特定技能要素回报率变动与技能工资差距——基于职业任务测度法的动态分析

盛卫燕

一、引 言

20 世纪70 年代以来，在许多国家的劳动力市场上，高低技能劳动力之间存在的工资差距(也称为技能溢价，Skill Premium)均呈明显扩大趋势，技能工资差距扩大现象不仅存在于欧美发达国家，也存在于印度、墨西哥等发展中国家，中国也在其中。Ge和Yang(2014)根据中国城镇住户调查数据(UHS)的统计表明，1992—2007 年，拥有中学学历的劳动工资增加了135%，而拥有大学学历的劳动工资增加了240%。此外，宋冬林等(2010)、杨飞(2017)分别通过中国宏观数据与行业中观数据得到类似的结果。当前中国技能工资差距扩大的趋势已成共识。

然而，既有研究更多关注技能组间工资差距。实际上，经验数据显示技能组内工资差距也呈扩大趋势(Galor 和Mova，2000；Crifo，2008)。本文基于中国综合社会调查数据(CGSS)进一步观察到，与2003—2005 年相比，2013—2015 年第90 与第10 百分位数处的工资差距(Q90～Q10)由1.94 变为2.30，上升幅度为18.83%，第90 与第50 百分位数处的工资差距(Q90～Q50)由0.92 变为1.20，上升幅度为31.44%；如果用Q90～Q10 表示高低技能组间工资差距，则上述结果表明，技能组内工资差距(Q90～Q50)变化贡献了总体变化的77.78%，构成总体技能工资差距的主要部分(见表1)。另外，按学历分组的统计结果也得到了类似的结果。

表1 工资差距变化趋势

已有研究认识到能力异质性是理解技能组间和技能组内同时存在工资差距扩大趋势的核心所在(Katz 和Murphy，1992；Juhn 等，1993)。Galor 和Mova(2000)、Crifo(2008)先后构建理论模型论证了能力偏向性技术进步对技能组间及技能组内工资差距的影响。可能囿于能力测度的复杂性与数据的有限性，关于能力要素影响技能工资差距实证层面的量化分析亟待丰富。此外，对于认知型技能与非认知型技能影响工资收入的作用机制，既有研究普遍是基于微观视角的机制解释。然而，当前国际贸易全球化不断推进，人工智能与机器人等先进技术迅猛发展以及产业结构转型等宏观因素无疑会重构劳动力市场的技能需求分布。鉴于本文旨在讨论特定技能要素回报率的动态变化对于技能工资差距的影响，故将其置于宏观背景下进行机制分析更具吸引力。

为此，本文立足于技能组间与技能组内工资差距扩大的现实背景，拓展了以往研究基于单维受教育程度刻画个体技能的分析方法，在受教育程度的基础上增加新的解释维度——认知型技能与非认知型技能，通过分析认知型技能与非认知型技能回报的分布特征与时变特征，考察两类特定技能对技能工资差距趋势变动的影响效应，进而基于地区开放水平、技术进步水平及产业结构转型等宏观视角检验特定技能要素影响技能工资差距的内在机制。

本文可能的研究贡献如下。①不同于现有研究所采用的数据与指标构建方法。由于目前国内缺乏量化个体多维技能特征的长期微观数据，本文尝试将中国综合社会调查数据(CGSS)与美国职业信息网络数据库(ONET)进行匹配，以获得关于具体职业任务特征的详细数据，进而采用职业任务法测度特定技能要素——认知型技能与非认知型技能。②不同于现有研究集中讨论认知型技能与非认知型技能对收入的影响方向，本文关注长期动态视角下认知型技能与非认知型技能回报率变动对技能工资差距的影响贡献率。通过RIF 分解方法将认知型技能与非认知型技能对技能工资差距的影响分解为要素结构效应与要素价格效应，捕捉认知型技能与非认知型技能对技能工资差距变动的作用方式与贡献度。③不同于现有研究集中从微观层面讨论认知型技能与非认知型技能的作用机制。长期动态视角下本文聚焦地区开放水平、技术进步水平及结构转型等视角对特定技能要素影响技能工资差距的内在机制进行探讨。本研究为当前中国劳动力市场技能工资差距不断扩大的典型事实提供新的机制解释，也为构建与技能需求相适应的人力资本积累体系提供更具针对性的经验支持。

二、文献综述

探索技能工资差距的变动原因及其作用机制是研究技能工资差距问题的核心所在。既有研究往往围绕国际贸易全球化视角及技能偏向性技术进步视角对技能工资差距内在成因机制进行分析。随着相关研究的不断推进，对于技能偏向性技术进步的认识也在不断深化。Kaboski(2009)认为，技能偏向性技术进步不仅发生在行业内部，不同技能密集度行业间的结构变迁也是产生技能偏向性技术进步进而推动技能工资差距上升的重要来源。当资本由制造业流向服务业时，由于资本与技能在技术上更加互补，这无疑会增加对技能劳动的相对需求。在此特别需要说明的是，上述各宏观影响效应可同时存在，只不过会在不同时期表现出阶段性特征。

所有关于技能工资差距的研究都须明确界定一个基础性问题——何为技能及如何测度。一直以来，采用受教育程度指标表征个体技能的处理方法几乎成为所有国内外关于技能工资差距问题经验研究的首选。但是由于人力资本是多维的，受教育程度仍是一个相对粗糙的代理变量：生产技能不仅与受教育程度有关，还会受到教育质量的影响，同时与先天禀赋、家庭环境及同群效应密切相关(Hanushek，2008)；“干中学”效应意味着个体生产技能可在结束正式教育后的实际生产中逐渐积累，而受教育程度一般在结束正式教育后不再变化，基本上可以视作一个固定变量(Ingram 和Neumann，2006)；技术进步对人力资本的折旧效应会使得部分知识过时，即使对高技能劳动者而言也不例外，即所谓的高技能自动化技术进步(Acemoglu，2018)。现实中，技能组间与技能组内工资差距扩大的特征事实需要对人力资本内涵在受教育程度的基础上增加新的解释维度，而多维特定技能异质性成为解释这一问题的一个有力切入口。梳理与剖析国内外相关研究，得到如下发现和认识。

