推文人 | 周俊铭

原文信息：Deming, D. J., & Noray, K. L. (2018). STEM Careers and Technological Change (No. w25065). National Bureau of Economic Research.

 

　　在校园招聘的时候，听到“理工科毕业生备受企业青睐”“毕业进入BAT，3年买车5年买楼”的街谈巷议，推文作者总会暗自羡慕。另一方面，“程序员遭遇中年危机”似乎成为例行新闻，在最近的中国IT企业裁员潮之中，被媒体不断提及。

 

　　根据今日介绍的这篇论文，来自哈佛的两位作者指出，“劳动力市场上紧缺理工科毕业生”“理工科毕业生的高起薪”“中年理工男艰难转型”这三种现象的背后有着共同的原因：技术变革。

 

　　论文基于6个美国的数据库，得出4点主要结论：（1）高技术变革率的工作有着更高的工资，但这种工资溢价随着劳动者的年龄增加而逐渐消减；（2）从事高技术变革率的工作的劳动者更年轻；（3）理工类工作的工资比非理工的更高，这种工资溢价体现了劳动者所学的专业知识，而非劳动者的个人能力；（4）在职业生涯的开始阶段，个人能力高的毕业生的就业选择是理工类工作，随着年龄增加，他们会转向从事低技术变革率的工作。

 

　　通俗地讲，如果迎面走来一个人，询问如何赚得更多工资，我们不妨建议他，无论他是否喜欢是否适合，也学一个理工科的专业，毕业后找一份理工类的工作，但那份工作只能吃青春饭，等到一把年纪，就应该谋求转型了。

 

数据和方程

 

　　这篇论文的最大卖点是对数据的处理和运用。一方面，通过整合4个来自美国官方的调查数据库，两位作者区分出理工科专业和理工类工作对工资等因素的不同影响。另一方面，两位作者基于2个对招聘广告作文本处理的数据库，构造了一个测量技术变革的新指标。

 

　　为了从调查数据之中直观地勾勒出pattern，两位作者估计下式。

 

　　等号左边为工资（按2016年美元计价）。等号右边圆形框的A为01变量，表示2年的年龄区间，从“23，24岁”“25，26岁”到“49，50岁”，当样本的被调查者的年龄落在某个区间，则那个A=1，这样就允许不同的年龄区间有不同的估计系数。方形框的AS和PS分别表示应用科学和纯科学，前者指计算机和工程技术类专业，后者指生物、化学、物理、环境科学、数学、统计学，被调查者拥有一个这些专业的学位时，取值1，否则取值0，因此对应的估计系数就表示了这些专业的毕业生相对于非理工科毕业生的工资溢价。X包含影响工资的经典变量，不包含标准化考试成绩（个人能力的工具变量）。其余则为年份固定效应和误差项。注意，论文中涉及专业的计量方程，其样本都限制为本科或以上的毕业生。

 

典型事实

 

　　事实1：相对于非理工科毕业生，应用科学专业的毕业生的工资存在溢价，在23-24岁时，工资溢价高达39%，之后随年龄的增加而消减，到30岁时，工资溢价为26%，40岁时就只有17.5%。纯科学专业的毕业生在职业生涯开始时未享受工资溢价，但工资溢价随着他们年龄的增加而逐渐显露，在40岁时，工资溢价为12%，50岁时达16%。

 

　　进一步地，两位作者觉得，工资溢价的这种时间趋势和研究生学位的获得情况有关。下边两张图描绘了工资溢价的估计系数（基于不同的数据库）随时间的变化。

　　事实2：在应用科学专业的毕业生的职业生涯开始的10-15年间，他们从事理工类工作的可能性随时间呈现明显的下降趋势，这个趋势恰好吻合事实1的工资溢价变化趋势。纯科学专业的毕业生则没有这个趋势。

 

　　为得出下边两张图的估计系数，计量方程的因变量被更换了。

　　另一个有意思的现象是理工科学生在整个职业生涯中的就业状态，如下图，随着时间推移，应用科学专业的毕业生越来越不可能从事全职工作，纯科学专业的毕业生却刚好相反。

　　事实3：理工类工作的工资溢价随时间而减少。

　　两位作者把计量方程的两个交叉项“年龄区间×是否理工科专业”更换为一个交叉项“年龄区间×是否从事理工类工作”，得出的估计系数如上图。

 

　　事实4：工资溢价的时间趋势的驱动因素，不是理工科专业，而是理工类工作。

　　两位作者再修改一下计量方程，加入了交叉项“是否应用科学专业×是否从事理工类工作”，尝试分离理工科的专业和职业两种效应。估计结果显示：（1）从事理工类工作的年轻人享受工资溢价，而无论他们学什么专业；（2）在职业生涯开始的10-15年间，理工类工作的工资溢价会逐渐消失，这不关乎劳动者的专业；（3）理工类工作的工资溢价总是随时间递减。

