高端服务业发展与技能溢价

高端服务业发展与技能溢价：基于非认知能力的微观机理解析与实证检验高端服务业发展与技能溢价：基于非认知能力的微观机理解析与实证检验

摘 要： 将高端服务业发展、非认知能力与技能溢价纳入统一理论框架进行分析，并基于非认知能力视角将高端服务业发展对技能溢价的影响机制分为工资效应与技能配置结构效应。采用2010—2016年中国家庭追踪调查数据(CFPS)与省级层面匹配数据的实证分析结果表明，高端服务业发展可通过提升技能劳动的非认知能力回报影响技能溢价，并且经过控制选择性偏差、内生性问题及稳健性检验之后，结论依然成立；进一步结合美国职业信息网O*NET数据，通过自选择效应检验高端服务业影响技能溢价的技能配置结构效应，结果表明，非认知能力较高的技能劳动者会自选择进入非认知能力密集度较高的职业组，以发挥比较优势获得更高的技能溢价。

关键词： 高端服务业； 非认知能力； 技能溢价； 工资效应； 自选择效应

一、引言

20世纪70年代以来，技能溢价水平呈明显上升趋势[注]技能溢价，一般是指受过高等教育与未受过高等教育的劳动工资收入差距，也有部分研究用生产性—非生产性工人工资之比或者蓝领-白领工人工资差距表示。本文采用多数文献划分方式，按是否拥有大学学历将劳动进行技能与非技能分类。，无论美、英等发达工业化国家[1-2]，还是印度、中国等发展中国家，莫不如此[3-4]。技能溢价已成为决定工资收入差距的重要因素，且其贡献度逐步扩大[5-6]。已有研究显示，教育之外不可观测的能力因素在解释技能-非技能工资收入不平等时发挥着重要作用，且能力回报的上升构成技能组内与组间收入不平等的共同原因[7-8]。但究竟是何种能力以及如何影响技能溢价，现有文献尚未给出充分讨论。

近期有关人力资本的一系列经验研究表明，非认知能力会显著影响个体的经济社会表现[9-11]，其迅速引发传统人力资本理论的变革，基于能力的新人力资本理论框架逐步确立。在传统的工资决定方程中引入个体能力特征不仅可以缓解内生性问题，有力修正教育回报率的估计偏差[9，12]，也使原来被归入歧视理论的部分不可观测因素得到更为具体且合理的经济学解释。正如Bowles等(2001)[13]所言，非认知能力差异可以在一定程度上解释不可观测因素所带来的收入不平等，捕捉教育、经验等因素所无法反映的个体能力差异。新人力资本理论为打开不可观测因素的“黑箱”提供了契机，也为从微观层面分析技能溢价成因提供了崭新视角[注]非认知能力的重要性也正在引起国内外相关部门组织的重视。2015年，一项来自美国全国大学和雇主协会(NACE，National Association of Colleges and Employers)的调查显示，雇主纷纷将合作能力与口头表达能力放在的重要的位置(NACE，2015)。2015年北京青年压力管理中心联合新浪网与腾讯网推出的《2015年大学生就业报告》表明，已入职群体最看重“沟通能力”，同时“适应能力”仅次于“专业技能”排在了第三位。。

当然，任何形式的人力资本并不是独立发挥作用的，它总是伴随着技术革新与经济结构变动而联合作用，并在不同的时期表现出阶段性特征。现阶段，我国正处于结构化转型的重要时期，发展战略性新兴产业，提升高端服务业的比重是打造以服务经济为主的现代产业体系的前提和基础。理论上，作为典型的人力资本密集型行业，高端服务业不仅存在专业技能进入门槛，也需要劳动者具备较强的人际交往与沟通表达能力等社交技能。但是以社交技能为代表的非认知能力要素很难被信息化技术所代替，所以随着产业结构中服务部门比重不断增加，尤其是高端服务业部门的不断扩大，非认知能力要素作为重要的人力资本构成在劳动力市场中将扮演着越来越重要的角色。

本文研究内容主要围绕如下三个问题展开：第一，非认知能力可否作为分析技能溢价的重要载体？第二，高端服务业发展是否可以改变技能劳动的非认知能力回报影响技能溢价？第三，高端服务业发展是否通过影响非认知能力较高的技能劳动职业选择进而影响技能溢价？本文研究的基本逻辑示意图如下。

另外，在“大学搜”的网络爬虫算法中引入了Shark Search 算法（以内容评价为基础的重要垂直搜索引擎网络爬虫算法），由于其原算法对搜索主题和搜索内容没有进行明确界定，降低对两者之间关联度的关注，导致数据准确度不高。“大学搜”在Shark Search 算法中引入向量空间模型，通过对搜索页面和搜索内容之间的关联程度进行分析，大幅提高了搜索的准确性。但是，没有考虑扩大搜索范围方面的因素，放弃了外链接网页，这也是引导查询结果不完整的因素之一。“大学搜”的索引模块和查询模块设计只提供了10 个搜索查询结果的显示。

     

图1 文章基本逻辑示意图

本文可能的贡献之处有四点：其一，研究视角不同。尝试将高端服务业发展、非认知能力与技能溢价纳入统一理论框架进行系统性分析，考察高端服务业发展是否通过提高技能劳动的非认知能力回报影响了技能溢价。其二，新视角下的新机制解释。基于非认知能力视角将高端服务业发展对技能溢价的影响机制分为工资效应与技能配置结构效应。从微观层面解释高端服务业发展如何通过提高技能劳动的非认知能力回报影响技能溢价。其三，理论模型设计上，参考Patricia Crifo(2008)[14]的研究并在其基础上放松对高能力个体教育选择时的参数约束建立模型，以捕捉能力回报上升时需求结构变动效应对技能溢价的影响。而在Patricia Crifo(2008)[14]的研究中，由于对参数的严格约束使其仅能反应工资效应，而无法体现结构效应。其四，借助于美国职业信息网O*NET数据，综合运用LPM、Probit、Mprobit以及Oprobit方法，通过自选择效应检验高端服务业影响技能溢价的技能配置结构效应，即是否非认知能力较高的技能劳动会自选择进入非认知能力密集度较高的高端服务类职业。本文研究内容凸显了非认知能力的重要性，对推动贯彻全面素质教育具有重要的现实意义。同时在产业结构提升宏观背景下，为劳动者技能积累以增加其与市场匹配度提供了更具针对性的经验证据。

二、文献综述

提及技能溢价的来源问题，已有研究主要从偏向型技术进步视角展开研究，并在此基础上形成两大分析范式——技能偏向型技术进步SBTC理论(Skill-Biased Technological Change)与程序化偏向型技术进步RBTC理论(Routine-Biased Technological Change)。前者是将劳动按照受教育程度分为技能型与非技能型，借助于要素增强型效率参数(factor-augmenting)分析技术进步对劳动力市场技能需求结构与工资结构的影响；而后者是将视角定位在更微观的职业任务密集度视角，将职业内容分为程序化与非程序化不同任务类型，借助于分析信息化与自动化技术对不同职业任务的替代程度，进而分析劳动力市场技能需求结构与工资结构特征。

