數字經濟時代的人力資本差異與收入不平等
——基于PIAAC微觀數據

王國敏 唐 虹 費 翔

一、引言

數字2.0時代已然來臨，云計算、大數據、移動互聯網、物聯網和人工智能等新技術帶來的數字化革命不僅深刻地改變著人們的生產生活方式，也正在加速重構全球勞動力市場。一些常規的、程序化的職位被人工智能代替，導致大量行業出現技術性失業，甚至牛津大學的相關研究預言，美國有47%的工作將被人工智能替代(Frey，2017)。①“失業”和“收入不平等”成為數字經濟時代社會最為關注的問題之一。

在過去，從人力資本的視角，收入不平等主要來自教育溢價，即技術進步對高技能工人需求的增加和對低技能工人需求的減少，因此最終可歸結為人力資本認知能力的高或低，這是傳統人力資本理論的基本觀點(Autor et al.1998；Acemoglu，1998)。②但是近年來有研究表明，自21世紀以來，技術進步同時導致了高技能工作(比如算法工程師)與低技能工作(比如食物配送)的增加，相反，中等技能工作(比如銀行柜員、會計、翻譯)卻大幅減少(Deming，2015)。③顯然這一現象以傳統人力資本理論的“教育與認知能力”假說已無法做出解釋。

為了彌補這個缺陷，新人力資本理論(Deming D J&Lisa Kahn，2017)試圖在傳統工資決定方程的基礎上引入非認知能力以加強對上述新的現象的解釋。④非認知能力的引入，不僅可以緩解內生性問題，有力地修正教育回報率的估計偏差，也可以部分地解釋不可觀測因素所帶來的收入不平等。從認知能力與非認知能力的角度研究收入不平等盡管打開了不可觀測因素的“黑箱”，但是當前學界有關認知能力與非認知能力指標構建所采用的僅是綜合指標，并沒有考慮細分指標，進而無法回答究竟是何種能力引起了數字密集型行業與非數字密集型行業的收入不平等，也無法回答技能互補是如何影響數字密集型行業與非數字密集型行業的收入不平等的。

本文擬在新人力資本理論基礎上，結合PIAAC數據庫提供的微觀數據構建一般認知能力(讀寫能力、計算能力、在復雜信息環境中解決問題的能力)、復雜認知能力(運用信息和通信技術的能力、復雜讀寫能力、復雜計算能力)、非認知能力(學習和創造性解決問題的能力、管理能力、社會交往能力、自組織能力)的細分指標，進而研究這些能力及其相互之間的互補對數字密集型行業與非數字密集型行業的收入不平等有何影響。通過分析何種技能以及技能組合能夠在勞動力市場獲得更高的回報，以了解數字經濟時代所需要的主要技能及類型。這項研究將有助于針對性地設計有效的和前瞻性的教育及技能培訓政策，調整勞動力市場的供求關系，減小由技能短缺導致的收入不平等。

二、文獻綜述

學界關于技術進步對收入不平等的影響主要從基于技能偏向型技術進步和基于任務偏向型技術進步的視角進行研究。

Tinbergen是較早提出技能偏向型技術進步假說的學者。他認為技術進步表現為對高技能工人(即大學畢業生)需求的大幅上升，而對低技能工人(即沒有大學學歷的人)的需求大幅下降。當高技能工人的供應不足以滿足技術變革引發的需求增長時，高技能工人便能夠獲得更高的技術溢價，從而導致收入不平等加劇(Card and Di Nardo 2002；宋冬林等，2010；董直慶等，2014；Autor，2015)。⑤基于技能偏向型技術進步(SBTC)假說將技術溢價作為高低技能工人收入不平等的主要原因雖有一定解釋力，但是也存在明顯的局限性：采用SBTC假設的文獻通常僅僅將教育水平作為技能高低的唯一評價標準，忽略同一技能水平的工人之間的異質性問題，這將導致“過度教育”與技能溢價的同時存在(Cuadras-Morató et al.，2013)⑥，而且SBTC不能分析技術進步究竟是如何作用于不同技能勞動的。還有部分學者從技能錯配的角度探討了收入不平等問題。技能錯配指勞動者通過學校教育所習得的技能與就業崗位所需技能之間的不匹配。G Horvath(2014)基于歐盟的數據研究發現，擁有高中學歷的工人的技能錯配比例大于擁有大學學歷的工人，并且技能錯配會引起工資下降5.6%，這導致了不同教育群體之間的工資不平等。⑦劉云波(2019)基于中國的數據發現，普通高中或中職畢業生是工作錯配程度最高的群體，相比工作錯配者而言，技能錯配者的工資顯著減少。⑧

