Science Advances重磅：大数据揭露美国劳动市场如何两极化

来源：fourthstepconsulting.com

导语

随着分工越来越细，社会对劳动者的技能要求也越来越高，职业技能如何影响我们的收入和地位？最近一篇发表在Science Advances上的文章，利用网络科学中的无监督聚类技术，对技能表现出显著的两极分化进行了阐释。本文就是对该论文的解读。

论文题目：

Unpacking the polarization of workplace skills

论文地址：

http://advances.sciencemag.org/content/4/7/eaao6030

研究缘起

经济不平等不断加剧，使其成为美国政策制定者面临的主要挑战之一（1）。无论是从全国来看，还是在大部分的美国城市地区，经济学家发现了“职业两极分化”现象：高工资和低工资的工作不断增加，而与此同时，中等工资的职业所占比例越来越小（2，3）；其结果是中产阶级的“空洞化”。推动这一趋势的机制包括工作外包（4）和常规工作的自动化（5-7）。这些机制改变了劳动市场对于特定的工作技能、任务、知识以及能力的需求（统称为“技能”），从而影响人们的职业。如果个体劳动者—甚至是整个城市—无法适时地调整技能体系，那么他们在全国和全球的劳动市场的竞争力将会减弱。

在本文中，作者直接对劳动市场的技能体系进行研究，考察劳动市场的技能网络结构及其演化过程，并且进一步研究技能体系与职业工资两极化、劳动者职业流动和城市劳动市场的变化关系。

研究数据

美国劳工部的O*NET数据库详细说明了完成672种职业所需的161个劳动市场的技能、知识和能力的重要性（根据美国标准职业分类系统SOC划分职业）。作者们使用了2010年到2015年的数据，将每种职业()所需的重要技能()标记为onet(j,s) [0,1]，其中onet(j,s)=1意味着工作技能s对于职业j是至关重要的，而onet(j,s)=0是指在职业j中的劳动者并不需要执行技能s。

在工资方面，美国劳工统计局(BLS)每年发布都市统计区(U.S. Metropolitan statistical area, MSA)中SOC职业的具体分布。除了每个职业的劳动者数量，BLS还会提供每个城市中每个职业年薪的详细信息。在劳动者职业流动方面，美国人口普查局和美国劳工统计局每月进行一次当前人口调查(CPS)。由于作者着重考察劳动者职业流动，因此他们只选取了那些在2014年第一次接受调查时报告了一种职业，但在随后的2015年报告了不同的职业的调查参与者。最后，他们的数据包括了在2014年和2015年经历了职业转换的5400名劳动者。

研究结果

1.构建技能图景

作者使用数据驱动的方法将技能互补性映射到网络结构中。他们通过下列公式计算技能比较优势(Revealed Comparative Advantage, RCA, 8-10)，从而测量每种职业特定的技能要求（公式1）：



相似地，作者根据每种职业有效使用的技能对职业进行区分；如果rca(j,s)>1, 他们将有效使用的技能标记为e(j,s)=1，相反，e(j,s)=0。通过将职业所需的每种技能的重要性和每种技能的总体预期重要性进行比较，他们对RCA进行正则化。技能互补性就被定义为同一职业有效使用一对技能的最小条件概率（公式2）：



技能互补性的概率分布参见图1B。该方法识别出在每种职业中共同出现的成对技能，并且代表了关键的职业特征。作者将所产生的技能互补网络称之为“技能图景”（Skillscape，图1C）。技能网络的整体结构对应着劳动市场动态。比如说，在技能网络中的节点社群定义着不同劳动类别的互补技能集群。因此，作者使用鲁汶网络社群检测方法（Louvian community detection）识别不同的技能类型（11）。

 

图1：构建技能图景：

图1-A

图1-A：通过每个职业的劳动者所拥有的技能来识别不同的职业。图中将职业和技能连接的二模网络是通过职业、技能和劳动者组成的三模网络推算出来。技能之间的关系是由不同职业中各种技能共同出现的概率来计算。

