内生技术进步的就业效应研究

李 刚，孔艺猛

一、引言

就业不仅是经济的“晴雨表”，也是民生的“温度计”。良好的就业水平不但能够助力经济社会快速发展，同时也能够实现社会公平，保障社会的稳定，使百姓安居乐业。

然而，以人工智能为代表的新时代信息技术革命催生出一大批新兴产业，在调整产业结构的同时对就业产生了深远影响。 人工智能区别于前几次科技革命，它不仅具有更快的变革速度、更大的变革规模以及更高层次的变革深度，还具备着用崭新的方式取代人力劳动的潜力，这使得人们又一次陷入“机器取代人”的恐慌。 在这一背景下，技术进步是否会对劳动力市场造成冲击再度成为人们关注的焦点问题。

技术进步作为影响就业的重要因素，学者们针对不同区域技术进步的就业效应进行了多角度研究，但技术进步究竟是促进就业还是会带来结构性失业尚未有定论。 为了弄清劳动力就业量与就业结构究竟会受到技术进步怎样的影响，本文将运用CGE 模型，并结合各类宏观数据深入研究内生技术进步对我国就业的影响，分析结构性失业是否是内生技术进步带来的必然结果。 弄清技术进步与结构性失业之间的内在联系，使劳动力资源得以有效配置，这对于政府采取有效的技术进步策略促进就业，推动我国的经济全面快速稳定地发展有着重要的实践意义。

二、文献综述

关于技术进步就业效应的研究最早可以追溯到18 世纪末，当时如火如荼的工业革命便引发了人们对技术与劳动力市场之间关系的关注，因为在此期间，英国工人的工作逐步被新开发的机器所取代(Bessen，2015；Katz and Margo，2013)。 在随后的一百多年里，关于技术进步究竟会对就业产生什么样的影响，各项研究之间依旧存在着很大的分歧。学者们的观点大致可以分为两派：一部分学者认为技术进步能够有效地促进就业；而另一部分学者则认为技术进步会带来结构性失业。

(一)技术进步导致失业论

早期有大量古典经济学家认为技术进步与失业存在很密切的联系，会导致社会就业总量的减少。 对于工业革命带来的工人失业、贫困问题，英国著名的政治经济学家Thomas Robert Malthus 率先发表自己的看法，在他看来，技术的飞速进步能够使资本实现快速积累，市场若是无法保持同步一致的变化，那么就会导致原有职业被代替，最终引起失业情况的加剧。 Malthus 的观念成为学者们研究技术进步对就业的负面效应的理论基础，他们以此为基石，开始深入探讨技术进步负面效应的作用机制，并得到了许多理论成果；Julien Prat 通过建立搜索与匹配模型来探索技术进步与就业之间的关系，结果发现，由于外部期权效应大于资本化效应，因此技术进步会增加失业率；Brynjolfsson 和McAfee 指出，美国的公司在大萧条(2007年至2008年)之后没有扩大雇佣，美国经济显示出战后最高的失业率，他们指出，新技术的广泛应用是近年来结构性失业率上升的最重要推动力之一，他们还认为，新采用的生产率更高的机器和自动化设备取代了工人，导致新就业机会出现的速度越来越慢；Stiglitz 认为美国制造业的技术创新提高了生产率，同时降低了就业率和工资，导致了当前的经济增长速度放缓。 国内学者王君等认为，技术进步引领了三次科技革命，在此背景下，大规模的失业与技术进步的浪潮密切相关。

