技能需求结构变化及其对普职教育结构的启示

摘要：准确预测劳动力市场的技能需求结构是确定职业教育规模及其与普通教育比例问题的前提。综合使用微观调查数据与政府统计数据，分析发现我国城镇劳动力市场越来越需要高技能水平和通用性技能的劳动力，与此同时，越来越多职业教育毕业生步入低技能水平的行业或者职业。根据劳动力市场对技能需求结构的变化调整普职结构势在必行，为此需系统把握技能供需结构。在需求侧，需对技能更精细地界定与分类，加强技能需求结构调查、预测与信息共享，并提高信息的可读性和可及性；在供给侧，应加强对职业教育技能供给类型的研究，并依据劳动力市场技能需求变化调整人才培养方案。

关键词：技能水平；技能专用性；技能需求; 普职结构

引言

确立于1983年的”普职大体相当”的政策面临诸多争议¹。坚持普职大体相当的人认为，我国产业升级和经济结构调整使得各行各业迫切需要技术技能人才，发展职业教育是回应劳动力市场对技术技能人才的需求，坚持普职大体相当是实现这一目标的重要手段²。反对普职大体相当的人则认为，在职业教育业已成为分层教育的基本现实面前，让有接受普通教育意愿的初中毕业生接受职业教育，加剧社会不平等，过早分流也加大学生和家长的教育焦虑，产生无效竞争。显然，国家发展经济的需要和民众对于普通教育的需求之间存在矛盾。这一矛盾的冲突结点在哪？是国家对于技术技能人才的需求及职业教育的功能定位判断有误，还是民众对普通教育有过度的需求？普通教育与职业教育培养不同技能类型的劳动者，各行各业需要不同技能类型的劳动者，链接教育与劳动力市场之间的变量是技能，合理的普职结构在于其提供劳动力的技能结构与劳动力市场对技能的需求结构是匹配的。技能需求与供给平衡，一方面能够促进国家经济发展，一方面也能使劳动力的技能有效利用，提高收入水平。因此，讨论职业教育规模及其与普通教育的比例问题的前提是知晓我国劳动力市场的技能需求结构和把握职业教育和普通教育毕业生所具备的技能结构及其差异，本文试图初步回答前一个问题，并为后一个问题提供一些研究思路。

技能需求结构变化的已有研究

技能是指完成某项工作任务的能力，技能需求结构是指劳动力市场需要的不同技能种类的构成。教育研究领域很少关注劳动力市场技能需求结构的变化，关于劳动力市场技能需求及其结构变化的研究主要来自于经济学领域，因其与就业、工资和经济增长模式有关，经济学家主要关注技能结构变化的影响因素及其后果。本文考虑技能结构变化对教育结构的影响，以下主要总结已有文献关于技能需求结构变化的结论，涉及技能结构的测量及不同类型结构的变化。

技能结构的定义与测量

已有文献描述技能结构的一个重要维度是技能水平结构。技能水平涉及技能的深度与复杂程度，高水平的技能需要投入更多时间和精力去学习与训练，比如编程能力、规划能力，低水平的技能则并不需要太多的学习与训练，比如搬运、服务接待。经济学家多以劳动者的受教育程度或者工资收入为依据确定技能水平的高低³，也有研究以职业类型来衡量技能水平，比如认为专业技术人员是高技能水平人员⁴，或者将管理人员和专业技术人员认定为高技能劳动力，其他为低技能劳动力⁵，或者使用工程技术人员作为高技能劳动力的代理指标。⁶划分技能的第二个维度是技能的专用性，即一项技能使用范围大小的问题，如果一项技能只能在特定范围内使用的话，这项技能的专用性较强；如果一项技能可以在更广的范围使用，那么这项技能的专用性则弱。技能的专用性可表现在公司、职业、行业、工作任务等各方面，即公司专用性技能、职业专用性技能或者行业专用性技能等。测量技能专用性主要有两种方法，一是直接测量法，以职业技能专用性为例，有研究者提出使用技能权重法测量职业技能的专用性，该测量方法假定细分的单一技能都是通用性的，适用于各种职业，每一种职业会使用到多种技能，职业技能的特定性体现在该职业所需技能的结构与权重，这种技能组合具有专用性。⁷还有一种方法是借助于职业分类标准和样本统计信息来计算（本文采用这种方法，下文详述）；二是间接测量法，即研究者不对技能专用性赋值，而通过衡量技能切换后的效果评估其专用性的存在，比如，对职业技能专用性的研究以更换新职业后其工资收益的损失来衡量，对行业技能专用性的研究以更换行业后工资收益损失来衡量。⁸另一种技能分类方式是依据工作任务性质而划分的，比如，将工作任务划分为认知类任务和体力型任务，相应的技能则包括认知型技能和体力型技能。研究者利用美国《职业名称词典》中各职业特征的描述，将每个职业所要完成的任务分为常规认知类任务、常规体力型任务、非常规体力型任务、非常规分析型任务、非常规社交型任务，以工作任务要求的变化来指示所需职业技能的变化。⁹最新的测量技能类别的方式还包括根据招聘网站上岗位要求的描述，归纳出技能的类别，比如分析技能、社交技能、写作能力、客服技能、项目管理技能、编程技能等。¹⁰

技能水平结构的研究

因为关系到劳动力收入及收入不平等问题，技能水平结构得到很多经济学家的关注。国外研究发现，80年代以前，美国劳动力市场越来越需要高技能的劳动力¹¹，美国制造业内部各细分行业也越来越来需求高技能水平的劳动者。¹²利用英国1985－2000年的数据，也发现低技能劳动者在下降，高技能劳动者在上升。¹³研究者提出技术进步具有偏向性，即技术进步更多地提高高技能水平劳动者的收入水平。¹⁴但之后的研究渐渐发现，技术在提高对高技能劳动者需求的同时，也增加了对低技能劳动力的需求，比如，美国1990年之后，如果以工资水平或者受教育水平对职业排序的话，高教育水平或者工资水平的劳动力占比与低教育水平或者工资水平的劳动力占比都在增加，处于中间教育水平或者工资水平的劳动力占比却在减少¹⁵，这一现象被称为就业结构的”极化”现象，该现象被证明在英国¹⁶、德国¹⁷和欧洲其它一些国家都存在。¹⁸研究还表明就业结构极化现象与以计算机为主导的技术进步有关，即随着计算机成本逐步下降，原本由人执行且可编程优化的工作被机器取代了，比如办公室文秘工作或者流水线上的工人，而非常规性的工作无法通过编程优化，比如专业技术人员、职业经理人，也包括非常规体力型工作，比如货车司机、儿童护理人员。¹⁹非常规认知性的工作属于高收入群体，非常规的体力型工作属于低收入工作，从事常规性工作的人是中等收入的群体。也有研究表明服务业的增加是因高收入群体收入增加，其机会成本增加，产生了一些原本自己完成的诸如家政服务等需求，进而带动服务业需求增加²⁰，在空间分布上，低技能劳动力需求的增加一般发生在与高技能劳动力需求增加相同或临近区域。²¹研究者对中国技能水平结构也进行了研究，比如，以职业和行业交叉项为分析单位，以收入水平划分岗位等级，使用2005和2010年全国数据，屈小博等发现这时期就业结构呈现升级趋势，高技能劳动者需求增加。²²借助于OECD基于研发投入对制造业的细分，以制造业的细分行业为单位，相对于中技术行业，1998至2009年，高技术行业和低技术行业有增加，出现极化现象。²³使用2001－2015省级面板数据，以不同受教育程度就业人员占比衡量不同技能劳动力的就业情况，孙早等发现工业智能化发展导致就业结构呈现”极化”特征，减少了对初高中劳动力的需求，提高了对专科以上和小学及以下劳动力的需求，且存在区域性的差异，东部沿海地区和南部沿海地区则仅是出现单极化现象，小学及以下劳动力需求也在减少。²⁴

