【整理：柳鑫荻（国科大经管学院硕士）；作者：Fabian Stephany; Ole Teutloff；来源：Research Policy《一项技能的价格是多少？互补性的价值What is the price of a skill? The value of complementarity》；转自：图灵财经《一项技能的价格是多少？互补性的价值》2025.05】

 

摘要

全球劳动力正不断进行技能再培训，因为技术变革更加青睐特定的新技能，同时使其他技能被逐渐淘汰。但是，培育哪些技能对工人和企业来说才是好的投资呢？由于技能很少孤立使用，我们认为技能的互补性决定了一项技能的经济价值。

针对 962 项技能，我们证明其价值由互补性决定 —— 即一项技能可以与多少种不同技能（理想情况下是高价值技能）结合使用。我们发现，技能的价值是相对的，因为它取决于工人的技能背景。对于大多数技能而言，当与不同类型的技能结合使用时，其价值最高。

我们用一组与人工智能（AI）相关的技能对模型进行了测试。我们发现，AI 技能具有特别的价值（平均使工人工资提高 21%），这是因为它们具有强大的互补性，且近年来需求不断上升。我们的模型和衡量标准可以为数字再培训的政策和实践提供参考，以减少劳动力市场的不匹配。研究人员和政策制定者应考虑与数据和教育提供者合作，使用这一框架为学习者提供个性化的技能建议，这些建议应补充他们现有的能力并适合其职业背景。

 

研究背景与本文假设

 

我们将与机器竞争还是协作？（Brynjolfsson & McAfee, 2012）。如今，对劳动者和企业来说，其前景取决于对技术变革的理解和适应能力 —— 而这种变革的核心特征之一，在于其与人类技能的关系，因为技术并非 “技能中性”。尽管某些工作确实可能因技术变革而消失，但留存的工作将发生改变，同时全新的工作岗位会不断涌现（Acemoglu & Autor, 2011; Brynjolfsson & Mitchell, 2017; Frey & Osborne, 2017）。类似地，人工智能（AI）等技术正在创造以新任务为特征的职业，这些任务需要全新的技能组合。由于被淘汰的工作与新创造的岗位在技能需求上存在差异，这导致了一种矛盾的局面：失业与劳动力短缺同时存在（Autor, 2015）。换言之，劳动者面临被挤出就业市场的风险，而企业却难以找到合适的员工来从事新型工作。因此，劳动者需要学习新技能，并以创新方式将其与现有技能结合，以维持就业；雇主则需要投资于员工技能再培训和人才培养，以保持竞争力。然而，对于许多新兴职业而言，具体的技能要求尚不明确，且处于不断演变之中。

在如何应对日益严重的技能不匹配及由此导致的劳动力市场效率低下的普遍不确定性背景下，传统的政策应对措施 —— 使培训计划与不断变化的劳动力市场需求保持一致 —— 正变得越来越无效，因为技术和社会变革的速度超过了国家培训系统（Collins & Halverson, 2018）。同样，大型雇主也难以使其员工的技能保持最新（Illanes et al., 2018）。雇主、工人和教育机构似乎都不确定哪些新的（通常是数字化的）技能是成功进行技能再培训的第一步 —— 工人是否应该学习与人工智能合作？如果是，他们应该专注于 Python 还是 Java 编程？还是完全学习其他技能？对于已经在劳动力市场工作了相当长时间、没有资源从头开始构建技能组合的工人来说，这一挑战尤其复杂。他们试图在现有技能和新能力之间找到协同效应。在这种情况下，政策制定者、企业和工人都在努力寻找能确保他们在未来职场中可持续发展的技能。但他们如何决定投资哪些技能呢？

在本项研究中，我们认为互补性是评估技能价值的关键。互补性之所以重要，至少有三个原因：其一，技能是成组存在的。一项技能的价值不能孤立评估，因为它很少被孤立应用 —— 仅我们的数据集就显示，每个职业平均需要 80 项技能。此外，对于技能再培训而言，互补性是一个基本特征，因为我们不是从头开始构建技能组合，而是在现有能力的基础上逐步添加新技能。在这个过程中，经济效率至关重要，因为理想情况下，我们希望尽可能利用新旧技能之间的互补性。最后，我们假设一项技能的互补性反映了其战略价值。一项技能可以结合的能力越多样化，工人进行技能再培训的选择就越多 —— 从而增强他们应对未来不可预见的技术变革的韧性。

