在线劳动力市场 (OLM) 有望减轻线下劳动力市场中持续存在的摩擦，例如技能不匹配、距离和工人流动成本。在COVID-19 大流行期间，用于协调和沟通的在线工具广泛应用于各种场景。这种现象提出了一个问题：OLM 是否有助于克服线下经济活动的局限性？如果有，那么它可以提供何种程度的帮助？

背景介绍

研究涉及三个方面。首先，大量文献对线上和线下经济活动之间的替代模式感兴趣，特别是对劳动力市场的替代模式。其次，重点关注“微观任务”平台作为在线劳动力的一种形式及其用户的人口特征，这些用户通常被称为众包工作者。最后，研究数字市场和经济不平等情况。

线上经济替代线下经济

过去的研究表明，失业率每增加 1%，复杂的“宏观任务”（例如软件开发）的OLM参与率就会增加 21.8%，而针对“微观任务”的研究较少。由于“微观任务”是可分割的并且需要较少的技能，因此OLM的进入壁垒要低得多。

“微观任务”是在线劳动的一种形式

过去的研究表明，在在线劳动中，金钱激励是最重要的驱动因素，其他动机包括高度的自主性、公平性、责任感，也包括娱乐和学习。且基于Amazon Mechanical Turk平台的用户研究表明，大多数众包工作者都受过高等教育，拥有大学或高级学位，而且在线劳动力平台往往以男性为主。考虑到“微观任务”的灵活性，人们认为“微观任务”对女性比男性更有价值，这一发现令人惊讶。

数字市场和不平等

基于在线劳动力市场oDesk的研究表明，雇佣关系以南北交换为主，雇主主要在高收入国家，承包商主要在低收入国家。由于长尾效应，OLM 可能有利于具有垂直差异化（即高素质执行者）或水平差异化技能（即利基执行者）或低成本执行者的承包商，而那些具有平庸质量、普通技能或较高成本的劳动者将处于不利地位。

研究数据

研究结合了平台活动信息与美国当地劳动力市场的管理数据，还使用了美国劳工统计局就业和工资季度普查 (QCEW) 中按行业划分的工资和就业数据。将709个潜在通勤区域的数据与平台数据合并后，获得了657个当地劳动力市场的样本，并在2011年1月至2015年12月期间进行了20个季度观察。最终数据集包含13140个通勤区域季度样本。为了反映任务的复杂性，研究定义了完成任务需要多少努力的三个类别：低复杂性、中复杂性和高复杂性。

数据分为三个层面。在平台层面上，数据包括新注册用户人数，活跃用户人数（分为新注册和老用户），任务数量，工作时长，薪资水平。在劳动力层面上，数据包括劳动力数量，失业率，线下劳动收入。在人口统计方面，数据包括人种数据、性别数据、年龄分数数据、受教育情况数据、本地Facebook好友数量数据。

研究方法与确定

劳动者在提供线上劳动前会进行两个决定：首先，他们决定是否在OLM注册账号，其次，他们决定在OLM投入多少劳动时间。由于“微观任务“的准入门槛底，可以假设所有在在线劳动平台注册账号的用户都有能力进行相关工作。

对于第一个决定，研究劳动力在面对失业时，如何决定是否在OLM注册。通过建模得到在线劳动力供给相对于失业率的弹性：

𝜂𝑈𝑅 = 𝛽𝑈𝑅𝑐,𝑡(1 − 𝑠𝑐,𝑡)

其中 𝑈𝑅𝑐,𝑡 即在t时间、c通勤区域内的失业率，𝑠𝑐,𝑡 表示通勤区域c中在第t季度在平台上注册或在该季度执行至少一项任务的个人比例。

对于第二个决定，研究对工作人员在平台上注册后工作多少小时以及执行哪些任务的决策进行了建模。注册工人拥有时间禀赋，可以选择花多少时间在平台上工作。这种选择取决于执行潜在任务的负效用以及补偿，即保留工资。对于吸引力较小或要求较高的任务，以及需要更高机会成本方可完成的任务（如可以在平台外获得合适的收入），预留工资较高。根据建模得出任务供给相对于工资的弹性：

𝜂𝑤 = (𝛽 + 𝛾𝑈𝑅𝑐,𝑡)𝑤𝑗,𝑡(1 − 𝑠𝑐,𝑗,𝑡)