技能专用性的研究

技能专用性的研究起源于人力资本专用性的探讨，贝克尔1962年认为人力资本可分为通用性人力资本和公司专用性人力资本，通用性人力资本可以在各种工作中适用并产生收益，公司专用性人力资本只有在特定公司内才产生收益，公司只有动力投入专用性人力资本，而没有动力投入通用性人力资本。²⁵尼尔使用劳动力流动调查数据发现劳动者在同行业流动的话，其经验能够带来工资增长，其认为人力资本专用性存在于行业层面，公司专用性人力资本效用不大。²⁶后又有研究提出人力资本的专用性应当体现在工作任务方面，即存在只在某一特定工作任务上使用的人力资本，特定工作任务的人力资本对于劳动力工资增长具有很强解释力。²⁷研究者使用上文提到的拉齐尔的方法²⁸，对瑞士职业教育课程内容分析得到每个职业所需要的技能组合与权重，发现职业课程训练的专用性越高，其收入回报率越高；职业课程训练的专用性越弱，其职业的流动性则越强。²⁹还有研究表明，在非竞争性的劳动力市场，人们会在特定技能上投入更多；在竞争性的劳动力市场，人们会在通用性技能上投入更多。³⁰假定职业教育毕业生的技能具有专用性，普通教育毕业生的技能具有通用性，使用波兰和爱沙尼亚的数据分析发现，相对于接受普通教育的人，接受职业教育的人失业周期更长，因为在经济波动和产业结构调整过程中，技能专用性限制了劳动者再次就业的适应性。³¹研究者还发现，同样受德国教育体系影响，职业教育占比较高的瑞士和奥地利的教育体系后来发生很大变化，瑞士职业教育占比逐步降低而奥地利的职业教育占比则变化不大，这与两国企业规模大小有关，瑞士大企业占比高，奥地利则多是小企业，虽然新技术需要越来越多通用性技能的劳动者，小企业不愿承担技术变革而带来的转换成本，所以奥地利的职业教育占比变化不大，而大公司更愿意获得技术变革带来的收益，增加对通用性技能人才的需要。³²国内对技能专用性的探讨仅仅将其作为一种理论解释工具在使用³³，少有文献研究我国劳动力市场在技能专用性上的需求变化。

其它技能类别结构的研究

根据工作任务类型的不同，研究者发现工作任务变化影响技能需求变化。如果将技能分为常规认知型技能、常规体力型技能、非常规体力型技能、非常规分析型技能和非常规社交型技能³⁴，德国在1979－1999年期间对非常规技能（分析、社交、体力）的需求在增加，而对常规性技能（认知、体力）的需求在减少³⁵；美国在1980－2000年期间的情况和德国的一致，除了非常规体力技能需求在减少之外。³⁶日本的数据（1960－2005）也证实和德国一样的结果。³⁷都阳分析中国城市劳动力调查数据关于从业者工作任务内容的信息，发现2005－2016年我国城市劳动力从事非常规分析型的任务和非常规社交型任务在增加，非常规体力型任务保持不变，和西方国家不同的是常规认知型任务也在增加。³⁸这些工作任务结构的变化意味着我国劳动力市场对技能需求结构的变化。

使用美国1980－2012年数据发现美国需要具有高水平社交技能的工作增加12％，社交技能的收益率也在逐步提高。³⁹使用招聘网站职业要求描述数据，研究发现即使在狭窄的职业类别里，对工作技能的需求也有很大差异，正是这些技能差异影响着员工的薪酬水平和公司的业绩表现，在所有技能中，认知技能和社交技能起到重要作用，且具有相互增益的作用。⁴⁰使用美国”职业信息网络”数据和网络分析技术，研究发现职业技能呈现集聚现象，技能汇聚在认知社交技能和感知体力技能两个焦点，且认知社交技能意味着高收入职业，感知体力技能意味着低收入职业，就业结构的极化现象可能是与该两个技能集群有关。⁴¹

技能水平与专用性的测量

本文关注劳动者的技能水平和技能专用性的需求结构变化，测量技能的最优方案是对劳动者个体的技能水平与专用性进行度量，因为缺乏就业结构变迁的微观数据，本文借助于职业和行业从业人员数量变化的数据，以职业和行业为单位来展现技能水平和专用性需求结构的变化。职业是从业人员为获取主要生活来源从事的社会工作类别，职业分类是以工作性质的同一性或相似性为基本原则⁴²，相同职业的从业者具备的技能具有相似性。产业是从事相同性质的经济活动的所有单位的集合，采用经济活动的同质性原则划分行业⁴³，相同行业从业者具有的技能具有相似性。以职业或者产业为单位分析技能需求结构变化是已有研究常用的测量策略 。⁴⁴

代码

#　setup-----

library(tidyverse)
library(rio)
library(sjlabelled)
library(sjmisc)
library(occupar)
library(skimr)
library(janitor)
library(ggrepel)
library(patchwork)
library(scales)
library(cowplot)
library(colorspace)
library(showtext)
library(flextable)
library(here)


#一、数据导入与处理-----
##(一）职业技能----
##职业技能水平指数数据
skill_adv_occu <- import(here("files/skill_structure/skill_adv_occu.dta")) %>%  
  rename(skill_adv=skill,code=code1)

skill_s_occu <- import(here("files/skill_structure/skill_occu.dta")) %>% 
  mutate(code=as.numeric(code)) %>% 
  set_labels(code,labels = c("国家机关、党群组织、企业、事业单位负责人",
                             "专业技术人员","办事人员和有关人员",
                             "商业、服务业工作人员","农、林、牧、渔、水利业生产人员",
                             "生产工人、运输工人和有关人员")) %>% 
  mutate(label=as_label(code)) %>% 
  relocate(label,.after = code)  