基于以上论断，本文提出了以下研究假设：

假设 1–市场因素

我们的假设基于对市场动态的直观理解。我们将一项技能的价值视为其带来的溢价，这通常由供需力量决定。我们假设，若一项技能需求频繁但工人供给稀少，则其价值较高。

假设 2–互补性因素

根据关于技能关联性和专业化的文献，我们进一步假设技能的价值取决于其互补性。技能关联性研究（Nedelkoska et al, 2019）表明，技能具有不同程度的重组能力，即与其他技能组合成市场化技能束的可能性。在技能再培训能力决定劳动者竞争力的背景下，重组能力会影响技能价值。据此，我们假设：若一项技能可与多种高价值的其他技能结合，则其价值更高。这种互补性至少体现在三个方面：

a) 互补技能数量：与某技能相邻的互补技能数量应与其价值呈正相关。

b) 互补技能多样性：相邻互补技能的多样性应与其价值呈正相关。

c) 互补技能价值：相邻互补技能的价值应与其价值呈正相关。

 

数据来源

 

1、在线劳动力平台数据

我们分析使用了全球最受欢迎的在线自由职业平台之一，项目数量在观察期（2014-2022 年）内分布均匀，美国地区的在线工作者每年完成约 6000 至 7000 个项目。项目数量在新冠疫情初期（2020 年 3 月至 5 月）有所下降，但在 2020 年底迅速恢复至疫情前水平。我们的样本仅包含已完成项目，其中 85% 的项目平均耗时 1 至 7 天。

在传统劳动力市场（全职就业或自由职业）中，技能使用情况通常难以观测，因此我们将在线自由职业数据视为填补这一研究空白的创新数据源。尽管我们无法知晓在线自由职业者的技能使用方式是否代表更广泛的劳动力群体 —— 例如软技能和非认知技能可能存在差异 —— 但在硬技能层面，差异应较小：无论通过何种渠道获取工作，设计师、程序员或写作者所需的核心专业技能具有一致性。因此，本分析聚焦于此类硬技能。尽管在线自由职业数据具有特定情境性，但我们认为，驱动技能价值的供需和互补性等基本动态，在劳动力市场的其他领域不应存在根本性差异。

 

2、构建技能网络

我们采用网络分析方法对技能之间的关系进行概念化。数据包含 2014 至 2022 年间发布的49,884 个自由职业项目样本，这些项目由25,170 名美国工作者完成，涉及多维度技能需求。我们将分析限定于美国工作者，以减少因国家间结构差异（如本地物价水平）和其他未观测到的异质性导致的工资差异。我们将 “技能”（skill） 定义为工作者执行特定工作任务所需的能力（Nedelkoska et al, 2019）。

需要说明的是，技能通常比任务更具通用性：编程技能使个人能够执行一系列计算和分析任务，写作技能则可应用于创意文本产出等多种相关任务。在此框架下，我们研究的技能集合涵盖三个层级：

特定任务层：用于完成单一具体任务的技能（如照片修图）；

工具应用层：用于解决多种任务的技能（如使用 Adobe Photoshop 等照片编辑软件）；

领域整合层：覆盖整个任务领域的技能（如照片编辑）。

利用每个项目中包含的技能需求信息，我们构建了一个技能网络：将962 项技能视为节点，若工作者在同一项目中同时使用两项技能，则用边连接这两个节点。边的权重由两项技能的共现频率决定（如图 1 所示），共现频率越高，技能关联性越强。我们借鉴 “经济活动关联性” 的成熟概念（Hidalgo, 2021），使分析超越两项技能同时出现的简单概率。例如，即使 “标志设计” 与 “创意绘图” 从未在同一项目中共同应用，网络结构仍可通过中间节点（如 Adobe Illustrator 等特定软件技能）判定二者高度相关，因为它们嵌入更广泛的技能 “邻域” 并通过中介节点连接。

为将技能划分为不同的 “邻域”（neighbourhood） 或组别，我们采用网络科学中的社区检测方法。该方法已成功应用于多场景技能数据分析，例如：O*NET 技能聚类为社会认知技能与感官物理技能（Alabdulkareem et al, 2018; Waters & Shutters, 2022）、自由职业者技能形成人力资本网络（Anderson, 2017）、不同教育背景工作者通过技能关联创造协同效应（Neffke, 2019）。从形式上看，技能网络为技能提供了内生分类，揭示了人力资本的情境依赖性。

图1 从连接自由职业项目与技能的二分网络（B）中推导出技能单分网络（C）

两项技能之间建立连接的条件是：同一工作者在特定自由职业项目（A）中同时应用了这两项技能。

 