其一，关于多维技能要素的内涵与测度。早期的经验研究往往将个体能力作为不可观测的个体异质性进行分析(Katz 和Murphy，1992；Juhn 等，1993)，随着大样本微观调查数据的日益丰富，对能力的直接测度与量化分析成为可能。有学者认为，能力分为认知型技能与非认知型技能(Heckman 等，2006)。其中，认知型技能包括识字能力、记忆能力、计算能力、推理能力等。相比认知型技能，非认知型技能内涵则更为丰富，度量方式也更为灵活，尽管对其测度标准学术界尚无共识，但正如Heckman(2012)所言，不同概念之间实际上有着高度的一致性。

对于特定技能要素的测度并非局限于调查问卷中的直接测度法，近期已有学者开始用职业任务测度法控制多维技能特征。由于劳动力技能结构与水平不同，职业任务的技术结构与含量也不同，劳动力能力水平与所在职业任务技术复杂度的互补性使得劳动力与工作岗位之间存在正向排序匹配效应(Positive Assortative Matching，Vogel，2010)，所以可借助具体职业任务特征捕捉劳动个体潜在的技能水平。Ingram 和Neumann(2006)将美国CPS1971—1998 年数据库与DOT 数据库匹配，用职业任务法并结合因子分析方法考察认知型技能、运动技能等细分技能的回报率特征。Bacolod 和Blum(2010)将CPS1968—1990 年数据库与职业大典数据库(DOT)匹配，采用职业任务法进一步研究发现，劳动力市场技能工资差距扩大与性别工资收入收敛的共存趋势均源自样本时期认知型技能回报率的上升与运动型技能回报率的下降。Yamaguchi(2018)将PSID1979—1996 数据与DOT 数据库匹配，采用职业任务测度法分析认知型技能与运动型技能对性别工资差距的影响。然而，遗憾的是，上述研究均主要强调认知型技能与运动型技能的差异，并未对认知型技能与非认知型技能做明确区分，甚至忽略对非认知型技能的考察。

其二，关于不同技能要素对工资收入差距的影响效应及贡献率分解。经验研究表明，认知型技能与非认知型技能回报率存在明显分布特征与时变特征。所谓分布特征是指技能回报率在不同国家、不同地域、不同性别、不同技能等不同群体之间存在异质性。其中，不同技能劳动认知型技能与非认知型技能回报率存在显著异质性已经得到多数研究的支持。例如，Lindqvist 和Vestman(2011)基于瑞典人口抽样调查数据(LINDA2006)与征兵匹配数据的研究发现，非认知型技能与工资收入之间为线性关系，认知型技能与工资收入之间呈现严格的凸性。对于非技能劳动与管理者而言，非认知型技能回报率高于认知型技能回报率。对非管理岗位的技能劳动者而言，其认知型技能的回报率高于非认知型技能。Acosta 等(2015)基于哥伦比亚家庭调查数据(STEP2012)研究发现，认知型技能与拥有正式、高收入、高质量职业密切相关，而非认知型技能似乎对这些结果没有直接影响。

技能要素回报率的时变特征强调技能回报率随时间动态变化所表现出的演进趋势特征或阶段性特征。基于美国NLSY1979 与1997 数据，Castex 和Dechter(2014)发现，样本期间认知型技能回报率下降幅度达30%～40%，并指出认知型技能回报率呈现下降趋势源于技术增长率的变动。Deming(2017)发现，对于密集需要认知型技能与社交技能的职业，无论是就业数量还是工资水平都是增长最快的，同时研究还显示社交技能回报率在样本期间呈显著增加趋势。类似地，Beaudry 等(2016)基于美国CPS数据研究发现，20 世纪末科技泡沫破败导致劳动力市场对认知技能密集型任务需求下降，2008 年经济危机的刺激加剧了美国劳动力市场的萧条。Edin 等(2017)基于瑞典数据研究发现，非认知型技能回报率呈现递增趋势。然而，既有研究多是单独考察认知型技能与非认知型技能的时变特征或分布特征，忽略对两个特定技能及其回报率特征的联合分析。Bacolod 和Blum(2010)、Yamaguchi(2018)通过考察认知型技能与运动型技能回报率的分布特征与时变特征，进一步量化各细分技能回报率的变化对性别工资收入差距变化的影响贡献率。但迄今为止，鲜有文献深入分析认知型技能与非认知型技能对技能工资差距的影响贡献率。

其三，关于特定技能要素影响技能工资差距的机制检验。既有研究主要从教育激励、社会网络及职业选择偏好(Heckman 等，2006；Borghans 等，2008；Lindqvist 和Vestman，2011；Acosta 等，2015)等微观视角检验特定技能对工资收入的影响机制。Borghans 等(2008)认为，非认知型技能可以影响个体在就业信息获得及创业资产积累上的约束，可以为个体带来更多的社会资源，拓展其社会网络与职业选择空间。Edin等(2017)发现，从业者晋升到领导职位时更多地需要非认知型技能。王春超和张承莎(2019)主要从社会网络效应、职业选择效应及教育回报效应等视角考察了非认知型技能对工资收入的影响机制。此外，Bowles 等(2001)还提出“激励型偏好”机制。就理论而言，各类技能回报率并非固定不变的，其会伴随着国际贸易、技术进步及产业结构转型等宏观环境的变化而产生系统联动效应。换言之，人力资本回报率不仅取决于个体层面的微观因素，还会受制于个体所处宏观环境的变化(Galor 和Mova，2000)，尤其是动态视角下，特定技能要素对技能工资差距的影响可能更多是由于宏观经济环境变化所致，因而将特定技能影响技能工资差距的内在机制置于宏观背景下进行分析是合理的且必要的。