#职业技能专用性数据
skill_both_occu <- skill_adv_occu %>% 
  left_join(skill_s_occu,by="code") %>% 
  filter(code!=7) %>% 
  relocate(label,.after = code)

##（二）行业技能-----
#行业技能水平指数数据
skill_adv_indus <- import(here("files/skill_structure/skill_adv_indus.dta")) 
#行业技能专用性数据
skill_s_indus <- import(here("files/skill_structure/skill_indus.dta")) %>% 
  mutate(code=rec(code,rec="6=8;7=6;8=9;9=7;else=copy")) %>% 
  select(-label)              # 将2002年的行业分类编码变成2011后的

skill_both_indus <- skill_adv_indus %>% 
  left_join(skill_s_indus,by="code")

##统计年鉴就业人口变化数据
hi_occu <- import(here("files/skill_structure/职业学生的职业行业构成.xlsx"),which = 1)
hi_indu <- import(here("files/skill_structure/职业学生的职业行业构成.xlsx"),which = 2)
se_occu <- import(here("files/skill_structure/职业学生的职业行业构成.xlsx"),which = 3)
se_indu <- import(here("files/skill_structure/职业学生的职业行业构成.xlsx"),which = 4)

技能水平的测量

本文使用中国社会状况综合调查（Chinese Social Survey，简称CSS）数据测量职业和行业从业人员的技能水平。⁴⁵CSS是中国社会科学院社会学研究所于2005年发起的一项全国范围的大型连续性抽样调查项目，采用概率抽样，调查区域覆盖了全国31个省区市，每次调查访问7000到10000余个家庭。本文使用其公开的2006、2008、2011、2013、2015、2017和2019年数据。该项调查有劳动者对于其工作所需技能水平自我评价的信息，题目是”您认为您的工作性质属于”，2006年该题的选项依次是：（1）需要很高专业技能的工作，（2）需要较高专业技能的工作，（3）半技术半体力工作，（4）体力劳动工作。2008、2011、2013年的选项增加了”需要一些专业技能的工作”和”其他”。2015、2017和2019年原有选项”半技术半体力工作”和”体力劳动工作” 整合为”不需要专业技能的工作”。尽管各个年份选项上有差异，但每年度的该问题都是一个等级变量。因此，在剔除少量选择”其他”的个体，本研究根据每年数据计算每种职业和每个行业的劳动者在该变量上的均值，以此来衡量单个职业或者行业从业者的平均技能水平。为提高估算的准确性，在估算每年职业或行业的技能水平的基础上，使用各期数据按每年的样本量加权求均值，最终计算出跨年度的每一个职业和行业的技能水平的整体得分，参见表@tbl-table1和表 @tbl-table2。

代码

skill_both_occu %>%
  select(-n, -code) %>%
  mutate(
    skill_adv = round(skill_adv, 2),
    skill_spe = round(skill_spe, 2)
  ) %>%
  arrange(skill_adv) %>%
  flextable() %>%
  autofit() %>%
  width(j = 1, width = 3.5) %>%
  width(j = 3, width = 1.0) %>%
  set_header_labels(label = "职业类别", skill_adv = "技能水平", skill_spe = "技能专用性") %>%
  footnote(
    i = 1, j = c(1, 2, 3),
    value = as_paragraph(c("基于《中华人民共和国职业分类大典》（1999年）职业分类标准，不包括军人和不便分类的其他从业人员", "基于CSS数据估算", "基于CFPS数据估算")), 
    ref_symbols = c("a", "b", "c"),
    inline = TRUE, part = "header"
  )

各职业从业者技能水平与技能专用性数值表

职业类别a	技能水平b	技能专用性c
专业技术人员	0.00	1.08
国家机关、党群组织、企业、事业单位负责人	0.26	0.94
办事人员和有关人员	0.56	0.98
生产工人、运输工人和有关人员	0.78	2.77
商业、服务业工作人员	0.84	1.01
农、林、牧、渔、水利业生产人员	1.00	1.72
a基于《中华人民共和国职业分类大典》（1999年）职业分类标准，不包括军人和不便分类的其他从业人员; b基于CSS数据估算; c基于CFPS数据估算;

技能专用性的测量

本文利用艾弗森2001年设计的方法测量职业技能专用性。⁴⁶艾弗森使用的职业分类标准是1988年版本的职业国际分类标准（ISCO88）。ISCO88职业分为10个类别、28个大类、116个次类和390个职业。艾弗森计算了类别和大类职业的技能专用性水平。职业类别的技能专用性测量是以该类别所包括的职业占比除以该类职业劳动力人口占比⁴⁷，该比值再除以该类别职业ISCO88标准下的技能水平赋值。为计算中国职业分类标准下各职业的技能专用性，本文直接使用艾弗森对国际职业分类标准下9个类别的职业专用性的数值，并通过国际职业分类标准与中国职业分类标准的转换，计算中国各类职业的技能专用性数值。本文使用中国家庭追踪调查（CFPS）2010年基线数据实现这一转换。CFPS是一个全国性的抽样调查，包含有劳动力人口的国际标准职业类型、中国标准职业类型及行业类型的信息。CFPS（2010）全部样本为33600人 ，其中有工作的样本16262人，剔除职业为为军人、无职业者分类、不便分类的其他人群，同时删除国际职业代码、我国行业代码和职业代码为缺省值的个体，最终样本为15620人。将艾弗森的ISCO88职业类别的技能专用性数值赋予每一个个体。该样本中每一个个体的职业技能专用性都有一个取值，再按我国职业分类标准一级分类，计算各职业类别职业技能专用性的平均值，即为我国一级职业类别的技能专用性数值。同样，根据国标行业分类下的每一行业，计算国标每个行业下个体技能专用性的平均值，即为国标分类下各行业的技能专用性数值，结果如表 @tbl-table1和表 @tbl-table2。

代码

skill_both_indus %>% select(-n,-code) %>%
  mutate(skill_adv=round(skill_adv,2),
         skill_spe=round(skill_spe,2)) %>% 
  arrange(skill_adv) %>% 
  flextable() %>% autofit() %>% 
  width(j=1,width = 2.6) %>% 
  width(j=3, width = 1.0) %>% 
#  width(j=c(1,4),width = 1) %>% 
  set_header_labels(label="行业类别",skill_adv="技能水平",skill_spe="技能专用性")%>% 
  footnote(i=1, j=c(1,2,3), 
           value = as_paragraph(c("基于《国民经济行业分类》（GB/T 4754-2017),不包括国际组织",
                                  "基于CSS数据估算",
                                  "基于CFPS数据估算。")),
           ref_symbols =c("a","b","c") ,part = "header",
           inline = TRUE,
           sep = "; ")