荷兰经济学家Tinbergen(1974)[15]较早地提出技能偏向型技术进步是技能溢价的主要来源， Acemoglu(1998)[16]将技能供给内生化，进一步丰富了SBTC理论并建立可量化分析的“标准模型”(Canonical Model)。SBTC理论对于各国长期技能溢价趋势的确具有一定解释能力，但同时也存在明显的局限。首先，SBTC分析范式是基于传统人力资本理论，从教育单维度测度技能水平，对教育组内人力资本同质性的假设难免会使分析结果大打折扣。而且，忽略组内人力资本异质性容易得出截然相反的结论，如 “过度教育”与技能溢价并存的相悖现象[17]。其次，SBTC分析范式主要借助要素增强型效率参数，构造偏向型技术进步序列，通过判断技术偏向序列与技能溢价是否存在正向相关关系进行验证。然而，对于偏向型技术进步究竟如何作用于不同技能的劳动，传统SBTC分析范式无法给出更加微观层面的解释机理。Autor(2003)[18]曾指出，传统的SBTC分析范式更多是一种相关关系分析，而并非因果关系分析。

近期，劳动经济学研究者开始将视角转移到具体“职业任务内容”(tasks content of occupations)[注]具体职业任务内容分类一般包括：程序化认知型(Routine Cognitive)、程序化操作型(Routine Manual)、非程序化认知型(Non-routine Cognitive)以及非程序化互动型(Non-routine Interpersonal)。以分析劳动力市场结构变化。一般而言，技能劳动在操作非程序化认知型任务与非程序化互动型任务上存在比较优势，但是由于此类工作任务难被计算机或先进机器设备替代，从而增加了对技能劳动的需求并引致技能溢价[17-18]。正是因为不同技能劳动在操作具体任务上具有不同的比较优势，从而可将偏向型技术进步对任务需求结构的冲击转化为对劳动力市场技能需求结构与工资结构的冲击，并基于上述机制形成了“程序化偏向型技术进步”理论[17-20]。根据RBTC理论，信息化、自动化技术进步会逐渐取代主要从事“程序化任务密集型”(routine task-intensity)职业的劳动，如办公室文员、机器操作人员、流水线操作人员等。而那些高端个性化服务行业的职业工种由于程序化水平较低很难被自动化技术替代，至少目前为止被证明是很难替代的，甚至某种程度上二者呈现互补关系[21]。因为在与人交往时的一些人际互动能力与反应能力往往是基于隐性知识(tacit knowledge)，如情感态度、生活经验、价值观，而计算机并不懂得这些规则。人际互动需要一种心理学上称之为“设身处地”的能力——非认知能力。可见，与基于传统人力资本理论的SBTC分析范式相比，基于具体职业任务内容的RBTC分析范式允许从更多维度考量人力资本水平，可以进一步控制不同技能组内人力资本水平的异质性，并可以有效捕捉偏向型技术进步要素与不同技能劳动在微观层面的互动机制。

基于RBTC理论的经验研究结论基本一致认为，随着经济结构升级与偏向性技术进步的演进，先进技术设备较容易对程序化任务产生替代，导致经济总体对程序化劳动任务的需求减少，而非程序化任务由于难以被先进计算机设备替代，从而增加了对具有比较优势的技能劳动的需求。Deming(2017)[22]基于美国数据研究表明，密集需要高认知能力与社交能力的职业无论是就业数量还是工资收入都是增长最快的，且社交技能回报率在样本期内呈显著递增趋势。Peter Fredriksson(2017)基于瑞典数据的研究得出类似的结论，结果显示非认知能力回报呈现递增趋势[25]。Autor等(2003)[18]基于美国数据及Spitz-Oener等(2006)[17]基于德国数据的研究均认为，在计算机等先进技术对程序化任务产生大规模替代效应的同时，由于技能劳动在操作非程序化互动型任务与非程序化分析型上存在比较优势，从而增加了经济总体对技能劳动的需求，并提升了技能溢价。

本研究的调查对象是宁德师范学院100名非英语专业一年级的学生，他们来自全国不同的省市，文理科学生都有。这些学生通过将近一年的大学学习之后，已基本形成了自己的学习方法，且这些学生将要参加四级考试，所以有必要在这个阶段帮助他们形成有效的学习策略来更好地备战四级。这100名学生中有50名来自A班（高考英语成绩在100分以上），暂且称他们为好学生；50名来自B班（高考英语成绩在80分以下），暂且称他们为差学生。这样有利于对比分析好学生和差学生所采用词汇学习策略的异同对词汇学习效果的影响。

基于RBTC理论的经验研究结论与近期关于新人力资本理论的经验研究发现“不谋而合”[注]2010年美国经济学年会专门以人力资本新进展作为其中一个小组议题进行学者讨论，Hanushek(2010)提出为了更好的了解个体的经济社会表现我们需要制定一个基于能力的“新人力资本”的研究议程。，都强调了不易被替代的社交技能等非认知能力因素在劳动力市场中的重要性[注]非认知能力(non-cognitive)，与认知能力(cognitive)相对应，但认知能力可以较好的通过受教育水平来反映。而非认知能力的内容则更广泛，衡量指标也更灵活，对其测度标准学术界尚无共识。一般是指合作意识，适应能力，沟通能力，社交能力等不能完全通过教育测度的人格特征。2015年，一项来自美国全国大学和雇主协会(NACE，National Association of Colleges and Employers)的调查显示，雇主纷纷将合作能力与口头表达能力放在的重要的位置(NACE，2015)。2015年北京青年压力管理中心联合新浪网与腾讯网推出的《2015年大学生就业报告》表明，已入职群体最看重“沟通能力”，同时“适应能力”仅次于“专业技能”排在了第三位。。Heckman等(2006)[9]基于美国数据发现，不同学历间能力回报具有异质性，对于低技能劳动，其非认知能力显著影响工资以及职业稳定性，甚至超过认知能力的影响。Lindqvist和Vestman(2011)[24]就瑞典征兵数据的研究发现，技能劳动的非认知能力回报率要高于非技能劳动者。程虹、李唐(2017)[11]基于中国企业—员工匹配调查(CEES)研究了人格特征等非认知能力对劳动力工资的影响，发现“大五”人格特征能显著促进工资增加。黄国英、谢宇(2017)[12]基于中国家庭追踪调查数据(CFPS)的研究表明，非认知能力对青年劳动收入具有稳健的促进作用。

国内技能溢价问题的研究主要是基于SBTC理论分析技能偏向型技术进步技能需求结构和技能溢价的影响，如徐舒(2010)[25]、陆雪琴(2013)、董直庆等 (2014)[4]、杨飞 (2017)[26]均基于中国数据验证了技术偏向导致技能溢价。但上述研究均是基于单维教育水平对劳动进行分类，忽略了个体能力的异质性，且各因素对劳动市场结构影响的微观机理有待进一步挖掘。近几年来，随着大样本微观调查数据的可得，已有部分文献开始关注非认知能力在劳动力市场的重要性[11-12]。然而遗憾的是，国内研究中基于劳动力异质性的分析较为匮乏，未见从能力回报视角分析我国的技能溢价问题的专题研究，更没有文献将高端服务业发展的宏观背景、非认知能力与技能溢价纳入统一理论框架进行分析。

