随着2020年万众期待的结束，未来资源（RFF）的编辑团队整理了过去一年我们最著名的博客文章和资源电台的剧集。仔细阅读这份热门出版物列表，了解最近引起读者共鸣的RFF研究。
我们以塔吉克斯坦为例，调查了表明气候变化的环境因素对家庭出国移民决定的影响。塔吉克斯坦是中亚一个环境脆弱的劳动力移民来源国。长期气候变化（通过天气异常测量）和短期天气冲击（以洪水为代表）都被认为是可能导致塔吉克斯坦移民的环境因素。使用两波具有全国代表性的家庭调查，并在新劳动力迁移经济学理论框架内采用实证方法，结果突出了环境因素（取决于其类型和强度）对出国移民概率的不同影响。研究结果表明，气温从长期平均值上升会减少移民，而降水量的变化对移民有非线性影响。季节性天气异常存在显著差异，其中冬季温度和降水对家庭迁移决策的影响最为显著。突然发生的环境冲击似乎对移民产生了滞后影响
我们使用职位空缺的机构级数据研究了人工智能对劳动力市场的影响，这些数据包括详细的职业和技能信息，包括2010年以来美国几乎所有的在线职位空缺。2010-2018年间，与人工智能相关的职位空缺快速增长，在人工智能暴露的机构中增长更大。暴露于人工智能的机构正在减少非人工智能职位的招聘。然而，我们发现人工智能暴露与职业或行业层面的就业或工资增长之间没有明显的关系，这意味着人工智能目前正在一部分任务中取代人类，但它还没有产生可检测的劳动力市场总体后果。
新冠肺炎大流行期间学校关闭对儿童教育的影响是什么？在线教育不能完全取代面对面的学习，尤其是对低收入家庭的孩子来说。同伴效应也发生了变化：学校允许来自不同社会经济背景的孩子混合在一起，而当学校关闭时，这种效应就会消失。另一个因素是父母的反应，他们中的一些人通过自己的努力来弥补环境的变化，而另一些人则无法做到这一点。我们借助技能形成的结构模型来研究这些因素的相互作用。我们发现，学校关闭对教育结果产生了巨大而持久的影响，这是高度不平等的。来自贫困社区的高中生的学习损失为0.4个标准差，而来自富裕社区的孩子则毫发无损。在疫情期间，通过学校、同龄人和家长运营的渠道都加剧了教育不平等。
除非研究人员知道投资者在事件发生前分配给事件的概率，否则事件研究只会产生事件完全影响的下限。我们开发了两种无模型的方法来恢复市场定价的事件概率。这些方法需要在金融期权中进行事件研究，以补充股票价格中的标准事件研究。通过验证这两种方法，我们估计2016年美国大选结果发生的可能性为12%。这种可能性与当代民意调查、博彩公司和预测市场的估计一致。我们证明了我们的方法的有用性，表明许多欧佩克会议的结果是意料之中的。尽管美国增加了石油产量，欧佩克仍对世界油价保持着巨大的影响力。
1875年前后，美国没有一所世界领先的研究型大学；如今，它占据了排名靠前的大多数。许多观察家认为，围绕第二次世界大战的事件是这种逆转的根源。我们提供的证据表明，美国研究型大学已经超过了二战前大多数国家的几十年。因此，必须更早地开始解释它们的主导地位。我们提供的这一方案强调了内战后开始的改革，并加强了该系统用于研究的激励和资源。我们的故事不是设计上的成功，而是竞争导致美国大学开始关注研究。我们利用代理理论认为，这导致了学术专业化的增加，反过来，也导致了教授研究产出的更精确衡量。再加上一些学校集中人才和资源的排序动态，以及终身制的出现，这提高了研究绩效。