各行业从业者技能水平与技能专用性数值表

行业类别a	技能水平b	技能专用性c
卫生和社会工作	0.03	1.14
科学研究和技术服务业	0.05	1.30
教育	0.11	1.04
金融业	0.28	1.26
文化、体育和娱乐业	0.28	1.16
信息传输、软件和信息技术服务业	0.31	0.92
电力、热力、燃气及水生产和供应业	0.46	1.76
公共管理、社会保障和社会组织	0.49	1.25
交通运输、仓储和邮政业	0.58	0.87
租赁和商务服务业	0.59	1.00
制造业	0.67	2.25
居民服务、修理和其他服务业	0.69	1.51
房地产业	0.72	0.93
采矿业	0.77	2.19
水利、环境和公共设施管理业	0.78	1.21
建筑业	0.79	2.05
批发和零售业	0.84	1.05
住宿和餐饮业	0.85	2.63
农、林、牧、渔业	0.99	1.72
a基于《国民经济行业分类》（GB/T 4754-2017),不包括国际组织; b基于CSS数据估算; c基于CFPS数据估算。;

技能需求结构的变化

基于职业和行业从业者的技能水平和专用性估值，可以利用职业或者行业从业者的数量变化估计技能需求结构的变化。我国从2005年开始建立劳动力调查制度，2007年开始是季度调查，2015年开始实施月度调查。劳动力调查是全国性分层抽样调查，以户为单位。调查分为城镇与乡村，城镇包括城市和镇，乡村包括集镇和农村。《中国人口和就业统计年鉴》（2011－2020）具有分行业和分职业的城镇就业人员占比数据和分教育程度下的分行业和分职业城镇就业人员占比数据，本研究以此分析我国城镇就业人员在不同行业或职业占比的变化情况，且对总体城镇劳动力市场和职业教育学历的劳动力市场分别分析。

总体城镇劳动力技能结构变化

图 @fig-plot1 反映的是2010至2019年城镇劳动力的职业构成变化情况，从2010至2019年，我国城镇农林牧渔水利业生产人员占比减少8.4％，生产工人、运输工人和有关人员减少11.7％，国家机关、党群组织、企业、事业负责人占比减少0.9％。与此同时，商业服务业工作人员占比增加12.0％，办事人员和有关人员增加8.0％，专业技术人员占比增加0.9％。图@fig-plot1A纵轴从上往下是按职业技能水平由低到高排列，由此可知，我国城镇劳动力的技能水平在逐步提高，因为商业服务业从业者的技能水平比农林牧渔水利业生产人员高，办事人员和有关人员比生产工人、运输工人和有关人员的技能水平高，与后两者相比，前两者占比都在增加。图@fig-plot1 B纵轴从上往下是按职业技能专用性由高到低排列，由此可知，技能专用性较高的农林牧渔水利业生产人员、生产工人、运输工人和有关人员整体向专用性较低商业服务业人员、办事人员和有关人员转移，劳动力市场越来越需要具有通用性技能的劳动者。

代码

occu_combo <- import(here("files/skill_structure/job_combo.xlsx"))
occu_combo2 <- occu_combo %>%
  filter(edu == "总计") %>%
  pivot_longer(head_1:others_7, names_to = "occu", values_to = "prop")

occu_employ <- occu_combo2 %>% 
  filter(year %in% c(2010,2019)) %>% 
  select(-edu) %>% 
  pivot_wider(names_from = "year", names_prefix = "year", values_from = "prop") %>% 
  separate(occu,c("label_e","code"),sep = "_") %>% 
  mutate(code=as.numeric(code))

##与技能水平数据合并
occu_c_skill <- occu_employ %>% 
  left_join(skill_both_occu,by=c("code"="code")) %>% 
  mutate(change=year2019-year2010) %>% 
  filter(code!=7)

代码

#**技能水平-----
showtext_auto()
oc_le <- occu_c_skill %>% 
  ggplot(aes(x=change,y=fct_reorder(label,skill_adv),fill=skill_adv))+
  geom_col()+
  geom_text(aes(label=sprintf("%.1f",change),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能水平")+
  theme_minimal_vgrid(font_size = 14) +
  scale_x_continuous(expand = expansion(mult = c(0.2,0.2)),
                     labels = percent_format(scale = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",l1=30,l2=80,breaks=c(0.3,0.6,0.9))+
  theme(axis.line.y = element_blank(),legend.position = "bottom")

#**技能专用性-----
oc_sp <- occu_c_skill %>% 
  ggplot(aes(x=change,y=fct_reorder(label,skill_spe),fill=skill_spe))+
  geom_col(width = 0.95)+
  geom_text(aes(label=sprintf("%.1f",change),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能专用性")+
  theme_minimal_vgrid(font_size = 14) +
  scale_x_continuous(expand = expansion(mult = c(0.2,0.2)),
                     labels = percent_format(scale = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",l1=30,l2=80)+
  theme(axis.line.y = element_blank(),legend.position = "bottom")

oc_le+oc_sp + plot_annotation(tag_levels = "A")

图 1: 各职业从业人员结构变化图（2010－2019）

图@ref(fig:fig2)是2010至2019年城镇各行业从业人员占比变化图。从2010年至2019年，在统计的19个行业中，农林牧渔业从业人员减少8.2％，制造业从业人员减少7.0％，采矿业从业人员减少0.6％。其它行业从业人员不同程度的有所提高，增加比例最高为居民服务、修理和其他服务业，增加2.5％，其次为建筑业、租赁和商务服务业，均增长1.7％，再则是公共管理、社会保障和社会组织，增长1.6％。图@ref(fig:fig2)A纵轴是按技能水平从低到高由上往下排列。虽然部分需要较低技能的行业的从业人员也有所增加，但需要较高技能水平的行业的从业人员均在增加，比如卫生和社会工作、科学研究和技术服务业、教育、金融业、文化体育和娱乐业、信息传输软件和信息技术服务业等。图@ref(fig:fig2)B纵轴是按技能专用性从高到低由上往下排列，技能专用性较高的制造业、农林牧渔业从业人员占比在减少，而技能专用性要求较低的行业的从业人员在增加，比如信息传输软件和信息技术服务业、房地产业、租赁和商务服务业、教育、批发和零售业等。

