权衡一个社会的劳动力市场水平，，，，，，很洪流平上要看企业与求职者怎样撒播和交流事情信息。。无论关于求职者照旧招聘方，，，，，，熟人推荐都是一种不可或缺的时机选择。。从宏观角度审阅，，，，，，来自社交网络的事情推荐对劳动者、企业、劳动力市场会爆发怎样的作用？ ？推荐信息在市场中又是怎样转达的？ ？既有的研究可以证实社会关系对撒播和推荐事情信息的主要性，，，，，，但却缺少对推荐人与被推荐人之间的信息交互水平和性子的研究。。
随着移动互联网高速生长，，，，，，位置感知与全球定位系统（GPS）一直普及，，，，，，统计通话时长、上网流量、GPS定位等数据逐渐成为了可能，，，，，，这也为量化研究人们跳槽前后信息流水平与物理空间活动情形转变提供了可行的新要领。。
为考察信息交流在都会劳动力市场中的作用，，，，，，pg电子模拟器助理教授吴祁与相助者依托中国北方某都会电信运营商的手机信令数据纪录睁开了研究。。研究批注，，，，，，来自全球定位系统(GPS)装备(如移动电话)的新数据可能有助于我们明确市场的运作方式。。研究效果《信息、移动通讯与推荐效应》（Information, Mobile Communication, and Referral Effects）克日在国际顶级期刊American Economic Review（《美国经济谈论》）揭晓。。American Economic Review于1911年由美国经济学会创刊刊行，，，，，，被誉为美国最主要、影响最大的经济理论期刊，，，，，，也是天下公认的最具有学术声望的顶级期刊之一。。
近四分之一的人通过推荐找到事情
研究基于手机信令数据，，，，，，统计了求职者跳槽前后与朋侪分享事情相关信息的转变，，，，，，这些数据包括通话纪录（个人身份标识、通话位置、通话时间与时长）与地理位置信息等，，，，，，相较于古板视察数据具有高频、颗粒度较细等优势。。别的，，，，，，研究团队还将呼叫数据与企业职位空缺、周围房价数据等举行合并编译，，，，，，形成辅助数据。。
怎样确定研究工具是否跳槽了？ ？GPS定位可以实现印证。。研究团队通过手机定位数据梳理，，，，，，选定了视察事情日上午9点到下昼6点之间使用电话位置最频仍的所在，，，，，，将其标注为事情位置；；；；；统一周晚上10点到第二天清早7点之间使用最频仍的位置，，，，，，将其标注为住宅位置；；；；；而在样本时代至少通过一次电话的人将被视为朋侪，，，，，，当一个人的事情位置搬到朋侪的事情场合时，，，，，，研究将这个朋侪认定为推荐人。。
研究数据对应了180万人，，，，，，其中年岁抵达16岁以上、能够通过GPS确定其有用事情时间至少为45周、常用事情所在不凌驾2个的人，，，，，，现实人数为45.6万。。在这群人之中，，，，，，有8%的人被确定成为换事情的人，，，，，，他们知足如下条件：在2个地方事情过，，，，，，任一事情所在至少被视察了4周，，，，，，只换过1次事情，，，，，，两个事情所在之间距离至少在1公里以上。。作者发明，，，，，，8%的在职转换率与中国劳动力市场文献中盘算的7%相近，，，，，，但这一数据显示中国在职人士的跳槽流动性低于西方国家，，，，，，2009年的研究显示，，，，，，欧盟的在职转换比例高达15%-18%。。
与美国劳动者相比，，，，，，中国劳动者更倾向于依赖非正式的搜索方式。。有38%的中国劳动者通过亲戚朋侪找到事情，，，，，，而美国劳动者的比例为30%。。正式的搜索方式，，，，，，如搜索空缺广告、在职业介绍所注册或直接联系雇主的情形，，，，，，在美国劳动者中更为普遍。。
基于上述界说，，，，，，作者发明，，，，，，四分之一的事情转换是基于事情推荐的。。
推荐对年轻事情者、从农村到都会的打工者以及换行业事情者尤为主要
通过数据梳理，，，，，，研究发明事情变换大大都爆发在社会经济生长水平相当的地区之间。。从城区到城区的事情转变最为频仍，，，，，，抵达了49.6%，，，，，，而城乡之间的事情转变只有15.4%。。富足地区（房价高于中位数的地区）之间的事情变换占总比例近四分之三（73.5%），，，，，，而这种地区之间的劳动力流动与地区间的通话量有着较强的相关性。。城区之间总通话次数占比相较于其他地区显着更高，，，，，，抵达了63.7%，，，，，，富人区之间和非富人区之间划分占通讯流量的80.9%和13.1%。。为了验证两个序列之间的关系，，，，，，研究团队将跳槽次数对通话量的影响做了回归剖析，，，，，，纳入了出发地、目的地的牢靠效应，，，，，，得出了相似结论。。