三、理论模型及假说

随着新人力资本理论的提出，更多学者强调能力因素在人力资本研究中的重要作用，传统以单维教育测度能力的人力资本理论进一步丰富。本文将基于新人力资本理论，从教育与能力两个维度对劳动进行分类，更加强调技能组内人力资本的异质性，参考Patricia Crifo(2008)[14]建立理论模型，并在此基础上放松参数约束，进而可以捕捉能力回报上升时需求结构效应对技能溢价的影响。本文研究设计与Autor和Dorn(2013)[19]的研究思路不同：Autor和Dorn(2013)为解释美国劳动力市场的极化现象——低端服务业增长，将非技能劳动分为程序化任务密集型职业的劳动与非程序化任务型职业的劳动，技术进步要素主要对从事程序化任务职业的非技能劳动产生替代，进而引起低端服务业劳动就业与工资的增长，即所谓的劳动力市场极化现象。Autor和Dorn(2013)[19]侧重分析有偏技术对非技能型劳动力市场的冲击，而本文主要是讨论高端服务业发展对不同能力的技能型劳动力市场的冲击，进而分析对技能溢价的影响。另外需要指出的是，由于认知能力与教育高度相关，其可被教育指标较好的反映，所以我们将模型中能力参数具体定义为教育所不能反应的、但属于人力资本构成要素能够带来经济回报的非认知能力。

(一)劳动力市场需求侧决策条件

假设经济中最终产品部门生产函数如下

Yt=(Ht)αβ(Lt)(1-α)βxt(i)1-βdi

(1)

其中，0<α<1，0<β<1，nt为各期中间产品的数量。Ht为高能力技能劳动与普通能力技能劳动复合而成的技能劳动投入的效率数量，Lt为非技能劳动投入的效率数量，xt(i)是中间产品。假设经济中假设最终产品市场是完全竞争的，同时设定最终产品部门产品的价格为1，一阶条件如下

   

(2)

表示技能型劳动的效率工资水平，表示非技能型劳动的效率工资水平，pt(i)表示中间产品i的价格。

(二)劳动力市场供给侧决策条件

为了便于分析，将总人口规模标准化为1，劳动个体存在能力异质性，既有“高能力”(high ability)的个体也有“普通能力” (ordinary ability)的个体。个体可以根据自身效用最大化原则(本文主要按收入原则)，选择是否接受高等教育成为技能劳动力，因此教育选择机制是内生的。设定M表示拥有高能力的劳动占比，Et(相对于Ot) 表示拥有高能力的劳动中技能劳动的比例，劳动力市场的资源约束可写为

   

(3)

表示拥有高能力的技能劳动数量，表示拥有普通能力的技能劳动数量，表示非技能劳动数量，即未接受高等教育的劳动数量。

根据能力分布特征，假定那些高能力的技能劳动者可以提供ηse单位技能型劳动效率，普通能力的技能劳动者可以提供ηso单位技能型劳动效率，非技能劳动者可以提供ηu单位非技能型劳动效率。不同类型劳动者的工资收入可写为

   

(4)

本文中将教育成本定义为接受教育所花费的时间成本，假设技能劳动者必须在其单位时间禀赋中支付δ部分接受教育(0<δ<1)，从而技能劳动者单位时间禀赋的工作时间为1-δ。此时不同类型劳动者的期望收益为

   

(5)

无论劳动力市场均衡与否，不等式ηse>ηso都成立，因此有与该式可用来捕捉技能劳动的“能力收益”(returns to ability)，也就是说任何时候高能力技能劳动者所能提供的劳动效率要高于普通能力技能劳动者所能提供的劳动效率。从而个体在进行教育选择时决策条件变得简化，只要个体就会有选择接受教育成为技能劳动的激励。当时，劳动力市场供给侧实现均衡。

⟺

(6)

(三)劳动力市场供求均衡

当劳动供给等于劳动需求时

   

(7)

根据式(3)、式(6)以及式(7)，可得

   

(8)

将式(8)代入式(6)可得

   
   
   

(9)

根据式(9)，可以推断：当高端服务业发展引起技能劳动能力回报率增加时(体现为ηse/ηso上升)，劳动市场会减少对普通能力技能劳动的需求(Ot)，会增加对高能力技能劳动的需求(Et)。这是因为高能力技能劳动所从事的职业任务很难被信息化、自动化技术要素替代，而且其在操作非程序化互动型劳动任务时存在比较优势，所以高端服务业的发展扩大了对非程序化互动型劳动任务的需求，进而增加了对高能力技能劳动的需求。

根据前文定义，技能组平均工资水平与非技能组平均工资水平可写为

   
   

(10)

分别用Γs，Γs/u表示技能组内工资收入不平等与技能溢价。根据式(10)，技能组内工资不平等可以表示为

   

(11)

技能溢价为

以中国知网(CNKI)数据库为来源，点击“高级搜索”，在搜索栏中分别输入作者“许钧”、主题词“翻译”进行文献计量，所获取和计算的数据截取1987—2018年份以表格呈现如下。

轻钢-混凝土组合结构具有轻钢结构的优点，同时由于混凝土的存在而提高了结构的刚度和稳定性，并增强了结构的防火性能。

滤波是将信号中特定波段频率滤出的操作，是抑制和防止干扰的一项重要措施。在计算机视觉中，常常利用滤波如高斯滤波来对图像进行处理，当然，为了提升运算速度，也会直接使用奇数阶的方阵以用于对图像进行卷积运算。具体的操作就是对于图像的每一个像素点，计算他的邻域像素和滤波器矩阵的对应元素的乘积，之后加起来即可，作为该像素点的值。通过这一操作，将灰度图像执行了平滑在操作，如图1所示。

   

(12)

将式(8)中的表达式与式(9)中Ot的表达式代入式(12)，可得

   
   

(13)

通过式(11)与式(13)可以发现，能力回报增加不仅会扩大技能组内工资收入不平等，还会扩大技能组间不平等，即技能溢价。同时也发现，能力回报率增加既可以通过直接的工资效应影响技能溢价，还可通过拉动对高能力技能劳动需求的间接结构效应影响技能溢价。然而，技能配置结构效应在Patricia Crifo(2008)[14]的理论模型中是无法体现的，其研究中将模型参数设定为1，本文在理论推导过程中放松对这一参数的严格假设，进而可以有效捕捉到技能配置结构效应对技能溢价的影响，这也是本文在理论层面的一个拓展或贡献之处。

作为典型的人力资本、技术密集型服务行业，高端服务业不仅存在专业技能进入门槛(受教育程度)，也需要劳动者具备较强的人际交往能力与沟通表达能力等非认知能力特征。同时，由于高端服务部门职业任务较难以被信息化、自动化技术要素替代，因此高端服务业的发展增加了对高能力技能劳动的需求并提升了技能劳动的能力回报。而能力回报增加又可以通过直接的工资效应与间接结构效应影响技能溢价。具体，工资效应是指，当能力回报上升时，高能力技能劳动工资会上升进而带动整体技能劳动平均工资上升。也就是说，即使技能配置结构不变，技能劳动能力回报上升仍可以通过提升技能劳动平均工资影响技能溢价。由此，提出本文理论H1。

H1 高端服务业发展可以提升技能劳动的非认知能力回报，而技能劳动非认知能力回报的上升又可以通过提高技能劳动平均工资水平提升技能溢价。

然而，实际中，能力回报上升还会影响劳动力在不同就业部门的配置。因为，高端服务业发展增加了对高能力技能劳动的需求，提升了高端服务部门的劳动力工资水平，会吸引越来越多的高能力技能劳动在高端服务部门就业，当更多技能劳动在高端服务部门就业时，技能配置结构效应也会提升技能溢价。需要注意的是，并非所有的技能劳动都有同等概率进入高端服务部门就业，而是非认知能力较高的技能劳动更有可能自选择进入高端服务部门就业。虽然现有技术条件下，无法直接刻画能力回报上升激励更多高能力技能劳动进入高端服务部门就业这一动态过程——即能力回报上升对技能溢价影响的技能配置结构效应，但是可以利用反推法进行验证。因为劳动在不同部门间的配置往往因收入差异、能力差异而存在自我筛选效应(self-sorting)，如果能力回报上升对技能溢价影响的技能配置结构效应存在，那么可以观测到非认知能力较高的技能劳动更有可能自选择进入高端服务部门就业。由此，提出本文理论H2。