基于任務偏向型技術進步(RBTC)的假設則將工作嚴格區分為“常規工作任務”和“非常規工作任務”。“常規工作任務”等同于重復、單調乏味的工作任務；而“非常規工作任務”是非程序化認知型工作任務與非程序化互動型工作任務。不同技能的工人在操作具體任務時具有不同的比較優勢，高技能工人通常在操作“非常規工作任務”上存在比較優勢，由于此類工作任務難以被計算機或先進機器設備替代，從而增加了對技能勞動的需求并引致收入不平等(Autor和Murnane，2003)。⑨Frey和Osborne(2017)利用美國勞動力市場數據(O*NET)以高斯過程分類器實現的一種新方法估計了702個具體職業的計算機化概率，他們發現，美國勞動力市場上有47%的工作面臨著計算機化的風險，尤其是那些從事常規性任務密集型職業的人工勞動有98%的概率將被自動化技術所替代。⑩孫早、侯玉琳(2019)基于中國數據發現，工業智能化將促使先進設備替代初中和高中學歷的勞動力，并增加對高、低教育程度勞動力的需求。而那些高端個性化服務行業的職業工種由于程序化水平較低很難被自動化技術替代，二者因此具有互補關系。寧光杰和林子亮(2014)運用中國制造業企業的微觀數據證明了信息技術與高技能勞動力呈互補關系。還有部分學者指出，自20世紀80年代以來，數字技術對收入不平等產生了非線性影響：信息技術對處于中等技能水平的勞動者的收入產生了負面影響，對處于高技能水平和低技能水平的勞動者的收入產生了正面影響，即出現了勞動力市場“兩極化”情況(Autor et al.，2006；Maarten Goos和Alan Manning，2009)，而勞動力市場兩極化意味著中等技能水平的勞動者執行的是比較常規和非交互式的任務，這些任務被數字技術替代的風險較高(Acemoglu和Autor，2012)。我國學者也確認了中國勞動力市場存在極化現象，并從對外貿易(黃燦，2014)、城鎮化(郝楠、江永紅，2017)、產業結構升級(江永紅等，2016)、研發投入和高技術資本設備的廣泛使用(呂世斌、張世偉，2015)方面分析了勞動力市場上極化產生的原因。總之，與SBTC相比，RBTC考慮了同一技能水平的工人從事不同工作任務顯示的異質性，進而可以有效地分析技術進步與不同技能勞動在微觀層面的互動機制。

根據新人力資本理論，不易被技術要素替代的能力因素(包括認知能力與非認知能力)是影響收入不平等的關鍵因素。Hanushek et al.(2015)和Sonja Jovicic(2016)采用PIAAC數據庫的微觀數據研究了認知能力對收入不平等的影響，其中Hanushek et al.(2015)重點探討了認知能力中的計算能力，而Sonja Jovicic(2016)不僅研究了計算能力，還分析了讀寫能力和在復雜環境中解決問題的能力。這兩項研究都發現在經合組織(OECD)國家中，個體的認知能力特征可以顯著地影響其工資收入。然而，上述研究的缺陷在于無法直接判斷非認知能力的作用，導致研究結果有偏差。Bowles et al.(2001)認為，在技術進步過程中那些擁有某些人格特征的個人能夠獲得更多的收入，例如個人的時間偏好和個人效能。Bresnahan et al.(2002)基于企業數據的研究發現，技術改變了工作場所管理和組織生產的運作形式，提高了企業對組織和交流相關技能的需求，進而導致擁有這些技能的勞動力能夠獲得更高的工資。Cubel et al.(2016)利用仿真實驗檢測了“五大”人格特征中有哪些特征在勞動力市場更重要。他們發現，責任心在一個人的表現中起著重要的作用，并且也能夠獲得勞動力市場的獎勵，這是因為責任心提高了工人的生產力。Weinberger(2014)、Deming(2015)和Deming、Kahn(2017)的研究表明，當個體擁有良好的認知水平以及社交能力時便能夠從勞動力市場獲得更高的收入。此外，Falck et al.(2016)基于PIAAC數據的研究發現，與讀寫能力和計算能力相比，掌握信息和通信技術的工人能在勞動力市場上獲得更高的工資。

國內學者何珺子和王小軍(2017)基于美國PIAAC數據的研究發現，男性的非認知能力的教育回報率更顯著，女性則體現在認知能力。盛衛燕和胡秋陽(2019)基于中國數據的研究表明，認知能力和非認知能力可以顯著地提高勞動收入，并且非認知能力可通過職業選擇偏好效應影響技能溢價。

