智能技术应用对劳动者技能错配的影响

宁光杰 崔慧敏

一、引言及文献

2022 年,中国出现自1962 年以来的首次人口负增长,而人口发展的重大变化趋势往往伴随着结构性转变。 第七次全国人口普查数据显示,与2010 年相比,2020 年我国15~59 岁人口占比下降6.79%,但与此同时劳动者素质有所提升,16~59 岁劳动年龄人口平均受教育年限由9.67 年提高至10.75 年,具有大专及以上学历人口占劳动年龄人口的比重提高了11.27%。 人口素质的提升有利于形成 “人才红利” ,以对冲人口数量下降引致的负面影响。新经济增长理论强调劳动者受教育水平与生产技能的重要性,认为知识和人力资本的积累是经济持续增长的源泉,可以产生递增收益。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.当劳动者和工作匹配时,劳动力产品的总价值实现最大化,资源配置得以优化增效,即只有高技能劳动力人尽其才、才尽其用才能够最大限度地释放 “人才红利” ,推动经济发展方式由规模速度型向质量效率型转变。 但不容忽视的是,当前劳动者自身拥有的技能水平同工作所需之间不匹配,即技能错配(Skill Mismatch)现象日益突出。 技能错配引致的就业难与招工难并存的结构性矛盾凸显,一方面大量高校毕业生、农村富余劳动力未实现充分就业,另一方面高技能人才的求人倍率(岗位空缺与求职人数的比率)长期保持在2 以上。②李心萍:《技能中国行动正式启动—— “十四五” 时期有望新增技能人才4000 万以上》,《人民日报》2021 年8 月30 日。劳动者技能同岗位需求之间的错配会妨碍劳动力资源的有效配置,抑制经济增长效能。 近年来,智能技术应用领域不断扩张,通用目的技术(General Purpose Technologies,简称GPTs)在经济社会各部门的渗透与扩散正改变着劳动力市场技能需求,该变化会加深还是减缓人力资本需求同就业技能结构之间的矛盾尚需进行研究与验证。

鉴于此,本文探讨智能技术应用与劳动者技能匹配状态之间的关系,研判智能技术应用是否以及如何影响技能错配的发生,通过对作用机制的梳理有针对性地提出相应政策。 目前关于智能技术应用与劳动力市场的研究主要集中在对就业数量和就业结构的影响、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:《机器人的就业效应:机制与中国经验》,《管理世界》2021 年第9 期。就业质量的整体分析等方面,④王文:《数字经济时代下工业智能化促进了高质量就业吗》,《经济学家》2020 年第4 期。 戚聿东、刘翠花、丁述磊:《数字经济发展、就业结构优化与就业质量提升》,《经济学动态》2020 年第11 期。而涉及技能的研究多是按照受教育程度这一单一指标来探讨智能技术发展对技能结构的影响,⑤汪前元、魏守道、金山等:《工业智能化的就业效应研究——基于劳动者技能和性别的空间计量分析》,《管理世界》2022 年第10 期。 柏培文、张云:《数字经济、人口红利下降与中低技能劳动者权益》,《经济研究》2021 年第5 期。鲜少关注智能化应用对劳动者技能匹配状态的影响。 本文基于中国劳动力动态调查数据(CLDS),对智能技术应用对微观个体技能错配发生率的影响及作用机制展开研究,有助于为技能错配研究提供实证支撑。

本研究主要涉及两个研究分支。 第一分支涉及劳动经济学中的技能错配领域。 按照适用性,可将技能分为通用性技能和专用性技能。 通用性技能是在多数行业、职业均通用的一般技能,包括记忆能力、语言能力、逻辑推理能力、解决抽象问题的能力等认知能力和积极乐观、自我控制、情绪稳定、社会适应性、人际交往能力等非认知能力。 专用性技能是用于完成特定工作任务的技能。 当个体拥有的技能水平同工作所需技能水平不匹配时,即为技能错配。 技能错配可分为技能不足和技能过度两类,分别代表劳动者技能水平低于工作要求或掌握的技能种类无法满足工作所需,以及劳动者技能水平高于工作要求或掌握的技能种类超过工作所需这两种情形。

