Pacchetto software del libro - versione 3.1

Modello macroeconomico del report (versione 2, con domanda di lavoro a elasticità ε), modulo occupazionale per età, dati osservati Eurostat e Stanford/ADP, esperimenti del libro.

Storia delle versioni

Il nome "v2" è stato usato per due pacchetti diversi; questa tabella li distingue.

Versione	Che cosa contiene	Riproduce il libro?
v1	Prima edizione del working paper: domanda di lavoro = monte salari / salario	No
v2 provvisoria (aimodel_replication_v2, ottobre 2026)	Trend salariale corretto e prior rivisti, 20 parametri, senza ε	No (es. disoccupazione ADV 2036 +2,7 invece di +4,3)
v2 (modello macro di questo pacchetto)	+ domanda di lavoro da tecnologia e prodotto con elasticità ε, 21 parametri	Sì: report e risultati macro del libro
v3	+ modulo per età collegato in una sola direzione	Sì, per i capitoli 7-9 nella stesura di ottobre 2026
v3.1 (attuale)	+ taratura di coerenza del modulo per età, collegamento a due vie, politiche d'ingresso, esperimenti del libro	Base della revisione del libro

Con la v3.1 i numeri del modulo per età cambiano rispetto alla v3, per la taratura di coerenza (vedi sotto). I risultati del modello macro non cambiano: con le opzioni predefinite simulate() produce esattamente gli stessi valori (verificato dai test).

Novità della v3.1

• Taratura di coerenza (calibrate_consistency.py): senza taratura il mondo senza AI del modulo per età saliva sopra la disoccupazione strutturale del modello macro (circa 7% invece del 5% nelle economie avanzate). Un fattore per regione sulle probabilità di assunzione, hire_hazard_scale nella configurazione, riporta il mondo senza AI al tasso strutturale. È una condizione di coerenza fra i due modelli, non una stima dai dati.
• Collegamento a due vie (aimodel/core/coupled.py): la non occupazione del modulo per età sostituisce la disoccupazione macro nella curva dei salari e nel costo dei sussidi, nei due mondi appaiati; il calcolo si ripete fino a convergenza. Opzione ur_path di simulate().
• Politiche d'ingresso (opzione policy di simulate_employment()): posti pubblici, incentivo all'occupazione giovanile, riduzione dell'orario con integrazione salariale, confrontati a parità di costo.
• Esperimenti del libro (run_book_experiments.py): risultati in outputs/experiments/.
• Barriera d'ingresso: il parametro entry_barrier agisce due volte, sulla distribuzione dei posti per età e sulla probabilità di primo ingresso. È voluto e ora documentato nel codice; l'analisi di sensibilità mostra che è una delle due ipotesi che pesano di più.

python calibrate_consistency.py          # una volta, scrive hire_hazard_scale nella configurazione
python run_employment.py --draws 4000    # capitoli 7-9
python run_book_experiments.py           # capitoli 9, 12, 24, 26
python -m unittest discover -s tests -v

Il modello macro e i suoi output originali sono preservati sotto outputs/. I risultati del modulo per età sono in outputs/employment/, quelli degli esperimenti in outputs/experiments/.

Aprire i risultati

• outputs/employment/occupazione.html: rapporto interattivo autonomo, funziona offline.
• outputs/employment/sezione_occupazione.pdf: appendice stampabile con dati e grafici.
• outputs/employment/age_series.csv: tutte le serie, scenari, versioni AI/no-AI e percentili.
• outputs/employment/results.json e config_used.json: risultati e configurazione effettiva.
• FONTI_E_METODO.md: fonti, limiti, formule e piano di calibrazione.

