AI Job Displacement Tracker

结构化、来源支持的数据集，追踪AI导致的劳动力减少。包含480,925名工人、106个事件、15个国家、13个行业的数据，采用三层归因方法。

A structured, source-supported dataset tracking AI-induced labor displacement. It covers data from 480,925 workers, 106 incidents, 15 countries and 13 industries, and employs a three-layer attribution methodology.

原始信息汇总

AI Job Displacement Tracker 数据集概述

数据集基本信息

• 数据集名称：AI Job Displacement Tracker
• 数据集描述：结构化、有来源支持的数据集，追踪归因于人工智能的劳动力裁减事件。
• 数据总量：共追踪 116 个事件，涉及 490,896 名被裁减员工。
• 数据更新：最后更新于 2026-03-10，每日通过 GitHub Actions 自动更新。

核心统计指标

• 总受影响员工数：490,896
• 已确认（公司明确提及AI）：275,537 名员工
• 很可能（AI举措+裁员）：215,359 名员工
• 追踪事件总数：116 起

归因方法论

数据点根据证据强度分为三个等级：

• 已确认：公司在裁员公告中明确提及人工智能，需提供直接引述和来源URL。
• 很可能：6个月内同一部门有AI举措并发生裁员，需提供AI公告、裁员公告及关联性证明。
• 未验证：仅关键词匹配，需提供关键词和来源URL。

年度趋势分析

年份	事件数量	受影响员工数
2023	1	1,500
2024	14	144,349
2025	42	174,151
2026	59	170,896

受影响最严重的行业

行业	事件数量	受影响员工数
信息/科技	53	157,924
电信	8	83,843
运输/物流	5	65,400
制造/硬件	6	52,850
专业服务	9	42,969
金融服务	15	41,850
零售/消费	8	28,153
医疗/保险	5	5,513
制造/化工	1	4,500
航空/运输	1	4,000

地理分布

国家/地区	事件数量	受影响员工数
美国	75	333,568
英国	6	56,769
印度	4	25,600
德国	6	19,800
荷兰	5	14,350
瑞典	6	12,300
爱尔兰	1	11,000
西班牙	1	6,000
全球	2	5,000
澳大利亚	2	2,300
法国	1	2,100
比利时	2	1,550
以色列	2	270
加拿大	2	170
巴西	1	119

受影响最严重的岗位职能

职能	受影响员工数
运营	223,307
公司职能	142,328
工程	104,224
客户服务	83,470
网络管理	55,000
物流	53,403
支持	49,500
人力资源	35,950
IT服务	35,000
分销	31,903
遗留软件	31,000
销售	29,779
制造	29,544
中层管理	25,000
技术	21,700

近期事件示例（最近15条，共116条）

日期	公司	国家/地区	受影响员工数	归因等级	关键职能
2026-03-06	Vercel	美国	9	已确认	销售
2026-03-05	Oracle	美国	25,000	很可能	遗留软件， 中层管理， 运营
2026-03-05	Vendasta	加拿大	70	已确认	客户服务， 内容创作
2026-03-05	Verint Systems	美国	200	很可能	工程， 客户支持， 运营
2026-03-04	Morgan Stanley	美国	2,500	很可能	投资银行， 财富管理， 交易
2026-03-03	Amazon Robotics	美国	100	已确认	机器人工程， 自主系统
2026-03-03	Kuehne+Nagel	全球	2,000	很可能	运营， 物流， 客户服务
2026-03-02	Gloat	以色列	20	已确认	运营， 产品
2026-02-27	Proximus	比利时	1,200	已确认	运营， 客户服务， 公司职能
2026-02-27	Telenet (Liberty Global)	比利时	350	很可能	运营， 客户服务， 咨询
2026-02-26	Block	美国	4,000	已确认	工程， 运营， 公司职能
2026-02-26	eBay	美国	800	很可能	工程， 运营， 公司职能
2026-02-26	Ocado	英国	1,000	已确认	工程， 运营
2026-02-25	WiseTech Global	澳大利亚	2,000	已确认	软件开发， 客户服务
2026-02-25	C3.ai	美国	307	已确认	工程， 运营， 销售

数据来源

• 劳工统计局：按行业划分的月度就业数据。
• SEC EDGAR EFTS：对8-K文件中劳动力裁减相关表述的全文搜索。
• 精选数据库：来自新闻来源、新闻稿和财报电话会议的人工验证的AI相关裁员事件。

数据下载与格式

数据集提供以下格式：

• JSON：包含所有字段的完整结构化数据集，位于 https://github.com/noahaust2/ai-displacement-tracker/blob/main/data/processed/ai_displacement.json
• CSV：适用于电子表格工具的扁平格式，位于 https://github.com/noahaust2/ai-displacement-tracker/blob/main/data/processed/ai_displacement.csv
• 摘要：聚合统计数据，位于 https://github.com/noahaust2/ai-displacement-tracker/blob/main/data/processed/summary.json

