智能技術應用對勞動者技能錯配的影響

寧光杰 崔慧敏

一、引言及文獻

2022 年,中國出現自1962 年以來的首次人口負增長,而人口發展的重大變化趨勢往往伴隨著結構性轉變。 第七次全國人口普查數據顯示,與2010 年相比,2020 年我國15~59 歲人口占比下降6.79%,但與此同時勞動者素質有所提升,16~59 歲勞動年齡人口平均受教育年限由9.67 年提高至10.75 年,具有大專及以上學歷人口占勞動年齡人口的比重提高了11.27%。 人口素質的提升有利于形成 “人才紅利” ,以對沖人口數量下降引致的負面影響。新經濟增長理論強調勞動者受教育水平與生產技能的重要性,認為知識和人力資本的積累是經濟持續增長的源泉,可以產生遞增收益。①Romer,P.M., “Increasing Returns and Long-Run Growth” ,JournalofPoliticalEconomy,1986,94(5),pp.1002-1037.Lucas Jr,R.E., “On the Mechanics of Economic Development” ,JournalofMonetaryEconomics,1988,22(1),pp.3-42.當勞動者和工作匹配時,勞動力產品的總價值實現最大化,資源配置得以優化增效,即只有高技能勞動力人盡其才、才盡其用才能夠最大限度地釋放 “人才紅利” ,推動經濟發展方式由規模速度型向質量效率型轉變。 但不容忽視的是,當前勞動者自身擁有的技能水平同工作所需之間不匹配,即技能錯配(Skill Mismatch)現象日益突出。 技能錯配引致的就業難與招工難并存的結構性矛盾凸顯,一方面大量高校畢業生、農村富余勞動力未實現充分就業,另一方面高技能人才的求人倍率(崗位空缺與求職人數的比率)長期保持在2 以上。②李心萍:《技能中國行動正式啟動—— “十四五” 時期有望新增技能人才4000 萬以上》,《人民日報》2021 年8 月30 日。勞動者技能同崗位需求之間的錯配會妨礙勞動力資源的有效配置,抑制經濟增長效能。 近年來,智能技術應用領域不斷擴張,通用目的技術(General Purpose Technologies,簡稱GPTs)在經濟社會各部門的滲透與擴散正改變著勞動力市場技能需求,該變化會加深還是減緩人力資本需求同就業技能結構之間的矛盾尚需進行研究與驗證。

鑒于此,本文探討智能技術應用與勞動者技能匹配狀態之間的關系,研判智能技術應用是否以及如何影響技能錯配的發生,通過對作用機制的梳理有針對性地提出相應政策。 目前關于智能技術應用與勞動力市場的研究主要集中在對就業數量和就業結構的影響、③Acemoglu,D.and Restrepo,P., “Automation and New Tasks: How Technology Displaces and Reinstates Labor” ,JournalofEconomicPerspectives,2019,33(2),pp.3-30.Acemoglu,D.and Restrepo,P., “Robots and Jobs:Evidence from US Labor Markets” ,JournalofPoliticalEconomy,2020,128(6),pp.2188-2244.李磊、王小霞、包群:《機器人的就業效應:機制與中國經驗》,《管理世界》2021 年第9 期。就業質量的整體分析等方面,④王文:《數字經濟時代下工業智能化促進了高質量就業嗎》,《經濟學家》2020 年第4 期。 戚聿東、劉翠花、丁述磊:《數字經濟發展、就業結構優化與就業質量提升》,《經濟學動態》2020 年第11 期。而涉及技能的研究多是按照受教育程度這一單一指標來探討智能技術發展對技能結構的影響,⑤汪前元、魏守道、金山等:《工業智能化的就業效應研究——基于勞動者技能和性別的空間計量分析》,《管理世界》2022 年第10 期。 柏培文、張云:《數字經濟、人口紅利下降與中低技能勞動者權益》,《經濟研究》2021 年第5 期。鮮少關注智能化應用對勞動者技能匹配狀態的影響。 本文基于中國勞動力動態調查數據(CLDS),對智能技術應用對微觀個體技能錯配發生率的影響及作用機制展開研究,有助于為技能錯配研究提供實證支撐。

