摘要：四十年前，美国职场上有两类看似相近的职业：会计文员和库存文员。这两个职业的核心活动都包含了大量常规可编码的任务：会计文员记录交易、核对银行对账单、识别差异以及编制图表；库存文员检查库存、编制清单以及计算价格等。随着计算机普及，这些任务越来越多地被自动化。让人意

图片来源： 百度百科

原文信息： Autor, D., Thompson, N. (2025). Expertise.

01 引言

四十年前，美国职场上有两类看似相近的职业：会计文员和库存文员。这两个职业的核心活动都包含了大量常规可编码的任务：会计文员记录交易、核对银行对账单、识别差异以及编制图表；库存文员检查库存、编制清单以及计算价格等。随着计算机普及，这些任务越来越多地被自动化。让人意想不到的是，四十年后，这两个看似相似的职业却走向了相反的趋势：会计文员的岗位数量减少了三分之一，但薪资水平却上涨了近四成；库存文员的数量则翻了一倍，薪资却下跌。

为什么同样面对自动化的冲击，一个职业“人少薪高”，另一个却“人多薪低”？ Autor和Thompson的论文由此出发，提出了一个全新的专长框架（Expertise framework）。该框架的核心假设是：职业是由不同专长水平要求的任务构成的组合。自动化移除某些任务后会改变职业所需的总体专业门槛，从而对薪资和就业产生两种相反方向的影响：

增强专长（Augmenting Expertise）：如果自动化移除的是原本对该职业来说低专业度任务，而剩下一些高难度任务，那么职业的专业要求上升，导致薪资提高，但合格从业者变少，因而就业人数下降。这类似于提高了进入门槛：留下来的都是高手，更稀缺，因此薪资上涨，但岗位减少。

替代专家（Replacing Experts）：如果自动化移除的是该职业中的高专业度任务，那么该职业的专业要求会降低，更多低技能劳动者可以胜任，导致就业人数上升，但由于劳动力供给扩大、技能稀缺性下降，薪资水平会下滑。这相当于降低了门槛：以前只有专家能做的工作如今普通人也能做了，所以薪资本身趋向于整体下跌。

02 理论模型

专长框架模型建立在三个核心概念之上：

分层专业技能（Hierarchical expertise）

模型假设存在数量为 的工人，均匀分布在专业技能水平 上。关键假设为工人 的专长水平当且仅当 时，才能够完成任务 。这意味着专业技能具有严格的层次结构：高技能工人可以完成所有低技能工人能完成的任务，但反之不成立。

2. 职业内任务捆绑（Occupational task bundling）

职业被定义为一组绑定在一起的任务集合，模型假设职业 的生产需要任务 的组合。每个工人必须有能力完成其职业中所有未被自动化的任务。这意味着，劳动者要想从事该职业，必须具备完成其中最困难任务的能力，这构成了进入该职业的专长壁垒。这一假设是本框架的关键创新，区别于传统任务模型的原子化任务分配假设。

3.自动化的效应（Automation）

自动化可以改变职业对专长水平的要求。当一项任务被自动化后，剩余任务对应的专长水平会因此降低或提高。自动化水平由 表示，自动化进步对应于 的增加，位于区间 的任务会被自动化。

模型将任务分为三类：

专家任务：位于区间 的任务，需要劳动力由专业知识水平满足 的工人来完成。

自动化任务：位于区间 的任务，以前由劳动力执行, 现在由于自动化已被资本高效完成。

通用任务：位于区间 的任务，需要劳动力但不要求特定专业技能，可以由任何工人执行。

图 1横轴为不同专长要求的职业，纵轴为不同类型的任务水平。对于职业 而言，任务区间为 ，该职业里 为通用任务， 为被自动化替代的任务。因此，任何工人都能做职业 。对于职业 而言，任务区间为 ，该职业中有一部分专家任务未被机器替代。所以，进入该职业的工人必须至少具备这些剩下的任务专长水平。

基于任务层面、工人层面、职业层面以及最终品的生产函数以及相应均衡条件求解后，作者得出了以下命题：

命题1（分离均衡）： 所有专业度 的工人都能找到匹配自己专长的职业 。

命题2（薪资跳跃）： 职业薪资函数 在职业门槛 处有跳跃不连续： 。

命题3（薪资单调性）： 除了在 处的不连续跳跃外， 在 上递增。

图2展示了一般均衡时自动化水平变化如何影响不同专长水平的薪资。可以看到如果一个职业刚刚被自动化到头（ ，即它已经没有任何专家任务了），其薪资 会减少至通用劳动的薪资水准 。还没被自动化抢完专家任务的高专长职业，薪资涨得越猛。

推论2和3（就业效应）： 在自动化水平 刚好达到某个职业 的专长水平时（即 ），其就业人数 会突然跳增，且除了在 处的跳跃外， 在 区间保持常数，在 递减。

以职业 的就业人数曲线为例，图3表明在 时：自动化还没法完全替代他们的核心任务，就业人数稳定。在 时：自动化技术刚好能干掉他们所有的专家任务。职业门槛消失，就业人数猛地跳增。当 后，一些新被替代的职业开始吸引劳动力，导致旧被替代职业的吸引力下降，就业人数开始减少。

