In “Occupational mobility and automation: a data-driven network model,” del Rio-Chanona et al. (2021) sviluppano un approccio per analizzare come i lavoratori si muovono attraverso una rete di mobilità occupazionale in risposta a scenari di automazione. Gli autori costruiscono un grafo in cui i nodi rappresentano le occupazioni e gli archi corrispondono alla probabilità di transizione dei lavoratori tra di esse.
Shibata (2019) introduce un modello di Markov nascosto (HMM) per analizzare le dinamiche del mercato del lavoro, sfidando l'approccio standard basato su processi di Markov del primo ordine (FOM) tipicamente utilizzato nella letteratura economica del lavoro. Utilizzando dati del Current Population Survey (CPS), l'autore dimostra che l'HMM supera significativamente i modelli tradizionali nella previsione delle transizioni del mercato del lavoro su un orizzonte di 15 mesi.
Il paper è presentato qui: https://labourcomplexity.montaletti.com/sintesi-di-predicting-labor-market-competition-leveraging-interfirm-network
Il codice è disponibile a questo link: https://github.com/gmontaletti/labour-complexity/blob/main/R/Labour_market_competition.R
Liu, Pant e Sheng sviluppano un modello per prevedere la competizione nel mercato del lavoro tra aziende, utilizzando dati sulle competenze dei dipendenti e reti di movimento dei lavoratori tra imprese.
López, Guerrero e Axtell (2020) sviluppano un quadro teorico basato sulle reti per comprendere i flussi di lavoro tra imprese.
“A network analytical approach to the study of labour market mobility”
Saygin, Weber e Weynandt (2014) analizzano l'influenza delle reti sociali di origine lavorativa sui risultati della ricerca di impiego per i lavoratori licenziati a seguito delle chiusure aziendali.