梳理技能错配的影响因素是明确技能匹配实现路径的突破口,对促进就业稳定和提升生产效率具有重要意义。 现有研究将技能错配的形成动因归结为三个方面。 第一,摩擦性因素。 劳动者因信息不足无法找到最佳匹配的工作,技能不匹配自然出现。 第二,周期性因素。 在经济衰退期,由于工作岗位稀缺,面临激烈的竞争,求职者愿意接受不太理想的工作,从而出现技能过度。 但另一方面,低质量匹配不仅会限制劳动者的就业前景,还会影响企业生产率,这反而使得人职高质量匹配组合得以幸存,基于此,经济衰退也可能会抑制技能不匹配的发生。 在经济扩张期,劳动力需求旺盛,若劳动力市场供应不足,雇主可能被迫下调招聘标准,从而增加技能不足。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。 从教育政策来看,职业教育侧重培养专用技能,普通教育重视通用技能,若二者相互融通,则可从技能供给角度降低错配的发生率;从劳动力市场政策而言,劳动力市场分割程度越高,劳动者在部门间流动所面临的阻碍越大,劳动力市场就越无法自行调整,进而影响技能错配;职业培训的增加有利于弥补正规教育期间个体所获技能同工作所需之间的差距,减少技能错配。

本研究所涉及的第二个分支涉及结构性因素尤其是技术变革对技能错配的影响。 技能偏向型技术进步(Skill-Biased Technological Change,简称 SBTC)理论认为,新的技术可以替代劳动力执行常规型任务,提高非常规型任务从业者和高技能劳动者的生产效率,引致不同技能水平劳动力需求差异。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.技术冲击对劳动者技能错配程度的影响较为复杂,一方面,技能偏向性的创新和技术变革增加了对某些技能的需求,拥有该项技能或可以快速适应经济结构变化的劳动者更有可能继续被雇佣,而缺乏该项技能的劳动者则面临失业,这部分劳动者为尽快再就业不得不接受与自身技能组合不匹配的工作,从而使得技能错配发生率提高。另一方面,新技术应用的就业创造效应会产生大量的工作岗位需求,劳动者更易搜寻到与自身技能水平相匹配的工作,从而降低技能错配程度。 不可忽视的是,当前关于技术变革影响技能错配的实证研究相对较少。

基于以上分析,本文运用中国劳动力动态调查数据实证研究企业智能技术应用对微观个体技能错配发生率的影响及作用机制。 本研究的边际贡献主要体现在两个方面:第一,区别于关注智能技术应用对就业总量与就业结构影响的传统研究,从技能维度出发,重点分析企业应用智能技术对劳动者技能错配发生率的影响,兼顾通用性技能与专用性技能两个横向维度和技能过度与技能不足两个纵向维度;第二,从劳动过程控制导致专用技能需求降级、非常规认知任务需求增加导致通用技能要求提升两个方面拓展智能技术影响技能错配的传导机制,以更深入地理解技能匹配状态变动的内在机理。