總之，認知能力和非認知能力作為一種重要的人力資本構成要素，既可以直接地通過生產率效應增加勞動收入，也可間接地通過影響個人的受教育水平、職業選擇偏好以及技能形成，提高教育回報率與經驗回報率，增加工資收入。

但文獻回顧發現，目前的研究尚存在以下三方面的不足：第一，沒有區分數字密集型行業和非數字密集型行業，這導致既有的研究無法回答數字密集型行業與非數字密集型行業之間是否存在收入差距；第二，新人力資本理論僅利用綜合指數測度認知能力和非認知能力，至于細分指標對收入不平等影響的異質性未納入討論；第三，較少有文獻研究技能互補對收入不平等的影響。本文力求彌補上述三個方面的不足，將認知能力和非認知能力細分為多種具體的技能，并研究這些技能以及技能互補是否可以用于解釋數字密集型行業的高收入現象。

三、數據來源、指標建構與描述統計

1.數據來源

本文數據來自PIAAC數據庫。PIAAC是國際經合組織(OECD)發起的一項針對16-65歲人群的成人技能國際調查。該調查的主要目的是從三個方面測試成人的認知技能：讀寫能力、計算能力以及在復雜技術環境中解決問題的能力，這些能力是通過評估閱讀、寫作、計算、信息通信技術和問題解決等多項任務執行頻率的信息獲得的。PIAAC還包括其他類型信息，如與管理、溝通、組織和規劃以及體力工作相關的任務執行頻率。此外，PIAAC通過自我報告的方式提供有關工人對學習、信任、健康和其他問題的態度信息。

由于本研究旨在探討數字密集型行業與非數字密集型行業的收入不平等，以及數字密集型行業需要哪些類型的技能，因此需要PIAAC調查數據中D、F、G和I部分的背景調查問卷，其中，F部分的調查問卷涉及工作中有關技能的使用情況，G部分的調查問卷更具體，側重于計算、識字、信息和通信技術相關技能的使用，這兩個部分所調查的問題都是關于技能使用頻率；D和I部分主要包括工作靈活性、學習策略、管理和信任方面的背景問卷。需要補充說明的是，PIAAC調查的第一階段共經歷了三輪，分別是2011-2012年、2014-2015年以及2017年，其中國際經合組織分別于2011-2012年以及2017年在美國進行了兩次調查。本文采用PLAAC數據庫中2017年的美國成人技能數據進行研究，其中包括了3660人的調研數據，但在排除失業人員和未報告主要可觀察信息(工資和技能)的個人后，數據庫中還剩下2257人的數據。

關于數字密集型行業與非數字密集型行業的分類，本文采用Calvino et al.(2018)的產業數字化強度度量方法。該分類方法充分考慮了信息和通信技術的投資與使用情況(即投資于信息和通信技術的比例、購買信息和通信技術中間產品及服務占產出的百分比、每名雇員管理機器人數量)、對人力資本的信息化要求(即信息和通信技術專家占該部門就業總人數的比例)，以及電子商務的程度(即電子銷售占整個行業銷售的比例)。依據上述信息，Calvino et al.得出了各行業的數字化程度排名，且排名越靠前意味著數字化在該行業的滲透程度越高。根據各個行業的排名得分情況，本文使用排名得分中位數將行業細分為數字密集型行業和非數字密集型行業，得分高于中位數的行業屬于數字密集型行業，反之屬于非數字密集型行業。

2.指標構建與描述性統計

Grundke et al.(2017)利用工人在工作中執行任務的額外信息以及關于工人態度和個性特征的自我報告信息，采取探索性因子分析法提取了六項技能指標，以捕獲工人不同類型的認知、非認知和社交技能。本文在參考其技能指標基礎上進一步構建了認知能力和非認知能力的細分指標(見表1)。

(1)個人收入(lnearnings)：選自數據庫中用購買力平價表示的包含獎金的小時收入，去掉小時收入中分布在前1%和后1%的數據以清除異常值。

(2)認知能力(cognitive)：認知能力一般包括識字能力、記憶能力、計算能力、推理能力等能力因素。PIAAC主要測度了讀寫能力(Lit)、計算能力(Num)和在復雜技術環境中解決問題的能力(PSTRE)。其中，在復雜技術環境中解決問題的能力是指利用技術解決問題和完成復雜任務的能力，它不是“計算機素養”的衡量標準，而是信息時代所需的認知技能——在這個可以獲得大量信息的時代，人們需要具備識別信息、綜合信息和利用信息解決問題的能力。這種一般性認知能力可以在PIAAC數據庫中直接獲得，而PIAAC為每個受訪者和每一種技能提供了10個可能的合理值，本文按照Perry er al.(2014)的要求采用第一個可能值。