代码

indus_ies <- import(here("files/skill_structure/indus_combo.xlsx"))
indus_ies2 <- indus_ies %>% 
  filter(edu=="总计") %>% 
  pivot_longer(agriculture_1:international_20,names_to = "indus",values_to = "prop")

indus_ies3 <- indus_ies2 %>% 
  filter(year %in% c(2010,2019)) %>% 
  select(-edu) %>% 
  pivot_wider(names_from = "year", names_prefix = "year", values_from = "prop") %>% 
  tidyr::separate(indus,c("label_e","code"),sep = "_") %>% 
  mutate(code=as.numeric(code))

change_skill <- indus_ies3 %>% 
  right_join(skill_both_indus,by="code") %>% 
  mutate(change=year2019-year2010)

代码

##**技能水平----
in_le <- change_skill %>% 
  ggplot(aes(x=change,y=fct_reorder(label,skill_adv),fill=skill_adv))+
  geom_col()+
  geom_text(aes(label=sprintf("%.1f",change),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能水平")+
  theme_minimal_vgrid() +
  scale_x_continuous(expand = expansion(mult = c(0.15,0.1)),breaks = c(-9,-6,-3,0,3),
                     labels = percent_format(scale = 1,accuracy = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",l1=30,l2=80,breaks=c(0.3,0.6,0.9))+
  theme(axis.line.y = element_blank(),legend.position = "bottom")

#**技能专用性----
in_sp <- change_skill %>% 
  ggplot(aes(x=change,y=fct_reorder(label,skill_spe),fill=skill_spe))+
  geom_col() +
  geom_text(aes(label=sprintf("%.1f",change),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能专用性")+
  theme_minimal_vgrid() +
  scale_x_continuous(expand = expansion(mult = c(0.15,0.1)),breaks = c(-9,-6,-3,0,3),
                     labels = percent_format(scale = 1,accuracy = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",l1=30,l2=80)+
  theme(axis.line.y = element_blank(),legend.position = "bottom")

in_le + in_sp + plot_annotation(tag_levels = "A")

图 2: 各行业从业人员占比变化图（2010－2019）

高职学历劳动力技能结构的变化

接下来将分析职业教育毕业生在劳动力市场中的职业与行业占比变化情况，以此反映劳动力市场对职业教育毕业生的技能需求变化。职业教育分为中等职业教育和高等职业教育，下面将分别阐释。高等职业教育毕业生从事工作的技能结构变化情况，使用的是《中国人口和就业统计年鉴》中高等职业教育水平的劳动者从事的职业或行业占比信息。因职业教育毕业生的技能专用性具有较高的同质性，本文仅从技能水平描述对职业教育毕业生技能需求结构变化。

职业技能结构的变化。图@ref(fig:fig3)是具有高等职业学历的人的不同职业占比从2010至2019年的变化情况，由图可知，2010至2019年，高等职业教育学历的人成为专业技术人员的占比减少12.3％，成为国家机关、党群组织、企业、事业负责人占比减少3.1％，成为农林牧渔水利业生产人员的占比减少0.6％，成为生产工人、运输工人和有关人员的减少4.9％，与此同时，商业服务业工作人员占比增加13.3％，办事人员和有关人员增加7.8％。图@ref(fig:fig3)纵轴从上往下是按技能水平由低到高排列，由此可知，我国高等职业教育毕业生正越来越多从事低技能水平的工作。

代码

zhi_occu_skill <- hi_occu %>% 
  left_join(skill_both_occu,by="code") %>% 
  mutate(change=year2019-year2010) 

zhi_occu_skill %>% 
  filter(code!=7) %>% 
  ggplot(aes(x=change,y=fct_reorder(label,skill_adv),fill=skill_adv))+
  geom_col() +
  geom_text(aes(label=sprintf("%.1f",change),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能水平")+
  theme_minimal_vgrid(font_size = 9) +
  scale_x_continuous(expand = expansion(mult = c(0.22,0.2)),breaks = c(-10,-5,0,5,10),
                     labels = percent_format(scale = 1,accuracy = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",l1=30,l2=80)+
  theme(axis.line.y = element_blank())

高职毕业生从事职业构成变化图（2010－2019）

行业技能结构的变化。图@ref(fig:fig4)是高等职业教育毕业生从事不同行业的占比变化图，由图可知，占比减少最多的行业是教育，减少3.2％，公共管理、社会保障和社会组织减少2.7％，制造业减少3.0％。占比增加最多的行业主要有居民服务修理和其他服务业、租赁和商务服务业、建筑业，分别增加2.5％、2.1％、1.6％。图@ref(fig:fig4)纵轴是按技能水平由低到高从上往下排列，整体而言，高等职业教育毕业生越来越多进入低技能行业。

代码

zhi_indu_skill <- hi_indu %>% left_join(skill_both_indus,by="code") %>% 
  mutate(change=year2019-year2010)

zhi_indu_skill %>% 
  filter(code!=20) %>% 
  ggplot(aes(x=change,y=fct_reorder(label,skill_adv),fill=skill_adv))+
  geom_col() +
  geom_text(aes(label=sprintf("%.1f",change),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能水平")+
  theme_minimal_vgrid(font_size = 9) +
  scale_x_continuous(expand = expansion(mult = c(0.1,0.1)),breaks = c(-3,-2,-1,0,1,2),
                     labels = percent_format(scale = 1, accuracy = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",l1=30,l2=80)+
  theme(axis.line.y = element_blank())

高职毕业生从事行业构成变化图（2010－2019）

中职学历劳动力技能结构的变化

《中国人口和就业统计年鉴》仅在2015－2018年将中职劳动力单列，在此之前的变化，本文使用中国居民收入调查（CHIP）2007年和2013数据中的中职学历劳动力的数据。CHIP调查在2007和2013年使用的行业分类有重大调整，无法纵向比较，本文仅呈现职业占比变化带来的技能需求结构变化。中职毕业生技能需求结构变化分两段呈现，一是2007到2013年的变化，一是2015至2018年变化。图@ref(fig:fig6)A是2007至2013年中职毕业生职业构成的变化，2007至2013年，中职毕业生成为专业技术人员的占比减少9.2％，担任国家机关、党群组织、企业、事业负责人的占比减少0.7％，成为办事人员和有关人员减少的5.9％，成为生产工人、运输工人和有关人员的增加7.4％，成为商业服务业工作人员的占比增加8.6％。图@ref(fig:fig6)B是2015至2018年中职毕业生职业构成的变化，2015至2018年，中职毕业生成为专业技术人员的减少10.4％，成为生产工人、运输工人和有关人员的增加5.0％，成为商业服务业工作人员的占比增加6.0％。图@ref(fig:fig6)纵轴从上向下是按技能水平由低到高排列，可知我国中等职业教育毕业生正越来越多从事低技能水平的工作。

