改革开放40年劳动力需求演变研究——基于自动化与新任务竞争视角的分析

张睿

(中国人民大学社会与人口学院，北京100872)

一、引言与文献综述

自18世纪中叶至今，人类历史上已发生过三次工业革命。一般认为，第一次工业革命以蒸汽机的广泛使用为标志，第二次工业革命以电力和内燃机的使用为标志，第三次工业革命以核能技术、电子计算机的应用为标志。从时间上看，每一次工业革命发生的周期约为100年。第一次工业革命将人类带入了工业时代，极大地提高了生产力。之后的两次工业革命可以看作是第一次工业革命的延伸，其本质都是资本对体力劳动的替代。人工智能与生命科技的发展，则可以令信息—智能密集的资本替代脑力劳动，这是第三次工业革命与已发生的工业革命的不同之处[1]。从替代体力劳动到替代脑力劳动，技术进步扩大了资本所能够完成的生产任务的范围，促进了生产力的提高，也带来了关于“人类劳动会被完全取代”的担忧。在这一背景下，研究资本与劳动之间的关系，合理选择人工智能技术及自动化生产的发展方向，避免劳动收入份额下降与社会分化，有着重要的理论与现实意义。

与以往工业革命中的技术进步不同，人工智能技术的发展会替代脑力劳动，将生产过程自动化，利用资本直接取代原本由人脑完成的工作。这会缩小劳动在生产总值中的比重，降低对劳动力的整体需求。自工业革命发生以来，资本对人类劳动的替代一直存在，那为何大规模失业与工资水平下降的情况没有出现？这是因为推动生产率提高的科技进步分为不同类型。自动化技术的进步使资本替代劳动，同时其他类型的技术进步会创造出新的任务。在这些任务中，劳动相比于资本更能胜任[2]。人工智能技术的发展使自动化生产的范围不断扩大，如果没有与之伴随的新任务的诞生，经济可能面临不断内缩化与工资水平下降的困境。

研究人工智能技术发展背景下，资本对劳动的替代及工资、就业的变化趋势，对我国经济发展有着格外重要的意义。首先，中国过去40年的经济发展，一直经历着快速的产业升级，每一次产业升级都带动劳动力向新兴产业的转移。未来的新兴产业可能因自动化的普及，只能创造有限的就业岗位，甚至出现劳动力“逆向”流入工资较低的岗位。因此，需要对人工智能技术的发展路线与应用前景进行审慎的规划，避免新技术成为工资下降与社会分化的推手。其次，2020年第七次全国人口普查数据显示，人口老龄化程度继续提高，高龄化趋势明显；人口老龄化速度明显加快[3]。在人口老龄化高速发展、劳动适龄人口占比不断下降的趋势下，考虑人工智能技术的经济影响，有助于了解老龄化进程中的劳动力需求与工资演化过程。

实证研究已经证明，人工智能技术的发展与自动化在生产过程中的普及将会导致就业率与工资水平的下降，以及不同行业中劳动力的再分配。美国和西欧的劳动力市场均发生了极化现象，非流程化、需要频繁信息沟通的岗位，如企业管理、学术研究及入门家政等的就业比例上升；流程化、沟通较少的岗位，如流水线工人、超市收银员等的就业比例下降。技术进步是就业极化的主要原因之一[4]。还有研究发现，企业在生产中采用人工智能技术对就业与工资均有不利影响。在法国企业中，使用机器人与劳动收入占比的下降、附加值和生产率的提高以及生产中工人贡献份额的下降相一致。机器人使用率每增加20%，行业就业率就会下降3.2%[5][6]。Graetz和Michaels利用17个国家行业的面板数据，发现机器人使用的增加降低了低技能工人的就业份额[7]。中国经济中也出现了人工智能技术与生产自动化降低就业率与劳动收入的情况，并在制造业中表现得格外明显[8]-[10]。

