劳动力技能结构优化组态路径研究——基于QCA 方法的分析

刘 畅，吕荣杰

(河北工业大学经济管理学院，天津 300401)

一、引言

伴随着新技术、新经济和新业态不断涌现，人工智能等新技术全面渗透劳动力市场，市场对技能型劳动力的需求日益迫切。2020 年中共十九届五中全会提出，强化就业优先政策，注重缓解结构性就业矛盾，提升劳动者技能素质。根据人社部2020 年12 月发布的数据来看，技能劳动者占就业人口总量仅为26%，高技能人才仅占技能人才总量的28%。我国技能人才总量仍然不足，特别是结构不优、素质不高问题比较突出。目前不仅东南沿海仍然存在“用工荒”等问题，中西部地区也开始陆续出现此问题。中国劳动和社会保障科学研究院调查发现，虽然人工智能等技术的内生就业创造效应明显，如智能装备行业和机器人技术的发展增加了技能型劳动力的需求量，但是技能型劳动力供给数量相对较少也加剧了“用工荒”问题。新技术带来的生产方式的转变将会对劳动技能在生产系统中的地位和价值形成重大挑战[1]。当结构性矛盾成为新时期我国就业的主要矛盾，如何优化我国劳动力技能结构已成为重要课题，这也对缓解就业结构性矛盾提供借鉴，对实现更高质量就业具有现实意义。

为了全面分析劳动力技能结构的优化路径，本文从技能偏向性技术进步理论出发对可能条件变量进行梳理。既有研究主要基于产业结构、人工智能、人力资本和贸易开放等视角进行了解释。Frank et al.[2]认为人工智能补充或替代部分由劳动者完成的任务，能够引发市场对劳动者技能结构需求的改变。屈小博[3]和杨斌等[1]认为，人工智能正在重塑工作技能需求。Autor et al.[4]认为，产业升级能够带动高技能和低技能劳动力就业相对上升的现象。Bloom[5]认为，全球化的贸易开放能够提升高技能劳动力在劳动力技能结构中所占比例。唐礼智等[6]认为，当经济体中人力资本水平较高时，高技能劳动力的数量需求相对增多。通过文献梳理发现，尽管研究者在探索劳动力技能结构的作用机制方面取得了一些成果，但已有研究过度关注中介效应和调节效应的解释，忽视了对劳动力技能结构共同作用的优化路径的深入探究，这个问题非常重要。

本文运用QCA 方法，基于组态视角，从技能偏向性技术进步理论出发，选取产业升级、人工智能、人力资本和贸易开放4 个条件变量，试图探究4 个条件变量间的联动效应，明确高效优化劳动力技能结构的组态路径，以及制约劳动力技能结构优化的组态路径。

二、文献回顾

劳动力技能结构是由多重复杂因素共同作用的结果，并且在实际研究中，由于研究者切入视角的差异导致关于劳动力技能结构的影响因素暂未形成统一结论。为解决该问题，本文选取产业升级、人工智能、人力资本和贸易开放4 个条件变量，探究其如何影响劳动力技能结构。

(一)产业升级

Katz et al.[7]通过研究发现，在制造业中高技能劳动力相较于低技能劳动力，就业需求逐年递增。Autor et al.[4]认为，产业升级能够使从事常规任务的中等技能劳动力被机器取代从而转入低端服务业，并运用实证模型来解释低技能劳动力就业相对上升的现象。郑爱兵[8]运用SUR 方法得出在服务业中产业升级能够促进高技能劳动力的就业增长。郝楠等[9]认为，资本深化和信息技术产业发展促进对高技能劳动力的相对需求。

(二)人工智能

Mokyr et al.[10]认为，由于工作模式的改变而导致长期的技术性失业不会出现。比较优势定律表明，即使在机器人和自动化能力大幅提高的经济体中，大多数劳动力仍有任务要完成。孙早等[11]认为在我国生活成本过高的东南沿海地区，劳动力技能结构会出现“单极极化”趋势。屈小博[3]认为，人工智能正在改变工作所需要的技能。孔高文等[12]认为，凯恩斯的“技术性失业”理论在中国劳动力市场结构中得到部分支持，随着机器人应用规模的增加，对低技能劳动力的就业冲击更严重。Frank et al.[2]认为，人工智能有可能重塑美国等发达国家和发展中国家的技能需求，人工智能补充或替代部分由劳动者完成的任务，从而引发市场对劳动者技能结构需求的改变。