 

技术变革

 

　　在论文接下来的部分，两位作者写了一个“stylized model”来刻画上述pattern，其中核心参数是技术变革率。为了更好地找出技术变革的经验证据，两位作者用2个基于招聘广告的数据库，构造一个测量技术变革程度的指标。这个新指标反映了，2007和2017这两年，美国劳动力市场上各个职位对劳动者技能的要求的变化情况。以下我们就用这个指标来指代技术变革率，注意，这个指标是[0,1]上的连续变量，在时间维度上不变，变化只在职业维度上。

 

　　首先，十年来，理工类工作所要求的技能有更大的变化，其技术变革率大约比非理工类的高出1个标准差。经过进一步估计，两位作者得出论文的4个结论。

 

结论

 

　　结论1：在职业生涯的早期，从事高技术变革率的工作可以获得工资溢价，随着时间推移，工资溢价逐渐减少。

　　上式的方形框表示交叉项“年龄区间×技术变革率”。上式的估计结果显示，如果从事理工类工作，23-24岁的劳动者可以享受到15%的工资溢价，39-40岁的劳动者则只有4.5%。

　　结论2：从事高技术变革率的工作的劳动者更年轻。

　　上式的圆形框表示年龄区间，估计结果显示，职位的技术变革率每增加1个标准差，就增加1%的可能性是由25-26岁，而非39-40岁的劳动者来从事这份工作。考虑到每个年龄区间的被调查者数量都约占7%的样本容量，1%的可能性的变化还算可观。

　　结论3：从事理工类工作的劳动者赚得更多，是因为他们学了理工科的专业，而不是因为他们个人能力强。考虑到主要是理工科的毕业生在做理工类的工作，这个结论否定了“聪明的人倾向学理工科专业，同时聪明的人赚得多”这一刻板印象。换言之，工资在更大程度上是支付给劳动者在校园内所流的汗水，而不是劳动者自身的聪明才智。

　　两位作者估计上式的几种形式，包括在等号右边加入更多交叉项，以及标准化考试成绩，得出结论3。估计的结果如下表。

　　“个人能力同时决定所学专业和工资收入”的刻板印象和下图所描绘的现象相矛盾

　　我们看到，应用科学专业的毕业生的工资，在其23-26岁时，比非理工科专业的多21-24%，但到其31-34岁时，工资溢价就减少至5-12%。如果刻板印象真的成立，我们不应该看到如此明显的降幅。

 

　　结论4：个人能力强的劳动者倾向于在职业生涯早期从事理工类工作，之后转行从事低技术变革率的工作。

　　上式方形框为01变量，表示“是否理工科专业”，圆形框为交叉项“年龄×考试成绩”，年龄按“23岁=0，24岁=1，25岁=2”换算，标准化考试的成绩作为个人能力的工具变量。两位作者对上式作了几种估计，结果如下表。

　　按估计结果，以一个个人能力比平均水平高出1个标准差的工人为例，如果他选择学理工科专业，则在23岁时他的工资比平均水平高21%，到35岁时会高40%，如果他选择学非理工科专业，则在23岁时他的工资比平均水平仅高2%，但到35岁时就会高39%。因为专业和职位密切相关，23岁时的情况差异反映了理工类年轻劳动者的工资溢价，而35岁时的情况趋同是由于原来的理工类劳动者转行了。

 

小结

 

　　整体而言，这篇论文可谓守正出奇，其设计还是沿袭经典的研究框架，受益于质量更好的数据，两位作者还是在前人的基础上，讲了更精细的故事。

 

　　今日选择介绍这篇论文，主要是推文作者受一只程序猿感叹“中年危机”的启发。论文所讲的，和那只程序猿描述的IT公司的技术狗的职业路径是一致的，所以，这篇论文对中国众多理工科学生可能也有参考意义。

 

Abstract

 

Science, Technology, Engineering, and Math (STEM) jobs are a key contributor to economic growth and national competitiveness. Yet STEM workers are perceived to be in short supply. This paper shows that the “STEM shortage” phenomenon is explained by technological change, which introduces new job tasks and makes old ones obsolete. We find that the initially high economic return to applied STEM degrees declines by more than 50 percent in the first decade of working life. This coincides with a rapid exit of college graduates from STEM occupations. Using detailed job vacancy data, we show that STEM jobs changed especially quickly over the last decade, leading to flatter age-earnings profiles as the skills of older cohorts became obsolete. Our findings highlight the importance of technology-specific skills in explaining life-cycle returns to education, and show that STEM jobs are the leading edge of technology diffusion in the labor market.