本研究主要涉及兩個研究分支。 第一分支涉及勞動經濟學中的技能錯配領域。 按照適用性,可將技能分為通用性技能和專用性技能。 通用性技能是在多數行業、職業均通用的一般技能,包括記憶能力、語言能力、邏輯推理能力、解決抽象問題的能力等認知能力和積極樂觀、自我控制、情緒穩定、社會適應性、人際交往能力等非認知能力。 專用性技能是用于完成特定工作任務的技能。 當個體擁有的技能水平同工作所需技能水平不匹配時,即為技能錯配。 技能錯配可分為技能不足和技能過度兩類,分別代表勞動者技能水平低于工作要求或掌握的技能種類無法滿足工作所需,以及勞動者技能水平高于工作要求或掌握的技能種類超過工作所需這兩種情形。

梳理技能錯配的影響因素是明確技能匹配實現路徑的突破口,對促進就業穩定和提升生產效率具有重要意義。 現有研究將技能錯配的形成動因歸結為三個方面。 第一,摩擦性因素。 勞動者因信息不足無法找到最佳匹配的工作,技能不匹配自然出現。 第二,周期性因素。 在經濟衰退期,由于工作崗位稀缺,面臨激烈的競爭,求職者愿意接受不太理想的工作,從而出現技能過度。 但另一方面,低質量匹配不僅會限制勞動者的就業前景,還會影響企業生產率,這反而使得人職高質量匹配組合得以幸存,基于此,經濟衰退也可能會抑制技能不匹配的發生。 在經濟擴張期,勞動力需求旺盛,若勞動力市場供應不足,雇主可能被迫下調招聘標準,從而增加技能不足。①Brunello,G.and Wruuck,P., “Skill Shortages and Skill Mismatch in Europe: A Review of the Literature” ,JournalofEconomicSurveys,2021,35(4),pp.1145-1167.第三,制度性因素。 從教育政策來看,職業教育側重培養專用技能,普通教育重視通用技能,若二者相互融通,則可從技能供給角度降低錯配的發生率;從勞動力市場政策而言,勞動力市場分割程度越高,勞動者在部門間流動所面臨的阻礙越大,勞動力市場就越無法自行調整,進而影響技能錯配;職業培訓的增加有利于彌補正規教育期間個體所獲技能同工作所需之間的差距,減少技能錯配。

本研究所涉及的第二個分支涉及結構性因素尤其是技術變革對技能錯配的影響。 技能偏向型技術進步(Skill-Biased Technological Change,簡稱 SBTC)理論認為,新的技術可以替代勞動力執行常規型任務,提高非常規型任務從業者和高技能勞動者的生產效率,引致不同技能水平勞動力需求差異。②Autor,D.H.and Dorn,D., “The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market” ,AmericanEconomicReview,2013,103(5),pp.1553-1597.Goos,M.,Manning,A.and Salomons,A., “Explaining Job Polarization: Routine-Biased Technological Change and Offshoring” ,AmericanEconomicReview,2014,104(8),pp.2509-2526.技術沖擊對勞動者技能錯配程度的影響較為復雜,一方面,技能偏向性的創新和技術變革增加了對某些技能的需求,擁有該項技能或可以快速適應經濟結構變化的勞動者更有可能繼續被雇傭,而缺乏該項技能的勞動者則面臨失業,這部分勞動者為盡快再就業不得不接受與自身技能組合不匹配的工作,從而使得技能錯配發生率提高。另一方面,新技術應用的就業創造效應會產生大量的工作崗位需求,勞動者更易搜尋到與自身技能水平相匹配的工作,從而降低技能錯配程度。 不可忽視的是,當前關于技術變革影響技能錯配的實證研究相對較少。

基于以上分析,本文運用中國勞動力動態調查數據實證研究企業智能技術應用對微觀個體技能錯配發生率的影響及作用機制。 本研究的邊際貢獻主要體現在兩個方面:第一,區別于關注智能技術應用對就業總量與就業結構影響的傳統研究,從技能維度出發,重點分析企業應用智能技術對勞動者技能錯配發生率的影響,兼顧通用性技能與專用性技能兩個橫向維度和技能過度與技能不足兩個縱向維度;第二,從勞動過程控制導致專用技能需求降級、非常規認知任務需求增加導致通用技能要求提升兩個方面拓展智能技術影響技能錯配的傳導機制,以更深入地理解技能匹配狀態變動的內在機理。