推荐的作用在中国的都会劳动力市场中有多大？ ？研究量化剖析了跳槽者在朋侪事情场合找事情的倾向与在周围所在找事情的倾向的差别，，，，，，作者发明，，，，，，若是一个事情所在有求职者的朋侪，，，，，，那么求职者选择这个事情的可能性相较其他事情增添了近3倍。。
在效应异质性方面，，，，，，推荐对年轻事情者、从农村到都会的打工者以及换行业事情者尤为主要。。这些情形中信息差池称更为严重，，，，，，因此推荐可以在一定水平上缓解劳动力市场中信息差池称的问题。。
事情推荐是怎样起作用的？ ？
推荐是怎样起作用的？ ？通太过析详细的电话纪录，，，，，，研究者找到了跳槽者与推荐人（朋侪）之间的信息流的纪律，，，，，，为既往研究中信息交流的假设提供了实证证据。。作者对跳槽者换事情前后的通话频率的动态举行了量化剖析。。研究发明，，，，，，跳槽者与推荐人和非推荐人之间的通讯模式截然差别，，，，，，一方面通话频率显着高于其他朋侪，，，，，，另一方面信息流强度泛起倒U型，，，，，，在换事情之前抵达峰值。。相比之下，，，，，，跳槽者与其他朋侪的信息流在整个样本期内都坚持稳固，，，，，，跳槽前后几个月没有显着转变。。别的，，，，，，跳槽者与推荐人的相同强度在跳槽之后仍然坚持较高水平，，，，，，换事情之前是朋侪，，，，，，换事情之后是朋侪和同事。。这是首个纪录了求职者和推荐人之间围绕事情变换的相同强度一直增添的实证剖析。。
研究还发明强关系有着更大的推荐效应，，，，，，为文献中关于弱关系与强关系的论证提供证据。。除了信息流和社会关系中强关系的比例，，，，，，个人社会联系的多样性也很主要。。社交网络有着更大的社会经济多样性的个体，，，，，，在换事情时更有可能使用推荐这一方式。。
推荐增进求职者和招聘方匹配，，，，，，提高了劳动力市场效率
“邻人、同乡之间的信息转达在都会经济学中是较量主要的一个机制，，，，，，数据正好可以视察到邻人、同乡对一个人转换事情概率的影响。。”作者将基于通讯信息界说的推荐人和以往文献中基于其他社会关系界说的推荐人（如邻人/同族/同乡等）在推荐效应上举行了比照，，，，，，并进一步验证和支持这些测度的有用性。。通过地理信息和个人可视察信息，，，，，，作者结构了邻人、同乡的变量测度，，，，，，并发明，，，，，，一方面邻人和同乡更有可能相互交流；；；；；另一方面，，，，，，这两种关系的推荐效果是起劲而显著的，，，，，，但它远低于基于本研究基准界说预计的推荐效应。。也就是说，，，，，，以往文献中关于事情推荐效应的预计很有可能是真实效应的一个下界。。
通过推荐转达的事情信息对员工来说是很有价值的。。研究发明，，，，，，推荐的事情往往与更高的人为和更好的非人为福利、更短的通勤时间、更有可能从兼职过渡到全职、以及从通例事情过渡到优质事情有关。。
与此同时，，，，，，通过推荐网络转达的信息对公司也是有益的。。接受推荐员工的企业更有可能乐成招聘到新员工，，，，，，实现更高的匹配率，，，，，，并履历更快的增添。。这些效果提供了启发性的证据，，，，，，证实推荐通过增进求职者和招聘方之间更好的匹配，，，，，，提高了劳动力市场的效率。。
作为拓展，，，，，，作者进一步对那些在乐成找到事情之前履历过失业的个人举行剖析，，，，，，研究效果是失业职员与其推荐人之间在事情转换前后的信息交流纪律与之前的发明惊人地相似。。他们与推荐人之间的电话数目也泛起出倒U形，，，，，，在再就业时抵达峰值。。这些发明提供了相关性证据，，，，，，批注研究所纪录的相同模式和推荐效应可能适用于包括在职和失业状态中的所有求职者。。
吴祁，，，，，，pg电子模拟器应用经济学系助理教授。。2021年结业于康奈尔大学(Cornell University)，，，，，，获经济学博士学位。。主要学术研究聚焦于社会网络 (social networks) 对市场竞争以及福利效应的影响。。运用实证剖析要领和通讯大数据，，，，，，研究了社会网络对消耗者的产品选择、产品市场定价和竞争的影响，，，，，，以及社会网络在信息转达和事情推荐中的作用和对劳动力市场的影响。。