表1 認知能力與非認知能力測度的細分指標體系

除了一般認知能力外，也可以通過PIAAC中的G部分背景調查構造一種概念上的復雜認知能力。復雜認知能力包括運用信息和通信技術的能力(ICT)、復雜讀寫能力(CLit)和復雜計算能力(CNum)。G部分的背景調查主要是關于相應技術使用頻率的數據，測度信息和通信技術、復雜讀寫能力和復雜計算能力的相關項目的原始數據都被標準化到[1，5]，其中，1表示從不使用相應的技能，5表示每天都會使用相應的技能。由于這些項目的取值范圍一致，且數字越大意味著該技能的使用頻率越高，所以本文將測度信息和通信技術、復雜讀寫能力和復雜計算能力的相關項目的標準化得分加總，作為這三種復雜認知能力的代理變量。

(3)非認知能力(non-cognitive)：相較于認知能力，當前學術界主要采用內外點控制量表、自尊量表、大五人格量表測度非認知能力(盛衛燕和胡秋陽，2019)。其中，大五人格量表通過刻畫人格特征測度非認知能力。Grundke et al.(2017)根據PIAAC的調查數據提出了測度非認知能力的四大人格特征，即學習和創造性解決問題的能力、管理和交流能力、自組織能力和會計與銷售能力。本文根據這四大非認知能力構造了學習和創造性解決問題的能力(LCPS)、管理能力(Man)、社會交往能力(Soc)和自組織能力(SelfOrg)，這些指標主要來自PIAAC的D、F和I部分。同復雜認知能力一樣，D部分和I部分的原始數據同樣被標準化到[1，5]，且數字越大意味著相應的非認知能力越強。所以，與對復雜認知能力的處理方法一致，將學習和創造性解決問題的能力(LCPS)、管理能力(Man)、社會交往能力(Soc)和自組織能力(Selforg)的相關測度得分加總，作為非認知能力的代理變量。

表2為相應的描述統計。就收入而言，數字密集型行業的收入明顯高于非數字密集型行業；就一般認知能力而言，數字密集型行業和非數字密集型行業的差距不大，說明一般認知能力是整個社會普遍擁有的能力；就復雜認知能力和非認知能力而言，復雜讀寫能力和管理能力的差距不大，數字密集型行業擁有更高的運用信息與通信技術的能力以及復雜計算能力、學習和創造性解決問題的能力、社會交往能力和自組織能力。總體上，數字密集型行業在一般認知能力、復雜認知能力和非認知能力方面都高于非數字密集型行業，表明數字密集型行業對勞動者的技能有更高的要求。

此外，采用計量模型分析還需要一定的控制變量：受訪者年齡(age)；受訪者受教育年限(edu)；受訪者性別(gen)，男性gen=1，女性gen=0；受訪者所在企業雇員超過250人屬于大型企業bsize=1；受訪者所在企業屬于中型企業msize=1，即雇員超過51人而小于250人；受訪者的健康狀況(hea)，非常差得分為1，非常健康得分為5；受訪者是否處于打零工的狀態，即每周工作時間小于等于20個小時，若處于打零工的狀態，則wpt=1；受訪者的相關工作經驗(exp)，沒有相關工作經驗exp=0，有相關工作經驗exp=1。

表2 美國數字與非數字密集型行業(2017年)主要技能變量的描述性統計

四、實證分析

本文首先探討數字行業與非數字行業是否存在收入不平等，然后考察具體是哪些技能引起收入不平等，最后分析技能互補對數字行業與非數字行業收入不平等的影響。

1.數字行業與非數字行業收入不平等的計量分析

本文在標準明瑟方程中引入數字密集型行業啞變量、認知能力、復雜認知能力、非認知能力以及數字密集型行業啞變量與這三種能力的交互項，具體模型設定如下：

(1)