图1-B

图1-B：与之前技能比较优势的应用不同，技能图景包含成对技能互补性的双峰分布。

图1-C

图1-C：根据最小技术相似性原则(>0.6)为划分阈值的技能图景，揭示了互补技能组成的两个网络社区，并且与专家划分的O*NET技能类型相似（不同颜色代表不同技能类型）。节点大小反映了某个技能与其他所有技能的总相似度。

*心理动作能力(Psychomotor ability)：指的是个体在有意识的状态下所表现出来的身体动作技能。

2.识别技能两极化

总体来看，通过分类方法，作者们发现技能网络高度分化为由社会认知技能组成的社群以及由感官-体力技能相关的社群（图1C）。他们使用Sociocog指代根据社区检测算法推导出来的一系列社会认知技能（图2A），工作j的认知技能比例定义为（公式3）：



如果职业所需的社会认知技能所占比例越高，年薪越高（图2B；皮尔逊相关系数）。这个结果证明了技能两极化与职业两极化的直接相关性。

作者们还发现技能两极化与职业的平均学位要求相一致。通过计算onet(j,s)与每种职业的平均学位要求的相关性，他们发现处在社会认知技能类别里的技能在所有的职业中都呈现出更高的学历要求。相反，对于学位要求较为宽松的职业更倾向于依赖感官-体力相关的技能（图2D）。

 

图2：两极分化的技能图景解释了职业工资的两极分化以及城市劳动力的经济状况。

图2-A

图2-A：对完整的技能网络（不使用最小值为网络阈值）进行网络社区检测分析揭示了互补技能的两大社区：社会认知技能（蓝色）和感官—体力技能（红色）。为了视觉化的目的，在图中所呈现的网络依照>0.6的阈值进行筛选。

图2-B

图2-B： 依赖于社会认知技能的职业倾向于获得更高的年薪。

图2-C

图2-C：大城市更依赖于社会认知技能，与小城市相比有着更高的家庭收入中位数值。在(B) 和(C) 中，作为例子的职业（城市），以及他们的年薪（家庭收入中位数），分别映射到技能图景，黑色节点代表着有效使用的技能。

图2-D

图2-D：技能网络的颜色代表着onet(j,s)以及不同职业所需的平均教育学位的相关性。

那么与诸如教育程度等变量相比，技能网络的两极化结构在职业工资差异中发挥着什么作用呢？为了回答这个问题，作者们在图3中比较了不同的回归模型。

在模型1中，他们考察了常规劳动的相对重要性。他们将文献12所定义的常规 O*Net变量，与O*Net数据相结合[]，考察了常规劳动的重要性。模型2显示了认知技能对因变量工资的超强解释力(R平方=0.15)。另外，他们在模型3增加了每种职业所需的总技能含量[，R平方=0.30]。模型4到模型6展示了加入职业所需的总技能含量以及认知技能比例变量的模型表现远远超过单独使用常规劳动变量的模型（模型6，R平方=0.46）。在模型7中，他们加入了每种职业要求的学位水平。只包含教育水平的模型（模型7）比单独考虑认知技能的模型（模型2）表现更差（R²=0.12）。最后，模型8证明了增加常规劳动和总技术含量会提高模型的表现（R²=0.42），但是最好的模型是同时加入认知技能所占比例（模型9，R²=0.49）。作者使用了样本外测试来验证模型的鲁棒性；他们发现在模型8和9中包括技能相关的变量减少了模型表现的变化程度。总之，他们发现认知技能比例比单独使用常规劳动或者单独使用教育变量，更好地解释了职业年薪的变化。





