Краткий вывод
Автоматизация и ИИ меняют и горизонтальную (переходы между профессиями/секторами на том же уровне статуса) и вертикальную мобильность (подъёмы/падения в доходно‑статусной и классовой иерархии). Эффекты разнонаправленны: усиление поляризации и рутинного вытеснения снижает мобильность средней категории и повышает риск нисходящей мобильности, тогда как комплементарные задачи и новые отрасли создают возможности для апскиллинга и восходящей мобильности — эффект зависит от политики, образовательной системы и рынка труда.
Влияние на горизонтальную мобильность (ключевые моменты)
- Сокращение числа «параллельных» рабочих мест: замена рутинных задач уменьшает набор взаимозаменяемых профессий → уменьшается вероятность перехода внутри одного уровня.
- Рост вертикальной дифференциации задач: переходы всё чаще требуют переквалификации/сертификаций, повышая фрикции и барьеры.
- Появление новых ниш и гибридных профессий увеличивает направление переходов в сторону высококомпетентных и технологичных профессий.
Измерение: переходные матрицы (ISCO‑коды), марковские модели, сетевой/последовательный анализ карьер.
Влияние на вертикальную мобильность
- Усиление неравенства: спрос на высококвалифицированный труд растёт, заработки и статус верхних групп усиливаются — повышается вероятность восходящей мобильности для образованных, но снижается для низкоквалифицированных.
- Нисходящая мобильность: автоматизация может переводить неквалифицированных работников в нестабильные/низкооплачиваемые сегменты (гиг‑работа).
- Межпоколенная мобильность: влияние через образование, наследование навыков и локальную потерю рабочих мест.
Измерение: изменения в распределении доходов/статуса, логарифмические/ранговые регрессии, intergenerational rank‑rank.
Предлагаемые социологические методы измерения (конкретно и применимо)
1) Количественные подходы (микроданные)
- Панельные модели с фиксированными эффектами:
$$Y_{it}=\alpha +\beta AIExposur{e}_{it}+\gamma X_{it}+{\mu }_i+{\tau }_t+{\epsilon }_{it},$$ где $Y_{it}$ — вероятность перехода/лог‑заработок/статус; $AIExposure$ — индекс экспозиции профессии к ИИ/автоматизации.
- Разностные оценки (DiD) для «шоков» внедрения технологий:
$$Y_{it}=\alpha +\delta (Pos{t}_t\times Trea{t}_i)+\beta X_{it}+{\mu }_i+{\tau }_t+{\epsilon }_{it}.$$ - Инструментальные переменные / shift‑share (Bartik) для эндогенности:
$$AIExposur{e}_{it}=\sum _{s}Employmen{t}_{is,0}\times AdoptionRat{e}_{st}.$$ - Переходные матрицы и марковские модели: матрица переходов $P$ с элементами $P_{ij}$ — вероятность перехода из профессии $i$ в $j$. Устойчивое распределение решается из
$$\pi =\pi P.$$ - Декомпозиции изменений в доходах (Oaxaca‑Blinder) для разделения эффекта технологий и эффектов структуры:
формула стандартная (разложение средних заработков групп).
- Ранговая регрессия для межпоколенной мобильности:
$$Ran{k}_{child}=\alpha +\beta Ran{k}_{parent}+\epsilon ;$$ $\beta$ близко к $0$ — высокая мобильность, к $1$ — низкая.
2) Индексы экспозиции и задачевые меры
- Построение индекса рутинности / AI‑risk:
$$RT{I}_i=\sum _t{w}_{it}\cdot RoutineScor{e}_t,$$ где $w_{it}$ — доля времени на задачу $t$. Использовать O*NET / ESCO /ISCO‑task mapping.
3) Анализ карьерных траекторий
- Sequence analysis и multi‑state hazard models (выживаемость и конкурирующие риски) для длительности в профессии и вероятности перехода.
- Сетевой анализ каналов мобильности (источники вакансий, реферальные сети).
4) Квази‑эксперименты и оценки политики
- Synthetic control при региональных внедрениях ИИ; event‑study для временной динамики.
- Рандомизированные контрольные испытания (RCT) для программ переквалификации, измеряющие изменение вероятности восходящей мобильности.
5) Качественные методы (обоснование механизмов)
- Глубинные интервью, этнография на местах производства и в службах HR — для понимания барьеров переквалификации и фирменных стратегий.
- Фокус‑группы с работниками разного уровня для выявления восприятия риска, стратегий мобильности.
- Кейсы фирм (case studies) с комбинированным анализом административных данных.
6) Источники данных и операционализация
- Регистры занятости и доходов (скандинавские), linked employer‑employee datasets, опросы панельного типа (EU‑LFS, CPS, SIPP, Understanding Society), O*NET/ESCO для задач.
- Показатели вертикальной мобильности: лог‑доход, ISEI/ISCO статус, Gini/90‑10, rank‑rank slope.
- Показатели горизонтальной: матрицы переходов между ISCO‑профессиями, энтропия переходов:
$$H_i=-\sum _j{p}_{ij}\log p_{ij}.$$
Рекомендации по дизайну исследования (кратко)
- Комбинируйте панельные микро‑данные с задачевыми индексами (O*NET) и регистровыми данными предприятий.
- Используйте DiD / event‑study для идентификации эффектов внедрения, IV/shift‑share — чтобы бороться с эндогенностью.
- Добавьте качественный блок (интервью, кейсы) для объяснения механизмов и оценки политик (переквалификация, социальная защита).
- Оценивайте распределение эффектов по возрасту, полу, образованию и регионам — экономические и институциональные модераторы определяют направление мобилности.
Если нужно, могу предложить готовую спецификацию регрессии и список переменных (операционализацию) для конкретной страны/набора данных.