二、研究设计

(一)研究假说

智能技术进步可通过提高生产率、引致需求以及创造新任务的方式刺激经济发展,增加新的就业需求。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.具体地,技术进步将提高社会生产效率,降低产品销售价格,进而刺激消费,促进企业扩大生产规模,从而增加就业需求。 效率提升带来的成本和产品价格下降,增加了居民的相对收入,使其有更多盈余收入用于消费,引致产品需求增加,进而带动相关行业就业需求。 此外,新兴技术在创造新的任务类型和工作岗位的同时也扩大了就业需求。根据匹配函数,①Mortensen,D.T., “Markets with Search Friction and the DMP Model” ,AmericanEconomicReview,2011,101(4),pp.1073-1091.当劳动力市场上出现较多空缺岗位时,求职者与职位空缺之间的匹配就越多,这进一步提高了求职者匹配到符合其技能偏好工作的概率,技能匹配概率增加。 从技能类型细分而言,一方面,智能技术的广泛应用提高了社会对知识劳动力的需求,高学历者的通用技能过度发生率随之下降;另一方面,智能技术同生产过程的结合使得专业技能被不断分解、简单化,低技能者的专用技能不足发生率降低。 除通过扩大需求、在总量层面拓宽就业可选择空间来提高匹配之外,技术变革还降低了搜寻成本,增强了就业需求与就业匹配之间的正向关联。 新兴技术将海量数据转化成有用的交易信息,劳动者可以通过大数据的识别—选择—过滤—存储—使用环节,迅速获取招聘需求、工作特征等信息,降低了搜寻信息的货币成本和时间成本,促使匹配效率提升。 由此我们提出:

H1:智能技术应用可以降低劳动者技能错配的发生概率。

技术变革会冲击专用技能在完成工作任务内容时的完整性与重要程度,导致专用技能需求降级。 在技术冲击下,专用技能被分解弱化,拆分为多项通用技能,进而演变出专用技能需求降级和通用技能要求不断提升的趋势。 而受教育体系与社会观念的影响,我国劳动力市场存在技工荒与过度教育并存的结构性失衡问题,在当前的劳动供给现状下,技术进步对专用性和通用性技能需求变动的冲击将直接影响劳动者技能匹配状态,其中的传导机制可以从以下两部分进行探讨。

一是技术冲击导致专用技能需求降级,使得专用技能不足发生率下降。 劳动过程理论认为,工业化进程中资本家对劳动过程的控制和改造会导致劳动力降级现象出现,其中技术是资本家用来控制劳动过程的工具。②Braverman,H.,LaborandMonopolyCapital: TheDegradationofWorkintheTwentiethCentury(25thAnniversaryEdition),New York: Monthly Review Press,1998,p.133.资本家会寻找自动化和技术改造的方法来提高生产率和降低生产成本,这种改造可能会拆分工作过程,导致复杂技能降级,出现去技能化。 出于生产效率与成本的考量,技术变革通过改造工作流程使劳动力所需掌握的技能逐渐降低,工艺技能的分解与整合也破坏了传统的技能概念,使得技能习得时间缩短从而带来技能降级,这反映为专用技能需求的不断降低。 尤其是智能技术可以模拟人脑进行分析学习,并做出判断和优化,其对人类智能的延伸与扩展使得受智能技术影响的工作岗位技能面临洗牌重组,通用目的技术的扩散与渗透导致专用技能需求降级。

在就业供给方面,一方面受传统观念对职业教育存在认知偏差、片面的教育评价压力等因素的叠加作用,中等职业教育的招生与规模出现下滑,③杨成荣、张屹山、张鹤:《基础教育公平与经济社会发展》,《管理世界》2021 年第10 期。技工荒现象日益明显,技能型、技术型人才供给不足。 另一方面,职业教育与职业技能培训规模不够广泛,使得劳动者在就业搜寻与工作过程中均易产生专用性技能不足。 而智能技术的冲击使得专用技能需求降级,同我国当前劳动技能供给结构更相适应,在该维度下技能不足发生率随之下降。

二是技术冲击导致通用技能要求提高,使得通用技能过度发生率下降。 技能偏向型技术进步理论和任务层面的就业极化理论认为,新的技术可以替代劳动力执行常规型任务,而新的非常规任务尤其是对应于高技能的非常规认知任务与技术互补。 智能技术在社会经济各领域的渗透加大了劳动力市场对高技能的需求,提高了通用技能维度的门槛。