二、研究設計

(一)研究假說

智能技術進步可通過提高生產率、引致需求以及創造新任務的方式刺激經濟發展,增加新的就業需求。③Acemoglu,D.and Restrepo,P., “The Race Between Man and Machine: Implications of Technology for Growth,Factor Shares and Employment” ,AmericanEconomicReview,2018,108(6),pp.1488-1542.具體地,技術進步將提高社會生產效率,降低產品銷售價格,進而刺激消費,促進企業擴大生產規模,從而增加就業需求。 效率提升帶來的成本和產品價格下降,增加了居民的相對收入,使其有更多盈余收入用于消費,引致產品需求增加,進而帶動相關行業就業需求。 此外,新興技術在創造新的任務類型和工作崗位的同時也擴大了就業需求。根據匹配函數,①Mortensen,D.T., “Markets with Search Friction and the DMP Model” ,AmericanEconomicReview,2011,101(4),pp.1073-1091.當勞動力市場上出現較多空缺崗位時,求職者與職位空缺之間的匹配就越多,這進一步提高了求職者匹配到符合其技能偏好工作的概率,技能匹配概率增加。 從技能類型細分而言,一方面,智能技術的廣泛應用提高了社會對知識勞動力的需求,高學歷者的通用技能過度發生率隨之下降;另一方面,智能技術同生產過程的結合使得專業技能被不斷分解、簡單化,低技能者的專用技能不足發生率降低。 除通過擴大需求、在總量層面拓寬就業可選擇空間來提高匹配之外,技術變革還降低了搜尋成本,增強了就業需求與就業匹配之間的正向關聯。 新興技術將海量數據轉化成有用的交易信息,勞動者可以通過大數據的識別—選擇—過濾—存儲—使用環節,迅速獲取招聘需求、工作特征等信息,降低了搜尋信息的貨幣成本和時間成本,促使匹配效率提升。 由此我們提出:

H1:智能技術應用可以降低勞動者技能錯配的發生概率。

技術變革會沖擊專用技能在完成工作任務內容時的完整性與重要程度,導致專用技能需求降級。 在技術沖擊下,專用技能被分解弱化,拆分為多項通用技能,進而演變出專用技能需求降級和通用技能要求不斷提升的趨勢。 而受教育體系與社會觀念的影響,我國勞動力市場存在技工荒與過度教育并存的結構性失衡問題,在當前的勞動供給現狀下,技術進步對專用性和通用性技能需求變動的沖擊將直接影響勞動者技能匹配狀態,其中的傳導機制可以從以下兩部分進行探討。

一是技術沖擊導致專用技能需求降級,使得專用技能不足發生率下降。 勞動過程理論認為,工業化進程中資本家對勞動過程的控制和改造會導致勞動力降級現象出現,其中技術是資本家用來控制勞動過程的工具。②Braverman,H.,LaborandMonopolyCapital: TheDegradationofWorkintheTwentiethCentury(25thAnniversaryEdition),New York: Monthly Review Press,1998,p.133.資本家會尋找自動化和技術改造的方法來提高生產率和降低生產成本,這種改造可能會拆分工作過程,導致復雜技能降級,出現去技能化。 出于生產效率與成本的考量,技術變革通過改造工作流程使勞動力所需掌握的技能逐漸降低,工藝技能的分解與整合也破壞了傳統的技能概念,使得技能習得時間縮短從而帶來技能降級,這反映為專用技能需求的不斷降低。 尤其是智能技術可以模擬人腦進行分析學習,并做出判斷和優化,其對人類智能的延伸與擴展使得受智能技術影響的工作崗位技能面臨洗牌重組,通用目的技術的擴散與滲透導致專用技能需求降級。

在就業供給方面,一方面受傳統觀念對職業教育存在認知偏差、片面的教育評價壓力等因素的疊加作用,中等職業教育的招生與規模出現下滑,③楊成榮、張屹山、張鶴:《基礎教育公平與經濟社會發展》,《管理世界》2021 年第10 期。技工荒現象日益明顯,技能型、技術型人才供給不足。 另一方面,職業教育與職業技能培訓規模不夠廣泛,使得勞動者在就業搜尋與工作過程中均易產生專用性技能不足。 而智能技術的沖擊使得專用技能需求降級,同我國當前勞動技能供給結構更相適應,在該維度下技能不足發生率隨之下降。