(三)人力资本

Tinbergen[13]在1974 年提出技能偏向性技术进步理论，该理论认为促进生产力的新技术是“技能偏向”，即高技能工人比低技能工人更有能力使用新技术，而低技能工人有被新技术取代的风险。唐礼智等[6]认为当经济体中人力资本水平较高时，高技能劳动力的数量需求相对增多。邢敏慧等[14]采用Logit 模型研究发现，在新一代农村劳动力就业中人力资本是影响农村劳动力就业质量和结构优化的关键因素。

(四)贸易开放

从劳动力技能结构的视角看，Bloom[5]认为，全球化的贸易开放能够提升高技能劳动力在劳动力技能结构中所占比例。从贸易伙伴国的研究视角看，Brambilla et al.[15]认为，与发达国家进行出口贸易往来能够优化本国的劳动力技能结构。Bermard et al.[16]研究认为，与发展中国家之间进行的贸易往来也能够优化本国劳动力技能结构。郝楠等[9]从细分贸易角度认为，从事中间品类的进口贸易能够增加高技能劳动力就业需求。

综上所述，产业升级、人工智能、人力资本和贸易开放对劳动力技能结构优化有重要作用，国内外学者也取得了丰富的成果。然而劳动力技能结构的相关文献主要采用以线性因果关系为基础的统计建模方法进行研究，已有研究多关注单个条件变量对劳动力技能结构影响的净效应[8，17]，而忽视了劳动力技能结构是一个多要素互动的过程，导致现有研究结论不一致[11]。此外，通过对国内外相关数据检索发现，尚无学者针对以上条件变量进行劳动力技能结构优化的组态分析。相形之下，综合考虑产业升级、人工智能、人力资本和贸易开放4 个条件变量协同联动对劳动力技能结构优化的影响，将有助于更深入地探究前因变量间的过程机理。

基于以上分析，如图1 所示提出本文研究框架，从技能偏向性技术进步理论出发选取包括产业升级(industrial upgrading，简称IU)、人工智能(artificial intelligence，简称AI)、人力资本(human capital，简称HC)、贸易开放(trade openness，简称TO)4 个条件变量，以及1 个结果变量即劳动力技能结构(skill structure of the workforce，简称SW)。

图1 研究框架

三、研究方法

(一)QCA 方法概述

定性比较分析方法(Qualitative Comparative Analysis，简称QCA)在20 世纪80 年代由社会学家Ragin 提出[18]。QCA 方法开启了社会科学研究的新范式。QCA 的新范式与传统基于相关分析的范式形成鲜明对比，主要集中在集合关系与相关关系、校准与测量、条件组态与自变量，以及因果复杂性分析与净效应分析，这四组对比都是集合论分析与传统定量分析的对比[19]。具体来说，在集合关系与相关关系的对比中，传统定量分析在设计上是对称的，而QCA 方法是不对称的[20]。在校准与测量的对比中，测量只需要反映相关基本概念的变异，校准不仅能够评估“多与少”(未校准的测量)，而且能够评估“很多与很少”(已经校准的测量)。在条件组态与自变量的对比中，两者之间的关键区别在于前因“配方”的概念，即与结果相联系的前因相关成分的特定组合。在因果复杂性分析与净效应分析的对比中，净效应思维将前因变量彼此分开并对其单独影响进行评估，而在案例导向的研究中研究人员通常关注前因条件如何组合并产生结果[21]。QCA 为因果复杂性和组态分析研究提供了方法支撑，解决了很多组态视角下理论与分析方法不匹配的问题[22]。

(二)QCA 方法的选择

通过梳理关于劳动力技能结构优化的研究，可以明确以往研究主要集中在将产业升级、人工智能、人力资本和贸易开放4 个自变量视为不同的独立的个体；并且多采用统计建模的方法检查条件组合，注重乘法交互项以及中介效应和调节效应的研究，这种方法有时会操作烦琐、难以解释，而且往往彼此之间与组成变量之间高度相关。在实际情况中，劳动力技能结构的优化可能不只由一个前因配方产生，并且可能没有一个前因变量对劳动力技能结构的优化是必要的或充分的。选用QCA 方法，从组态视角切入，不仅是对劳动力技能结构优化的重新探索，在操作中还能避免4 个条件变量间的共线性问题，使结论清晰明确，更加符合现实情况，因此选用QCA 方法。

