核心观点
人工智能 (AI) 正以惊人的速度和规模重塑劳动力市场，而现有的劳动力市场信息系统却无法有效追踪这些变化。大多数国家依赖不频繁的调查、宽泛的职业类别和隔离的行政数据集，这些数据集只能说明谁在哪里工作，却很少说明他们实际做什么、使用什么技能，或者 AI 如何改变任务并为企业、求职者和在职员工创造更多机会。
关键数据
- 全球约四分之一的职业角色将在 2027 年之前受到 AI 的影响，预计将有 6900 万个新工作岗位出现，8300 万个工作岗位被取代。
- 目前，21 个被评估的国家中，每个国家至少在一个 FLAIR（预测准备、劳动力市场粒度、可访问性、互操作性和集成、实时响应）维度上达到前沿或接近前沿水平（3 或 4 级），反映出劳动力数据现代化的坚实基础。
- 近期所有国家（21 个中的 20 个）都将其国家劳动力系统与国际标准（如国际职业标准分类 ISCO）保持一致或维护交叉参考，表明互操作性基础牢固。
- 大多数国家（71%）生产中期至长期劳动力预测，但这些预测仍然是传统的、基于职业的。目前还没有国家采用 AI 驱动的或任务级的情景建模，这对于预测 AI 驱动的颠覆至关重要。
- 超过一半的国家（57%）发布每月劳动力数据，可以利用这些数据开发近乎实时的预测和监测。
研究结论
- 现代劳动力市场数据不再是一个技术升级，而是一种战略必要性。那些未能现代化的国家可能会“盲目飞行”：错过 AI 驱动的早期信号，错误地定位培训投资，并削弱其在 AI 形成的全球经济中的竞争力和劳动力弹性。
- 在 FLAIR 框架的六个维度上取得进展的国家将能够更好地预测颠覆、指导再培训，并将技能系统与产业和创新战略保持一致。
- 存在着一个差距，即通过核心国家调查捕获任务或技能级数据的不足；目前，只有少数国家将其官方统计数据补充外部任务级数据集。
- 虽然只有少数国家（21 个中的 4 个）目前提供开放、机器可读、应用程序编程接口 (API) 启用的微观级劳动力数据集，但底层技术已经在许多国家的其他统计领域成熟并投入运营，表明正在从静态报告或受限的微数据转向更动态和可扩展的访问模型。
- 公共-私营数据合作正在兴起，但集成仍然有限。在大多数情况下，私营数据（如在线招聘）会输入仪表板或试点项目，而不是被纳入官方劳动力统计。
政策建议
- 数据收集：更新劳动力force 调查工具和行政数据集，以捕获更广泛的变量；设计数据收集策略以支持前瞻性分析而不是纯粹的描述性报告；利用新技术增强当前数据收集实践。
- 系统基础：联合开发一个通用的任务和技能级分类法，可以嵌入到劳动力force 调查中；现代化数据基础设施，以确保完全的可访问性和分析效用；定期更新并在劳动力统计中系统应用交叉参考。
- 智能能力：使数据收集和报告更加连续和适应性强，以实现近乎实时的劳动力市场监测；开发常见的建模场景和工具，并使其在劳动力预测中制度化；建立公共-私营伙伴关系，将替代数据集成到劳动力统计中。
- 治理和伙伴关系：政府应发挥主导作用，增强劳动力市场数据系统；鼓励自愿公共-私营伙伴关系，以增强劳动力市场数据；制度化多利益相关者治理和反馈循环，用于劳动力市场数据系统。
