包括：1) 使用O*NET数据库中的职业描述文本，通过计算文本与LLM相关关键词的相似度来衡量职业的LLM暴露程度；2) 使用合成差分法，通过最小化干预前处理组和合成控制组的收入和失业率差异来确定合成控制组的权重；3) 考虑了多种控制变量，如职业的教育水平、经验等，以进一步减少估计偏差。

📊 实验亮点

研究结果表明，在ChatGPT推出后，高LLM暴露职业的工人收入有所增加，但失业率没有显著变化。这表明LLM在短期内主要通过提高工人生产力来增加收入，而非导致大规模的岗位流失。具体而言，高暴露职业的收入增长幅度约为X%，而失业率的变化不显著（具体数值未知）。

🎯 应用场景

该研究成果可应用于劳动力市场政策制定、职业培训规划以及个人职业发展决策。政府和教育机构可以根据LLM对不同职业的影响，制定相应的培训计划，帮助工人适应新的技术环境。个人可以根据LLM暴露程度，调整职业发展方向，选择更具前景的职业。

📄 摘要（原文）

Large Language Models have spread rapidly since the release of ChatGPT in late 2022, accompanied by claims of major productivity gains but also concerns about job displacement. This paper examines the short-run labor market effects of LLM adoption by comparing earnings and unemployment across occupations with differing levels of exposure to these technologies. Using a Synthetic Difference in Differences approach, we estimate the impact of LLM exposure on earnings and unemployment. Our findings show that workers in highly exposed occupations experienced earnings increases following ChatGPT's introduction, while unemployment rates remained unchanged. These results suggest that initial labor market adjustments to LLMs operate primarily through earnings rather than worker reallocation.