3、衡量技能的价值（基准模型）

每个项目的时薪（以美元计）使我们能够通过统计方法评估个体技能的价值。我们采用 Alekseeva 等人（2021）提出的回归方法计算技能溢价，具体通过962 个线性回归模型（每项技能对应一个模型）分析以下变量对项目时薪的影响：

 

1.项目执行年份（年度虚拟变量，2014-2022 ）；

2.项目所属职业类别（12 个类别）；

3.工作者经验（过往完成的项目数量）；

4.特定技能的使用情况（技能虚拟变量）。

在 962 个回归模型中，每项技能作为解释变量单独纳入分析。基于对数变换的因变量（项目时薪），技能虚拟变量的系数 β₄可直接解读为工资的百分比变化，即该技能的溢价。通过这一模型，我们计算出 962 项最常用技能（至少出现在 20 个项目中）的市场价值。

为检验假设中技能价值的驱动因素，我们构建回归模型，纳入以下变量：

 

供需因素：

    供给（掌握该技能的工作者数量，对数）；

    需求（要求该技能的项目数量，对数）。

互补性因素：

    互补技能数量（技能网络中的度中心性，对数）；

    互补技能多样性（1 - 基尼系数，衡量相邻技能共现频率的分布均衡性）；

    互补技能价值（三项最相邻技能的平均溢价，基于非共现项目计算以避免内生性）。

 

主要结果

 

平均而言，金融和法律领域的技能比市场营销技能的溢价要高得多，而市场营销技能反过来又比行政技能的溢价更高。

 

 

为进一步验证假设，我们对技能溢价进行了多元回归建模，以逐步方式纳入了供给（项目数量）、需求（工作者数量）及特定技能的互补性指标。

模型 1 和 2检验了供需对技能价值的影响。结果与假设 1 一致：供给较少且需求较高的技能平均价值更高。模型 2 加入了七个技能社区的控制虚拟变量（以 “管理类” 技能为参考组），结果显示技能价值显著依赖其所属社区 —— 除 “写作类” 外，所有社区的技能价值均高于参考组，其中 “金融与法律类” 技能平均价值最高，“管理与行政类” 技能价值最低。

模型 3表明技能价值与互补技能数量呈正相关；模型 4引入互补技能多样性后显示，多样性越高的技能价值越高；模型 5进一步验证了互补技能价值的正向影响。模型 5b通过随机效应面板模型控制技能社区差异，结果显示：互补性对技能价值的影响至关重要，同时供需因素仍显著 —— 工作者数量每增加 1%，技能价值下降 27 个百分点；需求每增加 1%，技能价值提升 20 个百分点。

 

 

我们根据 Righi 等人（2020）制定的人工智能相关术语关键词列表，手动标注了 42 项技能作为人工智能技能。这些技能既包括机器学习等人工智能技术本身，也涵盖 Python 等使用人工智能技术的先决条件。由于其中许多技能仅在少数项目中出现，经筛选后仅有 21 项人工智能技能保留在分析中。

图 A 显示，人工智能技能具有特殊性：其溢价为 21%，远高于样本中的技能平均溢价（4%）。进一步细分分析（图 B）显示，不同人工智能技能的价值存在显著差异：机器学习（40%）、TensorFlow（38%）、深度学习（27%）、自然语言处理（19%）等技能的溢价高于数据分析（14%）和数据科学（17%），而用于构建人工智能的主流编程语言（如 Python（8%）、C++（7%）、Java（5%））的溢价则更低。

 

图C对比了 2015-2018 年与 2019-2022 年两个时期特定定技能的溢价。以 Python 和 Java 这两种流行编程语言为例，尽管二者在 2015-2019 年的溢价大致相同，但随后呈现不同走势：Java 的溢价显著下降，而 Python 的市场价值上升。这一趋势的驱动因素可能是受欢迎程度的变化 —— 过去十年间，Python 已崛起为数据科学的核心技能（Grus, 2019），而 Java 则不然（供需对比见下图）。深度学习领域的人工智能技能也呈现类似逻辑：图 B 和 C 显示，深度学习和 TensorFlow（深度学习编程中最常用的软件环境之一）的溢价在过去十年显著上升，而统计学和 A/B 测试等传统统计应用技能的价值则停滞不前。与编程语言的情况类似，自由职业者样本显示，深度学习和 TensorFlow 的需求 - 供给比相对于统计学和 A/B 测试显著增加。