在就业供给方面,高等教育扩招为劳动力市场提供大量高学历人才,但由于产业和技术发展等原因,社会无法创造足量合适的岗位,导致知识劳动力在总量上存在供需不匹配。①方超、黄斌:《中国过度教育测量、趋势及其影响因素的实证研究》,《教育科学》2018 年第4 期。 李晓光:《中国城镇劳动力市场中的过度教育——测量改进与收入效应》,《人口与经济》2021 年第1 期。而智能技术的技术技能互补特性提高了对通用技能的要求,高技能人才的技能匹配度提升,向下匹配概率下降,降低了通用技能维度发生技能过度的概率。 据此,我们提出:

H2:智能技术应用会导致专用技能需求降级和通用技能要求提升,从而降低专用性技能不足和通用性技能过度的发生概率。

(二)模型设定

为研究企业智能技术应用对劳动者是否发生技能错配的影响,本文使用Probit 模型进行估计。 基础模型设置如下式:

被解释变量mismatch_bic为技能错配指标,表示c企业i劳动者具备的技能水平与工作所需技能水平是否匹配。 若不匹配,即存在技能错配,赋值为1,否则为0。 解释变量Techic为劳动者所在的企业是否已应用智能技术,应用为1,否则为0。CV为一系列控制变量,并加入职业与省份虚拟变量,稳健标准误聚类在省份层面。 后续分析中为研判是否存在专用技能需求降级和通用技能要求提升现象,本文使用多元Logit 模型(Multinomial Logit)估计企业智能技术应用对劳动者技能错配的影响。 模型设置如下:

其中,J包括技能匹配、技能过度、技能不足三种类型,其余变量设置与模型(1)相同。

(三)变量说明和数据来源

本研究使用的数据来源于中山大学社会科学调查中心开展的2018 年中国劳动力动态调查数据。 该调查数据以15~64 岁的劳动年龄人口为对象,样本覆盖中国29 个省(自治区、直辖市),具有全国代表性。 CLDS 数据以劳动年龄人口的教育、工作状况、劳动者状态等为调查重点,适用于本文的研究主题。 我们将样本限定为在调查时处于就业状态的16~64岁劳动者,剔除关键变量缺失或无效回答后,共得到9291 个有效样本。 变量设置如下:

技能错配。 本研究使用间接评估法从通用性技能和专用性技能两个维度进行测度。

通用性技能指在多数行业、职业均通用的一般技能,我们使用劳动者的受教育水平进行衡量。 具体地,分别使用问卷中 “劳动者最高学历” 与 “胜任该工作所需学历” 表征劳动者自身具备与岗位所需的通用性技能水平。 在模型(1)中,若劳动者自身学历水平同工作岗位所需相一致,则为匹配状态,变量mismatch_b赋值为0;否则为错配状态,赋值为1。 在模型(2)中,若劳动者自身学历水平同工作岗位所需相一致,则为匹配状态,变量mismatch_m赋值为0;若劳动者受教育水平高于岗位所需,则为技能过度,赋值为1;若劳动者受教育水平低于岗位需要,则为技能不足,赋值为2。

专用性技能是指适用于特定行业、职业的技能,我们使用专业技术资格证书进行衡量,以问卷中 “您获得的资格证书是否与工作的专业性质或技能要求相匹配” 这一问题来表征。 在模型(1)中,若劳动者拥有的证书与工作技能要求相匹配,则为技能匹配状态,变量mismatch_b赋值为0;否则为错配状态,赋值为1;在模型(2)中,若劳动者拥有的证书与工作技能要求相匹配,则为技能匹配状态,变量mismatch_m赋值为0;若劳动者在拥有与工作技能要求相匹配的证书之外,还获得了其他专业技术资格证书,即在满足该岗位专业技能需求的基础上还额外具备其他专用性技能,则为技能过度状态,赋值为1;若劳动者未拥有任何专业资格证书,或拥有的证书均不符合岗位所需,则不满足该工作的专用技能需求,为技能不足状态,赋值为2。