人工智能技术的发展使生产中的自动化不断普及，并降低了整体劳动收入占比以及工资水平，主要原因在于人工智能技术扩展了资本能够完成的生产任务的范围，并在这些任务中替代了人类劳动。“基础任务模型”（task-based model）将生产过程视为一系列任务的总和，一个任务是生产产出（商品和服务）的工作活动的一个单位[11]。每一个生产任务均有其技术特点，决定该任务能否被资本或劳动所完成。这样，生产任务这一概念便被引入模型中，并由资本与劳动提供的竞争性投入完成。Zeira最早构建了这一模型[12]，在其提供的动态框架中，用以替代劳动的技术是随着时间推进不断被发明的。每一时刻t对应着一个当前所能使用的替代劳动力的机器的集合[0,ft]，ft可以看作是t时期的技术前沿。该集合之外的生产任务必须由劳动完成，因为可用以替代劳动的机器尚未发明。此外，机器是否被使用还取决于机器和劳动的相对价格。总的来说，技术因素与价格因素共同决定了机器是否可取代劳动。后续研究大体继承了这一思路，利用“基础任务模型”（task-based model）研究对劳动威胁最大的人工智能技术的类型[13]、不同技能水平的人工智能技术如何替代劳动[14]、人工智能技术对经济增长路径的影响[15]等。

二、模型

本文采用Acemoglu和Restrepo构建的模型[16]，以及如下形式的生产函数：

其中，总产出Y由一系列单位任务的产出y(i)组合而成，σ代表替代弹性。i代表任务的系数，位于N-1到N之间，i的增加代表任务复杂程度的提高。该模型积分限固定，这意味着任务的总数量保持恒定，技术进步所创造出的新任务会立刻取代（replace）旧任务。换句话说，这一类模型并未体现分工扩大本身对生产率的促进作用，这一点与Romer的观点不同[17]。

接下来，假设劳动在复杂程度更高的任务中具有优势。因此，存在一个I=I*∈(N-1,N)，复杂程度大于I*的任务只能由劳动完成，小于I*的任务可以由自动化的资本（机器）完成。N的增加则代表了新技术的创造，这部分任务只能由劳动完成。通过该模型，两类不同的技术进步得以区分：I的提高对应着自动化程度的提高，N的提高意味着新任务的产生。这两种技术进步对劳动力需求的影响相反。I的提高会使资本夺走原本属于劳动的生产任务，N的提高则会创造出只能由劳动完成的新任务。自动化应用范围扩大会夺取原本由劳动完成的生产任务，这一过程称为转移效应（displacement effect）；新任务的产生会创造只能由劳动完成的工作岗位，这一过程称为复原效应（reinstatement effect）。这一框架可通过图1直观表示。

图1 两种类型技术进步对资本和劳动的不同影响

下一步，利用这一框架考虑两种类型的技术进步如何影响劳动力需求。劳动力需求通过经济中整体的工资水平来衡量。理论上，劳动者的工资等于GDP与劳动在生产中所占份额的乘积，因此，工资水平变化受生产率和劳动收入占比两个因素的影响。

如前所述，自动化应用范围的扩展缩小了劳动占据的任务范围，新任务的产生扩大了劳动占据的任务范围。自动化在生产中的普及提高了生产率；新任务的产生创造了只能由劳动胜任的工作，利用了劳动的比较优势，也提高了生产率。因此，自动化的普及对工资水平的影响是不确定的，其影响取决于转移效应和生产率效应的净值；反之，新任务的产生总是提高工资水平（见表1）。

表1 两种技术变迁对工资的影响

此外，还存在要素扩张型的技术进步，主要体现在要素质量的改善或数量的提高。这类技术进步也能够提高生产率，并通过改变资本与劳动的相对生产率来改变劳动收入占比，但不改变生产的任务内容，这一过程被称为替代效应（substitution effect）。在现实中，经济由多个部门构成，不同部门的劳动密集程度不同，当某一部门的技术进步使劳动者在不同部门间转移时，不同的劳动密集程度也可能对工资产生影响，这一过程被称为构成效应（composition effect）。综上所述，总工资水平变动由下式决定：