表3 數字行業與非數字行業收入不平等的回歸結果

表3報告的僅為本文關心的系數。從表3中的數字密集型行業啞變量回歸結果可以看到，數字密集型行業的工資收入比非數字密集型行業高3.5%，一方面可能由于經驗知識(隱性知識)在數字化工作環境中發揮著非常重要的作用，早在20世紀80年代進行的關于從傳統機器向數控工具過渡的研究、加工工業中關于復雜操作的管理研究以及對遠程服務和電子服務的虛擬專家工作數據的分析中已經發現，在數字化條件下，經驗是處理系統不確定性和復雜性的關鍵(B?hle and Milkau，1988；B?hle，1994)，近期的研究也證實了經驗在高度自動化的生產性工作中同樣發揮著重要作用。Levitt et al.(2013)運用美國工廠信息化管理系統的數據分析企業生產力提高的來源，發現經驗是生產效率提高的重要來源，特別是在汽車裝配和連續生產過程中，勞動力越來越多地需要處理更多而不是更少的復雜性問題。從表3exp的系數也可看到，相比于沒有經驗的個人，具有相關工作經驗的個人的工資收入高出了2.6%，可見經驗知識在高度自動化和數字化的工作環境中顯得尤為重要，數字密集型行業的企業可能也更愿意支付額外的費用以激勵員工，避免有經驗和高技能的勞動力外流。勞動力外流可能會對生產造成破壞，增加知識外溢到競爭對手的風險，如2016年Google的母公司Alphabet的研發總成本為167億美元，占其整個公司毛利潤的25%，這些研發總成本包括負責新產品和服務研發的人員薪酬及相關費用，以及對現有產品和服務的重大改進(Pa?ko Bili?，2018)。另一方面，數字技術的進步會導致經濟體增加對相應技能工人的需求，進而增加擁有這些技能的工人的工資，導致數字行業和非數字行業的收入不平等。從表3第三列可以看出，數字密集型行業對哪些技能支付了更高的工資，即哪些技能會引起技術溢價。

一是學習和創造性解決問題的能力。根據表3，擁有學習和創造性解決問題能力的個人在數字密集型行業能夠比在非數字密集型行業獲得的工資收入高0.8%，這可能是因為在數字化時代大量重復、單調乏味的“常規工作任務”已經被自動化或算法化，自動化或算法化使資本取代了單調的體力勞動，進而降低了勞動在價值增值中的份額。但“感知和操作任務、創造性智力任務和社會智力任務”這三種工作任務難以被自動化或算法化(Frey&Osborne，2017)，雖然自動化或算法化可以減少勞動者的數量，但是其對勞動力的綜合素質和技能有更高的要求，尤其是對創造性勞動能力有一定的要求(Pfeiffer，2016)。正如Baxter et al.(2012)所言：“人類越是依賴技術并將其推向使用的極限，我們就越需要高技能、訓練有素的人才，這樣才能使系統運行得更加流暢，且具備抵御風險的彈性。”相比于非數字密集型行業，數字密集型行業自動化和算法化程度更高，需要完成更多的創造性智力任務，導致數字密集型行業對具有學習和創造性解決問題的個人的需求增加，例如工業機器人在汽車裝配線上的運用。Pfeiffer(2016)調研了一家高度自動化的汽車裝配線，發現每一名工人需要監控8個工業機器人，并且要使工業機器人正常工作，一個工作日內需要對工業機器人的工作過程進行20-30次干預。為了做到這一點，工人不僅需要大量的專業知識(例如機器人編程或焊接技術)，而且需要滿足特定環境的知識(例如質量控制和上下游工藝)，以及經驗知識(有關先前干預、機器人磨損的原因、材料對溫度變化的反應方式等)，這要求工人一方面要通過學習不斷地積累經驗和相關知識；另一方面要“邊學邊干”，解決工業機器人運行過程中遇到的各種復雜問題，保證其正常運行。

二是自組織能力。根據表3，擁有自組織能力的個人在數字密集型行業能夠比在非數字密集型行業獲得的工資收入高1.9%。可能的原因是：數字經濟時代，信息技術深刻地改變著企業的組織方式、生產方式和交易方式，使企業的邊界不斷收縮，從大規模標準化生產轉向小規模個性化生產。相應的，企業的轉型也使得具有靈活性和自適應性(自組織能力)的人力資本產生了技能溢價，比如互聯網、大數據、人工智能等新一代信息技術實現了信息的快速和發散傳遞，極大地降低了企業包括搜尋成本、信息成本、議價成本、決策成本、監督成本在內的交易成本，使得企業內外部的交易速率和質量都產生了質的飛躍。正如科斯在《企業的性質》中所指出的，當交易成本越低，企業的邊界會越小，相關交易越是外部化。換言之，未來的企業不是航空母艦，而是復雜生產鏈上“自由人的自由聯合體”向協作關系為基礎的組織模式轉型，這種組織模式的特征是將原先嚴密而龐大的組織拆為分工更加細化的獨立個體(小型團隊乃至個人)，這些獨立個體根據目標和任務的需要隨時建立協作關系，任務完成便解除關系，隨后再根據下一項任務所需重新組合。相應地，這種協作型的組織結構要求勞動力以更獨立和分散的方式(例如通過遠程工作)開展工作，執行更多的非常規任務，以及適應不斷變化的技術和工作環境。因此，在數字經濟時代，數字密集型行業對擁有自組織能力的個人的需求更大。