智能技术应用。 针对该变量我们使用问卷中 “您所在的工作单位是否正在使用高度自动化、机器人、人工智能等技术” 这一问题进行表征,若劳动者所在的工作单位已应用智能技术,则变量赋值为1,否则为0。

控制变量包括劳动者年龄、性别、婚姻状况、受教育水平、健康水平在内的个体基本特征,以及包括工作单位所有制类型、是否为全职工作在内的工作特征,并加入职业与省份虚拟变量进行估计。 变量描述性统计见表1。

表1 统计描述

三、智能技术应用对劳动者技能错配的影响效应

(一)基准回归结果

表2 为Probit 回归结果。 列(1)和列(2)结果显示,企业应用智能技术在通用技能与专用技能维度的估计系数均显著为负,表明在控制个体基本特征和工作特征后,工作单位智能化应用可以显著降低劳动者技能错配发生率,验证了假说1。 一方面,智能化发展会提高生产效率,降低相关产品销售价格,进而刺激消费,促进企业扩大生产规模,提高就业需求;智能技术进步也可以创造新任务,当劳动力市场上出现更多空缺岗位时,求职者更易搜寻到与自身技能水平相匹配的工作,从而降低技能错配程度。 另一方面,智能化应用会改变技能需求,技能错配发生率降低说明调整后的技能需求同劳动者技能供给之间更加适应,至于究竟是技能需求水平下降以适应技能不足人群,还是技能需求水平上升同技能过度人群更加匹配,则有待进一步检验。

表2 智能技术应用对劳动者技能错配发生率的影响(被解释变量:mismatch_b)

(二)内生性处理

智能技术应用对技能错配程度的影响可能存在内生性问题,主要源于难以控制影响人工智能和技能错配程度的不可观测因素,从而导致遗漏变量问题。 为解决实证研究可能存在的内生性问题,我们选取满足相关性和外生性条件的外部工具变量加入模型中。 考虑到城市智能技术应用状况会直接影响城市内部的企业是否选择引入智能技术,因此城市智能技术应用指标满足工具变量的相关性假定。 并且宏观技术发展水平同劳动者个体技能匹配状态之间无直接联系,尤其是在数据样本中,企业智能技术的使用比率仅为6.73%,当技术应用程度并不高时,城市层面的智能技术发展也不足以直接改变微观劳动者的技能匹配,故我们认为城市智能技术应用指标也满足外生性假定。 本文根据 CLDS 数据库提供的关于企业是否应用智能技术的回答,依据其区位测度了各城市的平均智能技术应用情况,将其作为工具变量引入回归。

由于本研究的解释变量与被解释变量均为二值变量,若使用两阶段最小二乘法进行工具变量估计,可能会导致非一致的参数估计量。 鉴于此,我们采用条件混合估计方法(CMP),该方法以似不相关回归为基础,基于极大似然估计法,通过构建递归方程组而实现两(多)阶段回归模型的估计。 估计过程分为两步,首先寻找外生变量或工具变量并估计其与内生变量的相关性,之后将结果代入基准模型进行回归。 估计结果如表2 列(3)~(4)所示,在引入工具变量后,回归结果的系数方向与显著性均与基准回归保持一致,仍旧表明智能技术应用降低了技能错配发生概率。①考虑到基准回归并非严格的反事实框架,我们使用倾向得分匹配方法,为处理组构造出一个与之相似的控制组,基于配对样本重新进行估计,结果依旧表明所在单位引入人工智能技术的劳动者在通用技能和专用技能维度的技能错配发生率都较低。 限于篇幅未在正文汇报,留存备索。