近期，已有部分国内学者开始关注认知型技能与非认知型技能对劳动工资收入的影响，基于微观调查数据进行了实证探索，并取得初步进展。张晓云和杜丽群(2017)基于CFPS 数据分析认知型技能对劳动力工资收入的影响，程虹和李唐(2017)基于中国企业-员工匹配调查数据(CEES)研究“大五”人格特征对劳动力工资收入的影响。黄国英和谢宇(2017)基于CFPS 数据考察认知型技能与非认知型技能对青年劳动力工资收入的影响。王春超和张承莎(2019)基于CFPS 数据，根据“大五”人格特征构建非认知型技能分析其对劳动工资性收入的影响。鉴于已有研究数据来源单一及指标构建方法也很接近，虽然结论较为一致，但这不代表结果稳健。况且，当前国内研究主要是单期截面分析，尚无文献基于动态视角考察特定技能要素对技能工资差距变动的影响效应与影响贡献，对于特定技能要素影响工资差距的内在机制更是缺乏来自宏观视角的机制检验。

综上所述，现有研究主要将受教育程度作为技能测度标准分析技能工资差距的成因机制，但受教育程度指标过于简单笼统，存在理论局限与现实矛盾。因此，相关研究仍然有待于以多维技能特征为渠道展开分析。虽然已有文献对认知型技能与非认知型技能对工资收入的影响效应与影响机制做出了十分有益的探索，但就特定技能对技能工资差距的影响效应与影响机制仍留有值得深入探索的空间。①既有研究关注到了认知型技能与非认知型技能对工资收入的影响，而且部分研究也深入地讨论了认知型技能、非认知型技能回报率的时变特征与分布特征，但忽略了对两个特定技能及两个特征的联合分析，进而忽略了两类特定技能对各类工资差距变化的贡献率分析(其中包括技能工资差距)。②现有研究对特定技能作用机制的考察更多是停留在微观层面上。从理论上讲，开放水平、技术进步水平及产业结构转型等宏观因素也可通过影响特定技能回报率影响技能工资差距，特别是动态视角下特定技能回报率的变动极易受到宏观经济形势变化的影响，所以有必要将特定技能要素影响技能工资差距的内在机制置于宏观背景下进行分析。③国内对认知型技能与非认知型技能的研究仍处在起步阶段，数据来源单一且指标构建方法也很接近，为得到更加稳健的认识，对于相关问题的考察需要更多来自大样本微观数据的进一步验证。

三、研究方法与数据说明

（一）计量方法选择

本文旨在采用由Firpo 等(2009)提出的RIF 分位数模型和贡献率分解方法考察认知型技能与非认知型技能对技能工资差距的影响效应及其内在作用机制。

RIF 分位数分解方法是将Blinder-Oaxaca 均值分解方法延伸到无条件分布分解上的一般形式，且与DFL 分布分解相比，RIF 回归分解可以直接实现对单个变量结构效应与价格效应的分解。区别价格效应与结构效应的意义在于判断由要素稀缺性及由歧视效应所导致的溢价效应。在实际经济活动中，有些技能可以通过接受教育获得，而有些技能则是先天禀赋或者需要其他方面的人力资本投资来弥补。因此，当某些技能变得稀缺而又不能通过简单增加教育供给来满足时，要素价格效应将会发挥更大的作用。剥离各要素影响技能工资差距的结构效应与价格效应便于捕捉各要素影响技能工资差距的作用方式与贡献，进而为不同类型劳动者进行针对性技能积累提供现实依据。

（二）数据来源说明

本研究所使用数据主要包括中国综合社会调查数据(CGSS)及美国职业信息网络数据库(ONET)。CGSS 以分层抽样方式对中国大陆各省市自治区10000 多户家庭展开连续性横截面调查。对于本文而言，CGSS 时间跨度较长，从2003 年开始，目前已经发布到2015 年，符合本文从微观层面研究技能工资差距趋势变动对于长期微观数据的需求；另外，构建认知型技能与非认知型技能指标需要用到关于具体职业特征描述的数据，CGSS 数据中对于个体职业的统计正是基于三分位国际标准职业分类体系(ISCO88)，职业分类详细且便于与ONET 数据匹配。根据本文研究的具体问题，将CGSS2003 与CGSS2005 合并(记为：2003—2005 年)，将CGSS2013 与CGSS2015 合并(记为：2013—2015 年)。ONET 已逐步取代职业大典(DOT)，成为广泛应用的职业分析工具，其数据主要是基于对在职工作人员的调查而得。本文采用的2010 版本ONET 包含968 类职业的细分能力和技巧得分等277 个特征描述指标。ONET 数据是基于美国标准职业分类体系(SOC)进行统计，由于SOC 与国际标准职业分类体系(ISCO)较为接近而更易匹配，这为本文构建认知型技能与非认知型技能指标提供了数据支持。

（三）认知型技能与非认知型技能指标测算

构造在岗劳动力认知型技能与非认知型技能指标是本文实证工作中的重要且基础性的工作。参考Caines 等(2017)的方法，选取ONET 数据库描述具体职业任务特征的16 个细分能力指标，分别来自其能力(Abilities)、技巧(Skills)及工作类型(Work Activities)3 个目录下的8 个细分认知型技能指标与8 个细分非认知型技能指标(表2)。