二是技術沖擊導致通用技能要求提高,使得通用技能過度發生率下降。 技能偏向型技術進步理論和任務層面的就業極化理論認為,新的技術可以替代勞動力執行常規型任務,而新的非常規任務尤其是對應于高技能的非常規認知任務與技術互補。 智能技術在社會經濟各領域的滲透加大了勞動力市場對高技能的需求,提高了通用技能維度的門檻。

在就業供給方面,高等教育擴招為勞動力市場提供大量高學歷人才,但由于產業和技術發展等原因,社會無法創造足量合適的崗位,導致知識勞動力在總量上存在供需不匹配。①方超、黃斌:《中國過度教育測量、趨勢及其影響因素的實證研究》,《教育科學》2018 年第4 期。 李曉光:《中國城鎮勞動力市場中的過度教育——測量改進與收入效應》,《人口與經濟》2021 年第1 期。而智能技術的技術技能互補特性提高了對通用技能的要求,高技能人才的技能匹配度提升,向下匹配概率下降,降低了通用技能維度發生技能過度的概率。 據此,我們提出:

H2:智能技術應用會導致專用技能需求降級和通用技能要求提升,從而降低專用性技能不足和通用性技能過度的發生概率。

(二)模型設定

為研究企業智能技術應用對勞動者是否發生技能錯配的影響,本文使用Probit 模型進行估計。 基礎模型設置如下式:

被解釋變量mismatch_bic為技能錯配指標,表示c企業i勞動者具備的技能水平與工作所需技能水平是否匹配。 若不匹配,即存在技能錯配,賦值為1,否則為0。 解釋變量Techic為勞動者所在的企業是否已應用智能技術,應用為1,否則為0。CV為一系列控制變量,并加入職業與省份虛擬變量,穩健標準誤聚類在省份層面。 后續分析中為研判是否存在專用技能需求降級和通用技能要求提升現象,本文使用多元Logit 模型(Multinomial Logit)估計企業智能技術應用對勞動者技能錯配的影響。 模型設置如下:

其中,J包括技能匹配、技能過度、技能不足三種類型,其余變量設置與模型(1)相同。

(三)變量說明和數據來源

本研究使用的數據來源于中山大學社會科學調查中心開展的2018 年中國勞動力動態調查數據。 該調查數據以15~64 歲的勞動年齡人口為對象,樣本覆蓋中國29 個省(自治區、直轄市),具有全國代表性。 CLDS 數據以勞動年齡人口的教育、工作狀況、勞動者狀態等為調查重點,適用于本文的研究主題。 我們將樣本限定為在調查時處于就業狀態的16~64歲勞動者,剔除關鍵變量缺失或無效回答后,共得到9291 個有效樣本。 變量設置如下:

技能錯配。 本研究使用間接評估法從通用性技能和專用性技能兩個維度進行測度。

通用性技能指在多數行業、職業均通用的一般技能,我們使用勞動者的受教育水平進行衡量。 具體地,分別使用問卷中 “勞動者最高學歷” 與 “勝任該工作所需學歷” 表征勞動者自身具備與崗位所需的通用性技能水平。 在模型(1)中,若勞動者自身學歷水平同工作崗位所需相一致,則為匹配狀態,變量mismatch_b賦值為0;否則為錯配狀態,賦值為1。 在模型(2)中,若勞動者自身學歷水平同工作崗位所需相一致,則為匹配狀態,變量mismatch_m賦值為0;若勞動者受教育水平高于崗位所需,則為技能過度,賦值為1;若勞動者受教育水平低于崗位需要,則為技能不足,賦值為2。