(三)异质性分析

智能技术的引入对不同学历水平、工作任务特征的劳动者技能匹配状态可能存在非对称影响,在本部分我们试图捕捉该差异效应。

1.学历水平

一般而言,受教育程度较高的劳动者面临的就业机会较多,在择业时既可选择与自身学历水平匹配、对通用技能要求较高的岗位,也有可能在经济萧条或面临激烈竞争时选择低就, “过度匹配” 到低于其技能水平的职位,而受教育程度较低的劳动者可能会 “欠匹配” 到高于其技能水平的职位。 这一技能错配现象会导致劳动力市场中的资源浪费和经济社会的不平等。

因此,我们将劳动者的学历水平分为初中及以下、高中、大专及以上三组,分别进行回归以观察智能技术应用对不同学历劳动者的影响。 结果如表3 所示,在通用技能维度,智能技术的引入会显著降低高学历者的技能错配发生率;在专用技能维度,智能技术的冲击则明显降低了中低学历者的技能错配发生率。 智能技术的广泛应用使得大量工作流程由自动化或人工智能系统完成,减少或消除了需要特定技能的工作,从而降低了对员工专用技能的需求,使得原本在专用技能维度可能存在技能不足的中低学历者技能匹配程度提升。 另一方面,随着技术的发展,越来越多的职业需要使用计算机或其他高级技术,劳动力市场中对计算机和网络技能、分析和解决问题能力等通用技能的需求提高,从而使得原本可能存在技能过度的高学历者技能匹配程度提升。 当然,这一分析还有待后续进一步验证。

表3 异质性分析结果——学历水平

2.工作任务

工作任务与劳动者的技能水平以及技能匹配状态之间有着重要关联。 劳动者的技能水平决定了其能够胜任的工作任务类型与难度。 同时,工作任务的难度与复杂性也会影响劳动者的技能匹配状态。 首先,劳动者的技能水平越高,越能适应需要抽象思考与决策的非常规认知任务,而技能水平较低时只能执行程序化的常规任务。 其次,工作任务的属性同劳动者的技能匹配状态相关。 当工作任务的难度和复杂性较高时,技能不足现象更易出现;当工作任务较为简单时,易产生技能过度。 技术冲击改变了任务属性,而任务属性的背后是技能变动,各类工作任务需要不同技能水平的劳动力执行,因此技术应用对工作任务带来的冲击必然影响劳动力市场的技能需求,从而影响劳动者技能匹配状态。

本部分参照O∗NET 的职业划分方式及Acemoglu 和Autor 的职业分类方法,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 中职业分类标准将任务进行归类。 具体分类标准为:常规型职业包括办事人员和有关人员,生产、运输设备操作人员及有关人员;非常规认知型职业包括国家机关、党群组织、企业、事业单位负责人,专业技术人员;非常规操作型职业包括商业、服务业人员。 对不同任务类型的职业进行分组回归,结果如表4 所示,在智能技术冲击下,非常规认知型从业者在通用技能维度的错配程度显著下降;常规型与非常规操作型任务从业者在专用技能维度的错配程度下降明显。 这一结果同表3 相互印证,中等技能劳动力多从事程式化工作,高技能劳动力多从事非常规认知型工作,低技能劳动力多从事非常规操作型任务,智能技术的出现与应用降低了对专用技能的需求,使得中低技能者同常规型与非常规操作型任务的匹配程度提升;而智能技术对通用技能要求的提升也使得从事非常规认知任务的高技能者同工作岗位所需技能之间更为匹配。

表4 异质性分析结果——工作任务

四、智能技术应用影响劳动者技能错配的机制分析

根据前述分析,智能技术变革会导致专用性技能要求下降和通用性技能要求提升,进而影响劳动者技能错配状态。 在本部分,我们将探讨智能技术应用是否会降低专用性技能不足和通用性技能过度,并针对专用性技能降级与通用性技能要求提升进行机理检验。