表2 O*NET细分指标选取

借鉴Yamaguchi(2012)的处理办法，采用主成分分析法并选取第一主成分得分作为特定技能指标的代理变量(包括认知型技能与非认知型技能)，并分别将两类特定技能得分标准化到[0—10]区间，从而实现把多维细分指标降低为单维指标。在得到ONET 数据库职业分类体系下职业认知型技能与非认知型技能得分后，再根据职业代码与CGSS 数据库的ISCO88 职业分类代码进行匹配，进而可以得到CGSS 样本中各类职业认知型技能与非认知型技能的分数，基于上述方法得到的认知型技能复杂度的分数较为恰当地反映了实际情况。

被解释变量采用个体年职业工资收入对数(lnincome)。控制变量包括：受教育程度(educ)，按照从未受教育到研究生教育分为13 个层次；性别(男性，gender＝1；女性，gender＝0)；年龄(age)，取值范围在16～65 岁；年龄平方(age)；工作经验(exp)，exp＝(受访者年龄-受教育年限-7)/10；户口状况(城镇，hktype＝1；农村hktype＝0)；婚姻状况(未婚，marital＝1；已婚，marital＝0)。另外，由于文中机制检验部分用到大类行业层面的相关数据，为保持前后一致，本文参考国民经济行业分类体系(GB/4754—2011)将CGSS 数据中细分行业分类转换为大类行业分类，并控制行业和地区固定效应。其具体情况见表3。

表3 其他指标描述性统计

四、认知型技能、非认知型技能对技能工资差距的影响效应

由于本文职业任务测度法是基于正向匹配效应的理论假设，根据该理论假设劳动力进行职业选择的决定因素不仅取决于行业本身的发展前景与工资水平，也依赖于自身的技能禀赋与职业偏好，即非认知型技能较高的劳动者会选择密集需要非认知型技能的职业，而认知型技能较高的劳动者会选择密集使用认知型技能的职业。在进行分析之前，本文首先采用中国家庭追踪调查数据(CFPS2010—2016)检验这一基础性假设。表4 检验结果基本支持正向匹配效应的假设，即无论是对于认知型技能还是非认知型技能而言，基于CFPS 数据直接测度的特定技能指标与基于CGSS 数据间接职业任务测度的特定技能指标之间为显著正相关。因此，本文可以通过职业任务特征间接刻画个体特定技能特征。

表4 正向匹配效应检验

（一）基于RIF 分位数回归模型的回归分析

根据表5 回归结果可知，在控制了受教育程度变量后，认知型技能与非认知型技能仍可以对个体工资收入产生重要影响，表明由职业任务所反映的不同特定技能因素是工资收入的决定因素之一。从其中还可知，认知型技能与非认知型技能回报率在各收入水平分位点上的影响系数及其显著性水平均存在明显的分布差异，在不同时期这种分布差异又存在明显的时变特征。由此表明本文基于分位数回归模型考察认知型技能与非认知型技能回报率在不同时期的分布特征与时变特征更为客观。

表5 认知型技能、非认知型技能回报率分布特征与时变特征

对于认知型技能回报率而言，在2003—2005 年认知型技能对工资收入的增强效应基本不显著，甚至在Q90 分位点的影响系数显著为负(-0.03)。然而，在2013—2015年认知型技能对工资收入的影响在各分位点上显著为正，尤其是在收入的高分位点，认知型技能回报率的提升效应更加明显，如在Q75 分位点影响系数提升到0.04，在Q90 分位点的影响系数变化幅度最大，且由显著为负转为显著为正，达到0.05。上述结果表明，劳动力市场增加了对劳动力认知型技能要素的需求，对于收入高分位点高技能劳动者尤其如此。据此可推断，认知型技能回报率在不同分位点的分布特征及不同时期的时变特征可以提升技能工资差距水平。当前以人工智能技术为主要特征的新一轮科技革命方兴未艾，先进制造设备、数字化控制系统和智能化物流管理体系等技术变革对劳动力市场的技能需求产生新的诉求，需要具有较强专业技术背景的专用型人才，特别是那些具备数据分析、逻辑演绎等认知型技能的专业技术人员。

与认知型技能回报率的时间演进规律不同，非认知型技能回报率在2013—2015年表现为下降趋势，且低分位点劳动力非认知型技能回报率下降尤其突出。例如，在2003—2005 年Q10 分位点非认知型技能的影响系数高达0.06，而在2013—2015 年Q10 分位点非认知型技能的影响系数下降为-0.01。Q25 分位点与Q50 分位点非认知型技能的影响系数也明显变小，甚至不再显著。然而，在高分位点非认知型技能影响系数依然显著为正，仅是出现了小幅下降。与认知型技能回报率变化效应相似的是，非认知型技能回报率在不同分位点的分布特征，以及在不同时期的时变特征也将扩大技能工资差距，区别在于不同技能影响工资收入的作用位置不同。对认知型技能而言，是通过相对提升高分位点劳动力的认知型技能回报率扩大技能工资差距，而对非认知型技能而言则是通过降低低分位点劳动力的非认知型技能回报率扩大技能工资差距。本文样本期与王春超和张承莎(2019)基于CFPS 数据的研究样本时间较为接近，但结论截然不同：王春超和张承莎(2019)研究结果显示，随着收入分位数水平的提高，非认知型技能对劳动工资性收入的影响会减弱，但其并未对此进行解释。微观数据来源不同、非认知型技能测度方法不同均可能在一定程度上导致回归结果的差异。此外，本文研究结论与盛卫燕和胡秋阳(2019)基于CFPS 数据的研究一致，即技能劳动的非认知型技能回报率更高。这可能是因为现阶段我国正处于结构化转型的重要时期，提升高端服务业的比重是打造以服务经济为主的现代产业体系的前提和基础。理论上，作为典型的人力资本密集型行业，高端服务业不仅存在专业技能进入门槛，也需要劳动者具备较强的人际交往与沟通表达能力等社交技能。但是，因为以社交技能为代表的非认知型技能要素很难被信息化技术所代替，所以随着高端服务业部门的不断扩大，技能劳动者的非认知型技能变得更稀缺。