代码

##*中职生/职业，使用chip数据2002－2013------
voc_final <- import(here("files/skill_structure/voc_final_n.dta"))
voc_final2 <- voc_final %>% 
  drop_na(job) %>%    
  filter(job %nin% c(7))  ##因人数较少，删除军人（54人）    

voc_final3 <- voc_final2 %>% 
  filter(edu==1) %>% 
  filter(year %in% c(2007,2013)) 

voc_final4 <- voc_final3 %>% 
  group_by(year) %>% 
  count(job) %>% 
  mutate(pro=n/sum(n)) %>% 
  pivot_wider(names_from = year, values_from = c(n,pro)) %>% 
  mutate(code=rec(job,rec="1=7; 4=1; 5=6; 6=4;8=5;else=copy"))

voc_final4[7, c(2,4)] <- 0

voc_final5 <-  voc_final4 %>% left_join(skill_both_occu,by="code") %>% 
  mutate(change=pro_2013-pro_2007)

代码

#chip数据2002－2013

second_plot1 <- voc_final5 %>% drop_na(label) %>% 
  ggplot(aes(x=change*100,y=fct_reorder(label,skill_adv),
             fill=skill_adv))+
  geom_col() +
  geom_text(aes(label=sprintf("%.1f",change*100),hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能水平")+
  theme_minimal_vgrid(font_size = 12) +
  scale_x_continuous(expand = expansion(mult = c(0.2,0.2)),
                     labels = percent_format(scale = 1,accuracy = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",
                                   l1=30,l2=80,breaks=c(0.3,0.6,0.9))+
  theme(axis.line.y = element_blank())

#年鉴数据2015－2018
zhi_occu_se <- se_occu %>%
  left_join(skill_both_occu, by = "code") %>%
  mutate(change = year2018 - year2015)

second_plot2 <- zhi_occu_se %>%
  filter(code != 7) %>%
  ggplot(aes(
    x = change,
    y = fct_reorder(label, skill_adv),
    fill = skill_adv
  )) +
  geom_col() +
  geom_text(aes(label=sprintf("%.1f",change),
                hjust=if_else(change>0,0,1))) +
  labs(x="占比增减",y=NULL, fill="技能水平")+
  theme_minimal_vgrid(font_size = 12) +
  scale_x_continuous(expand = expansion(mult = c(0.2,0.2)),
                     labels = percent_format(accuracy=1,scale = 1))+
  scale_fill_continuous_sequential(palette="Light Grays",
                                   l1=30,l2=80,breaks=c(0.3,0.6,0.9))+
  theme(axis.line.y = element_blank())

second_plot1 + second_plot2 + plot_annotation(tag_levels = "A") + 
  plot_layout(guides = "collect") & theme(legend.position = "bottom")

中职毕业生从事职业构成变化图（A:2007-2013,B:2015-2018）

结论与讨论

城镇劳动力技能结构的变化反映劳动力市场对特定技能种类的需求变化。通过对我国城镇劳动力市场对整体劳动力和职业教育毕业生在技能水平和专用性需求结构变化的分析，可以形成以下结论。其一，我国城镇劳动力市场越来越需要高技能水平的人才，即劳动力市场呈现”升级”现象，这一结论不同于劳动力市场呈现”极化”的结论⁴⁸，差异的原因可能在于，不同于其它研究使用教育水平或者收入水平度量技能水平，本研究则使用劳动力自我评估问卷；关于从业人口变化本文使用的是国家统计局全国城镇就业人员数据，数据准确性较高。其二，我国城镇劳动力市场对通用性技能劳动力的需求越来越多，对专用技能劳动力的需求越来越少。这一结论和已有研究发现劳动力市场越来越重视认知能力和社交能力一致，认知能力和社交能力是通用能力，但为何社会越来越需要具有通用能力的人需进一步研究。其三，职业教育毕业生正逐步进入低技能的行业或者职业。劳动力市场对职业教育毕业生技能需求的变化和对整体劳动力技能的需求变化正好相反。如果假定具有职业教育学历的从业者所拥有技能水平与其岗位之间的技能水平是匹配的话，那么说明用人单位对于职业教育的需求只是希望其从事低技能水平的岗位。

本文对劳动力市场技能需求结构作了初步探索，因数据有限性，以下问题还需进一步研究。其一，相对于直接使用教育水平和工资水平来度量技能水平的高低，本文使用劳动者自评的微观数据，相对准确反映劳动者的技能水平，但仍无法对技能种类作更详细的描述，比如精确到认知能力、社交能力、手工能力、管理能力等。其二，本文对技能结构的评估和其它研究一样，是以职业或者行业为统计单位进行的，潜在的假定是同一职业或行业在不同年份其所需的技能要求是不变的，这一假设忽略了职业或行业内部技能需求的可能变化，需要使用更微观的数据进一步研究技能结构需求变化的机制。准确预测劳动力市场对劳动者技能结构的需求是调整教育结构和学生培养方案的基础，加强这一方面的研究尤为重要。

启示

基于上述结论，重新审视普职大体相当问题。首先，假如职业教育的定位是培养高技能劳动力的话，但劳动力市场越来越不需要职业教育毕业生承担高技能的工作，越来越少的职业教育毕业生从事高技能的职业，比如国家机关、党群组织、企业、事业负责人和专业技术人员。其次，假如职业教育定位为培养具备专用技能的劳动者的话，劳动力市场对具有专用性技能的劳动者的需求也在减少。再者，如果假定确定于1983年的普职大体相当政策是符合当年用人单位对劳动力的技能需求结构的话，如本文所呈现的，如今劳动力市场对劳动力技能需求结构已发生很大变化，坚持普职大体相当意味着固化了教育生产的技能供给结构，很可能导致技能需求与供给结构错配。因此，根据劳动力市场对技能需求结构的变化调整普职结构势在必行，技能需求与供给结构的错配会造成很大损失。其一，教育培养的技能在劳动力市场得不到应用，一则浪费公共教育资源，二则浪费劳动者的学习时间，更为重要的是技能错配带来的劳动生产率下降，影响整体经济的发展。其二，如果劳动者掌握的技能种类供给过剩的话，直接影响劳动者的工资收入。其三，如果职业教育培养的是专用性技能的话，职业教育毕业生技能更新时面临更多阻力与成本，影响其能否就业及收入⁴⁹，对国家而言，专用技能劳动力过剩影响技术革新的速度及经济结构调整的成败。⁵⁰