H2 高端服务业的发展提高了能力回报，对不同能力的劳动者产生了不同方向的作用力。这种技能配置结构效应体现在微观层面就会表现为能力较高的技能劳动者可能会自选择进入能力要素密集度较高的高端服务业以发挥其比较优势，进而获得更高的技能溢价。

四、数据说明与描述统计

本文采用的微观数据主要来自“中国家庭追踪调查” 数据库 (CFPS)，其中成人板块调查数据提供了被调查者工作状态、劳动收入水平、受教育程度、认知能力以及非认知能力相关的个人信息。选择2010—2016年4期追踪数据构造微观混合截面数据集。在进行样本筛选过程中，将劳动者年龄限定在18-65岁之间；保留有正常工作的样本；删除部分数据明显异常或主要变量缺失的样本；剔除调查时仍在上学的样本。本研究相关变量说明如下。

非认知能力(non-cognitive)：鉴于受访者自我回报方式具有很大不稳定性，本文尝试利用CFPS成人板块访员观察信息构造非认知能力指标。具体选用5个指标[注]受访者观察部分共有12项细分指标，包括受访者理解能力、健康状况、衣冠整洁程度、外貌、普通话能力、配合程度、智力水平、待人接物、对调查的兴趣、对调查的疑虑、回答问题可信度以及语言表达能力。：受访者配合程度，用来反映受访者的合作意识；受访者待人接物水平，用于反映受访者的社交能力；受访者对调查的兴趣，用于反映受访者的好奇心或求知欲；受访者回答可信度，用以反映受访者信誉水平；受访者语言表达能力。加总细分指标得分可得非认知能力综合得分，并将其取值范围限定在0-10之间。

收入指标、技能分类以及个体层面其他控制变量：选自CFPS数据库中个人总收入指标，并用各地区CPI指数对其进行平减，最终选用调整后个人实际收入的对数形式作为被解释变量(lnincome)。用skill表示技能劳动的虚拟变量，参考既有国内外研究的技能分类方法，本文将受教育水平在普通专科及以上的劳动者定义为技能劳动者(skill=1)，将受教育水平在普通专科及以下的劳动者定义为非技能劳动者(skill=0)。此外，模型分析还用到个体层面控制变量：受访者健康自评得分(health)，非常健康得分为1、非常不健康得分为5；婚姻状况(marriage)，已婚marriage=1，其他类型marriage=0；工作性质(work)，工作单位属于国有单位、事业单位、或是政府部门，则work=1，其他work=0；工作经验(exp)，exp=受访者年龄-受教育年限-7；工作经验的平方(exp2)；性别特征(gender)，男性gender=1，女性gender=0；城乡特征(urban)，城市urban=1，农村urban=0。主要变量的描述性统计如表1。

表1列出的描述统计有如下特点：(1)技能组对数平均工资高于非技能组对数平均工资，但非技能组对数工资收入方差要大于技能组对数工资收入方差；(2)无论是非认知能力综合指标还是非认知能力细化指标，技能组都要高于非技能组；(3)高端服务行业劳动的对数平均工资收入高于其他行业的对数平均工资收入，但其他行业对数工资收入方差更大；(4)高端服务行业非认知能力综合指标与非认知能力细分指标高于其他行业。

表1 主要变量的描述性统计

     

变量技能组(N=1 777)均值方差最小值最大值非技能组(N=14 909)均值方差最小值最大值lnincome10.3900.8642.07914.0019.4991.1281.38613.855cooperation4.2641.0581.0005.0004.0921.1211.0005.000interpersonal4.2121.0311.0005.0003.9211.1081.0005.000expression4.2360.9871.0005.0003.8471.1571.0005.000curiosity3.9221.3971.0005.0003.7041.4091.0005.000credit4.2411.0161.0005.0004.0191.0901.0005.000non-cognitive8.3501.3263.14310.0007.8331.4121.42910.000变量高端服务行业(N=960)均值方差最小值最大值其他行业(N=15 726)均值方差最小值最大值lnincome10.0990.9746.90813.2439.5671.1501.38614.001cooperation4.1891.1251.0005.0004.1021.1151.0005.000interpersonal4.0951.0971.0005.0003.9361.1061.0005.000expression4.0591.1161.0005.0003.8711.1531.0005.000curiosity3.7911.5031.0005.0003.7211.3991.0005.000credit4.1461.0691.0005.0004.0321.0871.0005.000non-cognitive8.1121.4323.14310.0007.8651.4071.42910.000

注：cooperation：合作意识；interpersonal：人际社交能力；expression：语言表达能力；curiosity：好奇心或求知欲；credit：信誉水平；non-cognitive：能力综合指标。

尽管目前国内外研究对于高端服务业的定义尚没形成准确统一的口径，但已经建立了相对统一的认识。本文在参考发达国家服务业分类标准的基础上，结合中国当前国情，将高端服务业定义为人力资本、知识密集型服务业，具体包括：金融；租赁；文化、体育和娱乐业；信息传输、计算机服务和软件业；科学研究、技术服务等5大类行业。我们分别选用地区城镇单位就业人员中高端服务业就业人员占比与高端服务业劳动工资总额占比来刻画高端服务业发展指标。相应的行业数据来自《中国统计年鉴》，并将CFPS微观数据与地区宏观数据进行匹配，最终构造了4期微观-宏观结合的混合截面数据。

自选择效应检验的部分数据取自美国职业信息网(O*NET，occupational information network)数据库官网。O*NET调查始于1998年并定期更新，鉴于本文使用的CFPS微观数据分布在2010—2016年间，最终选用O*NET2010年版本数据资料进行职业排序。O*NET数据库发布了947类职业细分能力和技巧得分等277个特征描述指标，用以反映各类技能对相应职业的重要程度，这为我们从职业维度考察非认知能力重要程度提供了数据支持。具体检验方法将在后文实证部分进一步解释。

五、高端服务业影响技能溢价
的工资效应

本文主要考察高端服务业发展，非认知能力与技能溢价之间的关系。首先，借助扩展的明瑟方程分析非认知能力对技能溢价的影响。具体，在标准明瑟方程中加入非认知能力变量，以及非认知能力与技能虚拟变量的交互项，揭示非认知能力对技能溢价的影响，如式(14)。然后加入高端服务业发展指标，以及相应的交互项，进而检验高端服务业发展是否通过影响不同技能劳动者的非认知能力回报进而影响技能溢价，如式(15)。

lnincomeipjt=α0+α1eduipjt+α2non_cognitiveipjt+α3non_cognitive*skillipjt+W′α+dp+dj+dt+ωipjt

(14)

lnincomeipjt=α0+α1eduipjt+α2non_cognitiveipjt+α3non_cognitive*skillipjt+α4non_cognitive*hserviceipjt+α5non_cognitive*skill*hserviceipjt+W′α+dp+dj+dt+ωipjt

(15)

式(14)—(15)中，lnincomeipjt表示个人年总劳动收入的对数；edu表示个人受教育程度详细分类，最低水平为0，最高水平为8；non_cognitive表示非认知能力；W′表示地区高端服务业发展水平；i,p,j,t表示其他控制变量。分别表示不同的个体，省份，行业，年份特征。dp与dj表示省区-行业虚拟变量，dt表示年份固定效应；ωipjt为残差项。