教育回报率变化也呈现出一些规律性特征。两期数据均显示，随着分位数的提高，教育回报率在增加，这与徐舒(2010)的研究结论相同。但不同的是，本文研究显示，与2003—2005 年相比，2013—2015 年教育回报率在各分位点都有明显下降。对此，可用“尼尔森-菲尔普斯假说”解释。该假说认为，当技术进步较快时，劳动力需要适应不断变化的环境，此时特定技能是最具有价值的，但随着技术变革速度放缓，正式教育对劳动力市场的表现变得相对更重要。2003—2015 年，中国经济高速增长与经济危机所带来的巨大不确定性加大了对劳动力特定技能要素的需求。同时，中国1999 年实施的《面向21 世纪教育振兴行动计划》将高等教育由精英化阶段推进至大众化阶段，大学毕业生队伍爆发式增长，也从某种程度上弱化了教育的信号筛选功能，并最终导致教育回报率呈下降趋势。

为更全面了解认知型技能与非认知型技能在不同时期不同分位点上的表现，也为了更加直观地与受教育程度变量进行比较分析，图1 画出了3 个变量在不同时期不同分位点上的RIF 回归系数。从图1(a)可以看出，2003—2005 年认知型技能回报率随分位点上升而下降，甚至在高分位点表现为负；非认知型技能在各分位点的变化相对平缓，主要在0.02～0.05 之间窄幅波动；各分位点处非认知型技能回报率均高于认知型技能的回报率，但低于受教育程度要素回报率。从图1(b)可以看出，2013—2015 年认知型技能回报率在各分位点上均表现为明显的上升趋势，特别是高分位点劳动力认知型技能回报率增长效应尤为突出；非认知型技能的回报率在各分位点的分布规律性较2003—2005 年明显增强，具体表现为随分位点的上升而上升；认知型技能与非认知型技能二者的回报率与教育回报率的差距在缩小。同时，两个图也表明前文所得结论较为稳健。

图1 认知型技能、非认知型技能与受教育程度在不同时期不同分位点上的RIF 回归系数

（二）认知型技能、非认知型技能对技能工资差距影响的贡献率分解

上文主要采用分位数回归模型考察了样本期认知型技能与非认知型技能回报率的时变特征与分布特征。结果表明，2013—2015 年认知型技能回报率呈上升趋势且在高分位点工资增强效应更大，而非认知型技能回报率呈下降趋势且在低分位点工资下降幅度更大，认知型技能与非认知型技能回报率的演进特征初步表明二者是构成技能工资差距上升的重要因素。然而，分位数回归模型仍无法定量测度认知型技能与非认知型技能多大程度上影响技能组间工资差距与技能组内工资差距，也无法体现各类要素究竟主要通过价格效应还是结构效应发挥作用。为进一步量化认知型技能与非认知型技能的影响贡献，本文进一步采用RIF 分位数分解方法进行要素效应分解，分离出两类特定技能要素影响的价格效应与结构效应，深入考察认知型技能与非认知型技能对技能组间工资差距及技能组内工资差距的影响贡献与作用方式。稳健起见，本文分别汇报了未使用重置权重函数进行调节的分解结果及使用重置权重函数进行调节的分解结果。

由表6 回归结果可以发现，无论是否使用重置权重函数进行调节，结果都稳健地表明，认知型技能与非认知型技能主要通过价格效应影响技能组间工资差距，通过结构效应影响的贡献率非常小。在使用重置权重函数进行调节后，认知型技能的价格效应略有不同程度减小，对于技能工资差距的影响程度(Q90～Q10)由0.29 减小为0.22，解释了总体技能工资差距变化效应的50%；对低技能组内工资差距(Q50～Q10)的影响程度由0.07 降低为0.03，解释了低技能组工资收入差距变化总效应的26%；对技能组内工资差距(Q90～Q50)的影响程度由0.22 降低为0.19，解释了技能组内工资差距变化总效应的61%。可见认知型技能对技能组内工资差距变化的解释贡献更大。Yamaguchi(2018)基于PSID1979—1996 年与DOT1970 年匹配数据的研究表明，认知型技能可以解释男性劳动力技能工资差距总变化的67%，其中认知型技能价格效应的解释贡献达48%，这与本文研究结果较为相似，均显示认知型技能主要通过价格效应提升技能工资差距，其结构效应影响较小。这意味着对于技能劳动者而言，认知型技能在当前的确是一个重要缺口。

表6 认知型技能、非认知型技能对技能工资差距影响的贡献率分解

与认知型技能不同，在使用重置权重函数进行调节以后，非认知型技能的价格效应变得更大，对技能工资差距的影响程度(Q90～Q10)由0.39 上升为0.81，解释了总体技能工资差距变化的187%；对低技能组内工资差距(Q50～Q10)的影响程度由0.24 上升为0.46，解释了低技能组工资收入差距变化总效应的361%；对技能组内工资差距(Q90～Q50)的影响程度由0.16 上升为0.35，解释了技能组内工资差距变化总效应的114%。可见，非认知型技能对低技能组内工资差距变化的解释贡献更大，但这并不意味着非认知型技能对低技能劳动越来越重要。其实，前文回归结果已表明，2013—2015年低分位点(对应于低技能劳动者)非认知型技能回报率呈现下降趋势，所以非认知型技能对于低技能组内工资差距的解释贡献主要源于非认知型技能回报率的下降。对此可能的原因有两方面。其一，对于低技能劳动而言，其主要从事简单的身体技能密集型的工作，例如搬运、驾驶、归档、清洁等，这对于劳动力特定技能特质的要求并不高，即使是在低端服务业的从业者，也仅需要简单的沟通与社交技能。正如Caines 等(2017)所言，任务复杂度较低的职业只涉及原始的身体、认知及互动技能，也就是那些支撑我们度过日常生活的普通技能。其二，样本期服务业内部也在经历结构转型升级，一定程度上抑制了对低端服务业从业者的非认知型技能要素的需求。