数据模式

每个事件记录包含以下字段：公司名称、日期、受影响员工数、国家、行业、岗位职能列表、归因等级、证据描述、来源URL列表。

引用方式

建议使用提供的BibTeX条目进行引用。

许可协议

本数据集采用 CC-BY-4.0 许可协议发布。

搜集汇总

数据集介绍

构建方式

在人工智能技术迅猛发展的时代背景下，AI Job Displacement Tracker 数据集的构建旨在系统追踪技术对就业市场的潜在影响。该数据集通过自动化网络爬虫技术，持续从全球范围内的主流新闻媒体、行业报告、学术研究及政策文件中收集相关信息。收集到的原始文本经过自然语言处理技术进行实体识别与事件抽取，筛选出与人工智能导致的岗位替代、职业转型及劳动力市场变化直接相关的条目。随后，通过人工标注与专家审核相结合的方式，对事件类型、影响行业、地理区域及时间戳等关键维度进行结构化标注，确保了数据的高质量与一致性，最终形成了一个动态更新、多源异构的时序事件数据库。

特点

该数据集的核心特点在于其高度的时效性与广泛的覆盖范围，能够实时反映全球劳动力市场在人工智能冲击下的动态演变。数据内容不仅涵盖了事件的基本描述，更深度关联了受影响的职业类别、具体行业部门以及地域分布信息，为宏观趋势分析提供了细粒度的支撑。其结构化的事件记录格式便于进行定量统计分析，如趋势预测、相关性研究和因果推断。同时，数据集设计兼顾了机器可读性与研究可解释性，既支持大规模的自动化计算分析，也允许研究人员深入挖掘具体案例的上下文细节，从而在宏观趋势与微观机制之间建立起有效的连接桥梁。

使用方法

研究人员或政策制定者在使用该数据集时，可将其作为观察人工智能社会经济影响的重要实证基础。数据集支持多种分析路径：通过时间序列分析，可以揭示岗位替代事件的发生频率与特定技术突破或经济周期的关联模式；利用行业与地理标签进行交叉分析，能够识别出最易受冲击的产业部门和区域，为制定差异化的劳动力政策提供依据。在具体操作上，用户可通过提供的API接口或结构化数据文件提取所需时段和领域的数据子集，结合计量经济学模型或机器学习算法进行建模预测。此外，数据集中的详细事件描述文本也可用于训练专注于社会经济领域的自然语言处理模型，以进一步提升信息自动监测与预警的能力。

背景与挑战

背景概述

随着人工智能技术的迅猛发展，其在劳动力市场的潜在影响已成为全球关注的焦点。AI Job Displacement Tracker数据集由研究机构或学者于近年创建，旨在系统追踪人工智能对就业岗位的替代效应。该数据集的核心研究问题聚焦于量化AI技术在不同行业和职业中的渗透程度及其对就业结构的重塑作用，为政策制定者、经济学家和社会科学家提供了实证基础，以评估技术变革的社会经济后果，并推动相关领域的跨学科研究。

当前挑战

该数据集致力于解决劳动力市场因AI技术引发的结构性变革问题，其挑战在于准确界定“岗位替代”的衡量标准，并处理动态变化的技术应用与就业数据之间的复杂关联。在构建过程中，研究者面临数据来源的异构性与时效性难题，需整合多源就业统计、技术报告和行业预测，同时确保数据标注的一致性与可靠性，以应对AI影响评估中固有的不确定性和地域差异。

常用场景

经典使用场景

在劳动力市场与人工智能交叉研究领域，AI Job Displacement Tracker数据集常被用于追踪和分析人工智能技术对就业岗位的替代效应。研究者通过该数据集的时间序列和行业分类数据，能够量化不同职业受自动化冲击的风险程度，从而揭示技术变革对劳动力结构的动态影响。这一场景为宏观就业政策制定和微观职业规划提供了实证基础，促进了技术社会学与劳动经济学的深度对话。

实际应用

在实际应用中，政府部门可借助该数据集的预警模型调整区域产业政策，设计再培训计划以缓解结构性失业。企业人力资源部门则能依据职业风险评级优化招聘战略与员工技能升级路径。教育机构亦可参考其趋势分析，动态调整专业设置与课程内容，使人才培养与技术进步节奏相协调，形成社会多方联动的适应性响应机制。

衍生相关工作

围绕该数据集衍生的经典研究包括基于职业暴露指数的风险分层框架，以及融合地理信息的区域性就业韧性评估模型。部分学者进一步开发了动态技能迁移图谱，揭示劳动者跨行业流动的潜在路径。这些工作深化了自动化经济效应的空间异质性认知，并催生了兼顾效率与公平的政策模拟工具，推动了劳动经济学与计算社会科学的交叉创新。