图片来源：新华网

原文信息：

Conzelmann, J. G., Hemelt, S. W., Hershbein, B., Martin, S. M., Simon, A., & Stange, K. M. (2023). Skills, Majors, and Jobs: Does Higher Education Respond? (Working Paper 31572). National Bureau of Economic Research. 

原文链接：

https://doi.org/10.3386/w31572.

大量文献表明，人力资本投资如何响应快速变化的技能需求，影响着经济增长、福利和不平等。而个人培养特定技能最直接的方式，至少对于接受过高等教育的劳动力而言，是通过大学期间的课程学习。

这篇文章量化了美国大学本科专业的人力资本对劳动力市场需求变化的反应程度和性质。结果发现，劳动力市场需求的变化显著提升了高校授予相应专业的学士学位数量和学分的修读率。有证据表明，非终身教职的教师数量增加，以及其所教授课程的学分数量增加，是高校人力资本应对技能需求变化反应的重要机制。进一步的，选择性较高的院校和研究密集型院校几乎不对需求变化做出反应，而成本更低的专业反应更为灵敏，尤其是通信、社会科学和卫生健康等专业领域。特别的，即便考虑到不同专业选择，女生也比男生对劳动力市场需求变化更为敏感。

1. 劳动力需求的定义与测算

Burning Glass Technologies（BGT）汇总了约4万个招聘网站和企业官网，并进行系统化编码，最终涵盖了2010-2017年美国约1.53亿条招聘信息，包括职业、地区、技能要求、学历要求、经验要求等70余个变量，并标准化了15000余项个人技能。

作者将样本限制在至少要求一项技能、本科及以上学历和在大都会地区发布的招聘信息。为了分析各专业的技能需求，作者将大学专业分为71个类别。

由于样本中没有明确提到具体专业需求的招聘信息比例将近50%，为避免测量误差，需要计算每条招聘信息对每个专业的需求概率。作者使用标签排序平均精度（Label Ranking Average Precision，简称LRAP）指标，计算过程如下：

首先，对于每条招聘信息，按预测概率对专业进行排序。其次，对于每条招聘信息的每个可观测专业，确定该专业在专业预测中的排名，定义为A，以及在这条招聘信息提到的所有专业中，至少达到A排名的预测专业数量，定义为B。最后，用B除以A，对给定的每条招聘信息的每个专业进行重复，并将这些比率平均到“招聘信息-专业”配对上。LRAP值越接近于1意味着模型以更高的概率预测了更多的真实值。

利用LRAP指标，作者利用5%的随机样本使用随机森林法进行了训练（使用了不同算法和不同抽样比例的训练样本进行检验），样本特征值包含：职业代码、行业代码、大都会区、年份和月份，以及从企业名称、职业名称和标准化技能文本中提取的1250个最具预测性的单词。

随后，作者测算了每个专业匹配每条招聘信息的概率，将这些概率汇总起来，可以量化每所高校每年特定专业在劳动力市场上的需求，即每个专业有多少招聘需要。再与明确提到专业需求的招聘信息汇总后，作者构建起“院校-专业-招聘信息-年”的专业和职业匹配数据库。

2. 界定劳动力市场

对于毕业生就业面临的劳动力市场，作者根据校友的近期生活和工作地点，更为细致地衡量了每所高校特有的劳动力市场。数据来源于LinkedIn，包含各院校2010-2018年的校友人数。经过处理后，作者得到每所高校分布于美国278个地区的校友人数，并对数据的代表性进行了论证。

为什么要根据校友去向来确定不同院校面临的劳动力市场呢？举个例子，德州对于计算机相关职业的需求增长不太可能会对北卡州院校的毕业生产生影响，但纽约地区的需求增长则会，因为北卡州院校的毕业生大部分会前往纽约就业。因此，可以将院校的校友地区分布视为院校面临劳动力市场的计算权重。      

(1)式中，基于t年g地区m专业的招聘信息量A，使用s院校在g地区的校友数量进行加权，得到t年s院校m专业的有效招聘信息量。

3. 院校产出数据

这部分数据集包含每所院校每年按专业授予的学士学位数量，学分、课程、教师分配、班级分配等学业和师资数据。

4. 实证框架

作者感兴趣的问题是，不同院校特定专业的需求变化，如何影响人力资本投资（以学位或学分来衡量）。

作者首先简单构建了一个关于专业选择的理论模型，如(2)式。

(2)式中，考虑一个c世代l学生要进入s高校的m专业，他该如何最大化其专业选择的效用m*_cls？这应该等于每个专业的平均净值V_csm加上自身的专业偏好ε_clsm。

进一步的，将V_csm分解为三部分，如(3)式。首先，s院校m专业的固定部分η_ms，捕捉了非时变的因素；其次，s院校m专业的结构部分μ_cm，捕捉了专业选择的时变因素，如技术或人口变化带来的需求变化；最后，γ_cms捕捉了c世代m专业毕业生的相对劳动力需求。