(一)专用性技能不足和通用性技能过度的减少

技术变革冲击了在工作任务内容中应用专用技能的完整性与重要程度。 技术变革使得部分工作流程由自动化或人工智能系统来完成,从而减少或消除了特定技能需求,导致对专用技能需求降级。 智能技术可以模拟人脑进行分析学习,并做出判断和优化,其对人类智能的延伸与扩展使得受智能技术影响的工作岗位技能面临洗牌重组。 对专用技能要求下降、对通用技能要求提升在技能匹配状态层面表现为专用性技能维度的技能不足现象有所缓解,通用技能维度的技能过度有所减少。 基于此,在本部分将技能匹配状态分为技能匹配、技能过度和技能不足三种类型,实证检验应用智能技术是否会降低专用性技能不足和通用性技能过度发生概率。

表5 为使用公式(2)得到的多元Logit 模型估计结果,可以发现在以技能匹配状态作为基准组进行多元Logit 模型回归时,企业智能技术应用对劳动者技能错配状态的影响存在明显差异。 在通用性技能维度,相比于技能匹配状态,应用了智能技术的企业劳动者产生技能过度的胜算比对数低0.3519,这意味着在使用了智能技术的企业中劳动者在通用性技能维度发生技能过度的可能性较低。 在专用性技能维度,相比于技能匹配状态,应用了智能技术的企业劳动者产生技能不足的胜算比对数低0.4359,这意味着在使用了智能技术的企业中,劳动者在专用性技能维度发生技能不足的可能性较低,验证了假说2。 这可能是由于通用目的技术对专用技能的冲击使其变得更易执行与操作,例如流水线的智能化升级精简了工序,使得低技能工人逐步取代精英工匠。 技术冲击导致专用性技能不足和通用性技能过度概率减少,涉及两个方面:一是对专用技能的需求降级,二是对通用技能的要求提升。 接着分别从劳动过程控制、任务需求变动两个方面分析其背后逻辑。

表5 智能技术应用对劳动者技能错配类型的影响(参照组:技能匹配)

(二)企业加强劳动过程控制导致专用性技能需求降级

劳动过程理论强调:随着工业化发展,资本家为了提高生产效率和降低成本,会通过不断改造工作流程和技术来降低工人的劳动技能,工作变得更加单调和重复最终会导致劳动力降级(Degradation of Work)。 一方面,通过用简单劳动代替复杂劳动来降低劳动力的价值,使劳动力廉价化,资本家获得最大利润;另一方面,当一种工作被拆成若干部分交给工人分别承担时,整个劳动过程就不再是任何单个工人的活动范围,复杂技能的消除保证了资本家对劳动过程的有效控制。 这一发展破坏了传统的学徒制,工艺技能的分解与整合也破坏了传统的技能概念,使得技能习得时间缩短从而带来技能降级,也反映为专用技能需求的不断降低。 基于此,本部分我们检验这一动力机制。

首先涉及企业对劳动过程控制的衡量。 劳动过程理论强调,资本家通过科学管理和机械化手段不断剥夺工人对生产工具、劳动方式等的控制权,将劳动过程的控制权从工人手中转移到自己手中。①Braverman,H.,LaborandMonopolyCapital: TheDegradationofWorkintheTwentiethCentury(25thAnniversaryEdition),New York: Monthly Review Press,1998,p.39.在问卷中我们使用劳动者对工作任务的内容、工作进度的安排和工作量/工作强度在多大程度上由自身决定这三个问题测度劳动者的工作自主性,将负向指标转化为正向指标,加总后取均值即为劳动者对自身劳动过程的控制程度,以其为被解释变量,以企业是否引入智能技术为解释变量,控制变量与前述回归一致,实证检验智能技术的应用是否会导致劳动者对自身劳动过程控制程度的变化,以间接衡量企业的劳动控制程度。 结果如表6 列(1)所示,智能技术引入显著降低了劳动者对自身劳动过程的控制,相应地,随着新技术的出现与应用,企业对劳动过程的控制程度不断加深。 出于利润最大化的诉求,企业有动力持续通过技术与管理对专用技能进行分解与整合,以提高生产效率并降低成本,专用性技能降级现象因而加快显现,从而解释了表5 中劳动者专用性技能不足可能性下降。