四、案例及变量说明

(一)案例选择

在案例的选择中应该充分考虑案例总体内的最大异质性和案例总体的充分同质性[20]。鉴于此，以国内除去西藏和港澳台地区的30 个省份组成案例样本。

(二)结果变量及度量

结果变量为劳动力技能结构(SW)，为技能劳动力与非技能劳动力之比，本文将大学专科及以上学历就业人员视为技能劳动力，高中及以下学历就业人员视为非技能劳动力[23]。从《中国劳动统计年鉴》中选取2016—2018 年技能劳动力与非技能劳动力比值的平均值作为评价劳动力技能结构的依据。

(三)条件变量及度量

采用“理论视角”的方法进行条件变量的选取，即从实证研究文献中的主要理论视角出发，推导出一个混合的条件组合库[19]。为得出跨案例的综合性解释以及避免案例的个体化，条件变量在数量上要保持相对较少。在中等样本的分析(例如，10～40个案例)中，通常选择4～6 或者4～7 个条件变量。选取产业升级、人工智能、人力资本和贸易开放作为条件变量。

产业升级(IU)：产业升级的衡量方式较多，从研究内容出发，借鉴史恩义等[24]的作法，采用产业升级系数作为衡量指标：

其中，yi表示第i产业增加值所占地区生产总值比重。从《中国统计年鉴》中选取2016—2018 年的原始数据，计算各案例的产业升级指数，并用产业升级指数的平均值作为产业升级的评价依据。

人工智能(AI)：参照Borland et al.[25]对人工智能的衡量方法，即采用信息传输、计算机服务和软件业全社会固定资产投资额来衡量各省份人工智能的发展水平。从《中国统计年鉴》中选取2016—2018年相关数据的平均值作为人工智能的评价依据。

人力资本(HC)：采用各省份国家财政性教育经费占地方财政一般预算支出的比重衡量。从《全国教育经费执行情况统计公告》中选取2016—2018 年各省份国家财政性教育经费占地方财政一般预算支出的比重的平均值作为人力资本的评价依据。

贸易开放(TO)：采用外贸依存度即进出口总额占GDP比重来衡量各省份的贸易开放水平。从《中国贸易外经统计年鉴》中选取2016—2018 年各省份进出口总额占GDP比重的平均值作为贸易开放的评价依据。

五、数据校准与结果分析

(一)数据校准

任何集合校准的起点都是目标集的清晰说明[22]。本文采用fsQCA 的直接校准法，在此过程中需要研究者指定某一定距尺度的值，该定距尺度值对应三个定性断点构成一个模糊集的标准，即完全隶属、完全不隶属和交叉点[26]。原始定距尺度值将通过三个锚点转换为模糊隶属分数，最终通过fs-QCA3.0软件对集合中的案例隶属度进行精细校准，分数值范围为0.0～1.0[19]。本文采用直接校准法进行结构性校准，结果如表1 所示。

表1 变量校准锚点

(二)必要条件分析

在进行模糊集真值表标准分析前，进行必要性分析不可或缺[27]。条件变量的必要性意味着该条件总在结果存在时出现，换言之，没有该条件结果就无法产生。通过fsQCA3.0 软件的分析，单项条件变量对结果变量影响的必要性均未超过0.9，结果表明没有条件变量构成结果变量的必要条件，这意味着各个单项条件变量对劳动力技能结构的解释力较弱。

(三)真值表构建

组态思维关注因果复杂性，对因果复杂性进行系统分析的关键工具是真值表[18]。真值表方法是基于研究者指定的条件变量的所有逻辑上可能的组合，其通常包括从不同的角度和不同的配方中得出的条件。一般来说，临界值不应小于0.75；对于宏观数据，临界值应≥0.85[27]。

本文运用fsQCA3.0 软件构建真值表，为保证研究结果严谨，本文选取临界值为0.85。将模糊集数据导入fsQCA3.0 软件，删除没有案例的条件组合，保留至100%的条件组合，可得结果变量为SW的真值表，再将outcome设置为反向变量LowSW，可得到结果变量为LowSW的真值表。

(四)条件组合分析

本文运用fsQCA3.0 软件中真值表算法得到劳动力技能结构优化的复杂解、简约解和中间解，如表2 所示，研究发现劳动力技能结构优化的组态路径有3 条，非劳动力技能结构优化的组态路径有1 条。