(一)基础回归结果

回归表2中列(1)-(2)首先考察了非认知能力对技能溢价的影响，其中列(1)是未控制地区-年份-行业固定效应的分析结果。回归结果显示，非认知能力对非技能劳动收入的影响呈显著的正向作用。这可能是由于近年来我国低端服务业部门的就业需求扩大，增加了对低技能劳动非程序化互动型任务的需求，而这些任务又不容易被机器设备替代，进而提升了非技能劳动者非认知能力回报。统计数据显示，我国交通运输、住宿餐饮、批发零售等低端服务业的增加值占比在2008—2016年间由10.2%上升到15.8%，作为低技能劳动密集型行业，低端服务业的发展无疑将吸引大批低技能劳动就业。另外，Lindqvist和Vestman(2011)[24]的研究也表明，由于非认知能力可提升非技能劳动获得工作的可能性与稳定性，使得非认知能力在低技能劳动市场发挥着更重要的作用。

非认知能力与技能劳动交互项系数为正，表明非认知能力可以显著提升技能溢价。其内在原因主要有二：其一，中国正处在供给侧改革与产业结构转型的重要时期，在去产能的同时大力发展高端服务业已成为经济发展的迫切需求。作为典型的人力资本密集型服务行业，高端服务业不仅存在专业技能进入门槛，也需要劳动者具备较强的人际交往与沟通表达能力等社交技能。而且以社交技能为代表的非认知能力要素很难被信息化技术所代替，所以随着产业结构中服务部门比重不断增加，尤其是高端服务部门的不断扩大，非认知能力要素作为重要的人力资本构成在劳动力就业市场中将扮演着越来越重要的角色。因为技能劳动的非认知能力可以满足复杂的非程序化工作任务的需求，进而可取得更高的工资溢价；其二，我国当前教育体制片面强调认知能力的重要性，往往忽略对非认知能力的培育，导致劳动市场对技能劳动者非认知能力的需求难以满足而提高报价，进而引发由技能劳动的非认知能力所驱动的技能溢价上升现象。那么，高端服务业发展是否如上所述可以通过影响非认知能力回报进而影响技能溢价呢？下文我们将对这一问题进行实证检验。

回归列表2最后两列报告了加入高端服务业发展指标交互项后的影响效应，列(3)与列(4)分别为用劳动份额表示高端服务业发展水平的回归结果与用工资份额表示高端服务业发展水平的回归结果。实证结果显示，非认知能力与高端服务业发展指标的交乘项系数为负，但技能劳动虚拟变量、非认知能力与高端服务业发展指标三者的交乘项系数显著为正，该结果有力的证明了地区高端服务业发展并不是提高所有劳动者的非认知能力回报，而只提高了技能劳动的能力回报。高端服务业多为知识、技术密集型行业，如金融业、旅游业、软件与信息技术等行业，行业的性质决定其职业内容主要为非程序化认知型任务与非程序化互动型任务。而完成这些任务不仅强调从业者的社会交往能力，但是同样重要甚至更为重要的是从业者的专业技能以及工作经验，因其决定了劳动力能否进入高端服务类行业的门槛[5]。

表2 基准回归结果

     

变量(1)(2)(4)(5)基础回归-1基础回归-2劳动份额工资份额education0.233 ***(0.010 3)0.072***(0.010 4 )0.078***(0.010 4)0.072***(0.010 4)non-cognitive0.051***(0.006 3)0.020***(0.005 8)0.068***(0.009 8)0.028***(0.006 8)non-cognitive*skill0.019***(0.004 4)0.044***(0.004 0)0.020**(0.008 0)0.032***(0.006 9)non-cognitive*hservice——-0.392***(0.063 5)-0.054**(0.021 5)non-cognitive*hservice*skill——0.157***(0.049 4)0.063**(0.029 7)urban0.204***(0.014 0)0.066***(0.013 1)0.069***(0.013 1)0.066***(0.013 1)gender0.409***(0.018 0)0.411***(0.016 4)0.412***(0.016 4)0.411***(0.016 4)health-0.076***(0.008 3)-0.030***(0.008 2)-0.037***(0.008 2)-0.031***(0.008 2)exp0.036***(0.002 8)0.035***(0.002 5)0.036***(0.002 5)0.036***(0.002 5)exp2-0.001***(0.000 1)-0.001***(0.000 0)-0.001***(0.000 0)-0.001***(0.000 0)work0.214***(0.024 0)0.122***(0.023 8)0.122***(0.023 8)0.124***(0.023 8)marital-0.263***(0.017 9)0.044**(0.019 8)0.043**(0.019 8)0.039*(0.020 0)地区、年份、行业虚拟变量NoYesYesYesObservations14 16214 16214 16214 162R-squared0.4120.4120.4130.412

注：***、**和*分别表示在1%、5%和10%的置信水平显著，括号内为标准差。

模型中其他控制变量的影响系数，基本符合预期。城乡收入差距、性别工资差距以及部门工资差距都很明显。健康水平显著影响劳动收入，身体越健康劳动收入越高。工作经验与劳动收入之间存在先上升后下降的倒U型关系，体现个体工作生涯中存在收入峰值。

(二)稳健性检验

基础回归部分选取高端服务业劳动数量(或者工资总额)占经济总体劳动数量的比重(或劳动报酬总额)作为地区高端服务业发展水平的代理变量，为了验证回归结果的稳健性，分别考察地区服务业整体发展水平与服务业内部结构升级的影响效应。同时，考虑到由于农村存在大量非合同制临时就业者，农忙时节创造的个人劳动收入不易获取，因此有必要对城市样本单独进行回归。结果如表3。

通过表3结果发现，就地区服务业整体发展水平、技能劳动与非认知能力三者交乘项系数而言，基于劳动数量占比指标测度的回归系数并不显著，间接验证了只有高端服务业发展才会提高技能劳动的非认知能力回报。然而基于工资总额占比指标测度的回归系数显著为正，可能是因为高端服务业工资总额在整体服务业中占有相当的比重，影响甚至决定服务业整体工资总额的趋势变化；服务业内部结构升级指标与非认知能力交互项系数为负但不显著，服务业内部结构升级指标、技能劳动与非认知能力三者的交乘项系数显著为正，与上文基础回归结果基本一致，说明无论从经济总体层面结构升级视角还是服务业内部结构升级视角，高端服务业发展都显著提高了技能劳动者非认知能力回报，进而扩大技能溢价。

表3 稳健性检验

     

变量劳动数量指标测度工资总额指标测度服务业整体占比服务业内部结构服务业整体占比服务业内部结构(1)(2)(3)(4)(5)(6)(7)(8)总体城市总体城市总体城市总体城市non-cognitive0.012(0.033 1)-0.071*(0.039 8)0.017(0.016 4)0.034*(0.019 5)0.016(0.038 1)-0.090**(0.045 3)0.023*(0.013 9)0.024(0.017 0)non-cognitive*skill0.014(0.016 6)0.031*(0.016 8)0.028***(0.008 8)0.025***(0.008 9)0.004(0.017 9)0.013(0.018 1)0.032***(0.007 7)0.029***(0.007 9)non-cognitive*total-service0.005(0.068 5)0.175**(0.085 0)——-0.004(0.072 2)0.194**(0.087 2)——non-cognitive*skill*total-service0.054(0.035 0)0.023(0.035 3)——0.070*(0.034 5)0.057*(0.034 6)——non-cognitive*inner-service——-0.013(0.060 7)-0.093(0.067 1)——-0.036(0.041 9)-0.047(0.047 7)non-cognitive*skill*inner-service——0.046*(0.027 4)0.062**(0.026 9)——0.029*(0.019 0)0.043**(0.019 0)