Eseguire l'estensione

Python 3.10+, NumPy. ReportLab solo per generare il PDF. Nessuna SALib necessaria per l'estensione; SALib serve per il vecchio run_all.py.

python -m pip install -r requirements-employment.txt
python run_employment.py --draws 4000
python make_employment_pdf.py
python -m unittest discover -s tests -v

La configurazione predefinita usa config/employment_eu_proxy.json se presente: profilo iniziale ADV parzialmente basato su UE-27 2025. Per confrontare ipotesi interamente illustrative usare:

python run_employment.py --config config/employment.json --draws 4000

Per aggiornare osservazioni e proxy (solo la prima operazione richiede rete):

python fetch_employment_data.py --year 2025
python prepare_observed.py
python run_employment.py --draws 4000
python make_employment_pdf.py

Limite essenziale: run_employment.py usa il modulo come satellite collegato in una sola direzione al modello macro: domanda -> flussi per eta. In quella modalita la nuova occupazione NON modifica PIL, salari, redditi o debito. Il collegamento a due vie esiste solo nell'esperimento feedback di run_book_experiments.py, e agisce attraverso salari e sussidi di disoccupazione. Le simulazioni non sono previsioni ne effetti causali stimati. UE e solo un proxy delle economie avanzate; tutti i parametri di matching/AI e i profili EME/LIC restano ipotesi. I dati osservati sono mostrati separatamente.

Moduli nuovi

• aimodel/core/employment.py: coorti annuali, ingresso, separazioni, matching, scoraggiamento.
• config/: assunzioni, scenari e proxy EU con fonti.
• fetch_employment_data.py, prepare_observed.py: acquisizione con hash, trattamento e proxy.
• run_employment.py: estrazioni appaiate, serie CSV e report.
• employment_report.py, report_template.html, make_employment_pdf.py: visualizzazione.
• tests/test_employment.py: identita, coorti, matching, neutralita e decoder dati.

Documentazione originale v2

Automation, Distribution and Public Finance in the Age of AI, 2026-2046 (working paper, October 2026)

Requirements

Python 3.10+, NumPy, SALib (pip install numpy SALib).

Run

python run_all.py          # everything, about 6 seconds
python run_all.py --fast   # skips Sobol; 500 draws for policies

Results are written to outputs/. The outputs shipped in this package were produced by running run_all.py and match the paper.

File	Paper sections
outputs/headline.json	7, 8, 10, 13 (paired Monte Carlo, 4,000 draws, seed 20261010)
outputs/backtest.json	6 (validation)
outputs/policy.json	12 (nine interventions, 2,000 draws)
outputs/sobol.json	9 (Saltelli N = 1,024, 23,552 runs, seed 7)

Code layout

• aimodel/calibration/data.py: calibration targets with sources, and the 21 parameter priors
• aimodel/core/economy.py: the model (tasks, labour market, households, firms, government, regions, accounting check)
• aimodel/core/run.py: paired runs, with and without AI
• aimodel/analysis/: metrics, Monte Carlo and Sobol, backtests, policies

All results are differences between paired runs of the same parameter draw with and without the AI wave. They are conditional model outputs, not forecasts.

Changes in version 2 (October 2026)

• Wage equation: the wage trend now follows the non-AI erosion of labour task content (d0). In version 1 wages outgrew the wage bill in the no-AI world, so unemployment drifted up without AI when wages were rigid (to about 7.8% in advanced economies by 2046 with kappa = 0.05). The no-AI world now stays at structural unemployment for any kappa; the accounting identity still holds to machine precision.
• Priors revised: kappa 0.20-0.80 -> 0.05-0.50 (flatter wage Phillips curves after 2008); psi 0.25-1.00 -> 0.25-0.85; lag_new 2-8 -> 4-10 years; theta 0.15-0.70 -> 0.25-0.70. Sources are in aimodel/calibration/data.py.
• Labour demand: derived from technology and output (tasks left to labour times output, at the wage of the paired no-AI run) with a constant-output wage elasticity eps drawn from 0.15-0.75 (Hamermesh 1993). In version 1 labour demand was the wage bill divided by the wage, so lower wages brought back jobs one for one and demand returned to labour supply by construction. With eps = 1 and rent_share = 0 version 2 reproduces version 1 to machine precision. Profit-sharing (rent_share) now raises labour income but no longer creates jobs.
• The outputs in outputs/ were regenerated with version 2. They no longer match the version 1 paper.

Report charts

python make_report_charts.py   # after run_all.py; writes outputs/charts/

Writes the data behind every chart of the report and the annex: six_indicators.csv, aggregate_ai.csv, aggregate_noai.csv, labour_adv.csv, fan_aggregate.csv and inline.json (scenario snapshot, income groups, Sobol indices, policies).