值得注意的是，中国自改革开放以来经历了相比于欧美发达国家更加迅速的人口转变。当人口年龄结构处在最富有生产性的阶段时，充足的劳动力供给和高储蓄率为经济增长提供了一个额外的源泉，这被称作人口红利[18]，人口红利在整个东亚的高速经济增长中的贡献可能达到30%以上[19]。生产率效应由人均GDP的变动来衡量。为分析人口转变对总工资水平的影响，将人均GDP增速拆解为劳均GDP变动和人口结构变动两个部分[20]，过程如下：

其中，Y代表GDP，N代表总人口，L代表劳动年龄人口。根据联合国标准，劳动年龄人口指15—64岁年龄段人口。对（3）式取对数值，并进行求导，得到其增长率的表达形式：

（4）式表明，人均GDP变动可以表示为劳均GDP变动和人口结构变动两个部分。（4）式中的括号部分代表劳动年龄人口增速与总人口增速的差，反映人口结构的变动。结合（2）式与（4）式，总工资水平变动决定于：

三、数据分析

在上文提出的框架的基础上，结合Acemoglu和Restrepo提供的数据处理办法，分析中国自1978年以来影响总工资水平变动的因素，并以此分析劳动力需求的演变。

（一）数据来源与处理

这部分的研究需要中国自1978年以来的分行业工资水平、从业人员数、GDP增加值以及中国GDP总量和人口规模、年龄结构的数据，数据来自中国知网——中国经济社会发展统计数据库、国泰安经济金融研究数据库、Wind数据库、CCER经济金融数据库。

数据处理方面，有以下几点需要说明。首先，研究时段分为1978—2003年、2004—2018年两个时间段，如此划分的原因有两个：第一，根据中国《国民经济行业分类标准》，第二产业包含采掘业，制造业，电力、煤气及水的生产和供应业及建筑业四大类，前三类统称为工业。第二产业在1978年至今的经济发展过程中起到了举足轻重的作用。在2004年以前中国的GDP统计中，只有工业和建筑业两类的数据，因此，在1978—2003年时间段的分析中，将第二产业分为工业和建筑业；在2004—2018年时间段的分析中，将第二产业分为采掘业，制造业，电力、煤气及水的生产和供应业及建筑业四大类。第二，第三产业所含门类较多，共计15个门类。其中，2004年之前只有交通运输业、仓储及邮政业、批发和零售业等5个行业有相关数据。第三产业中，租赁和商务服务业、金融业和房地产业是GDP及就业人数占比最高的三个行业，为保证分析结果的直观性，将第三产业分为租赁和商务服务业、金融业、房地产业和其他服务业四个大类。

其次，中国经济中存在城乡二元结构。在统计数据中，历年的全国第一产业从业人数远大于城镇农林牧渔业从业人数①根据中国国民经济行业分类标准，第一产业即指农林牧渔业。。然而，统计数据中并无1978—2018年完整的第一产业收入数据。若只以城镇农林牧渔业从业人员代替第一产业从业人员整体情况，会忽略自改革开放以来农村劳动力不断向城市转移这一重要事实，造成严重偏差。为补全数据，本文以CCER经济金融数据库提供的部分年份（1995—2002年）的第一产业平均收入数据与国泰安经济金融数据库提供的自1978年开始的农林牧渔业平均收入数据相对比，反推出自1978年开始的第一产业平均收入。应当承认，这种近似办法会造成一定的偏差，主要问题在于高估早期的第一产业收入。但是，为完整刻画中国劳动力收入变迁过程，这一近似的测算方法应当是可以接受的。

最后，因年龄结构数据最早只能够追溯到1990年，因此在分析中，本文将根据（2）式对1978—2003年的数据进行分析，根据（5）式对1990—2003年的数据进行分析，并分别展示结果。

（二）数据分析②限于篇幅，这里没有展示具体的计算细节，感兴趣的读者可与作者联系。

1.1978—2003年分析结果

根据上文所述，将这段时间的行业数据合并为农林牧渔业、工业、建筑业、租赁和商务服务业、金融业、房地产业及其他服务业。图2展示了这段时间7大行业的GDP份额及各行业内劳动收入占比的演变情况。

