內生技術進步的就業效應研究

李 剛，孔藝猛

一、引言

就業不僅是經濟的“晴雨表”，也是民生的“溫度計”。良好的就業水平不但能夠助力經濟社會快速發展，同時也能夠實現社會公平，保障社會的穩定，使百姓安居樂業。

然而，以人工智能為代表的新時代信息技術革命催生出一大批新興產業，在調整產業結構的同時對就業產生了深遠影響。 人工智能區別于前幾次科技革命，它不僅具有更快的變革速度、更大的變革規模以及更高層次的變革深度，還具備著用嶄新的方式取代人力勞動的潛力，這使得人們又一次陷入“機器取代人”的恐慌。 在這一背景下，技術進步是否會對勞動力市場造成沖擊再度成為人們關注的焦點問題。

技術進步作為影響就業的重要因素，學者們針對不同區域技術進步的就業效應進行了多角度研究，但技術進步究竟是促進就業還是會帶來結構性失業尚未有定論。 為了弄清勞動力就業量與就業結構究竟會受到技術進步怎樣的影響，本文將運用CGE 模型，并結合各類宏觀數據深入研究內生技術進步對我國就業的影響，分析結構性失業是否是內生技術進步帶來的必然結果。 弄清技術進步與結構性失業之間的內在聯系，使勞動力資源得以有效配置，這對于政府采取有效的技術進步策略促進就業，推動我國的經濟全面快速穩定地發展有著重要的實踐意義。

二、文獻綜述

關于技術進步就業效應的研究最早可以追溯到18 世紀末，當時如火如荼的工業革命便引發了人們對技術與勞動力市場之間關系的關注，因為在此期間，英國工人的工作逐步被新開發的機器所取代(Bessen，2015；Katz and Margo，2013)。 在隨后的一百多年里，關于技術進步究竟會對就業產生什么樣的影響，各項研究之間依舊存在著很大的分歧。學者們的觀點大致可以分為兩派：一部分學者認為技術進步能夠有效地促進就業；而另一部分學者則認為技術進步會帶來結構性失業。

(一)技術進步導致失業論

早期有大量古典經濟學家認為技術進步與失業存在很密切的聯系，會導致社會就業總量的減少。 對于工業革命帶來的工人失業、貧困問題，英國著名的政治經濟學家Thomas Robert Malthus 率先發表自己的看法，在他看來，技術的飛速進步能夠使資本實現快速積累，市場若是無法保持同步一致的變化，那么就會導致原有職業被代替，最終引起失業情況的加劇。 Malthus 的觀念成為學者們研究技術進步對就業的負面效應的理論基礎，他們以此為基石，開始深入探討技術進步負面效應的作用機制，并得到了許多理論成果；Julien Prat 通過建立搜索與匹配模型來探索技術進步與就業之間的關系，結果發現，由于外部期權效應大于資本化效應，因此技術進步會增加失業率；Brynjolfsson 和McAfee 指出，美國的公司在大蕭條(2007年至2008年)之后沒有擴大雇傭，美國經濟顯示出戰后最高的失業率，他們指出，新技術的廣泛應用是近年來結構性失業率上升的最重要推動力之一，他們還認為，新采用的生產率更高的機器和自動化設備取代了工人，導致新就業機會出現的速度越來越慢；Stiglitz 認為美國制造業的技術創新提高了生產率，同時降低了就業率和工資，導致了當前的經濟增長速度放緩。 國內學者王君等認為，技術進步引領了三次科技革命，在此背景下，大規模的失業與技術進步的浪潮密切相關。