注：***、**和*分别表示在1%、5%和10%的置信水平显著，括号内为标准差。回归时的其他控制变量包括：教育、城乡、性别、健康水平、工作经验及其二次项、婚姻状况、省份-年份-行业虚拟变量等。

根据回归表3列(3)-(4)和列(7)-(8)报告的交互项系数，可以看出，与总体样本相比，高端服务业发展对城市样本影响更大。其中劳动数量指标测度方法下的影响系数为0.062，工资份额指标测度方法下的影响系数为0.043，这主要是因为服务业尤其是高端服务业集中分布在城市地区，技能劳动者无论最终进入哪个部门，但基本都会选择在城市就业。

(三) 内生性问题的讨论

由于个体工资对整个地区宏观变量的影响极为微小，因此将宏观变量引入微观工资决定方程，一定程度上能够减轻方程中由个体收入水平与地区服务业发展水平互为因果而导致的内生性问题。此外，Almlund等(2011)[27]和李涛(2017)[28]的研究均指出，能力因素在短期内发生显著性变化的可能性较低，因此由能力因素与个人收入反向因果而造成内生性问题的可能性也较小。而且实证模型的 OLS 回归中已经对劳动力质量进行了控制，控制变量的估计系数符号基本与预期一致，且大部分通过了显著性检验，从而有效地减弱了模型OLS估计的内生性问题。然而基础回归部分仍不可避免会出现由于遗漏家庭背景变量而导致的内生性问题以及个体的自选择偏差问题。

首先，家庭背景特征(如父、母受教育程度)可能会直接通过社会资本效应影响个体的劳动收入。社会资本效应是指个体或者其他家庭成员通过人际交往扩大社会网络形成社会资本，特别是非正式的接触可以通过提供特有的信息，比如对企业工作条件的详细描述，能帮助求职者更好地找到相符的工作。这种优势可以增加求职者的工作机会、提高求职者和工作岗位之间的契合度。除了提供就业信息，社会关系也会影响社会岗位分配。具体到本文研究，借鉴孔高文等(2017)[29]的方法，用父母受教育程度作为家庭社会资本的代理变量，此外还引入“找工作是否得到他人帮助”的虚拟变量来进一步控制由遗漏家庭背景变量而导致的内生性问题。回归结果如表4。

表4 加入家庭社会资本变量的回归结果

     

变量(1)(2)(3)(4)(5)(6)基础回归1基础回归2劳动份额劳动份额工资份额工资份额non-cognitive0.010(0.007 9)0.010(0.007 9)0.065***(0.012 8)0.065***(0.012 8)0.022**(0.009 2)0.022**(0.009 2)non-cognitive*skill0.038***(0.004 9)0.038***(0.004 9)0.007(0.009 6)0.007(0.009 6)0.020**(0.008 3)0.020**(0.008 3)non-cognitive*hservice——-0.428***(0.078 4)-0.428***(0.078 4)-0.071***(0.026 8)-0.070***(0.026 8)non-cognitive*hservice*skill——0.205***(0.057 5)0.203***(0.057 6)0.092***(0.034 5)0.091***(0.034 5)fedu0.025**(0.012 2)0.025**(0.012 2)0.024*(0.012 1)0.024*(0.012 1)0.025**(0.012 2)0.025**(0.012 2)medu0.041***(0.013 8)0.041***(0.013 8)0.039***(0.013 8)0.039***(0.013 8)0.040***(0.013 8)0.040***(0.013 8)Social-capital—-0.025(0.028 0)—-0.021(0.028 0)—-0.022(0.028 0)

注：***、**和*分别表示在1%、5%和10%的置信水平显著，括号内为标准差。回归时其他控制变量包括：教育、城乡、性别、健康水平、工作经验及其二次项、婚姻状况、省份-年份-行业层面虚拟变量等。

其次，鉴于OLS回归仍无法避免潜在的“选择性偏差”对非认知能力影响效应的干扰，需对前述结果的可靠性做进一步审查。本文讨论的问题，极易遭遇选择性偏差。一方面，个体层面不可观测因素(如毅力、风险偏好等)既会影响个人劳动收入，也会影响其教育选择，由此产生系统性选择偏差。另外，家庭教育背景特征可能也会通过教育的代际传递效应影响子女的教育选择，进而间接影响子女的劳动收入。而选用处理效应模型可以有效地控制上述选择性偏差。具体而言，将劳动力样本分为高技能组(skill=1)与低技能组(skill=0)。假定其遵从无法观测的特定选择规则，因此需要定义一个潜变量并以选择方程刻画。处理效应模型包括选择方程与回归方程两部分

lnincomeipjt=α0+α1eduipjt+α2non_cognitiveipjt+α3non_cognitive*skillipjt+α4non_cognitive*hserviceipjt+α5non_cognitive*skill*hserviceipjt+W′α+dp+dj+dt+ωipjt

(16)

   

(17)

式(16)为回归方程，式(17)为选择方程。当τ*>0时，skill=1；当τ*<0时，skill=0。使用处理效应模型，原则上要求选择方程中至少包括一个独立的解释变量，其虽不进入回归方程、但影响技能分组的概率。因此，在选择方程中加入认知能力、父母受教育程度变量。处理效应模型估计结果见表5。

表5 处理效应模型回归结果

     

变量(1)(2)(3)(4)选择方程回归方程回归方程-劳动份额回归方程-工资份额non-cognitive0.093***(0.016 7)-0.004(0.008 7)0.051***(0.013 3)0.008(0.009 8)non-cognitive*skill—0.039***(0.004 9)0.007(0.009 6)0.021**(0.008 3)non-cognitive*hservice——-0.428***(0.078 4)-0.071***(0.026 8)non-cognitive*hservice*skill——0.210***(0.057 5)0.095***(0.034 5)fedu0.183***(0.020 8)———medu0.227***(0.022 0)———Social-capital—-0.026(0.028 0)-0.022(0.028 0)-0.023(0.028 0)Mills—-0.187***(0.043 6)-0.177***(0.043 6)-0.186***(0.043 6)

注：***、**和*分别表示在1%、5%和10%的置信水平显著，括号内为标准差。选择方程其他变量包括：城乡、性别、健康水平以及地区虚拟变量；回归方程其他控制变量包括：教育、城乡、性别、健康水平、工作经验及其二次项、婚姻状况、省份-年份-行业层面虚拟变量等。

表4中，父母受教育水平的影响系数显著为正以及表5中逆米尔斯比的影响系数在1%的显著性水平上显著，表明无论是基于直接的社会资本效应还是间接的人力资本代际间传递效应视角，家庭教育背景都显著的影响了个体收入水平，也表明通过引入家庭教育背景特征来缓解内生性问题所导致的估计偏差是有必要的。而且回归结果表明，考虑了内生性问题后，前文基础回归部分得到的结论依然成立：非认知能力与技能虚拟变量的影响系数仍然为正，尤其非认知能力、高端服务业发展水平以及技能虚拟变量三者交互项系数与基础回归部分回归系数相比，影响系数变大且显著性增强，再次验证了高端服务业发展可以通过影响技能劳动者的非认知能力回报提升技能溢价。