图2（A） 各行业GDP占比（1978—2003年）

图2（B） 各行业内劳动收入占比（1978—2003年）

图2显示了1978—2003年各大行业GDP份额及行业内劳动收入占比的演变。从各行业GDP占比的变化来看，工业一直是占比最高的行业，大概占到GDP总额的35%—45%之间。农林牧渔业经历了较大幅度的下降，服务业则经历了较大幅度的上升，这反映了中国产业升级的过程。从行业内劳动收入占比的变化来看，不同行业呈现出了不同的特点。与其他行业相比，农林牧渔业劳动收入占比表现出了显著的下降，这在一定程度上反映出中国农民收入水平较低的事实。

图3显示了1978—2003年间中国工资水平的演变及影响因素的累积变化。从图3（A）中可以看出，以1978年为基年，到2002年人均工资提高约350%。这一时期人均工资的年平均增长率为12.5%，人均工资稳定快速的增长主要是依靠生产率效应（年平均增长率13.9%）来解释的，构成效应和替代效应的影响很小。值得注意的是，任务变化效应自1995年开始经历了较小幅度的下降。

图3（A） 工资水平影响因素分解（1978—2003年）

图3（B）显示，以1978年为基年，1978—2003年间任务变化效应的整体变动不大，但转移效应与复原效应相当明显。在1978—2003年间，转移效应以年平均3.6%的速度减少了劳动力需求，与此同时，复原效应以年平均2.2%的速度增加了劳动力需求。与美国1947—1987年的数据相比[21]，中国的转移效应与复原效应都表现得更加强烈，这可能与中国1978—2003年间经历的快速产业迭代升级有关。总之，数据分析表明，1978—2003年间出现了大量的自动化，但这一时期快速的产业迭代升级创造了大量新的生产任务，提供了新的就业岗位，基本抵消了自动化对劳动力替代的不利影响。

图3（B） 转移效应与复原效应（1978—2003年）

图3（C）显示了年龄结构效应对工资水平的影响。结果显示，1990—2003年间，人口的年龄结构效应对整体工资水平的影响很小。可能的原因在于，充足的劳动力更多表现出对GDP增长的促进作用，充足的劳动力供给使企业在工资议价过程中更有优势，降低了整体的工资水平。

图3（C） 人口因素对工资水平的影响（1990—2003年）

2.2004—2018年分析结果

图4显示了2004—2018年各大行业GDP份额及行业内劳动收入占比的演变。从GDP份额的演变来看，制造业依然是占据GDP最大份额的行业，占GDP总额的28%—35%。服务业在GDP中的份额持续提升，截止到2018年，整个第三产业在GDP中的份额已经与制造业接近。与之形成鲜明对比的是，农业在GDP中的份额持续下降，2011年已不足10%，这反映了中国产业结构变迁的方向。从各行业内劳动收入占比的情况来看，除农林牧渔业外，各行业中劳动收入占比均经历了一定幅度的提高，在2010年之后表现尤其明显，这一结果与部分学者对中国用工成本变化的分析相一致[22][23]。

图4（A） 各行业GDP占比（2004—2018年）

图4（B） 各行业内劳动收入占比（2004—2018年）

图5（A）显示，2004—2018年间，中国整体工资水平依然以较快速度增长。以2004年为基年，到2018年人均工资提高约240%，年平均增速可达15.4%。与上一时期相比，这一时期推动工资上涨的因素发生了变化。自2009年开始，人均GDP增长的速度逐渐慢于工资水平的增长速度，说明生产率效应的作用在逐渐减弱。