2.技能互補對數字行業與非數字行業收入不平等的影響

前文實證結果表明，在數字經濟時代一般認知能力、復雜認知能力中的ICT能力以及非認知能力中的自組織能力是所有行業都需要的能力；而數字密集型行業尤其重視學習和創造性解決問題的能力、自組織能力。這一結果可以說明為什么單一技能的溢價便能夠引起工資收入的不平等。但是，是否存在某些技能本身雖不被市場重視，一旦與其他技能相結合卻同樣可以引起技能溢價呢？接下來進一步分析技能互補對數字行業與非數字行業收入不平等的影響。

認知能力是人腦加工、儲存和提取信息的能力，即人腦接受外界輸入的信息并經過頭腦的加工處理，轉換成內在的心理活動，進而支配人的行為的能力。認知能力是發展高級技能、積累人力資本的核心。根據表3，ICT是所有認知能力中最受勞動力市場重視的能力。鑒于數字密集型行業尤其重視學習和創造性解決問題的能力、自組織能力，本節將深入研究數字密集型行業中信息和通信技術、學習和創造性解決問題、自組織三種能力與所有其他技能的互補性問題。其計量模型的設定方法是在標準明瑟方程中引入數字密集型行業啞變量和以上三種技能與其他技能之間的交互項，具體如下：

(2)

根據表4，在數字密集型行業確實存在技能互補引起技能溢價，進而導致數字密集型行業與非數字密集型行業收入不平等的情況。總體上，信息和通信技術能力、學習和創造性解決問題的能力、自組織能力三者之間具有互補性，而學習和創造性解決問題的能力、自組織能力與社會交往能力具有互補性，這與Deming(2015)的研究結論一致。Deming(2015)基于美國全國青少年縱向調查數據的研究表明，在信息和通信技術密集型工作中，認知和非認知技能組合會得到更好的回報，而公司愿意為擁有多種技能的勞動力支付更高的工資可能存在以下三方面的考量：第一，技能互補提高了勞動力的工作和生產效率(Deming，2015)；第二，技能互補提高了勞動力解決復雜問題的能力(Autor et al. 2002)；第三，勞動力的技能組合有助于提高企業在行業中的競爭力和在全球價值鏈中的層級(Grundke et al.，2017)。

表4 技能互補影響收入不平等的計量結果

那么，為什么數字密集型行業需要信息和通信技術能力、學習和創造性解決問題能力、自組織能力、社會交往能力這四種能力的互補？來自理論和實踐的經驗表明，由信息和通信技術引起的企業組織結構的變革，導致勞動者之間可能會經常根據任務的需要形成以團隊或個體形式的自由組合的結構，尤其是數字密集型行業其生產過程更加分散(如外包，離岸外包)，更需要勞動者具備自適應、自學習、自組織的能力，以提高解決各種復雜問題和不確定性的能力。同時，信息和通信技術還引起企業組織模式從單個企業向多主體的協同創新網絡轉變，眾多分散的生產者和消費者能夠通過互聯網隨時隨地聚集在虛擬網絡的平臺上，勞動者在實際生產服務中的網絡化合作逐漸增多，要求勞動者必須具有較高的社會交往能力。畢竟人工智能在模擬人與人之間的互動交往方面表現較差，而人與人之間的互動交往需要一種被心理學家稱之為“心智理論”的能力，根據他人的行為將心理狀態歸因于他人，即“設身處地為他人著想”的能力，這是人際交往中的隱性知識，也是一種非常規的互動任務，人工智能很難替代人類，而這正是人類相對于人工智能的優勢。因此，在數字化時代，數字密集型行業所要求的勞動力必須具備信息和通信技術能力、學習和創造性解決問題的能力、自組織能力以及社會交往能力的綜合技能，是確保企業生產和團隊合作正常運行的關鍵。

3.穩健性檢驗

為了驗證結論的可靠性，本文進行了穩健性檢驗：改變對數字密集型行業和非數字密集型行業的劃分，即將數字密集型行業定義為排名前25%的行業，而不是排名前50%的行業。檢驗結果如表5。

從表5左邊第二列可以看到，數字密集型行業啞變量與學習和創造性解決問題的能力及自組織能力交互項的系數依然在5%的顯著性水平下為正，表明在數字密集型行業，學習和創造性解決問題的能力與自組織能力對收入不平等的正向影響效應具有穩健性。從表5右邊第四、五、六列可以看到，信息和通信技術能力、學習和創造性解決問題的能力、自組織能力三者之間的交互項系數，以及學習和創造性解決問題的能力、自組織能力與社會交往能力的交互項系數均顯著為正，表明技能互補對收入不平等的正向影響效應同樣具有穩健性。