图3：根据普通最小二乘法回归结果（OLS），对于认知技能的依赖与年薪的增加呈正相关。作为基础模型（模型1），我们从（38）中获取常规的O*NET变量来考察常规劳动对于年薪的相对重要性。除了认知技能比例以外（），我们计算了每个职业的总技术含量（）。每个教育变量表示在一个职业的总体就业状况，该职业的最高教育程度可以是高中文凭、大学学士文凭等等。我们对每个模型进行样本外测试，通过1000次随机选择75%的职业作为训练数据，测量将该模型应用于剩下的25%的职业数据的均方误差根。我们将所得的模型表现以箱形图来表示。红线代表误差中位数，而三角形代表平均误差。GED是指美国通识教育文凭。

3.城市劳动力的技能体系

作者将城市c中职业j的劳动者数量定义为bls(c,j)，他们通过以下公式将O*NET数据库以及BLS关于城市劳动市场就业状况的数据结合起来（公式4）：



其中CS(c,s)是指城市c对于劳动市场技能s的依赖。他们进一步通过公式1计算rca(c,s)，识别在每个城市被有效使用的技能。与职业类似，rca(c,s)>1意味着该技能在城市c中有效使用，反之亦然。通过公式3计算onet(c,s)，从而计算所有城市的认知技能比例。与之类似的，图2C显示了有着较高家庭收入中位数的城市更倾向于依赖社会认知技能（）。他们也发现在城市规模和城市当地劳动市场对于社会认知技能的依赖程度有显著的相关性：更大的城市认知技能所占比例越高。总体而言，这些结果显示城市间的不平等可能是由技能供给层面所驱动，取决于不同城市在社会认知技能范畴内有效使用技能互补性的能力。

4.技能图景邻近度和技能获得

根据某个阈值，代表着工作j在时间t上所有效使用的技能（公式5）：

 

作者认为如果一个技能在时间t1尚未被有效使用，而在t2变成有效使用的话，则认为一个技能被“获得”。具体来说，他们将某个职业所获得的一系列技能用公式6来表示：



根据这个定义，两个不同的阈值是分别为时间t1和t2所选取。决定了技能变化的程度。作者根据实际RCA值的每个百分比分别取值（=0，1…,99,100%，确保。如果，则意味着技能丧失）。

如果原始的O*NET值[onet(j,s)]是技能获得的近似指标，那么尚未被一个职业有效使用的技能但同时有着较高的ONET值[],这个技能就更有可能被获得。根据O*NET值，作者将成对的职业和技能进行排序，从而获取尚未被该职业所有效使用的技能[]。他们将这些成对的数值划分成为30个区间，对于每一对职业和技能，他们计算出该技能在时间段t2所有的取值情况下被有效使用的概率。除了原始的O*NET值作为技能获得的指标，他们还使用了RCA值和一个测量网络技能邻近度的指标（proximity）。对于没有被有效使用的技能[]，他们认为如果这个技能与职业j有效使用的技能[]之间存在较强的技能互补性，则认为该技能与职业j较为接近。他们使用公式7来计算近似性：



5.劳动力市场动态：

技能两极化以及职业流动

通过教育获得技能可能既费钱又耗费时间，因此，更常见的是，劳动者基于他们的技能组合以及职业所需技能的相似性实现职业之间的转换（13）。根据宏观层面上技能的两极分化状况，作者预期劳动者的职业流动应该也会受到限制。但是，由于不了解劳动者工作变化的确切机制，也不理解这些机制与其他市场均衡动态之间的相互关系（14，7），作者提出不能直接验证这个假设。然而，通过揭示技能网络与劳动市场的变化趋势的关系，他们间接证明了这个假设。

首先，他们假设在网络拓朴结构中，与一个劳动者所拥有的技能相接近的技能，更容易被该劳动者所获取。类似地，对于一个城市的当地劳动市场而言，城市技能图景中相近的技能更有可能被当地的劳动者所获取。他们将技能邻近度proxmity(j,s)与技能获取的概率（）相比较（图4B，在城市层面；图4C，在职业层面；图4D，在个体劳动者层面）。在每种情况下，网络邻近度都极强地指示了新获得的技能，从而证明了技能网络拓扑结构与劳动力市场动态之间的高度细化的关系。