将同批次选择s院校的学生人数加总，可以得到院校s为c世代选择m专业学生提供的学位数量，是该专业劳动力需求和其他世代学生、专业和院校特定因素的函数。经过一长串的推导，可以得到如下简约式估计的OLS模型。

(4)式中捕捉了专业的需求增长（岗位招聘）和专业的产出增长（授予的学位数量）之间的关联性，即教育投资相对于雇主技能需求变化的弹性。

当然，OLS估计可能存在一定内生性。比如院校了解到部分行业趋势而提前开设相关专业，利用招聘信息测度劳动力需求存在一定测量误差等。对此，作者在专业-地域层面构建了一个Bartik工具变量进行处理，并进行了一系列检验。

以IT行业为例简单说明该工具变量的思想，在IT行业的劳动力市场上，全国层面IT行业的繁荣将增加对于IT专业毕业生的需求，尤其对于那些向IT部门密集地区输送IT专业毕业生的院校。因此，地区产业在全国的份额，结合分配到全国各地区的就业变化，仅会通过招聘信息中要求的技能和专业变化来影响教育投资，相关性和外生性都是满足的。

1. 基本事实

从图2和图3可以看到，不同专业需求和供给的对应变化差异较大。师范类专业需求高但供给少，英语类专业也是如此；计算机科学和工程类专业需求没那么多但供给较多；护理类专业需求和供给保持一致增长；商科类专业需求和供给均低于平均水平。

同时，不同专业内部的需求也存在较大差异，例如师范教育类专业的需求全面增长，但四分位数间的差距仍然较大。

2. 基准结果：对学位授予和学分的影响

表2汇报了劳动力市场需求变化对人力资本投资的估计值，人力资本投资以高校分专业授予的学位数量和学分来衡量。经济意义上，五年内某一专业的招聘信息每增加1%，该专业七年内的学位授予数量将增加0.98%-1.24%，本科学分修读率将增加0.9%-1.3%。

3. 机制：对课程设置和师资设置的影响

作者试图从专业课程设置和师资设置的角度，去探讨劳动力市场的专业需求变化如何影响高校专业的人力资本供给，表3汇报了估计结果。第一，高年级课程和低年级课程设置均发生了显著变化，且弹性基本一致（Panel A）；第二，高年级课程和低年级课程节数统计上并没有显著增加，但低年级课程节数略有提升（Panel B）；第三，终身教职和非终身教职的教师数量虽然统计上不显著，但非终身教职的教师数量明显增加更多（Panel C）；第四，非终身教职的教师所教课程学分数显著增加（Panel D）。

4. 异质性：院校、专业和学生特征的不同影响

进一步的，作者研究了院校、专业和学生特征在劳动力市场需求引致的人力资本供给中所产生的不同影响，表4、图5和图6汇报了估计结果。

整体而言，公立和私立院校均受到影响，但估计弹性接近；选择性较高和研究密集型（提供更多博士学位）的院校几乎没有反应，但选择性较低和提供更多硕士学位的院校反应则较为敏感，这可能是因为后者更依赖于学费收入和公共拨款，受到的市场压力更大，更有动力对劳动力需求变化做出反应。

不同专业领域存在不同的成本结构，以每学分的教学支出来衡量成本可以发现，中低成本的专业领域反应更为敏感；而对于具体专业的分析表明，通信、社会科学、卫生健康和工程学等领域对于技能需求变化的反应最为敏感，教育和人文学科的反应则较小。
 

最后是学生性别差异，女生对于劳动力市场需求变化的反应明显要高于男生，并且这一现象几乎覆盖了所有专业。不过，女生也更多选择就读对劳动力需求变化整体反应更强的专业领域，如卫生健康、通信、社会科学等。

这篇文章研究了高等教育人力资本的投资是如何应对劳动力需求冲击的。利用数百万计的网络招聘信息，作者描述了2010-2017年美国几乎所有公立和私立型高校特定专业对于技能需求变化的反应。

结果发现，劳动力市场需求的变化显著提升了高校授予相应专业的学士学位数量和学分的修读率，平均弹性为1.3。有证据表明，非终身教职的教师数量增加，以及其所教授课程的学分数量增加，是高校人力资本投资应对技能需求变化反应的重要机制，高校似乎通过依赖非终身教职的教师来提高学位产量。进一步的，选择性较高的院校，以及研究密集型院校（提供更多博士学位）几乎不对需求变化做出反应，而成本更低的专业反应更为灵敏，尤其是通信、社会科学和卫生健康等专业领域。最后，即便考虑到不同专业选择，女生也比男生对劳动力市场需求变化更为敏感，虽然这与劳动力市场的性别差异息息相关。

Abstract