(二)技術進步減少失業論

古典經濟學家James Steuart 認為機械化帶來的失業是短期的，從長遠角度來看，生產機器部門對勞動力需求的擴張能夠補償這種暫時性的失業；一部分學者認為由創新驅動的就業減少會導致工資的下降，反過來又會促進勞動密集型技術和工業的發展(Layard et al.，1994；Venables，1985)；Violante 認為技能偏好型技術進步不僅推動了科技發展，而且增加了高技能勞動者的相對需求并提高了其勞動報酬，使二者保持同步增長。 Bloom 等估計，得益于人工智能等新興產業的發展，在2010 ～2030年之間，全世界將新增7.34 億個新的工作崗位。 Vivarelli 認為，不僅要研究創新對就業的直接影響，而且還有必要研究創新對就業的間接影響，并介紹了由技術變革本身引發的不同的補償效應機制，根據他提出的理論，技術進步最初對就業產生的不利影響可以通過補償機制來抵消；Usanov 和Chivot 發現，隨著技術進步通常取代傳統上由非熟練勞動力完成的工作，數字革命已經惠及高技能勞動力；Sungmoon Jung 等考慮了技術進步的補償機制，從經濟增長、就業和分配三個方面探討了因素偏向的技術變化對經濟系統的影響，技術進步帶來的經濟增長不成比例地增加了對資本和高技能勞動力的需求，同時加劇了收入不平等。 此外，很多學者利用實證數據分析不同地區技術進步對就業的影響，得出了相同的結論。 Graetz 和Michaels 使用1970 ～2011年17 個發達國家的數據發現，技術進步并未給這些國家帶來過多的結構性失業。 Dauth等則利用IFR 數據對德國進行研究，同樣也沒有發現機器人會給社會帶來顯著的失業增多問題。 孫文凱等對中國2003 ～2013年的數據進行分析，發現在這十年間人工智能等技術進步并沒有降低社會的勞動參與率。

三、研究方法和數據

(一)社會核算矩陣的編制

本文編制的社會核算矩陣表(SAM 表)包括生產、消費、進出口，各部門之間的中間交易項以及要素收入幾大模塊，數據來源于《2017年中國投入產出表》《中國統計年鑒2018》和《中國財政統計年鑒2018》。 本文依據不同的行業特點，將投入產出表的42 個部門整合為23 個，和其他標準的SAM 表相比，主要差異在于勞動力的類別的劃分以及R＆D 活動的描述。 首先，根據勞動人群的學歷水平將其分為三大類。 具體來說，大學本科及以上學歷被歸為高技能勞動力，高中畢業生為中等技能勞動力，初中及以下學歷人群則被劃分為低技能勞動力。 其次，在投資賬戶中引入知識資本，即將投資賬戶分為實物資本與知識資本兩部分，而根據知識資本賬戶的使用者類別，又將其分為私人賬戶和公共賬戶。 在本文使用的SAM 表中，最初包含在實物資本中的R＆D 支出被轉入知識資本賬戶。

(二)CGE 模型的構建

本文使用的Knowledge-CGE 模型是在傳統的CGE 模型的基礎上構建起來的，區別于傳統CGE 模型，此模型考慮了兩個重要的方面：第一，勞動具有異質性，因此將勞動按學歷水平分為低技能勞動、中技能勞動和高技能勞動；第二，資本也具備異質性，資本可以分為實物資本和知識資本。 其中，知識資本由R＆D 和教育組成。

模型中生產函數采用四層嵌套的CES-Leontief 結構，具體框架如圖1 所示。

圖1 生產函數的嵌套結構

四、模擬分析

(一)情景設計

本文為了研究內生技術進步對就業和經濟增長的影響，將研發投入總量通過特定的計量方法轉化為研發強度，并將其作為一個代理變量，其值的變大則代表內生技術進步，在此基礎上構建了四個政策情景進行分析。 各種情景的設置概述如表1 所示，基礎情景(Business-As-Usual Scenario)是其余四種情景的對照組，在此情景下，R＆D 強度為2%，在另外四種情景下，R＆D 強度逐漸加大，動態過程的時間跨度為10年，即2018～2027年。

表1 情景描述

(二)內生技術進步對經濟的影響

在這一小節中，我們分析不同創新水平所產生的經濟效應。 通過比較不同情景下的GDP 變化，我們不難得出結論：不斷增加R＆D 投入帶來的內生技術進步，可以使得宏觀經濟實現快速增長。 表2 列出了每個假設情景在2018 ～2027年期間的GDP 增長率以及GDP年平均增長率，同時圖2 列出與“一切照舊”假設情景相比，各類假設情景中GDP 水平的變化情況，基準情景下的GDP 水平為1。 表2 的結果顯示，在情景4 中，2018 ～2027年之間的GDP 增長率為54.80%，GDP 的年均增長率為4.47%，高于其他四種情況；而基準情景下的GDP 增長率以及年平均增長率最低，并且隨著R＆D 強度的增加，GDP 增長率以及GDP年平均增長率逐漸遞增，研究結果突出表明，較高水平的R＆D 支出通過更多的技術進步，從而促進了長期經濟增長，而降低的研發強度則會阻礙了經濟增長，導致經濟萎縮。

表2 不同情景下的GDP 增長率(2018～2027年)

圖2 不同情景下GDP 水平的變化(相比于基準情景)

