ABSTRACT
We identify vulnerable groups through the examination of their employment status in the face of the initial coronavirus disease 2019 (COVIDâ€19) shock through the application of treeâ€based ensemble machine learning algorithms on a sample of individuals over 50 years old. The present study elaborates on the findings through various interpretable machine learning techniques, namely Shapley values, individual conditional expectations, partial dependences, and variable importance scores. The structure of the data obtained from the Survey of Health, Aging and Retirement in Europe (SHARE) dataset enables us to specifically observe the before versus the after effects of the pandemic shock on individual job status in spatial labor markets. We identify small but distinct subgroups that may require particular policy interventions. We find that the persons in these groups are prone to pandemicâ€related job loss owing to different sets of individualâ€level factors such as employment type and sector, age, education, and prepandemic health status in addition to locationâ€specific factors such as drops in mobility and stringency policies affecting particular regions or countries.Alternate :Este estudio identificó grupos vulnerables mediante el examen de su situación laboral ante la conmoción inicial de la enfermedad por coronavirus 2019 (COVIDâ€19) mediante la aplicación de algoritmos de aprendizaje automático por conjuntos basados en árboles de toma de decisiones sobre una muestra de individuos mayores de 50 años. El presente estudio profundiza en los resultados a través de varias técnicas interpretables de aprendizaje automático, como los valores de Shapley, las expectativas condicionales individuales, las dependencias parciales y las puntuaciones de importancia de las variables. La estructura de los datos obtenidos del conjunto de datos de la Encuesta de Salud, Envejecimiento y Jubilación en Europa (SHARE, por sus siglas en inglés) nos permite observar especÃficamente los efectos del antes y el después de la conmoción de la pandemia en la situación laboral individual en los mercados laborales espaciales. Se identificaron subgrupos pequeños pero distintos que pueden requerir intervenciones polÃticas especÃficas. Se encontró que las personas de estos grupos son propensas a la pérdida de empleo relacionada con la pandemia debido a diferentes conjuntos de factores a nivel individual, como el tipo de empleo y el sector, la edad, la educación y el estado de salud previo a la pandemia, además de factores especÃficos de la ubicación, como las caÃdas en la movilidad y las polÃticas de rigor que afectan a determinadas regiones o paÃses.Alternate :抄録我々ã¯ã€æ–°åž‹ã‚³ãƒãƒŠã‚¦ã‚¤ãƒ«ã‚¹æ„ŸæŸ"ç—‡ (COVIDâ€19)ã®æœ€åˆã®ã‚·ãƒ§ãƒƒã‚¯ã«ç›´é¢ã—ãŸæ™‚ã®é›‡ç”¨çŠ¶æ³ã‚'ã€50æ³ä»¥ä¸Šã®å€‹äººãƒ‡ãƒ¼ã‚¿ã‚µãƒ³ãƒ—ルã‚'ツリーベースã®ã‚¢ãƒ³ã‚µãƒ³ãƒ–ル法ã«ã‚ˆã‚‹æ©Ÿæ¢°å¦ç¿'アルゴリズムã«é©ç”¨ã—ã¦èª¿æŸ»ã—ã€è„†å¼±ãªé›†å›£ã‚'特定ã™ã‚‹ã€‚æœ¬ç ”ç©¶ã§ã¯ã€æ§˜ã€…ãªè§£é‡ˆãŒå¯èƒ½ãªæ©Ÿæ¢°å¦ç¿'技è¡"ã«ã‚ˆã£ã¦å¾—られãŸçŸ¥è¦‹ã€ã™ãªã‚ã¡ã‚·ãƒ£ãƒ¼ãƒ—レイ値ã€å€‹åˆ¥æ¡ä»¶ä»˜ã期待値ã€éƒ¨åˆ†å¾"属ã€ãŠã‚ˆã³å¤‰æ•°é‡è¦åº¦ã‚¹ã‚³ã‚¢ã«ã¤ã„ã¦è©³è¿°ã™ã‚‹ã€‚ヨーãƒãƒƒãƒ‘ã®å¥åº·ã¨è€åŒ–ã«é–¢ã™ã‚‹èª¿æŸ» (Survey of Health, Aging and Retirement in Europe:SHARE)ã®ãƒ‡ãƒ¼ã‚¿ã‚»ãƒƒãƒˆã‹ã‚‰å¾—られãŸãƒ‡ãƒ¼ã‚¿ã®æ§‹é€ ã‹ã‚‰ã€ç©ºé–"的労åƒå¸‚å ´ã«ãŠã‘る個人ã®é›‡ç”¨çŠ¶æ³ã«å¯¾ã™ã‚‹ãƒ‘ンデミックショック影響ã®å‰ã¨å¾Œã‚'明確ã«è¦³å¯Ÿã™ã‚‹ã"ã¨ãŒã§ãる。我々ã¯ã€ç‰¹å®šã®æ”¿ç–介入ã‚'å¿…è¦ã¨ã™ã‚‹å¯èƒ½æ€§ãŒã‚ã‚‹ã€è¦æ¨¡ã¯å°ã•ã„ãŒæ´ç„¶ãŸã‚‹ã‚µãƒ–集団ã‚'特定ã—ãŸã€‚ã"ã®é›†å›£ã®äººã€…ã¯ã€ç‰¹å®šã®åœ°åŸŸã¾ãŸã¯å›½ã«å½±éŸ¿ã‚'åŠã¼ã™ã€ç§»å‹•æ€§ã®æ€¥æ¿€ãªä½Žä¸‹ã‚„åŽ³æ ¼åŒ–æ”¿ç–ãªã©ã®å ´æ‰€ç‰¹ç•°çš„å› åã«åŠ ãˆã¦ã€é›‡ç”¨å½¢æ…‹ã‚„æ¥ç¨®ã€å¹´é½¢ã€å¦æ´ã€ãƒ‘ンデミックå‰ã®å¥åº·çŠ¶æ…‹ãªã©ã®æ§˜ã€…ãªå€‹äººãƒ¬ãƒ™ãƒ«ã®å› åã®ãŸã‚ã«ã€ãƒ‘ンデミックã«ã‚ˆã‚Šå¤±æ¥ã—ã‚„ã™ã „傾å‘ãŒã‚ã‚‹ã"ã¨ãŒåˆ†ã‹ã£ãŸã€‚