Job and Workers Flows in Europe and the US: Specific Skills or Employment Protection?
Notice bibliographique
Résumé
There is more resistance to layoffs in continental Europe than in the U.S. At the same\ntime, there is some evidence that employed European workers are more productive than their American counterparts. We reconcile these two facts by proposing that some institutions, such as Employment Protection Legislation (EPL), induce workers to invest in and develop job specific skills, making them more productive and leading to costly displacement as these types of skills are lost upon separation from the employer. It is also well established that mobility patterns -flows in and out of unemployment or even movements from job to job, are reduced in continental Europe relative to the U.S. The possibility to invest in skill improvement introduces a complementarity between EPL and the investment decision: more stable matches increase the incentive to accumulate specific skills; but also more productive matches are broken less frequently; hence there is a “mutliplier” effect arising from this complementarity. To quantitatively assess all these propositions, we built a tractable asymmetric information matching model featuring all types of transitions out of employment: layoffs, quits to unemployment and job-to-job transitions. We find that EPL does induce workers to invest more in human capital and may help explain greater resistance to layoffs in Europe. We find that flows out of employment are indeed reduced by EPL. However, allowing for skill investment does not generate any strong multiplier due to the fact several new effects are at play keeping unemployment duration at a low level and thus putting downward pressure on the multiplier. The conclusion of all this may be that EPL matters for explaining specialization and low movements out of jobs, but that low movements out of unemployment may be better explained by other institutions such as unemployment benefits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».