(二)技术进步减少失业论

古典经济学家James Steuart 认为机械化带来的失业是短期的，从长远角度来看，生产机器部门对劳动力需求的扩张能够补偿这种暂时性的失业；一部分学者认为由创新驱动的就业减少会导致工资的下降，反过来又会促进劳动密集型技术和工业的发展(Layard et al.，1994；Venables，1985)；Violante 认为技能偏好型技术进步不仅推动了科技发展，而且增加了高技能劳动者的相对需求并提高了其劳动报酬，使二者保持同步增长。 Bloom 等估计，得益于人工智能等新兴产业的发展，在2010 ～2030年之间，全世界将新增7.34 亿个新的工作岗位。 Vivarelli 认为，不仅要研究创新对就业的直接影响，而且还有必要研究创新对就业的间接影响，并介绍了由技术变革本身引发的不同的补偿效应机制，根据他提出的理论，技术进步最初对就业产生的不利影响可以通过补偿机制来抵消；Usanov 和Chivot 发现，随着技术进步通常取代传统上由非熟练劳动力完成的工作，数字革命已经惠及高技能劳动力；Sungmoon Jung 等考虑了技术进步的补偿机制，从经济增长、就业和分配三个方面探讨了因素偏向的技术变化对经济系统的影响，技术进步带来的经济增长不成比例地增加了对资本和高技能劳动力的需求，同时加剧了收入不平等。 此外，很多学者利用实证数据分析不同地区技术进步对就业的影响，得出了相同的结论。 Graetz 和Michaels 使用1970 ～2011年17 个发达国家的数据发现，技术进步并未给这些国家带来过多的结构性失业。 Dauth等则利用IFR 数据对德国进行研究，同样也没有发现机器人会给社会带来显著的失业增多问题。 孙文凯等对中国2003 ～2013年的数据进行分析，发现在这十年间人工智能等技术进步并没有降低社会的劳动参与率。

三、研究方法和数据

(一)社会核算矩阵的编制

本文编制的社会核算矩阵表(SAM 表)包括生产、消费、进出口，各部门之间的中间交易项以及要素收入几大模块，数据来源于《2017年中国投入产出表》《中国统计年鉴2018》和《中国财政统计年鉴2018》。 本文依据不同的行业特点，将投入产出表的42 个部门整合为23 个，和其他标准的SAM 表相比，主要差异在于劳动力的类别的划分以及R＆D 活动的描述。 首先，根据劳动人群的学历水平将其分为三大类。 具体来说，大学本科及以上学历被归为高技能劳动力，高中毕业生为中等技能劳动力，初中及以下学历人群则被划分为低技能劳动力。 其次，在投资账户中引入知识资本，即将投资账户分为实物资本与知识资本两部分，而根据知识资本账户的使用者类别，又将其分为私人账户和公共账户。 在本文使用的SAM 表中，最初包含在实物资本中的R＆D 支出被转入知识资本账户。

(二)CGE 模型的构建

本文使用的Knowledge-CGE 模型是在传统的CGE 模型的基础上构建起来的，区别于传统CGE 模型，此模型考虑了两个重要的方面：第一，劳动具有异质性，因此将劳动按学历水平分为低技能劳动、中技能劳动和高技能劳动；第二，资本也具备异质性，资本可以分为实物资本和知识资本。 其中，知识资本由R＆D 和教育组成。

模型中生产函数采用四层嵌套的CES-Leontief 结构，具体框架如图1 所示。

图1 生产函数的嵌套结构

四、模拟分析

(一)情景设计

本文为了研究内生技术进步对就业和经济增长的影响，将研发投入总量通过特定的计量方法转化为研发强度，并将其作为一个代理变量，其值的变大则代表内生技术进步，在此基础上构建了四个政策情景进行分析。 各种情景的设置概述如表1 所示，基础情景(Business-As-Usual Scenario)是其余四种情景的对照组，在此情景下，R＆D 强度为2%，在另外四种情景下，R＆D 强度逐渐加大，动态过程的时间跨度为10年，即2018～2027年。

表1 情景描述

(二)内生技术进步对经济的影响

在这一小节中，我们分析不同创新水平所产生的经济效应。 通过比较不同情景下的GDP 变化，我们不难得出结论：不断增加R＆D 投入带来的内生技术进步，可以使得宏观经济实现快速增长。 表2 列出了每个假设情景在2018 ～2027年期间的GDP 增长率以及GDP年平均增长率，同时图2 列出与“一切照旧”假设情景相比，各类假设情景中GDP 水平的变化情况，基准情景下的GDP 水平为1。 表2 的结果显示，在情景4 中，2018 ～2027年之间的GDP 增长率为54.80%，GDP 的年均增长率为4.47%，高于其他四种情况；而基准情景下的GDP 增长率以及年平均增长率最低，并且随着R＆D 强度的增加，GDP 增长率以及GDP年平均增长率逐渐递增，研究结果突出表明，较高水平的R＆D 支出通过更多的技术进步，从而促进了长期经济增长，而降低的研发强度则会阻碍了经济增长，导致经济萎缩。

表2 不同情景下的GDP 增长率(2018～2027年)

图2 不同情景下GDP 水平的变化(相比于基准情景)