图4：技能邻近度能够预测劳动者职业转换、职业的技能再定义以及城市的技能获得。

图4-A

图4-A： 技能图景相似性的展示实例（邻近度(j,s)作为有效使用的技能和其他技能之间的连接）。

图4-B

图4-B：在2010年城市劳动市场中与有效使用技能高度相近的技能，更有可能在2015年的劳动力中被有效使用。(C)在2010年与某个职业的有效使用技能高度相近的技能，更有可能在2015里被同一职业有效使用。(D) 在2015年某个劳动者所从事的职业中被有效使用的技能，更有可能在2016年被劳动者所从事的下一个职业有效使用。

其次，因为职业转换代表着劳动者技能要求的局部变化，两极分化的技能网络应该会限制低薪的感官-体力的职业和高薪社会认知职业之间的流动。他们根据劳动者起始职业的认知技能所占比例（）将职业转换划分成为不同的区间，同时考察每个区间的平均认知变化（图5A）和认知变化的平均幅度（图5B）。他们将劳动者随机选取职业作为参照的假设模型，发现高强度依赖于某个技能社群（社会认知或者感官体力技能）的劳动者更倾向于在相同技能社群的职业中进行流动。

第三，技能互补的定义（15）表明在每个技能集群内部进行技能组合，回报会增加。因此，技能的集群可以被以下两个机制所解释：邻近技能更容易被获得，或者拥有互补技能的劳动者生产效率更高。不过，这也意味着依靠感官-身体技能的劳动者将在获得社会认知技能的职业中面临困难，因为他们还没有准备好职业所需的社会认知技能。技能互补的两极分化结构带来了感官体力劳动者职业发展的瓶颈。

根据进行划分，全国就业状况呈现出三峰分布（图5C）。该分布的上层和下层的峰值对应着在各自技能社群中有效使用技能互补性的劳动者。中间存在第三种模式表明技能极化限制了劳动者获得有吸引力的社会认知技能，从而增加了更多关于技术互补网络限制劳动力流动的证据。



图5：两极分化的技能网络限制了劳动者的流动。

图5-A

图5-A：根据2014年劳动者职业的认知技能所占比例进行分组，我们揭示了当劳动者更换职业时所呈现的平均预期认知技能变化。随机职业选择被当作假设模型（null model，灰色）。图中也提供了标准误差条，只是非常小。

图5-B

图5-B：当劳动者更换职业时所呈现的预期认知技能变化的幅度。

图5-C

图5-C：基于认知技能所占比例所计算的全国就业情况分布，呈现出三个峰值。基于认知技能所占比例得到的职业种类分布，也呈现出相似的三个峰值。

图5-D

图5-D：在每个技能类型中每个技能所拥有的平均互补强度；这个测量指标与劳动者的流动相对应，因为技能邻近度是技能获得的指标。

研究总结

本文的结论主要有以下三点：

首先，现有的研究已经使用广泛的主观职业类别（即认知或身体、常规或非常规）研究了劳动市场职业两极分化，但现有研究没能捕捉劳动市场技能的动态演化以及低工资和高工资职业之间不断减少的流动性。不同于完全由年薪决定的主观职业分类，作者在本文中使用纯数据驱动的方法，以技能互补性为基础绘制了劳动市场技能空间。由此产生的两极分化的技能网络与职业两极分化的既定事实相对应；特别值得注意的是，技能集群很好地区分了不同年薪的职业，从而证明了技能两极分化和中产阶级的空洞化之间的直接联系 [图 2（A和B）和图3]。

其次，作者展示了网络的原始拓扑结构对应于劳动市场演化的路径；具体来说，他们发现技能之间的网络邻近度可以预测（1）城市中的技能演化，（2）职业技能的重新定义以及（3）当个体劳动者在职业之间流动时不断变化的技能要求（图4）。