專用性技能是指適用于特定行業、職業的技能,我們使用專業技術資格證書進行衡量,以問卷中 “您獲得的資格證書是否與工作的專業性質或技能要求相匹配” 這一問題來表征。 在模型(1)中,若勞動者擁有的證書與工作技能要求相匹配,則為技能匹配狀態,變量mismatch_b賦值為0;否則為錯配狀態,賦值為1;在模型(2)中,若勞動者擁有的證書與工作技能要求相匹配,則為技能匹配狀態,變量mismatch_m賦值為0;若勞動者在擁有與工作技能要求相匹配的證書之外,還獲得了其他專業技術資格證書,即在滿足該崗位專業技能需求的基礎上還額外具備其他專用性技能,則為技能過度狀態,賦值為1;若勞動者未擁有任何專業資格證書,或擁有的證書均不符合崗位所需,則不滿足該工作的專用技能需求,為技能不足狀態,賦值為2。

智能技術應用。 針對該變量我們使用問卷中 “您所在的工作單位是否正在使用高度自動化、機器人、人工智能等技術” 這一問題進行表征,若勞動者所在的工作單位已應用智能技術,則變量賦值為1,否則為0。

控制變量包括勞動者年齡、性別、婚姻狀況、受教育水平、健康水平在內的個體基本特征,以及包括工作單位所有制類型、是否為全職工作在內的工作特征,并加入職業與省份虛擬變量進行估計。 變量描述性統計見表1。

表1 統計描述

三、智能技術應用對勞動者技能錯配的影響效應

(一)基準回歸結果

表2 為Probit 回歸結果。 列(1)和列(2)結果顯示,企業應用智能技術在通用技能與專用技能維度的估計系數均顯著為負,表明在控制個體基本特征和工作特征后,工作單位智能化應用可以顯著降低勞動者技能錯配發生率,驗證了假說1。 一方面,智能化發展會提高生產效率,降低相關產品銷售價格,進而刺激消費,促進企業擴大生產規模,提高就業需求;智能技術進步也可以創造新任務,當勞動力市場上出現更多空缺崗位時,求職者更易搜尋到與自身技能水平相匹配的工作,從而降低技能錯配程度。 另一方面,智能化應用會改變技能需求,技能錯配發生率降低說明調整后的技能需求同勞動者技能供給之間更加適應,至于究竟是技能需求水平下降以適應技能不足人群,還是技能需求水平上升同技能過度人群更加匹配,則有待進一步檢驗。

表2 智能技術應用對勞動者技能錯配發生率的影響(被解釋變量:mismatch_b)

(二)內生性處理

智能技術應用對技能錯配程度的影響可能存在內生性問題,主要源于難以控制影響人工智能和技能錯配程度的不可觀測因素,從而導致遺漏變量問題。 為解決實證研究可能存在的內生性問題,我們選取滿足相關性和外生性條件的外部工具變量加入模型中。 考慮到城市智能技術應用狀況會直接影響城市內部的企業是否選擇引入智能技術,因此城市智能技術應用指標滿足工具變量的相關性假定。 并且宏觀技術發展水平同勞動者個體技能匹配狀態之間無直接聯系,尤其是在數據樣本中,企業智能技術的使用比率僅為6.73%,當技術應用程度并不高時,城市層面的智能技術發展也不足以直接改變微觀勞動者的技能匹配,故我們認為城市智能技術應用指標也滿足外生性假定。 本文根據 CLDS 數據庫提供的關于企業是否應用智能技術的回答,依據其區位測度了各城市的平均智能技術應用情況,將其作為工具變量引入回歸。

由于本研究的解釋變量與被解釋變量均為二值變量,若使用兩階段最小二乘法進行工具變量估計,可能會導致非一致的參數估計量。 鑒于此,我們采用條件混合估計方法(CMP),該方法以似不相關回歸為基礎,基于極大似然估計法,通過構建遞歸方程組而實現兩(多)階段回歸模型的估計。 估計過程分為兩步,首先尋找外生變量或工具變量并估計其與內生變量的相關性,之后將結果代入基準模型進行回歸。 估計結果如表2 列(3)~(4)所示,在引入工具變量后,回歸結果的系數方向與顯著性均與基準回歸保持一致,仍舊表明智能技術應用降低了技能錯配發生概率。①考慮到基準回歸并非嚴格的反事實框架,我們使用傾向得分匹配方法,為處理組構造出一個與之相似的控制組,基于配對樣本重新進行估計,結果依舊表明所在單位引入人工智能技術的勞動者在通用技能和專用技能維度的技能錯配發生率都較低。 限于篇幅未在正文匯報,留存備索。