表6 技能需求变化的来源机制检验

(三)非常规认知任务需求增加导致通用性技能要求提升

信息技术作为一种通用目的技术,其发展与应用产生了劳动力市场极化趋势,②Goos,M. and Manning,A., “Lousy and Lovely Jobs: The Rising Polarization of Work in Britain” ,TheReviewofEconomics andStatistics,2007,89(1),pp.118-133.传统上对应于中等技能工作的职位开始缩减,而对应于高技能工作的非常规认知型任务岗位与对应于低技能工作的非常规操作型岗位需求不断扩张。 智能技术与高级认知的非常规任务之间互补已得到部分研究的证实,③余玲铮、魏下海、孙中伟等:《工业机器人、工作任务与非常规能力溢价——来自制造业 “企业—工人” 匹配调查的证据》,《管理世界》2021 年第1 期。智能技术在社会经济各领域的渗透加大了劳动力市场对高技能的需求,高技能人才的技能匹配度提升,向下匹配概率下降,通用技能维度发生技能过度的概率随之下降。

基于上述分析,我们使用问卷中 “工作中需要快速反应的思考或脑力劳动的频率” 这一问题判断受访者工作的任务类型。 倘若工作中需要快速反应的思考或脑力劳动的频率较高,则认为受访者的工作内容偏向需要灵活决策、抽象思考、具有非程序化特征的非常规认知任务,而非对应于中低技能的常规型任务。 以劳动者所在的工作单位是否应用智能技术为解释变量,以任务需求变动为被解释变量,控制变量与基准回归保持一致,估计结果如表6列(2)所示,智能化应用的系数显著为正,表明企业使用智能技术会加大该企业工作岗位对非常规认知任务的需求,非常规认知任务对应高技能,即智能技术对工作内容的冲击增大了对高技能的需求度,高技能人才更易匹配到与之相适应的工作岗位,技能过度的发生率下降。

五、结论与政策建议

本研究使用中国劳动力动态调查数据实证分析企业智能技术应用对劳动者技能错配发生率的影响与机制。 具体地,本文从通用性技能和专用技能两个横向维度,以及技能过度与技能不足两个纵向维度,分析智能技术对劳动者技能匹配状态的影响,并探讨我国劳动力市场是否已出现专用技能需求降级和通用技能要求提升的趋势,检验其来源机制。 研究发现:智能技术应用显著降低了劳动者技能错配的发生率,其中高学历者、非常规认知型任务从业者在通用性技能维度错配发生率降幅更高,中低学历者、常规型和非常规操作型任务从业者在专用性技能维度错配发生率降幅明显;专用技能需求降级和通用技能要求提升,使得专用性技能维度技能不足和通用性技能维度技能过度的发生率下降,其中企业对劳动过程控制的增强和非常规认知任务需求增加是重要来源渠道。

基于上述结论,结合我国劳动力市场现状,本文提出以下具体建议:一是针对智能化发展背景下劳动者与岗位之间的技能矛盾有所降低这一情况,应引导智能技术发展,最大程度发挥岗位创造效应,给予不同技能水平劳动者更多的就业选择。 二是针对资本所有者利用技术强化了对劳动过程的控制以占有更多剩余价值,应引导技术应用方向,完善企业职工研发立项、考核激励等制度,激发职工参与技术创新的积极性,使技术成为服务于劳动者的工具,以提高工作质量。 另外,加强对劳动者权益的保护与监督,推广用人单位和劳动者之间的协商机制,以使劳动关系更加和谐。 三是针对技术变革使得劳动力市场对通用技能要求提升,应加大对成人高等教育发展的支持力度,完善函授、业余、远程等学习形式,增设数字化、信息化课程,提高劳动者的知识、技能和素质。