表2 结果表明，经过fsQCA3.0 软件分析发现，可以引致劳动力技能结构优化的组态路径有3 条，即智能-产业主导型、智能-贸易主导型与综合发展型。

表2 劳动力技能结构的相关组态

智能-产业主导型，即H1：AI×IU，组态1 表示人工智能和产业升级的协同联动可以优化劳动力技能结构。人工智能推动传统产业从资源禀赋驱动的规模式扩张向依靠知识积累、技术进步、素质提升的内涵式发展转变，渐次形成数据驱动、人机协同、跨界融合、共创分享的新形态。产业智能化的本质是“人机协同”，智能化设备大量使用，将会催生一批知识型、技能型劳动力，在操纵设备、管理和优化产业链的过程中也会增加对技能型劳动力的就业需求，从而优化劳动力技能结构。

智能-贸易主导型，即H2：AI×TO，组态2 表示人工智能和贸易开放的协同联动可以优化劳动力技能结构。现阶段中国的传统贸易发展已到了较为成熟的阶段，随之而来的就是人工智能、大数据、云计算等高新技术的融入。贸易智能化转型将非核心竞争力的生产环节转移到发展中国家，发达国家专注于发展技能密集型产业，导致对高技能劳动力需求的增加。

综合发展型，即H3：IU×AI×HC，组态3 表示产业升级、人工智能和人力资本的协同联动可以优化劳动力技能结构。简单重复性越强、标准化流程化程度越高的行业，越容易被人工智能所替代。人工智能对就业结构的负面影响最终要通过产业升级加以解决，即在以人工智能推动制造业高质量发展的同时，充分发挥服务业对制造业的促进作用，吸纳更多来自落后产业的劳动力。

表2 结果表明，引致非劳动力技能结构优化路径有1 条，即组态NH1：～HC。只要人力资本水平低，即使产业升级、人工智能和贸易开放水平都很高，也仍旧会导致劳动力技能结构优化失败。虽然我国是人力资源大国，但人力资本水平仍旧偏低，仍然存在“用工荒”等问题，究其本质不是缺少劳动力，而是缺少能与劳动力市场相匹配的技能型劳动者。人力资本的不断提升，成为改善就业结构性矛盾和劳动力技能结构的关键环节。

六、结论与建议

为探究劳动力技能结构优化的组态路径，本研究运用QCA 方法，以2016—2018 年中国30 个省份为研究样本，从组态视角出发探讨产业升级、人工智能、人力资本和贸易开放4 个条件变量对劳动力技能结构优化的作用机制。通过系统分析，研究发现优化劳动力技能结构的关键路径有3 条：智能-产业主导型、智能-贸易主导型和综合发展型，分别是人工智能×产业升级、人工智能×贸易开放、人工智能×产业升级×人力资本。其中，智能-产业主导型更能够驱动劳动力技能结构优化。非优化劳动力技能结构的关键路径有1 条，且与优化劳动力技能结构的关键路径存在非对称性的关系。结果表明组态内部各要素之间存在替代性，即人工智能发展较好时，只要产业升级、贸易开放或者人力资本和产业升级发展水平有一组较好，即可促进劳动力技能结构优化。

根据上述研究结论，本文的建议如下：

1.对于贸易开放程度高的地区，提高贸易撮合、贸易执行以及贸易服务数字化等环节中人工智能的介入水平。以国内现有的自贸区为例，为促进中国与自贸区周边国家的经济合作，当地政府因地制宜应用人工智能技术为多边口岸法律文书合规转译、制单委托等环节节约人工成本。借助人工智能和大数据提升用户画像的精确度，精准输出营销产品。

2.对于产业升级发展程度高的地区，鼓励政府将人工智能应用于产业升级，加快产业智能化发展进程。推动新型基础设施建设，加强5G、人工智能等新型基础设施建设。支持平台企业积极应用人工智能等技术，不断提升共享制造全流程的智能化水平。依托人工智能快速高效处理数据的能力，提升行业服务能力、改变服务模式，降本增效。逐渐淘汰岗位附加值较低的工作岗位，促进劳动力的岗位升级，并且创造出大量新的高技能就业岗位。

3.人力资本既是优化劳动力技能结构的关键，也是制约其优化发展的核心，因此应完善高质量职业培训体系。在人工智能×产业升级×人力资本发展路径的指导下，着力培养能够适应人工智能技术、促进产业升级转型的新型高技能人才，对可能会受到冲击、从事简单重复性工作的劳动者进行转岗再培训，使其适应未来的市场需求，提高劳动力市场供需匹配度。