(三)異質性分析

智能技術的引入對不同學歷水平、工作任務特征的勞動者技能匹配狀態可能存在非對稱影響,在本部分我們試圖捕捉該差異效應。

1.學歷水平

一般而言,受教育程度較高的勞動者面臨的就業機會較多,在擇業時既可選擇與自身學歷水平匹配、對通用技能要求較高的崗位,也有可能在經濟蕭條或面臨激烈競爭時選擇低就, “過度匹配” 到低于其技能水平的職位,而受教育程度較低的勞動者可能會 “欠匹配” 到高于其技能水平的職位。 這一技能錯配現象會導致勞動力市場中的資源浪費和經濟社會的不平等。

因此,我們將勞動者的學歷水平分為初中及以下、高中、大專及以上三組,分別進行回歸以觀察智能技術應用對不同學歷勞動者的影響。 結果如表3 所示,在通用技能維度,智能技術的引入會顯著降低高學歷者的技能錯配發生率;在專用技能維度,智能技術的沖擊則明顯降低了中低學歷者的技能錯配發生率。 智能技術的廣泛應用使得大量工作流程由自動化或人工智能系統完成,減少或消除了需要特定技能的工作,從而降低了對員工專用技能的需求,使得原本在專用技能維度可能存在技能不足的中低學歷者技能匹配程度提升。 另一方面,隨著技術的發展,越來越多的職業需要使用計算機或其他高級技術,勞動力市場中對計算機和網絡技能、分析和解決問題能力等通用技能的需求提高,從而使得原本可能存在技能過度的高學歷者技能匹配程度提升。 當然,這一分析還有待后續進一步驗證。

表3 異質性分析結果——學歷水平

2.工作任務

工作任務與勞動者的技能水平以及技能匹配狀態之間有著重要關聯。 勞動者的技能水平決定了其能夠勝任的工作任務類型與難度。 同時,工作任務的難度與復雜性也會影響勞動者的技能匹配狀態。 首先,勞動者的技能水平越高,越能適應需要抽象思考與決策的非常規認知任務,而技能水平較低時只能執行程序化的常規任務。 其次,工作任務的屬性同勞動者的技能匹配狀態相關。 當工作任務的難度和復雜性較高時,技能不足現象更易出現;當工作任務較為簡單時,易產生技能過度。 技術沖擊改變了任務屬性,而任務屬性的背后是技能變動,各類工作任務需要不同技能水平的勞動力執行,因此技術應用對工作任務帶來的沖擊必然影響勞動力市場的技能需求,從而影響勞動者技能匹配狀態。

本部分參照O?NET 的職業劃分方式及Acemoglu 和Autor 的職業分類方法,①Acemoglu,D.and Autor,D., “Skills,Tasks and Technologies: Implications for Employment and Earnings” ,in O. Ashenfelter and D.Card (eds.),HandbookofLaborEconomics,Amsterdam: North-Holland,2011,Vol.4B,pp.1043-1171.基于CLDS 中職業分類標準將任務進行歸類。 具體分類標準為:常規型職業包括辦事人員和有關人員,生產、運輸設備操作人員及有關人員;非常規認知型職業包括國家機關、黨群組織、企業、事業單位負責人,專業技術人員;非常規操作型職業包括商業、服務業人員。 對不同任務類型的職業進行分組回歸,結果如表4 所示,在智能技術沖擊下,非常規認知型從業者在通用技能維度的錯配程度顯著下降;常規型與非常規操作型任務從業者在專用技能維度的錯配程度下降明顯。 這一結果同表3 相互印證,中等技能勞動力多從事程式化工作,高技能勞動力多從事非常規認知型工作,低技能勞動力多從事非常規操作型任務,智能技術的出現與應用降低了對專用技能的需求,使得中低技能者同常規型與非常規操作型任務的匹配程度提升;而智能技術對通用技能要求的提升也使得從事非常規認知任務的高技能者同工作崗位所需技能之間更為匹配。