六、高端服务业影响技能溢价的
技能配置结构效应

前文实证部分已经验证了地区高端服务业发展可通过影响技能劳动者非认知能力回报进而影响技能溢价。但是上文实证部分仅能证明能力回报上升对技能溢价影响的工资效应，无法反映技能配置结构效应，因此本节将基于假说2进行自选择效应检验，证明高端服务业发展还可以通过技能配置结构效应(指技能劳动在不同部门的再配置效应)影响技能溢价。自选择效应的基本思想是，劳动者进行职业选择的决定因素不仅取决于行业的成长性因素(如高工资收入)，同时也依赖于自身的技能禀赋与职业偏好。因为高端服务部门劳动者更多从事复杂的互动性工作，在更高的专业技能门槛之外，还需要具备团结协作与沟通表达等非认知能力特质。所以如果非认知能力较高的技能劳动更有可能进入高端服务部门就业，可以间接反映高端服务部门凭借其高工资收入吸引了更多高能力技能劳动就业。既有经验研究也基本支持职业选择的自选择效应，David Deming(2017)[22]基于美国数据的研究以及Per-Anders Edin(2017)[23]基于瑞典数据的研究都表明，劳动者在进行职业选择时存在自选择效应，社交能力较高的劳动者会选择那些非程序化、互动性强的职业工种。

首先根据CFPS数据提供的个人行业类别与职业类别进行划分。如果劳动者所在行业属于高端服务类行业，定义=1；反之，=0。同样，根据2003年国家统计局职业分类对劳动个体所属职业进行划分，高端服务业职业包括政治工作者、技术人员、经济与法律工作者、金融从业者、传媒工作者。如果劳动者所在职业属于高端服务职业类型，定义=1；反之，=0。表6报告了基于线性概率模型(LPM模型)与Probit二值选择模型的回归结果。

表6 自选择效应检验一

     

变量行业维度职业维度LPMProbitLPMProbitnon-cognitive-0.000(0.001 4)0.006(0.013 5)0.005**(0.002 0)0.033***(0.010 4)non-cognitive*skill0.007***(0.000 9)0.014**(0.007 0)0.025***(0.001 3)0.033***(0.005 6)observations14 16214 16214 16214 162R-squared0.076—0.201—

注：***、**和*分别表示在1%、5%和10%的置信水平显著。回归时的控制变量包括：教育、城乡户籍、性别、健康水平、工作经验及其二次项、婚姻状况、省份-年份固定效应等。

表6回归结果显示，非认知能力较高的技能劳动更有可能进入高端服务业，而且职业维度的分析比行业维度的分析更加显著，这是因为劳动者进入高端服务行业未必从事高端服务类职业。同时，回归也说明，要理解能力回报增加的作用传导机制，基于职业视角的分析会更具吸引力。因此接下来将借鉴美国职业信息网O*NET数据库对各类职业按非认知技能密集度排序，再次从职业维度进行自选择效应检验。

根据前文基于CFPS数据库构建的非认知能力指标，选取O*NET数据库技能目录下协调能力(coordination)、谈判能力(negotiation)、客户服务能力(service orientation)、社交感知能力(social perceptiveness)、沟通表达能力(communicating)等五个细分指标并加总测度各职业非认知能力密集度得分。然后根据非认知能力得分由高到低对所有职业进行排序，并参考其排序对CFPS调查数据中职业进行排序，进而获得中国各类职业非认知能力密集度排序编号。另外一点需要注意的是，在实际操作中，由于O*NET的职业分类与CFPS职业分类存在差异，所以并不是所有的CFPS职业类别都能找到匹配的O*NET排序编号，也并非所有职业在两个数据库中都满足非认知能力密集度前后排序一致，所以选择大类排序以平滑组内测量偏差。同时删除CFPS样本数据观测值小于100的样本(约占总样本31.2%)，并将剩余单组样本大于100的45类职业分为五组，设定非认知能力密集度得分最高的一组职业序号为5，依次递减，得分最低的一组职业序号为1。表7分别报告了基于LPM模型、Oprobit模型以及Mprobit模型的回归结果。

表7回归结果与表6分析结果一致。LPM模型、Oprobit模型中非认知能力与技能虚拟变量交互项的影响系数显著为正。Mprobit模型回归结果显示，随着职业非认知能力密集度的上升，非认知能力与技能虚拟变量交互项的影响系数由负向不显著变为正向且显著。再次表明非认知能力较高的技能劳动者更可能自选择进入非认知能力密集度较高的职业组群。Deming(2017)[22]将基于O*NET数据计算的职业社交技能密集度作为被解释变量得到了类似的结论，社交能力较高的劳动者会自选择进入非程序化且社交技能密集度较高的职业组群，并且随着职业社交技能密集度的增加，个体非认知能力的回报也在增加。Heckman等(2001)[30]研究就曾指出，非认知能力也可以通过职业选择偏好效应提升劳动的工资收入。综上，自选择效应的检验结果支持理论假说2，即高端服务业发展还可以通过技能配置结构效应影响技能溢价。

表7 自选择效应检验二之O*NET排序

     

变量LPMOprobitMprobitorder1-5order1-52345non-cognitive0.017***(0.006 4)0.033***(0.009 8)0.004(0.019 2)0.038**(0.015 6)0.082***(0.022 0)0.076***(0.021 1)non-cognitive*skill0.043***(0.004 2)0.017***(0.005 6)-0.019(0.015 1)0.030***(0.011 0)0.052***(0.012 9)0.049***(0.013 3)observations11 16311 16311 16311 16311 16311 163R-squared0.541—————Pseudo R2—0.300————Wald chi2(48)——4 071.354 071.354 071.354 071.35

注：***、**和*分别表示在1%、5%和10%的置信水平显著，括号内为标准差。回归时的控制变量包括：教育、城乡户籍、性别、健康水平、工作经验及其二次项、婚姻状况、省份-年份虚拟变量等。Mprobit回归中2—5表示非认知能力密集度大类职业排序编号。

七、结论与展望

高端服务业发展将重塑劳动力市场技能需求结构与收入分配机制。本文将高端服务业发展、非认知能力与技能溢价纳入统一理论框架进行分析，考察高端服务业发展是否以及如何通过非认知能力渠道影响技能溢价。理论上，高端服务业作为典型的人力资本与技术密集型服务行业，其发展增加了对技能劳动非程序化互动型职业任务的需求，而且由于该类任务较难被先进技术要素替代，所以高端服务业发展增加了技能劳动的非认知能力回报，而技能劳动非认知能力回报上升又可以通过工资效应与技能劳动在不同部门的配置结构效应影响技能溢价。本文基于2010-2016年中国家庭追踪调查数据(CFPS)与省级层面匹配数据，联合扩展的明瑟方程与处理效应模型，检验了高端服务业发展通过影响技能劳动的非认知能力回报进而影响技能溢价的工资效应；然后结合美国职业信息网O*NET数据，通过自选择效应检验高端服务业影响技能溢价的技能配置结构效应，结论基本支持理论假说。

高端服务业技能劳动的非认知能力回报仍存在显著溢价现象表明，当前简单教育扩张并没有缓解不断攀升的技能溢价趋势，要支撑经济发展与转型升级仍亟待构建与技能需求相适应的新型人力资本体系，应更加注重个体综合能力(尤其是非认知能力)的培育与发展。例如：企业除开展专业技能培训外，应加强对员工社交能力、沟通能力和自我表达能力的培养并为此创造适宜环境，以弥补员工非认知能力的短板；家庭教育方面，不仅要重视子女教育投资和身体健康投资，更应充分重视子女非认知能力的培育。一系列“早教干预”(childhood interventions)的经研究也表明，对于儿童早期的非认知能力培育可以长期显著的影响成年人的经济表现与社会行为[31]。本文研究为分析技能溢价提供了新视角下的微观机理解释，同时也为构建与技能需求相适应的新型人力资本积累体系提供更具针对性的经验证据。