最后，通过结合他们对技能极化的观察与由网络拓扑结构决定的劳动力动态，他们假设劳动者的流动性在身体的和认知的职业之间将受到约束，并且他们提供三种支持证据：（1）劳动者倾向于在依赖于相同技能集群的职业之间流动，（2）劳动者无法离开那些对于身体和认知技能要求都较为均等的职业，以及（3）这种约束效应可以反映在国家就业统计中（图5）。

研究局限与未来延展

作者在文章最后提到两个研究局限：首先， O*NET技能可能无法捕捉技能类别的实时动态。其次，虽然他们的方法提供了数据驱动视角下的劳动市场技能结构，他们没有考虑到伴随技能需求变化的一般市场均衡动态。他们的研究表明未来需要更为精炼的理论工作，能够融合具体工作场所的任务和技能。例如，能够执行特定工作场所技能的新科技到来将会如何改变技能网络？资本配备的相对成本将如何影响人们的决策：是重新培训工人，还是购买软件或硬件？除了技能网络中技能位置的信息，回答这些类型的问题需要了解其他机制，如需求弹性或资本可用性。

参考文献：

1. R. Kochhar, R. Fry, M. Rohal, The American Middle Class is Losing Ground (Pew Research Center, 2015).

2. D. H. Autor, D. Dorn, The growth of low-skill service jobs and the polarization of the US labor market. Am. Econ. Rev. 103, 1553–1597 (2013).

3. D. Acemoglu, D. Autor, Skills, tasks and technologies: Implications for employment and earnings. Handb. Labor Econ. 4, 1043–1171 (2011).

4. A. Ebenstein, A. Harrison, M. McMillan, S. Phillips, Estimating the impact of trade and offshoring on American workers using the current population surveys. Rev. Econ. Stat. 96, 581–595 (2014).

5. F. MacCrory, G. Westerman, Y. Alhammadi, E. Brynjolfsson, Racing with and against the machine: Changes in occupational skill composition in an era of rapid technological advance, in Proceedings of the International Conference on Information Systems—Building a Better World through Information Systems (ICIS, 2014), Auckland, New Zealand, 14 to 17 December 2017.

6. D. H. Autor, Why are there still so many jobs? The history and future of workplace automation. J. Econ. Perspect. 29, 3–30 (2015).

7. J. E Bessen, How Computer Automation Affects Occupations: Technology, Jobs, and Skills (Boston Univ. School of Law, Law and Economics Research Paper, 2015), pp. 15–49.

8. C. A. Hidalgo, B. Klinger, A.-L. Barabási, R. Hausmann, The product space conditions the development of nations. Science 317, 482–487 (2007).

9. C. A. Hidalgo, R. Hausmann, The building blocks of economic complexity. Proc. Natl. Acad. Sci. U.S.A. 106, 10570–10575 (2009).

10. R. Hausmann, C. A. Hidalgo, The network structure of economic output. J. Econ. Growth 16, 309–342 (2011).

11. V. D. Blondel, J.-L. Guillaume, R. Lambiotte, E. Lefebvre, Fast unfolding of communities in large networks. J. Stat. Mech. 2008, P10008 (2008)

12. D. H. Autor, F. Levy, R. J. Murnane, The skill content of recent technological change: An empirical exploration. Q. J. Econ. 118, 1279–1333 (2003).

13. C. Gathmann, U. Schönberg, How general is human capital? A task-based approach. J. Labor Econ. 28, 1–49 (2010).

14. D. Acemoglu, D. Autor, Skills, tasks and technologies: Implications for employment and earnings. Handb. Labor Econ. 4, 1043–1171 (2011)

15. E. Brynjolfsson, P. Milgrom, Complementarity in organizations, in The Handbook of Organizational Economics, R. Gibbons, J. Roberts, Eds. (Princeton Univ. Press, 2013), pp. 11–55.
    

作者：张洪

编辑：李沛欣

推荐课程

课程地址：

https://campus.swarma.org/gpac=10553

推荐阅读

---

集智QQ群｜292641157

商务合作及投稿转载｜[e-mail]

◆ ◆ ◆

搜索公众号：集智俱乐部

加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！