表5 穩健性檢驗

五、結論與政策建議

我國是數字經濟領域的全球領先者，2018年我國數字經濟規模達到31.3萬億元，占GDP比重達34.8%，因技術化失業(數字技術運用帶來的技能缺口、技能錯配)導致的收入不平等現象正日益凸顯。過去我們知道“知識就是力量，教育改變命運”，通過大力投資人力資本的“認知技能”可以有效縮小社會收入差距。事實上，在工業時代，“認知技能”的提升的確使大量勞動力從農村走向城市，變成流水線工人、職員、會計和翻譯等，從事具有一定標準的常規化工作，由此也改善了他們的收入水平。但是，數字化變革以來，社會正大量減少對中等認知技能的需求，而大大增加對“復雜認知技能”和“非認知技能”的需求，并推動工作性質向科技化、復雜化和靈活化轉變。甚至有研究預言，“到2035年，我國整體數字經濟規模將接近112萬億元，總就業容量將達到4.15億”。這意味著，屆時至少有一半的勞動人口將面對這種復雜而靈活的工作性質。本文基于新人力資本理論構造了認知能力和非認知能力的細分指標，試圖探尋究竟是何種能力引起了數字密集型行業與非數字密集型行業的收入不平等，以及技能互補是如何在影響數字密集型行業與非數字密集型行業的收入不平等。基于PIAAC微觀數據的實證分析表明：(1)一般認知能力、復雜認知能力和非認知能力對勞動力收入具有顯著溢價，但在復雜認知能力中的信息和通信技術能力、非認知能力中的社會交往能力和自組織能力能夠導致更高的技能溢價。(2)數字密集型行業的工資收入比非數字密集型行業高3.5%，這一方面可能是由于經驗知識在高度自動化和數字化的工作環境中顯得尤為重要，所以數字密集型行業的企業可能更愿意支付額外的費用以激勵員工，避免有經驗和高技能勞動力的外流；另一方面是由于學習和創造性解決問題的能力、自組織能力帶來的技能溢價。(3)技能互補同樣能夠引起數字密集型行業與非數字密集型行業的收入不平等。對于數字密集型行業的勞動力而言，若擁有信息和通信技術技能、學習和創造性解決問題技能、自組織技能、社會交往技能中的兩種或兩種以上的技能組合便能獲得額外的工資溢價。

結合數字化轉型對技能的需求，本文建議政府未雨綢繆，完善教育培訓體系，積極應對數字化帶來的挑戰。

1.加大人力資本的數字技能投資，應對工作性質的科技化轉型

人力資本的復雜認知技能，尤其是其中“信息與通信”為代表的數字技能是數字時代的基礎技術支撐，社會正在持續不斷地增加需求量并已產生了較高溢價，加大力度投資人力資本的數字技能是應對未來工作性質科技化轉型的關鍵。第一，深化教育改革，擴大數字人才規模。積極推動各級各類教育機構開展數字智能和技能培訓，逐步建立健全多層次、多類型的數字人才培養體系，高等院校尤其應積極發展數字領域的新型專業，促進信息技術科學與其他專業學科的交叉融合，擴大信息技術專業人才和具有數字化素養的跨學科人才的培養規模。第二，支持多方協同培育。將普通本科高校、職業院校與科研機構、行業企業協會等多個利益相關方納入數字教育框架，建立職業培訓的規范管理制度和協調發展機制，為在校學生提供相匹配的數字能力培訓與認證。第三，運用數字技術，創新人才培養方式。結合移動技術、互聯網、VR、人機互動等數字技術發展“數字技術+”教學和技能培訓，打造高質量、大規模的開放式在線課程，為大眾提供靈活的、個性化教育和培訓模式。

2.重視人力資本的非認知技能投資，應對工作性質的靈活化轉型

人力資本的非認知技能，尤其是“學習和創造性解決問題的技能、自組織技能和社會交往技能”是數字經濟的重要可遷移技能，其在社會需求量持續攀升的同時也產生了較高的技能溢價，重視人力資本的非認知技能投資是應對未來工作任務靈活化轉型的重要途徑。第一，重視兒童時期的非認知技能教育，逐步降低義務教育的起始年齡。根據世界銀行的相關研究，兒童時期是培養非認知技能的窗口期，此間得到優質教育的兒童更善于人際互動、遵守指令和在面臨壓力時更好地調整情緒，這些能力的習得直接影響了成年時期更為復雜的非認知技能的習得。應逐步降低義務教育的起始年齡，盡早對兒童的營養、健康、社會保障和親社會教育進行投資，為其未來獲得健康優質的非認知技能奠定基礎。第二，積極探索高等教育階段成年學生習得非認知技能的路徑。目前備受關注的路徑有：①增加“通識教育”在高校課程中的比重。通過修習綜合性通識課程，參與課外實踐活動，有效地提升學生解決問題的能力、自學能力和社會交往能力。②合作學習。將不同專業背景的學生組成合作小組，鼓勵學生“跨課程學習”，為其創造相互合作共同探索某一學術問題或現實問題的條件，通過“知識的橫向融合”，提高學生的問題解決能力。③多樣性和全球化學習。通過設立“國別文化研究課程”，幫助學生探索多元文化，提升學生對跨文化現象的理解力和全球勝任力。④支持大學生創新創業。開設創業課程、舉辦創業實踐活動，為學生提供商業培訓與創業輔導，尤其為優秀大學生的創新創業項目提供資金和場地支持能有效地提升其團隊精神、創造能力和自組織能力。