其中 𝑤𝑗,𝑡为j工作在t时间的全球平均工资，𝑠𝑐,𝑗,𝑡为工人在时间t时在通勤区域c执行任务j所花费的时间比例。

通过带入收集到的数据、使用Barkit工具变量解决劳动供给的外部性变化后，经过稳健性检验和以得到以下结论：

结论

教育程度较低且与世界各地其他工人竞争的失业工人都会对OLM感兴趣。OLM的注册量与当地的失业率存在显著的正相关关系，地区失业率每增加 1%，导致新注册用户数量增加 0.8%，用户数量增加 0.67%。

低技能要求的“微观任务“相对于失业的劳动力供给弹性明显小于对熟练在线劳动力的弹性。即每1%的失业率上升带来的在线就业约为11.4%，是高技能自由职业增长 21.8% 的一半。

在白人、男性、25~44岁之间、未能大学毕业的劳动人口比例较高的区域，失业与平台注册的关系更加紧密。

与之前的研究一致，线上劳动力供给的弹性低于线下就业的弹性。当失业率较高时，工资估值较高。

分析上午7点至11点期间的在线劳动情况，结果表明失业对在线劳动力供应产生了强烈的积极影响，个人会用在线劳动力替代线下收入，而不是仅仅作为线下收入的补充。

研究贡献与意义

与其他在线劳动力市场相比，本文研究的“微观任务”处理可以被更广泛的公众使用。研究利用“微观任务”的粒度特性，揭示了“微观任务”的劳动力供应如何随失业和一天中的时间而变化。当失业率上升时，“微观任务”平台会吸引新员工，受教育程度参差不齐的工人将其视为失业时期创收的一种选择。在人口老龄化、受教育程度较低的地区，这种影响更大。研究结论还具有以下意义：

随着平台变得越来越先进和人工智能的不断发展，OLM中的劳动数据可以成为训练人工智能的重要输入。

研究明确了OLM会吸引技术能力较低的工人的明确模式，这将有助于平台运营者指定战略以促进平台健康发展。

用于“微观任务”处理的OLM可以减轻劳动力供需之间的区域错配情况。

参考文献:

Ulrich Laitenberger, Steffen Viete, Olga Slivko, Michael Kummer, Kathrin Borchert, and Matthias Hirth. Unemployment and online labor: Evidence from microtasking. MIS Quarterly Vol. 47 No. 2, pp. 771-802/June 2023

DOI: https://doi.org/10.25300/MISQ/2022/17347

文章链接：https://misq.umn.edu/unemployment-and-online-labor-evidence-from-microtasking.html

作者介绍：

Ulrich Laitenberger

Position: Associate Professor, Tilburg School of Economics and Management (TiSEM), Tilburg University

Area: Empirical Industrial Organization, Competition Policy, Digital markets and platforms

Site: https://www.telecom-paris.fr/ulrich-laitenberger?l=en

Email: u.m.laitenberger@uvt.nl

Steffen Viete

Position: Senior Economist at KfW, Frankfurt, Hessen, Deutschland

Site: https://de.linkedin.com/in/steffen-viete-1055b720a

Area: User-Generated Content

Email: steffen.viete@kfw.de

Olga Slivko

Position: Assistant Professor, Department of Technology and Operations Management, Rotterdam School of Management (RSM), Erasmus University Rotterdam

Area: Drivers of UGC, Platform Governance Mechanisms and Policy Regulations

Site: https://www.rsm.nl/people/olga-slivko/

Email: slivko@rsm.nl

Michael Kummer

Position: Assistant Professor at the University of East Anglia in Norwich, UK.

Area: Information Technologies, Privacy, Networks and in Competition in Online Markets

Site: https://sites.google.com/view/michaelkummer/home

Emial: M.Kummer@uea.ac.uk

Kathrin Borchert

Position: PhD Student, Department of Computer Science, University of Wuerzburg

Area: Quality of Experience, Crowdsourcing

Site: https://www.informatik.uni-wuerzburg.de/en/comnet/team/alumni/kathrin-borchert/

Emial: kathrin.borchert@informatik.uni-wuerzburg.de

Matthias Hirth

Position: Professor at Department of Multimedia Data User Analysis, School of Electrical Engineering and Information Technology, Technical University of Ilmenau

Area: Crowdsourcing

Site:https://www.tu-ilmenau.de/universitaet/fakultaeten/fakultaet-elektrotechnik-und-informationstechnik/profil/institute-und-fachgebiete/fachgebiet-nutzerzentrierte-analyse-von-multimediadaten/team/jun-prof-dr-matthias-hirth

Emial: matthias.hirth@tu-ilmenau.de