加载中...
数据目录 · 共 64 个条目 · 20 个分类浏览简化目录
SSRD上市公司与资本市场5
政府与司法数据4
企业主体与全景画像4
人民数据1
人物数据1
劳动就业数据2
Flight to Safety: How Economic Downturns Affect Talent Flows to Startups
本文利用AngelList Talent的专有数据，研究创业企业求职者的搜索和申请行为在新冠经济衰退期间如何变化。我们发现，求职者将其搜索和申请从成立时间较短的初创企业转向成立时间较长的企业，且这一转变在同一个人身上随时间推移也存在。在企业层面，这一转变并未被新求职者的涌入所抵消。成立时间较短的初创企业在申请数量和质量上经历了相对下降，最终影响了其招聘。我们的发现揭示了劳动力市场中的“逃向安全”渠道，这一渠道可能放大创业活动的顺周期性。
Abstract
Using proprietary data from AngelList Talent, we study how startup job seekers' search and application behavior changed during the COVID-19 downturn. We find that workers shifted their searches and applications away from less-established startups and toward more-established ones, even within the same individual over time. At the firm level, this shift was not offset by an influx of new job seekers. Less-established startups experienced a relative decline in the quantity and quality of applications, ultimately affecting their hiring. Our findings uncover a flight-to-safety channel in the labor market that may amplify the procyclical nature of entrepreneurial activities.
求职者搜索的企业规模显著增大
以2020年3月13日美国宣布国家紧急状态为断点，使用个体固定效应模型发现，同一求职者在疫情后搜索的企业平均员工规模增加29%，搜索员工超过500人企业的概率增加20%。该结果在控制个体固定效应后依然稳健，表明求职者偏好向更成熟企业转移。
求职者申请的企业规模和融资阶段显著提高
在申请层面，控制求职者固定效应后发现，疫情后求职者申请的企业员工规模平均增加8%，申请B轮及以后企业的概率增加16%。该效应在加入职位角色和企业行业固定效应后依然存在，说明并非由职位或行业偏好变化驱动。
高质量求职者推动逃向安全效应
按经验年限和AngelList质量评分将求职者分为高、低质量两组，发现高质量求职者申请的企业规模增加14%，申请后期阶段企业的概率增加19%，效应显著强于低质量求职者。这与高质量求职者拥有更好外部选择、对初创企业风险更敏感的解释一致。
非成熟初创企业申请数量和质量相对下降
在职位固定效应模型下，员工少于50人的初创企业收到的申请数量下降21.4%，A轮及以前的初创企业申请数量下降23.8%，而成熟企业下降幅度较小或不显著。同时，非成熟初创企业申请者的平均经验和质量评分分别下降3.3%-4.2%和5.2%-8.1%，且该下降主要由高质量申请者减少驱动。
非成熟初创企业面试请求和实际招聘显著减少
以企业发出的面试请求（intro request）衡量招聘行为，在职位固定效应下，员工少于50人的初创企业发出的面试请求数量下降43.3%，A轮及以前企业下降33.3%，而成熟企业无显著下降。进一步利用LinkedIn数据追踪实际入职，发现非成熟初创企业最终入职申请数量同样显著下降，表明申请下降对招聘产生了实际影响。
核心解释变量
PostCOVID虚拟变量（2020年3月13日之后为1），以及其与“非成熟初创企业”虚拟变量（员工≤50人或融资阶段≤A轮）的交互项
被解释变量
求职者搜索的企业规模（对数员工数、是否超过500/200/100/50人）、申请的企业规模和融资阶段（对数员工数、是否B轮及以后）、职位申请数量、申请者经验年限与质量评分、企业面试请求数量、最终入职申请数量
样本与数据
AngelList Talent平台2020年2月5日至5月14日（搜索数据至6月18日）及2019年同期数据，最终样本包括178,793名用户、83,921名求职者和113,382个活跃职位；补充使用Revelio Labs提供的LinkedIn履历数据（2022年6月快照）以及美国人口普查局1979-2019年BDS数据
识别方法 / 模型设定
利用新冠疫情冲击作为外生经济衰退冲击，采用个体固定效应、企业固定效应和职位固定效应模型，分别从求职者层面（搜索和申请）和企业层面（申请数量和申请者质量）分离劳动力供给与需求因素；标准误按求职者所在州和日期双重聚类
内生性及稳健性检验
（1）使用2019年同期数据进行安慰剂检验，未发现类似效应；（2）非参数图形显示疫情前后趋势陡峭且无预趋势；（3）限制为每日/每周/每月首次搜索，排除学习效应；（4）分别限制为线下职位和远程职位搜索，排除远程工作偏好驱动；（5）控制薪酬区间和职位刷新，排除薪酬变化驱动；（6）使用州级新冠病例数和消费者预期指数作为连续处理变量，结果稳健；（7）使用世界前100大学学位和雇主回应作为替代质量指标，结果一致
更多相关数据正在补充