普职教育比例的调整工作不是简单地废止普职大体相当的要求，而是根据劳动力市场对技能结构的需求变化合理确定普职教育结构，完成这一工作，需要系统研究技能需求结构和技能供给结构。在技能需求结构侧，需要进一步做好以下工作，其一，对技能进行精细的界定与分类。现行《中国职业分类典》对职业的分类与描述主要侧重工作性质和工作任务，没有对各职业所需的技能类型和技能水平的描述，无法通过职业从业人口变化呈现技能结构的变化。需要一套更精细的技能分类体系，并将这套技能分类体系融入到职业分类体系之中。其二，政府应当加强技能结构需求调查、预测与信息共享。利用上述技能分类信息，完善《劳动力月度调查》，对劳动力市场技能结构需求变化的预测既要关注全国性需求，也要关注区域性的需求。⁵¹其三，提高劳动力市场技能需求信息的可读性和可及性。政府部门应当对收集的信息进行深入分析、加工，并将现实的与预测的结果及时分享给公众，提供专门的信息查询平台，供普通民众、学校等主体使用。相关的微观数据也应当在匿名化处理后分享给学者研究。其四，要加强对以人工智能为代表的新技术变革对技能需求结构影响的研究，提高对人机互动机制以及对技术变革与劳动力市场微观互动机制的理解，才能准确预测人工智能对就业结构的具体影响。⁵²

在技能供给侧，教育作为技能生产者，尤其是在普通教育与职业教育之间的区别与联系方面，有一些基本的理论问题需要回答。其一，相对于普通教育，职业教育是否仅能提供低技能水平的劳动者，如果职业教育能够成为与普通教育同等重要的类型之一，那么职业教育毕业生得以凭借的独特技能是什么？对于这一问题的回答不能基于为了发展职业教育而对职业教育的价值预期，而是事实上论证职业教育能够实际做出的不同在哪？这是需要系统研究的问题。其二，一般认为职业教育主要是培养专用性技能，这一结论在高等教育阶段是否成立，尤其考虑到普通本科教育也是专业化的训练，在专科教育的专业设置和课程体系与普通本科比较雷同的情况下。其三，职业教育和本科教育都是以专业来设计人才培养方案，那么专业与劳动力市场的技能需求结构之间存在何种关系？如何通过专业设置应对劳动力市场技能结构的需求，也需要进一步研究。第四，基于对劳动力市场对技能需求结构的准确测量，完善职业教育的专业设置、课程体系建设和人才培养方案。

脚注

1. 《教育部、劳动人事部、财政部、国家计划委员会关于改革城市中等教育结构、发展职业技术教育的意见》（〔83〕教中字006号）中的表述为：“力争到一九九〇年，使各类职业技术学校在校生与普通高中在校生的比例大体相当。”

2. 这一观点也体现在一些政策文本之中，比如2019年《国务院关于印发国家职业教育改革实施方案的通知》（国发〔2019〕4号）提出”随着我国进入新的发展阶段，产业升级和经济结构调整不断加快，各行各业对技术技能人才的需求越来越紧迫，职业教育重要地位和作用越来越凸显”，“保持高中阶段教育职普比大体相当，使绝大多数城乡新增劳动力接受高中阶段教育”。

3. Lawrence F. Katz and Kevin M. Murphy. “Changes in Relative Wages, 1963-1987: Supply and Demand Factors,” The Quarterly Journal of Economics 107, no. 1 (1992): 35–78; 屈小博,程杰. 中国就业结构变化:“升级”还是”两极化”?[J]. 劳动经济研究, 2015, 03(1): 119-144.

4. 宋冬林,王林辉,董直庆. 技能偏向型技术进步存在吗?——来自中国的经验证据[J]. 经济研究, 2010, (5): 68-81.

5. 姚先国,周礼,来君. 技术进步、技能需求与就业结构——基于制造业微观数据的技能偏态假说检验[J]. 中国人口科学, 2005, (5): 47-53.

6. 刘玉海,张默涵. 贸易技术含量、偏向型技术进步与中国就业结构[J]. 国际贸易问题, 2017, (7): 74-84.

7. Edward P. Lazear. “Firm-Specific Human Capital: A Skill-Weights Approach,” Journal of Political Economy 117, no. 5 (2009): 914–40.

8. Paul Sullivanl. “Empirical Evidence on Occupation and Industry Specific Human Capital,” Labour Economics 17,no. 3 (2010): 567–80.

9. David H. Autor, Frank Levy, and Richard J. Murnane. “The Skill Content of Recent Technological Change: An Empirical Exploration,” The Quarterly Journal of Economics 118, no. 4 (2003):1279–1333.

10. David Deming and Lisa B. Kahn. “Skill Requirements across Firms and Labor Markets: Evidence from Job Postings for Professionals,” Journal of Labor Economics 36, no. S1 (2018): S337–69.

11. Lawrence F. Katz and Kevin M. Murphy. “Changes in Relative Wages, 1963-1987: Supply and Demand Factors,” The Quarterly Journal of Economics 107, no. 1 (1992): 35–78.

12. Eli Berman, John Bound, and Zvi Griliches. “Changes in the Demand for Skilled Labor within U. S. Manufacturing: Evidence from the Annual Survey of Manufactures.” The Quarterly Journal of Economics 109, no. 2 (1994): 367–97.

13. Robert J.R. Elliott and Joanne Lindley. “Skill Specificity and Labour Mobility: Occupational and Sectoral Dimentions,” Manchester School 74, no. 3 (2006): 389–413.

14. Lawrence F. Katz and Kevin M. Murphy. “Changes in Relative Wages, 1963-1987: Supply and Demand Factors,” The Quarterly Journal of Economics 107, no. 1 (1992): 35–78.

15. David H. Autor, Lawrence F. Katz, and Melissa S. Kearney. “The Polarization of the U.S. Labor Market,” American Economic Review: Papers & Proceedings 96, no. 2 (2006): 189–94.

16. Maarten Goos and Alan Manning. “Lousy and Lovely Jobs: The Rising Polarization of Work in Britain,” Review of Economics and Statistics 89, no. 1 (2007): 118–33.

17. Christian Dustmann, Johannes Ludsteck, and Uta Schönberg. “Revisiting the German Wage Structure,” The Quarterly Journal of Economics 124, no. 2 (2009): 843–81.

18. Maarten Goos, Alan Manning, and Anna Salomons. “Job Polarization in Europe,” The American Economic Review 99, no. 2 (2009):58–63.

19. Maarten Goos, Alan Manning, and Anna Salomons. “Explaining Job Polarization: Routine-Biased Technological Change and Offshoring.” American Economic Review 104, no. 8 (2014): 2509–26.

20. Francesca Mazzolari and Giuseppe Ragusa. “Spillovers from High-Skill Consumption to Low-Skill Labor Markets,” Review of Economics and Statistics 95, no. 1 (2013): 74–86.