图5（A） 工资水平影响因素分解（2004—2018年）

图5（B）显示，2004—2018年间，任务变化效应对工资水平基本上产生负向影响。2004—2009年间，复原效应基本保持在很低的水平，说明这一时间段中很少有新的任务产生，转移效应在这一时间段起主导作用。2010—2014年间，复原效应有了一个较大水平的提高，说明这一时间段集中涌现了新的生产任务。然而，2015—2018年，复原效应几乎没有增长，说明这一时间段基本没有任何新的任务产生。与之对比，转移效应在不断增强，说明自动化在不断夺取原本由劳动完成的生产任务。值得关注的是，与1978—2003年间相比，复原效应与转移效应的年平均值均有了较大幅度的下降。2004—2018年间，复原效应与转移效应的年均变化值分别为1.5%和1.8%，而1978—2003年间的数值分别为2.2%和3.6%。这一数据说明，在后一时间段，自动化普及与新任务产生的速度均有所下降，这可以解释2004—2018年间人均GDP年均增速的下降。

图5（B） 转移效应与复原效应（2004—2018年）

图5（C）显示了年龄结构效应对工资水平的影响。与上一时间段的结果类似，人口的年龄结构效应对整体工资水平的影响很小。

图5（C） 人口因素对工资水平的影响（2004—2018年）

四、结论与讨论

本文采用“基础任务模型”（task-based model），将技术进步分为促进自动化普及型及促进新任务产生型两大类，定量研究了1978—2018年中国整体工资水平的演变，在此基础上对劳动力需求的影响因素与机制进行了探究。

研究发现，1978—2018年间，生产率的提高是促进工资水平上升、提高劳动力需求的最重要的因素；生产任务的变化对工资水平的变动起相对次要的作用；人口年龄结构的改变则基本上对工资水平没有影响。虽然生产任务的变化总体上起次要作用，但是中国在1978—2018年间经历了强烈的转移效应与复原效应，这表明在过去的40年间，中国经济经历了大规模的自动化普及和产业迭代过程，二者对劳动力需求分别有着强烈的负向与正向影响。自动化普及程度的提高使资本占据了原本属于劳动者的大量工作岗位，这些劳动者不得不转移到新的部门寻找工作，这与杰里米·里夫金的结论相一致[24]。

以上研究结论意味着，中国未来的劳动力需求扩大及工资水平上升面临着严峻的挑战，挑战一方面来自于生产率增速的下滑，另一方面来自于生产任务的变化。图5（B）显示，近年来中国经济出现了一种新的趋势：转移效应强度的提高和复原效应强度的停滞。这一趋势与Acemoglu和Restrepo展示的美国的情况相一致，而后者正是美国劳动力需求及工资水平停滞的原因之一[25]。考虑到中国近年来人工智能技术的快速发展，学界对未来劳动力需求及工资水平的担忧也理所当然。

此外，本研究的另一意义在于分析中国经济“增长奇迹”的来源。图6展示了历年的复原效应值①图6所用数据与图3（B）及图5（B）完全一致。图6可以看作图3（B）及图5（B）中复原效应曲线的导数，采用不同的表示方式是为了更好地展示复原效应的周期波动。，从中可以明显地看出，复原效应呈现出周期性的变化规律，并有5个波峰。复原效应代表了新任务的产生，而新任务的产生与产业革命密不可分。事实上，正是产业革命中创新的“成簇”出现带来了新的生产任务。这一分析结果证实了陈志武的观点：中国1978年以后改革开放实现的成果，相当程度上是重复了东亚地区在“二战”之后、西方国家在更早些时候的经历[26]。这一结果有着非常重要的意义，因为，如果在这里所提出的假说成立，该研究结果就指明了中国经济“增长奇迹”的核心：通过技术引入与技术变迁，实现快速的产业升级。这也表明，维持中国经济增长速度，其核心依然是通过技术变迁实现产业升级，并提供鼓励产业变革的制度环境[27]。

图6 历年复原效应值（1978—2018年）

未来可以从以下两个方面展开进一步的深入研究。第一，相对于欧美发达国家而言，东亚国家的人口转变过程更为迅速，人口老龄化、劳动力供给不足的问题更加紧迫。人口老龄化及其发展速度是否促进了东亚国家以更快的速度推广人工智能技术以替代劳动力，是值得进一步探索的研究主题。第二，研究中国自1978年开始的快速产业迭代及其周期表现，从这一角度刻画中国改革开放以来的经济进程，从而真正破解中国经济的“增长奇迹”之谜。