(三)内生技术进步对就业的影响

一般均衡框架的市场出清条件意味着，商品和要素的流动必须被经济中的生产和消费活动吸收。 这表明，在给定因素下，工业部门的需求量必须与赋予家庭的总供应量相平衡。 因此，按情景类型划分的劳动力需求变化可以理解为每种情景的劳动力供给变化。 在此基础上，我们算出不同情景下劳动力需求的变化情况。 表3 列出了在每种情景下2018～2027年之间的总劳动力需求变化率，以及在2027年相对于BAU 情景的总就业水平的变化(四种情景相对于基准情景的变化)。

表3 不同情景下劳动总需求的变化

从表3 还可以看出，在情景4 下，总的劳动力需求增长最快(从2018年到2027年增长80.17%)，而这一情景下的R＆D 投资水平是最高的。 情景4 的数据还表明，总就业水平有了显著的提升，与2027年的BAU 水平相比增长了23.10%。另一方面，在R＆D 强度较低的情景1 下，从2018年到2027年，其就业增长率最低，为67.06%(不考虑基准情景)。 此外，我们可以看到，相对于BAU 情景，情景1 中就业水平较低(与2030年的BAU 情景相比仅增长14.41%)。 这些结果表明，更高水平的创新活动可以抵消资本偏向的技术变革的影响，从而创造更多的就业机会，从而提高经济中的就业水平。

1.内生技术进步对不同技能劳动力需求的影响

表4 显示了每种情景下2018 ～2027年按技能类型划分的劳动力需求增长率，结果表明，在所有情况下，对高技能劳动力的需求增长都比对其他类型劳动力的增长更快。 在情景4 中，高技能劳动力的需求增长幅度最大，为85.21%。 在情景4 中，对各种劳动力的需求都显著增加(从2018年到2027年，低技能劳动力：76.55%，中等技能劳动力：82.43%)。另一方面，如表4 所示，在所有情况中，基准情景的三种劳动力需求增长率均为最低(低技能劳动力：55.58%，中等技能劳动力：58.64%，高等技能劳动力：63.41%)。 高技能劳动力对R＆D 强度变化的更高敏感性意味着：更高水平的内生技术进步更有利于促进高技能工人的就业。

表4 2018～2027年不同技能类型劳动力需求增长率 (单位：%)

2.内生技术进步对不同行业劳动力需求的影响

在本小节中，我们将研究内生技术进步对不同行业劳动力需求的影响。 图3 显示，随着R＆D 投入的增加，几乎所有行业对劳动力的需求均会加大。 并且不难看出，几乎对于所有部门而言，R＆D 投入越多，则劳动力需求的涨幅越大。 此外，在所有行业中，R＆D 部门对劳动力需求增长率最高，并且显著高于其他22 个行业。 这表明，与其他行业相比，具有更高创新强度的行业具有更大的创造就业机会的潜力。 因此，结果表明，内生技术进步可以在高科技制造业和研发行业创造更多就业机会，并促进经济向知识密集型产业的过渡。

图3 2027年不同行业劳动力需求变化(相对于基准情景)

五、结论及建议

本文从经济增长和就业两个方面研究了内生技术进步对整个经济社会的影响。 在分析中，我们采用了基于知识的可计算一般均衡模型，为了将技术进步的特点纳入CGE 框架，在模型中引入了研发投资和知识资本存量，并将R＆D 强度作为衡量内生技术进步的指标。 以此为理论基础，从经济增长和就业两个方面对政策情景的模拟结果进行了分析。模拟结果显示，研发经费的投入促进了经济增长，并提高了社会的劳动力总需求，创造出更多的就业机会。 这就说明，技术进步的间接就业效应与生产力提高驱动的生产扩张和经济中的溢出效应相关，大于技术进步的直接就业效应。

内生技术进步能够使生产率大幅增长，进而降低各部门的生产成本。 生产产出的成本降低，使各部门需要更多的生产要素，从而促进生产和扩大经济中的就业。 据此可以推断，促进经济内部的创新对于推动经济增长和总体就业扩张至关重要。 因此，我们应当在创新政策领域建立政策性工具，为各行业提供推动创新变革的机会，鼓励各行各业树立创新精神，加大研发投入。 具体措施包括提供研发补贴，降低新兴行业的准入门槛，以及修订可能阻碍创新的规章制度。