21. Alan Manning. “We Can Work It out: The Impact of Technological Change on the Demand for Low-Skill Workers,” Scottish Journal of Political Economy 51, no. 5 (2004): 581–608.

22. 屈小博,程杰. 中国就业结构变化:“升级”还是”两极化”?[J]. 劳动经济研究, 2015, 03(1): 119-144.

23. 吕世斌,张世伟. 中国劳动力”极化”现象及原因的经验研究[J]. 经济学(季刊), 2015, 14(2): 757-778.

24. 孙早,侯玉琳. 工业智能化如何重塑劳动力就业结构[J]. 中国工业经济, 2019, (5):61-79.

25. Gary S. Becker. “Investment in Human Capital: A Theoretical Analysis,” Journal of Political Economy 70, no. 5 (1962): 9–49.

26. Derek Neal.”Industry-Specific Human Capital: Evidence from Displaced Workers,” Journal of Labor Economics 13, no. 4 (1995): 653–77.

27. Robert Gibbons and Michael Waldman. “Task-Specific Human Capital,” American Economic Review 94, no. 2 (2004): 203–7; Christina Gathmann and Uta Schönberg. “How General Is Human Capital? A Task-Based Approach,” Journal of Labor Economics 28, no. 1 (2010): 1–49.

28. Edward P. Lazear. “Firm-Specific Human Capital A Skill-Weights Approach,” Journal of Political Economy 117, no. 5 (2009): 914–40.

29. Christian Eggenberger, Miriam Rinawi, and Uschi Backes-Gellner. “Occupational Specificity: A New Measurement Based on Training Curricula and Its Effect on Labor Market Outcomes,” Labour Economics 51(2018): 97–107.

30. Etienne Wasmer. “General versus Specific Skills in Labor Markets with Search Frictions and Firing Costs,” The American Economic Review 96, no. 3 (2006): 811–31.

31. Ana Lamo, Julián Messina, and Etienne Wasmer. “Are Specific Skills an Obstacle to Labor Market Adjustment?” Labour Economics 18, no. 2 (2011): 240–56.

32. Pepper D. Culpepper. “Small States and Skill Specificity: Austria, Switzerland, and Interemployer Cleavages in Coordinated Capitalism,” Comparative Political Studies 40, no. 6 (2007): 611–37.

33. 赖德胜,孟大虎.专用性人力资本、劳动力转移与区域经济发展[J].中国人口科学,2006(01):60-68+96.

34. David H. Autor, Frank Levy, and Richard J. Murnane. “The Skill Content of Recent Technological Change: An Empirical Exploration,” The Quarterly Journal of Economics 118, no. 4 (2003):1279–1333.

35. Alexandra Spitz-Oener. “Technical Change, Job Tasks, and Rising Educational Demands: Looking Outside the Wage Structure,” Journal of Labor Economics 24, no. 2 (2006): 235–70.

36. David H. Autor, Frank Levy, and Richard J. Murnane. “The Skill Content of Recent Technological Change: An Empirical Exploration,” The Quarterly Journal of Economics 118, no. 4 (2003):1279–1333.

37. Toshie Ikenaga and Ryo Kambayashi. “Task Polarization in the Japanese Labor Market: Evidence of a Long-Term Trend,” Industrial Relations 55, no. 2 (2016): 267–93.

38. 都阳,贾朋,程杰.劳动力市场结构变迁、工作任务与技能需求[J].劳动经济研究,2017,5(03):30-49.

39. David J. Deming. “The Growing Importance of Social Skills in the Labor Market,” The Quarterly Journal of Economics 132, no. 4 (2017): 1593–1640.

40. David Deming and Lisa B. Kahn. “Skill Requirements across Firms and Labor Markets: Evidence from Job Postings for Professionals,” Journal of Labor Economics 36, no. S1 (2018): S337–69.

41. Ahmad Alabdulkareem, Morgan R. Frank, Lijun Sun, Bedoor AlShebli, César Hidalgo, and Iyad Rahwan. “Unpacking the Polarization of Workplace Skills,” Science Advances 4, no. 7 (2018):1-9.

42. 国家职业分类大典修订工作委员会. 中华人民共和国职业分类大典[S]. 北京：中国劳动社会保障出版社会、中国人事出版社，2015.4.

43. GB/T 4754-2017,国民经济行业分类[S].

44. 吕世斌,张世伟. 中国劳动力”极化”现象及原因的经验研究[J]. 经济学(季刊), 2015, 14(2): 757-778; 宋冬林,王林辉,董直庆. 技能偏向型技术进步存在吗?——来自中国的经验证据[J]. 经济研究, 2010, (5): 68-81; David H. Autor and David Dorn. “The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market,” The American Economic Review 103, no. 5 (2013): 1553–97.

45. 中国社会科学院社会学所，2006，中国社会状况综合调查 http://dx.doi.org/10.12121/css.db.ver0001, V2017.01, 易研社科大数据平台

46. Torben Iversen and David Soskice. “An Asset Theory of Social Policy Preferences,” American Political Science Review 95, no. 4 (2001): 875–93; Thomas Cusack, Torben Iversen, and Philipp Rehm. “Risks at Work: The Demand and Supply Sides of Government Redistribution,” Oxford Review of Economic Policy 22, no. 3 (2006):365–89.

47. 各类职业劳动力人口占比是根据1985至2000年 Australia, Austria, Canada, Denmark, Finland, Germany (East）, Germany( West) , Ireland, New Zealand, Norway, Portugal, Spain, Sweden, Switzerland, United Kingdom, USA等国年度劳动力调查数据估算的。

48. 屈小博,程杰. 中国就业结构变化:“升级”还是”两极化”?[J]. 劳动经济研究, 2015, 03(1): 119-144; 孙早,侯玉琳. 工业智能化如何重塑劳动力就业结构[J]. 中国工业经济, 2019, (5):61-79.

49. Ana Lamo, Julián Messina, and Etienne Wasmer. “Are Specific Skills an Obstacle to Labor Market Adjustment?” Labour Economics 18, no. 2 (2011): 240–56.

50. Dirk Krueger and Krishna B. Kumar. “Skill-Specific Rather than General Education: A Reason for US-Europe Growth Differences?” Journal of Economic Growth 9, no. 2 (2004): 167–207.

51. 申广军,欧阳伊玲,李力行. 技能结构的地区差异:金融发展视角[J]. 金融研究, 2017, (7):45-61.

52. Morgan R. Frank, David Autor, James E. Bessen, Erik Brynjolfsson, Manuel Cebrian, David J. Deming, Maryann Feldman, et al. “Toward Understanding the Impact of Artificial Intelligence on Labor,” Proceedings of the National Academy of Sciences of the United States of America 116, no. 14 (2019): 6531–39.