教育因素的结构效应与价格效应表现出明显不同于特定技能要素的特征，分解结果显示教育因素对收入差距变化影响的价格效应在不同技能组别出现了分化。具体而言，教育对低技能组工资收入差距变化的价格效应为0.23，而对高技能组工资收入差距变化的价格效应为-0.29，表明教育因素通过价格效应扩大了低技能组内工资差距，同时抑制了高技能组内工资差距的扩大趋势。受20 世纪90 年代末高等教育扩招政策的影响，技能劳动的供给大规模增加，教育因素对各类收入差距影响的结构效应为正。由于教育因素对不同技能组内(低技能组Q50～Q10 和高技能组Q90～Q50)工资收入差距的影响受方向相反的两种效应的影响，教育因素对总体技能工资差距的影响贡献仅为4%，远远低于认知型技能与非认知型技能对技能工资差距的影响，特别是教育因素对技能组内工资差距的影响受价格效应主导而表现为抑制了技能组内工资差距扩大。

五、认知型技能、非认知型技能对技能工资差距的作用机制

任何形式的人力资本总是随着技术进步与经济结构等宏观因素变动而产生联动效应，并在不同时期表现出阶段性特征。既有研究主要从技能偏向性技术进步与国际贸易视角展开分析(Acemoglu，1998，2002；Burstein 和Vogel，2017)，但鲜有文献从结构转型视角解释技能溢价问题。现阶段，我国正处于结构化转型的重要时期，理论上，作为典型的人力资本密集型行业，高端服务业不仅存在专业技能进入门槛，也需要劳动者具备较强的人际交往与沟通表达能力等社交技能。由于该类技能很难被信息化技术所代替，所以随着产业结构中服务部门比重不断增加，尤其是高端服务业部门的不断扩大，特定技能要素作为重要的人力资本构成在劳动力市场中将扮演着越来越重要的角色。因此，有必要将中国技能溢价上升问题置于结构转型背景下进行分析。宏观因素影响技能溢价的微观机制主要通过影响微观个体人力资本回报率渠道最终作用于技能溢价(Lee，2020)，而既有研究更多的是基于传统单维教育因素，忽略基于认知型技能与非认知型技能视角的考察，本文希冀在以上两方面做出有益推进。首先，借鉴Autor 等(2003)、Black 和Spitz-Oener(2010)分析任务需求结构的方法，初步甄别产业结构转型因素的必要性。然后，通过引入交互项方式，分析各宏观因素对技能工资差距的影响。

（一）行业组内-组间分解——初步甄别宏观驱动因素

根据Autor 等(2003)、Black 和 Spitz-Oener(2010)的研究，判断任务需求结构变化来源的一个重要方法就是将任务结构变化进行职业层面或行业层面的组内-组间分解。Autor 等(2003)基于美国CPS 数据及Black 和 Spitz-Oener(2010)基于德国GCS数据的统计均显示组内变化占主导地位，并由此判断是组内技术因素主导了任务需求结构的变化。然而，也有学者得到不同的结论。Goos 等(2014)基于16 个欧洲国家数据对不同职业就业数量的分解结果显示，组内-组间分解没有明显主次地位的区别，组内-组间因素共同促成劳动市场的极化趋势，而且组内因素与组间因素作用方向相同。

那么，对于中国这类转型中的发展中大国而言，究竟组内与组间因素如何影响中国劳动技能需求结构的变化？既有的经验分析多是基于国外发达经济体的数据，且结论不一。为此，借鉴Black 和Spitz-Oener(2010)的方法，本文进一步将高低技能劳动的认知型技能(非认知型技能)差距变化趋势进行行业组内-组间分解。其具体如下式：

对认知型技能与非认知型技能需求结构基于行业层面组内-组间的分解结果表明，认知型技能主要通过行业组内力量影响总体技能需求结构，并且总体上高低技能劳动间认知型技能差距呈收敛趋势。表7 分解结果显示，行业组内影响效应为-0.39，行业组间影响效应为0.14，总体而言，高低技能劳动间认知型技能收敛了0.25；非认知型技能则主要通过组间力量影响总体技能需求结构，总体上高低技能劳动间非认知型技能差距呈发散趋势，行业组内影响效应为-0.03，行业组间影响效应为0.30，高低技能劳动间非认知型技能差距扩大了0.27。由此，可以初步判断，对于当前正处于转型阶段的中国而言，行业组间力量仍然是影响中国劳动力市场结构变迁的重要因素。这为把结构转型因素纳入实证分析提供了现实依据。

