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. 大型语言模型快速发展，但其对就业市场的影响，特别是潜在的岗位流失，是当前关注的核心问题。
  2. 该研究采用合成差分法，量化分析了不同职业对LLM的暴露程度与收入、失业率之间的关系。
  3. 研究发现，LLM的引入在短期内提高了高暴露职业的收入，但并未显著改变失业率，表明调整主要体现在收入层面。

📝 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（Synthetic Difference in Differences），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，高度暴露的职业的从业者收入有所增加，而失业率没有明显变化。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：论文旨在研究大型语言模型（LLM）的快速发展对劳动力市场产生的短期影响，特别是对不同职业的收入和失业率的影响。现有方法难以准确评估LLM这种新兴技术对劳动力市场的具体影响，缺乏量化的分析框架。

核心思路：论文的核心思路是利用合成差分法（Synthetic Difference in Differences），将不同职业根据其对LLM的暴露程度进行分组，构建一个“合成控制组”，用于模拟如果没有LLM影响的情况下，高暴露组的收入和失业率变化情况。通过比较实际观测到的高暴露组的变化与合成控制组的变化，从而估计LLM带来的影响。

技术框架：该研究的技术框架主要包括以下几个步骤：1) 确定研究对象：选择受LLM影响较大的职业作为研究对象。2) 计算LLM暴露程度：量化不同职业对LLM的暴露程度，作为分组的依据。3) 构建合成控制组：利用合成差分法，为高暴露组构建一个合成控制组，该控制组由低暴露组的加权平均构成，权重通过优化算法确定，使得控制组在LLM引入前与高暴露组的收入和失业率趋势尽可能相似。4) 估计影响：比较LLM引入后，高暴露组的实际变化与合成控制组的变化，差值即为LLM带来的影响估计。

关键创新：该研究的关键创新在于将合成差分法应用于分析LLM对劳动力市场的影响。合成差分法能够有效控制混淆因素，提供更可靠的因果推断。与传统回归分析相比，合成差分法能够更好地处理非平行趋势问题，从而更准确地估计LLM的影响。

关键设计：论文的关键设计包括：1) LLM暴露程度的量化方法，需要选择合适的指标来衡量不同职业对LLM的依赖程度。2) 合成控制组的构建，需要选择合适的优化算法和权重约束，以确保合成控制组的有效性。3) 结果的稳健性检验，需要进行多种敏感性分析，以验证结果的可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

研究发现，在ChatGPT推出后，对LLM高度暴露的职业的从业者收入有所增加，但失业率没有明显变化。这表明LLM在短期内主要通过提高生产力来增加收入，而非直接导致大规模的岗位流失。该结果为理解LLM对劳动力市场的影响提供了重要的实证证据。

🎯 应用场景

该研究成果可应用于评估新兴技术对劳动力市场的影响，为政府制定相关政策提供参考。例如，可以用于预测未来哪些职业可能受到AI技术的影响，从而提前进行职业培训和技能提升，缓解技术变革带来的就业压力。此外，该方法还可以推广到其他技术领域，评估其对经济和社会的影响。

📄 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.