表4 異質性分析結果——工作任務

四、智能技術應用影響勞動者技能錯配的機制分析

根據前述分析,智能技術變革會導致專用性技能要求下降和通用性技能要求提升,進而影響勞動者技能錯配狀態。 在本部分,我們將探討智能技術應用是否會降低專用性技能不足和通用性技能過度,并針對專用性技能降級與通用性技能要求提升進行機理檢驗。

(一)專用性技能不足和通用性技能過度的減少

技術變革沖擊了在工作任務內容中應用專用技能的完整性與重要程度。 技術變革使得部分工作流程由自動化或人工智能系統來完成,從而減少或消除了特定技能需求,導致對專用技能需求降級。 智能技術可以模擬人腦進行分析學習,并做出判斷和優化,其對人類智能的延伸與擴展使得受智能技術影響的工作崗位技能面臨洗牌重組。 對專用技能要求下降、對通用技能要求提升在技能匹配狀態層面表現為專用性技能維度的技能不足現象有所緩解,通用技能維度的技能過度有所減少。 基于此,在本部分將技能匹配狀態分為技能匹配、技能過度和技能不足三種類型,實證檢驗應用智能技術是否會降低專用性技能不足和通用性技能過度發生概率。

表5 為使用公式(2)得到的多元Logit 模型估計結果,可以發現在以技能匹配狀態作為基準組進行多元Logit 模型回歸時,企業智能技術應用對勞動者技能錯配狀態的影響存在明顯差異。 在通用性技能維度,相比于技能匹配狀態,應用了智能技術的企業勞動者產生技能過度的勝算比對數低0.3519,這意味著在使用了智能技術的企業中勞動者在通用性技能維度發生技能過度的可能性較低。 在專用性技能維度,相比于技能匹配狀態,應用了智能技術的企業勞動者產生技能不足的勝算比對數低0.4359,這意味著在使用了智能技術的企業中,勞動者在專用性技能維度發生技能不足的可能性較低,驗證了假說2。 這可能是由于通用目的技術對專用技能的沖擊使其變得更易執行與操作,例如流水線的智能化升級精簡了工序,使得低技能工人逐步取代精英工匠。 技術沖擊導致專用性技能不足和通用性技能過度概率減少,涉及兩個方面:一是對專用技能的需求降級,二是對通用技能的要求提升。 接著分別從勞動過程控制、任務需求變動兩個方面分析其背后邏輯。

表5 智能技術應用對勞動者技能錯配類型的影響(參照組:技能匹配)

(二)企業加強勞動過程控制導致專用性技能需求降級

勞動過程理論強調:隨著工業化發展,資本家為了提高生產效率和降低成本,會通過不斷改造工作流程和技術來降低工人的勞動技能,工作變得更加單調和重復最終會導致勞動力降級(Degradation of Work)。 一方面,通過用簡單勞動代替復雜勞動來降低勞動力的價值,使勞動力廉價化,資本家獲得最大利潤;另一方面,當一種工作被拆成若干部分交給工人分別承擔時,整個勞動過程就不再是任何單個工人的活動范圍,復雜技能的消除保證了資本家對勞動過程的有效控制。 這一發展破壞了傳統的學徒制,工藝技能的分解與整合也破壞了傳統的技能概念,使得技能習得時間縮短從而帶來技能降級,也反映為專用技能需求的不斷降低。 基于此,本部分我們檢驗這一動力機制。

首先涉及企業對勞動過程控制的衡量。 勞動過程理論強調,資本家通過科學管理和機械化手段不斷剝奪工人對生產工具、勞動方式等的控制權,將勞動過程的控制權從工人手中轉移到自己手中。①Braverman,H.,LaborandMonopolyCapital: TheDegradationofWorkintheTwentiethCentury(25thAnniversaryEdition),New York: Monthly Review Press,1998,p.39.在問卷中我們使用勞動者對工作任務的內容、工作進度的安排和工作量/工作強度在多大程度上由自身決定這三個問題測度勞動者的工作自主性,將負向指標轉化為正向指標,加總后取均值即為勞動者對自身勞動過程的控制程度,以其為被解釋變量,以企業是否引入智能技術為解釋變量,控制變量與前述回歸一致,實證檢驗智能技術的應用是否會導致勞動者對自身勞動過程控制程度的變化,以間接衡量企業的勞動控制程度。 結果如表6 列(1)所示,智能技術引入顯著降低了勞動者對自身勞動過程的控制,相應地,隨著新技術的出現與應用,企業對勞動過程的控制程度不斷加深。 出于利潤最大化的訴求,企業有動力持續通過技術與管理對專用技能進行分解與整合,以提高生產效率并降低成本,專用性技能降級現象因而加快顯現,從而解釋了表5 中勞動者專用性技能不足可能性下降。