表7 认知型技能、非认知型技能需求结构变化之行业组内-组间分解

（二）各宏观因素对技能工资差距的影响——基于特定技能传导机制的检验

本部分将地区开放水平、技术进步水平及产业结构转型等宏观因素同时纳入分析框架，进一步挖掘认知型技能、非认知型技能回报率分布特征与时变特征演进规律背后的宏观驱动因素。沿用传统方法，用外贸依存度指标刻画地区对外开放水平。外贸依存度，常用一国进出口贸易总额与该国国内生产总值之比表示。外贸依存度不仅表明一国经济依赖于对外贸易的程度，还可以在一定程度上反映一国经济发展水平及参与国际竞争的能力；技术进步的代理变量极为丰富，不同学者根据其研究需要往往会采取不同的测算方法，例如计算机普及率(Autor 和Dorn，2013)、信息与通信技术投资占比(Michaels，2014)、全要素生产率(宋冬林等，2010)等。考虑到数据可得性与全要素生产率测算方法的局限性，本文借鉴郝翠红(2018)的方法，采用地区研发投入强度作为地区技术进步水平的代理变量。对于产业结构转型指标构建，本文参考陈斌开和陈思宇(2018)的分类办法，设定高端服务业包括信息传输、软件和信息技术服务行业，金融行业，科学研究与科学技术服务行业，教育行业及文化体育行业等五类，用地区高端服务业产值占比作为地区产业结构转型的代理变量。所需数据来自《中国统计年鉴》《中国科技统计年鉴》及《中国劳动统计年鉴》。同时，分别用2003—2005 年、2013—2015 年各指标年平均值作为各期宏观指标代理变量。将省级宏观指标与特定技能变量做交互项，采用RIF 分位数回归模型及分解方法，考察各交互项在不同时期以及不同分布位置的影响系数，以之确定各宏观因素是如何通过影响特定技能要素回报率作用于技能工资差距，进而通过RIF 分位数分解方法量化各宏观因素通过微观特定技能渠道影响技能工资差距的贡献率。

由表8 基于宏观视角的机制检验结果可以发现，开放水平主要通过提升高分位点劳动力的认知型技能回报率影响技能工资差距。其开放水平与认知型技能交互项系数在Q75 分位处由2003—2005 年的0.02 上升为2013—2015 年的0.07，其上升幅度为2003—2005 年的2.62 倍，在Q90 分位点由2003—2005 年的0.02(且统计不显著)上升为2013—2015 年的0.11，上升幅度为2003—2005 年的6.23 倍；但开放水平通过非认知型技能渠道的影响不显著，甚至在高分位点降低了非认知型技能回报率，如2013—2015 年在Q90 分位点开放水平与非认知型技能交互项系数变为-0.01。

表8 基于宏观视角的机制检验

续表8

对于中国而言，廉价低技能劳动力相对丰富，按照H-O-S 定理贸易会使得低技能劳动收入增加得更多，因而开放水平对高分位点劳动力认知型技能回报率的增强效应不能用H-O-S 定理解释，而更有可能是贸易开放引致的技术升级效应。因为贸易使得各国对技能密集型产品的需求扩大，技能密集型产品的相对价格提高，为维持海外市场竞争力与扩大海外需求份额，出口企业面临技术升级的需要，需要不断提升出口产品质量和提高企业生产率，进而增加对劳动力认知型技能要素的需求。

技术进步水平与认知型技能、非认知型技能交互项的系数变化特征与开放水平指标的变化规律非常相似，也主要是通过提升高分位处劳动力认知型技能回报率影响技能工资差距。技术进步水平与认知型技能交互项系数在Q75 分位点由2003—2005 年的0 上升为2013—2015 年的0.02，上升幅度为2003—2005 年的1.97 倍，在Q90 分位点上升为2003—2005 年的0.42 倍。技术进步水平与非认知型技能交互项系数在Q90分位点由2003—2005 年不显著变为2013—2015 年显著为-0.01。这表明，技术进步水平通过弱化高分位处劳动力的非认知型技能回报率缓解了技能工资差距。

技术进步水平对高分位点劳动力认知型技能回报率的增强效应可以从技术部门自主研发的直接效应及内生的技能偏向性技术进步两方面进行解释。①自主研发的直接效应是指科技研发部门本身就需要大批专业的技能型人才。在全球范围的信息技术革命与生物科技革命背景下，各国为在相关领域占据制高点，势必会增加对软件工程师与医药专家等认知技能密集型职业的需求。②改革开放以来，为了以更低成本更快速度实现技术赶超，中国引进或模仿了发达国家大量的成熟技术与管理经验，中国的技术进步应该也会呈现类似于发达国家的技能偏向性，更具体说是认知型技能偏向的。

与地区开放水平、技术进步水平对各类特定技能回报率的作用规律不同，产业结构转型不仅可以影响高分位点劳动力的认知型技能回报率，还可以影响高分位点劳动力的非认知型技能回报率。产业结构转型变量与认知型技能交互项系数在Q75 分位点由2003—2005 年的0.05 上升为2013—2015 年的0.17，上升幅度为2003—2005 年的2.06 倍，在Q90 分位点由0.06 上升为0.36，上升幅度为2003—2005 年的5.06 倍。产业结构转型变量与非认知型技能交互项系数在Q75 分位点由0.06(统计不显著)下降为0.03，削减幅度为2003—2005 年的0.45 倍，在Q90 分位点由0.27 下降为0.19。虽然产业结构转型通过劳动力非认知型技能渠道对技能工资差距的影响效应在减弱，但其仍是构成样本期技能工资差距扩大的重要原因，因为2013—2015 年产业结构转型变量与非认知型技能交互项系数在低分位点不再显著，产业结构转型因素仅是提升了高分位点劳动力的非认知型技能回报率。Deming(2017)也发现，那些密集需要认知型技能与社交技能的高端服务类职业正处于上升期，工资水平与就业数量都增长较快。