(三)內生技術進步對就業的影響

一般均衡框架的市場出清條件意味著，商品和要素的流動必須被經濟中的生產和消費活動吸收。 這表明，在給定因素下，工業部門的需求量必須與賦予家庭的總供應量相平衡。 因此，按情景類型劃分的勞動力需求變化可以理解為每種情景的勞動力供給變化。 在此基礎上，我們算出不同情景下勞動力需求的變化情況。 表3 列出了在每種情景下2018～2027年之間的總勞動力需求變化率，以及在2027年相對于BAU 情景的總就業水平的變化(四種情景相對于基準情景的變化)。

表3 不同情景下勞動總需求的變化

從表3 還可以看出，在情景4 下，總的勞動力需求增長最快(從2018年到2027年增長80.17%)，而這一情景下的R＆D 投資水平是最高的。 情景4 的數據還表明，總就業水平有了顯著的提升，與2027年的BAU 水平相比增長了23.10%。另一方面，在R＆D 強度較低的情景1 下，從2018年到2027年，其就業增長率最低，為67.06%(不考慮基準情景)。 此外，我們可以看到，相對于BAU 情景，情景1 中就業水平較低(與2030年的BAU 情景相比僅增長14.41%)。 這些結果表明，更高水平的創新活動可以抵消資本偏向的技術變革的影響，從而創造更多的就業機會，從而提高經濟中的就業水平。

1.內生技術進步對不同技能勞動力需求的影響

表4 顯示了每種情景下2018 ～2027年按技能類型劃分的勞動力需求增長率，結果表明，在所有情況下，對高技能勞動力的需求增長都比對其他類型勞動力的增長更快。 在情景4 中，高技能勞動力的需求增長幅度最大，為85.21%。 在情景4 中，對各種勞動力的需求都顯著增加(從2018年到2027年，低技能勞動力：76.55%，中等技能勞動力：82.43%)。另一方面，如表4 所示，在所有情況中，基準情景的三種勞動力需求增長率均為最低(低技能勞動力：55.58%，中等技能勞動力：58.64%，高等技能勞動力：63.41%)。 高技能勞動力對R＆D 強度變化的更高敏感性意味著：更高水平的內生技術進步更有利于促進高技能工人的就業。

表4 2018～2027年不同技能類型勞動力需求增長率 (單位：%)

2.內生技術進步對不同行業勞動力需求的影響

在本小節中，我們將研究內生技術進步對不同行業勞動力需求的影響。 圖3 顯示，隨著R＆D 投入的增加，幾乎所有行業對勞動力的需求均會加大。 并且不難看出，幾乎對于所有部門而言，R＆D 投入越多，則勞動力需求的漲幅越大。 此外，在所有行業中，R＆D 部門對勞動力需求增長率最高，并且顯著高于其他22 個行業。 這表明，與其他行業相比，具有更高創新強度的行業具有更大的創造就業機會的潛力。 因此，結果表明，內生技術進步可以在高科技制造業和研發行業創造更多就業機會，并促進經濟向知識密集型產業的過渡。

圖3 2027年不同行業勞動力需求變化(相對于基準情景)

五、結論及建議

本文從經濟增長和就業兩個方面研究了內生技術進步對整個經濟社會的影響。 在分析中，我們采用了基于知識的可計算一般均衡模型，為了將技術進步的特點納入CGE 框架，在模型中引入了研發投資和知識資本存量，并將R＆D 強度作為衡量內生技術進步的指標。 以此為理論基礎，從經濟增長和就業兩個方面對政策情景的模擬結果進行了分析。模擬結果顯示，研發經費的投入促進了經濟增長，并提高了社會的勞動力總需求，創造出更多的就業機會。 這就說明，技術進步的間接就業效應與生產力提高驅動的生產擴張和經濟中的溢出效應相關，大于技術進步的直接就業效應。

內生技術進步能夠使生產率大幅增長，進而降低各部門的生產成本。 生產產出的成本降低，使各部門需要更多的生產要素，從而促進生產和擴大經濟中的就業。 據此可以推斷，促進經濟內部的創新對于推動經濟增長和總體就業擴張至關重要。 因此，我們應當在創新政策領域建立政策性工具，為各行業提供推動創新變革的機會，鼓勵各行各業樹立創新精神，加大研發投入。 具體措施包括提供研發補貼，降低新興行業的準入門檻，以及修訂可能阻礙創新的規章制度。