3.建立“終身學習”的教育培訓體系，應對工作性質的持續性變革

過去，技術進步導致的技能需求轉變需要幾個世紀的時間才能充分展現出來，而在數字經濟時代，技術進步似乎要求人們一夜之間具有新的技能，甚至如今剛進小學讀書的兒童未來有很大一部分將從事現在尚未存在的職業。可以斷定的是，未來的工作性質會產生持續性變革，而很多變革是不確定的，建立“終身學習”的教育培訓體系至關重要。第一，加強成人再教育體系建設，減少由失業帶來的貧困發生率。針對失學、失業、年齡偏大的工人以及失地農民開展靈活的再教育活動，提高其讀、寫和基礎數字工具運用等一般認知能力，幫助其適應變化了的市場環境。第二，加強職業再培訓體系建設，增加成人的職業技能溢價。鼓勵企業和教育資源結合，舉辦職業再培訓學院，推動員工提高銷售、社交甚至數據分析等復雜認知和非認知的技能，幫助其實現更好的就業前景。第三，加強創業培訓體系建設，迎接數字時代的挑戰和機遇。建議由政府主導，依托各類創業服務機構，聯合科研院校、融資平臺和社會組織等優質資源，廣泛開展創業資訊服務、面對面問題深聊、創業沙龍、創業公開課、創業講堂等活動，幫助創業者累積創業知識、了解創業政策、分析創業條件、搭建創業平臺以及整合創業資源，提高其創業技能，推動“大眾創業、萬眾創新”走向縱深，進而將數字經濟時代的挑戰轉化為機遇。

① ⑩ Frey C B , Osborne M A .，“The Future of Employment: How Susceptible are Jobs to C-omputeri-sation?”TechnologicalForecasting&SocialChange, vol.114,2017, pp.254-280.

② Autor D H，Krueger K A B，“Computing Inequality: Have Computers Changed the Lab-or Market?”TheQuarterlyJournalofEconomics，vol.113，no.4，1998，pp.1169-1213；Acemoglu,D，“Why do New Technologies Complement Skills? Directed Technical Changeand Wage Inequality，”QuarterlyJournalofEconomics，vol.113，no.4，1998，pp.1055-1089.

③ Deming D J，“The Growing Importance of Social Skills in the Labor Market，”NberWorkingPapersno. 21473, 2015.

④ Deming D J, Lisa Kahn，“Skill Requirements across Firms and Labor Markets:Evidence from Job Postings for Professionals，”JournalofLaborEconomics,no.36，2017，pp.337-369.

⑤ Card, D. and J.Di Nardo，“Skill Biased Technological Change and Rising Wage Inequality: Some Problems and Puzzles，”JournalofLaborEconomics，no.4，2002，pp:733-783；宋冬林、王林輝、董直慶：《技能偏向型技術進步存在嗎?——來自中國的經驗證據》，《經濟研究》2010年第5期；董直慶、蔡嘯、王林輝：《技能溢價:基于技術進步方向的解釋》，《中國社會科學》2014年第10期；Autor D H，“Why Are There Still So Many Jobs? The History and Future of Workplace Automation，”TheJournalofEconomicPerspectives，no.3，2015, pp.3-30.

⑥ Cuadras-Morató, Xavier,Mateos-Planas X，“Overeducation and Skill-biased Technical Chang-e，”B.e.JournalofMacroeconomics，vol.13，no.1，2013, pp：1-18.

⑦ Horvath G，“Impact of Skill Mismatch on Wage Inequality，”SSRNElectronicJournal, no.1，2014，pp.425-453.

⑧ 劉云波：《教育錯配和技能錯配的發生率及其收入效應——基于中國CGSS2015的實證分析》，《東岳論叢》2019年第3期。

⑨ Autor D H，Murnane L R J，“The Skill Content of Recent Technological Change: An Empirical Exploration，”QuarterlyJournalofEconomics，no.4，2003，pp.1279-1333.