对此可能的解释是，当前中国正处于由工业化向后工业化转型的重要时期，服务部门的产值比重已经超过51%，其中高端服务部门比重也处在持续上升阶段。作为典型的人力资本、知识密集型行业，高端服务部门职业复杂多元的工种性质决定了对从业者特定技能的需求。一方面，高端服务部门信息、数据与知识高度融合，增加了对从业者专业技能知识的需求，如数据挖掘、信息获取等特定认知型技能；另一方面，高端服务部门存在大量复杂的互动性工作(interactive tasks)，决定了其工作并不是劳动者独立完成的，往往需要同他人沟通与协作发挥团队集体智慧的力量才可实现，这就迫切需要劳动者具备良好的人际交往能力与逻辑表达能力。同时，高端服务部门职业任务的复杂多元性决定了其较难以被信息化、自动化技术替代。

本文还通过改变地区开放水平、技术进步及结构转型等指标的测度方法检验上文结果的稳健性。变换宏观指标后的回归结果表明前文回归结果依然稳健，开放水平与技术进步因素主要通过影响认知型技能回报率来影响技能工资差距，而结构转型既可以通过认知型技能渠道影响技能工资差距，还可以通过影响非认知型技能回报率影响技能工资差距。基于宏观视角的机制检验更多捕捉到了劳动力认知型技能回报率时变特征与分布特征的演进规律及高分位点劳动力非认知型技能回报率的时变特征。遗憾的是，对于低分位点劳动力非认知型技能回报率下降趋势却难以体现。一个可能的解释是，2012—2014 年间制造业机器换人现象从根本上削减了对体力密集型低技能劳动的需求，从而大批低技能劳动力被迫流向低端服务部门，导致低端服务部门就业拥挤。同时由于低技能劳动力从事的简单职业任务内容决定了低技能劳动力非认知型技能要素并非稀缺不可替代。最终导致低端服务部门劳动力供给过剩并引起低技能劳动力非认知型技能回报率下降。

六、结论与启示

技能组间与技能组内工资差距扩大，同时过度教育现象初见端倪是当前中国劳动力市场的特征事实，意味着对人力资本内涵需要在受教育程度的基础上增加新的解释和认识维度。在此背景下，本文基于动态视角考察认知型技能与非认知型技能回报率变动对中国技能工资差距的影响效应与影响机制。通过将中国综合社会调查数据(CGSS)与美国职业信息网络数据库(ONET)匹配，运用职业任务法构建认知型技能与非认知型技能代理指标，结合RIF 分位数及其分解方法量化特定技能对技能工资差距的影响效应，并基于地区开放水平、技术进步水平及产业结构转型等宏观视角检验特定技能对技能工资差距的影响机制。

本文的结论如下。①样本期间认知型技能回报率呈上升趋势，且技能劳动力认知型技能回报率上升幅度更大，而非认知型技能回报率呈现下降趋势，且主要体现为低技能劳动力非认知型技能回报率的下降。认知型技能与非认知型技能均通过价格效应影响技能工资差距，二者联合作用对技能工资差距的解释贡献高达240%，对技能组内工资差距变化总效应的解释贡献达到176%。教育回报率随分位数的上升而增加，但在2013—2015 年受教育程度的回报率在各分位点处均出现了显著的下降趋势，其对技能工资差距变动的解释贡献率仅为4%，特别是其有利于抑制技能组内工资差距扩大。②开放水平与技术进步水平主要通过对高分位点劳动力认知型技能回报率的增强效应影响技能工资差距，而产业结构转型不仅可以影响高分位点劳动力的认知型技能回报率，还可以影响高分位点劳动力的非认知型技能回报率并最终扩大技能工资差距。基于认知型技能渠道的分解表明，无论是开放水平、技术进步还是产业结构转型均主要通过价格效应影响技能工资差距，而结构效应影响甚微；基于非认知型技能渠道的分解结果显示产业结构转型主要是通过价格效应影响技能工资差距。

本文为分析当前中国技能工资差距扩大现象提供新视角下的机制解释，也为甄别劳动力市场对各类技能劳动及其不同能力特质的需求提供经验依据。伴随着20 世纪90 年代“科教兴国”战略口号的提出及高校扩招政策的实施，教育发展取得长足进步。丰富的人力资本积累为充分发挥后发优势以更低成本、更快速度实现技术赶超提供了强大后盾。然而，现阶段技能工资差距扩大，大学生失业率上升及过度教育等不寻常现象持续存在，表明简单教育扩张已不能满足经济发展的需求。当前中国正处于工业化向后工业化转型的重要时期，产业结构转型势必会对劳动力技能结构产生新的诉求。全球范围内以人工智能和互联网为代表的科技革命方兴未艾，自动化、信息化技术进步替代复杂度较低职业任务的劳动，同时也增加了密集需要灵活性、判断力、常识性等职业技能的劳动需求。随着全球化进程中地区开放水平的不断提升，增强劳动力质量有助于重塑一国的出口比较优势。中国要真正实现由“出口大国”向“出口强国”的转变，必须培养以能力为核心的新型人力资本积累体系。根据本研究结论，对技能劳动而言，不能简单寄希望于高学历带来高质量就业，要切实增强自身应对劳动力市场技术冲击与经济变革的根本能力，即包括数据分析、演绎推理、书面表达等高水平认知型技能，同时由于产业结构转型与组织方式变革，技能劳动还需提升服务感知、社交协调等非认知型技能水平；劳动力市场对低技能劳动力的非认知型技能需求并不强烈，但对其认知型技能需求较为迫切。因这轮技术革命的性质，科技不能均等地惠及社会所有劳动力群体，与机器人竞争还是要靠人力资本水平的提升，低技能劳动力需要弥补字词记忆与算数推理等基础性认知技能短板。总之，只有厘清劳动力市场对不同技能劳动及其不同能力特质的需求，才能对当前技术进步与产业结构转型等经济形势变化作出充分回应。