本文通过解构新人力资本，基于非认知能力这一全新视角考察高端服务业发展对我国技能溢价问题的微观传导机制，得到若干稳健的认识与判断。但鉴于该问题的重要性与复杂性，本文工作还远不完善，留有多个值得深入探索的空间：中国作为转型中的发展中大国，宏观层面的地区发展差异、开放程度差异、技术创新水平差异，市场化程度差异普遍存在，各类宏观差异如何通过个体能力特征影响收入也是未来值得探索的课题。更值得注意的是，为了准确捕捉技术在劳动过程中使劳动者异化的微观机理，未来从技术阶级性、劳动过程、劳动者的工作内容等多维角度考察技术对劳动者收入的影响才更为真实而深刻。

参考文献

[1]AUTOR D H, KRUGER A B, KATZ L F. Computing inequality: have computers changed the labor market [J]. Quarterly Journal of Economics,1998,113(4):1169-1213．

[2]ACMOGLU D, AUTOR D H. Skills, tasks & technologies: implications for employment & earnings[M].[S.l.]: Elsevier, 2011.

[3]TOPALOVA P. Factor immobility and regional impacts of trade liberalization: evidence on poverty from India[J]. American Economic Journal Applied Economics, 2010, 2(4):1-41.

[4]董直庆，蔡啸，王林辉，技能溢价:基于技术进步方向的解释[J].中国社会科学，2014(10):22-40。

[5]陈斌开，张鹏飞，杨汝岱.政府教育投入、人力资本投资与中国城乡收入差距[J].管理世界，2010(1):36-43。

[6]GE S, YANG D T. Changes in China’s wage structure [J]. Journal of the European Economic Association, 2014, 12(2):300-336.

[7]JUHN C, MURPHY K M, PIERCE B. Wage inequality and the rise in returns to skill [J]. Journal of Political Economy, 1993, 101(3):410-442.

[8]KATZ L F, MURPHY K M. Changes in relative wages, 1963-1987: supply and demand factors [J]. Social Science Electronic Publishing, 1991, 107(1):35-78.

[9]HECKMAN J J, STIXRUD J, URZUA S. The effects of cognitive and non-cognitive abilities on labor market outcomes and social behavior [J]. Journal of Labor Economics,2006, 24(3):411-482.

[10]HECKMAN J J, KAUTZ T. Evidence on soft skills [J]. Labour Economics, 2012, 19(4):451.

[11]程虹,李唐.人格特征对于劳动力工资的影响效应——基于中国企业—员工匹配调查(CEES)的实证研究[J].经济研究,2017,52(2):171-186。

[12]黄国英,谢宇.认知能力与非认知能力对青年劳动收入回报的影响[J].中国青年研究,2017(2):56-64。

[13]BOWLES S，GINTIS H，OSBORNE M. The determinants of earnings：a behavioral approach [J]. Journal of Economic Literature,2001,39(4)：1137-1176.

[14]CRIFO P. Sill supply & biased technical change [J]. Labour Economics, 2008, 15(5):812-830.

[15]TINBERGEN J. Substitution of graduate by other labor [J]. Kyklos 1974,(27):217-226.

[16]ACEMOGLU D. Why do new technologies complement skills? Directed technical change and wage inequality [J]. The Quarterly Journal of Economics,1998,113(4):1055-1089.

[17]SPITZ-OENER A. Technical change, job tasks, and rising educational demands: looking outside the wage structure[J]. Journal of Labor Economics, 2006, 24(2):235-270.

[18]AUTOR D H, LEVY F, MURNANE R J. The skill content of recent technological change: an empirical exploration[J].Quarterly Journal of Economics,2003,118(4): 1279-1333.

[19]AUTOR D, DORN D. The growth of low-skill service jobs and the polarization of the US labor market[J]. The American Economic Review, 2013,103(5): 1553-1597.

[20]GOOS M, MANNING A， SALOMONS A. Explaining job polarization: routine-biased technological change and offshoring[J]. LSE Research Online Documents on Economics, 2014, 104(8):2509-2526.

[21]AUTOR D H. Why are there still so many jobs? The history and future of workplace automation [J]. Journal of Economic Perspectives, 2015,29(3):3-30.

[22]DEMING D. The growing importance of social skills in the labor market [J]. The Quarterly Journal of Economics, 2017,132(4):1593-1640.

[23]EDIN P A, FREDRIKSSON P, NYBOM M. The rising return to non-cognitive skill [J]. IZA Discussion Papers, 2017.

[24]LINDQVIST E, VESTMAN R. The labor market returns to cognitive and non-cognitive ability: evidence from the swedish enlistment [J]. American Economic Journal Applied Economics, 2011, 3(1):101-128.

[25]徐舒.技术进步、教育收益与收入不平等[J].经济研究,2010,45(9):79-92。

[26]杨飞.市场化、技能偏向性技术进步与技能溢价[J].世界经济,2017,40(2):78-100。

[27]ALMLUND M, DUCKWORTH A L, HECKMAN J. Chapter 1-Personality Psychology & Economics [M]. Handbook of the Economics of Education, 2011, 4(3):1-181.

[28]李涛,朱俊兵,伏霖. 聪明人更愿意创业吗?——来自中国的经验发现[J].经济研究,2017,52(3):91-105。

[29]孔高文,刘莎莎,孔东民.我们为何离开故乡?家庭社会资本、性别、能力与毕业生就业选择[J].经济学(季刊),2017,16(2):621-648。

[30]HECKMAN J, RUBINSTEIN Y. The importance of non-cognitive skills: lessons from the GED testing program [J]. American Economic Review 2001,91(2):145-149.

[31]HECKMAN J, PINTO R, SAVELYEV P. Understanding the mechanisms through which an influential early childhood program boosted adult outcomes [J]. The American Economic Review, 2013,3(6):1-35.

High-Level Service Industries Development and Skill Premium:An Analysis of Micro Mechanism and Empirical Test Based on Non-cognitive Ability

SHENG Wei-yan, HU Qiu-yang

(School of Economics, Nankai University, Tianjin 300071, China)

Abstract：The development of high-level service industries will reshape the labor demand structure and income distribution. In this paper we put high-level service industries development, non-cognitive skills and skill premium into a unified theoretical framework, and propose a micro-mechanism interpretation from job tasks perspective for the increasing skill premium. The empirical results based on the matching data of CFPS 2010—2016 and provincial-level show that the difference in non-cognitive skills returns is an important factor for the increasing skill premium. The development of high-level service industries can affect the skill premium through affecting the non-cognitive skills return differently, and the above conclusions are still robust after eliminating the problem of selection bias and?endogenous problems and conducting various types of robustness tests. Furthermore, we test the self-selection effect of occupational mobility with the O*NET data of the US Occupational Information Network. The results show that skilled workers with higher non-cognitive skills will choose to enter into a more non-cognitive intensive occupational group to gain a higher skill premium with their comparative advantages. This paper provides a new perspective for skill premium, and also provides more targeted empirical evidence for building a human capital accumulation system that is compatible with skill needs.

Key words：high-level service industries; non-cognitive skills; skill premium; wage-effect; self-selection effect