表6 技能需求變化的來源機制檢驗

(三)非常規認知任務需求增加導致通用性技能要求提升

信息技術作為一種通用目的技術,其發展與應用產生了勞動力市場極化趨勢,②Goos,M. and Manning,A., “Lousy and Lovely Jobs: The Rising Polarization of Work in Britain” ,TheReviewofEconomics andStatistics,2007,89(1),pp.118-133.傳統上對應于中等技能工作的職位開始縮減,而對應于高技能工作的非常規認知型任務崗位與對應于低技能工作的非常規操作型崗位需求不斷擴張。 智能技術與高級認知的非常規任務之間互補已得到部分研究的證實,③余玲錚、魏下海、孫中偉等:《工業機器人、工作任務與非常規能力溢價——來自制造業 “企業—工人” 匹配調查的證據》,《管理世界》2021 年第1 期。智能技術在社會經濟各領域的滲透加大了勞動力市場對高技能的需求,高技能人才的技能匹配度提升,向下匹配概率下降,通用技能維度發生技能過度的概率隨之下降。

基于上述分析,我們使用問卷中 “工作中需要快速反應的思考或腦力勞動的頻率” 這一問題判斷受訪者工作的任務類型。 倘若工作中需要快速反應的思考或腦力勞動的頻率較高,則認為受訪者的工作內容偏向需要靈活決策、抽象思考、具有非程序化特征的非常規認知任務,而非對應于中低技能的常規型任務。 以勞動者所在的工作單位是否應用智能技術為解釋變量,以任務需求變動為被解釋變量,控制變量與基準回歸保持一致,估計結果如表6列(2)所示,智能化應用的系數顯著為正,表明企業使用智能技術會加大該企業工作崗位對非常規認知任務的需求,非常規認知任務對應高技能,即智能技術對工作內容的沖擊增大了對高技能的需求度,高技能人才更易匹配到與之相適應的工作崗位,技能過度的發生率下降。

五、結論與政策建議

本研究使用中國勞動力動態調查數據實證分析企業智能技術應用對勞動者技能錯配發生率的影響與機制。 具體地,本文從通用性技能和專用技能兩個橫向維度,以及技能過度與技能不足兩個縱向維度,分析智能技術對勞動者技能匹配狀態的影響,并探討我國勞動力市場是否已出現專用技能需求降級和通用技能要求提升的趨勢,檢驗其來源機制。 研究發現:智能技術應用顯著降低了勞動者技能錯配的發生率,其中高學歷者、非常規認知型任務從業者在通用性技能維度錯配發生率降幅更高,中低學歷者、常規型和非常規操作型任務從業者在專用性技能維度錯配發生率降幅明顯;專用技能需求降級和通用技能要求提升,使得專用性技能維度技能不足和通用性技能維度技能過度的發生率下降,其中企業對勞動過程控制的增強和非常規認知任務需求增加是重要來源渠道。

基于上述結論,結合我國勞動力市場現狀,本文提出以下具體建議:一是針對智能化發展背景下勞動者與崗位之間的技能矛盾有所降低這一情況,應引導智能技術發展,最大程度發揮崗位創造效應,給予不同技能水平勞動者更多的就業選擇。 二是針對資本所有者利用技術強化了對勞動過程的控制以占有更多剩余價值,應引導技術應用方向,完善企業職工研發立項、考核激勵等制度,激發職工參與技術創新的積極性,使技術成為服務于勞動者的工具,以提高工作質量。 另外,加強對勞動者權益的保護與監督,推廣用人單位和勞動者之間的協商機制,以使勞動關系更加和諧。 三是針對技術變革使得勞動力市場對通用技能要求提升,應加大對成人高等教育發展的支持力度,完善函授、業余、遠程等學習形式,增設數字化、信息化課程,提高勞動者的知識、技能和素質。