03 数据及指标

职业专业度测度

作者提出了一个内容无关的专业度衡量方法，即不直接依赖任务描述的语义内容，而利用词频和信息熵来度量任务的专业含量。该灵感来自高效编码假说（Efficient Coding Hypothesis）：在日常语言中，越专业、越特定领域的术语出现频率越低，且一旦出现，其所属领域是可以被预测的（熵低）。结合1977年的DOT数据库和2018年O*NET数据库，作者根据任务描述中的词汇构建了一个针对303个职业的专业度，XPT值越高，说明这个职业需要的专业知识越高。并将该指标标准化为1977年的职业专业度均值为0，标准差为1。

为了量化1977–2018年间每个职业失去和新增了哪些任务，作者运用了高维词嵌入技术识别各职业的任务移除和新增。根据欧几里得距离将任务分为移除、保留和新增三类，并计算出每个职业的专长度变化与任务数量变化：

移除任务带来的职业专长度变化：如果保留下来的任务比原来所有任务的平均专业知识水平高，说明移除的是低技能任务，这个值就是正的；

新增任务带来的职业专长度变化：如果新增的任务比保留下来的任务专业知识水平高，这个值就是正的；

职业专长度净变化：把上面两个值加起来，就是这个职业整体的专业知识变化。

同时，他们还计算了任务数量的变化，包括任务总数的减少程度 、任务总数的增加程度 和任务数量的净百分比变化 。

04 实证结果

职业专长度越高，薪资越高

结合Autor 等（2024）关于美国人口普查和ACS职业的薪资和就业的数据，作者检验了职业专业度与薪资的关系：

作者发现，不管是1980年还是2018年专业知识水平与薪资之间均呈现出显著的正相关关系。1980年的数据显示，专业知识每提升一个标准差，个体平均薪资水平可相应提升16%；而到了2018年，这一比例进一步扩大至31%，专业知识价值的日益凸显。值得注意的是，即便在控制了教育背景及职业分类等变量后，这一相关性依旧稳健存在（表2）。此外，专业水平与薪资之间的正相关关系，不仅来源于不同职业类别之间，还来源于职业内部。

2. 任务增减对薪资和就业的影响

建立如下两个模型分别验证职业任务净水平变化、职业任务移除和新增变化与薪资变化之间的关系：

表4A的回归结果显示：从长期变化来看，专长度提升越多的职业，薪资涨得也越快。净专长度变化每高一个标准差，薪资每年就多涨18%，而且这和任务数量的多少没关系。任务数量增加10%，薪资上涨约3.3%。表4B表明无论是任务移除还是任务新增，只要引起专业度提升，都会显著带来职业薪资的增长；反之，专业度降低则导致薪资相对下滑。而任务数量减少会预测薪资下降，任务数量增加则预测薪资上涨。

上述结果的重要意义在于：同样是任务的增减，只有考虑“移除或新增了任务后对原职业而言，职业专长度是因此提高还是降低了”才能准确预测薪资走向，简单地看任务多少并不足以解释薪资变化。这一点正是传统模型无法捕捉而专业度框架可以解释的。

类似地，作者将Y变量换为就业人数变化，进行上述回归。作者发现，和薪资不同，专长度越高的职业，就业人数反而越少。净专长度变化每高一个标准差，就业人数每年就减少5.1%。而任务数量每增加10%，就业人数就增加14%；任务数量减少则就业人数也减少。

3. 常规任务增减对薪资和就业的影响

同样是常规任务，在不同的职业里，所处的专长水平可能不一样。常规任务在一些职业中是低技能的辅助工作；而在另一些职业中则是该职业中最复杂、最核心的技能部分。为了更直观地展示专业度框架的解释力，作后聚焦“常规任务自动化”（routine tasks）这一经典情形，计算常规任务的专长暴露度指数 ，若 为正，则说明在职业中自动化移除这部分常规任务后，职业专长度反倒提升，表明这部分常规任务处于职业中的低专长水平位置。若 为负，则说明这部分常规任务处于职业中的高专长水平位置。

作者把职业样本分成两组：一组是常规任务的移除预计会让职业专长度下降的样本（图14a和图14c）。另一组是常规任务的移除预计会让职业专长度升的样本（图14b和图14d）。作者发现，常规任务的自动化的确会让职业的专长度两极分化。那些被预测为因为常规任务移除而专长度降低的职业，它们的薪资也确实下降了；而因为常规任务移除而获得更高专长度的职业，它们的薪资则上涨了。

此外，作者在全部样本的回归中也同样发现，当 越正时，即自动化移除职业中的常规任务后，职业专长度提升的情况——表明常规任务处于职业中的低专长水平位置，这种职业的工资上升，就业人数相应减少。

05 结论与意义

过去的技能偏向技术变革理论更多聚焦于技术对任务数量的影响，而这篇论文引入了专业度这一框架，试图解释劳动力市场中的矛盾现象。作者强调，技术进步会重新塑造职业对人类专业技能的稀缺程度。自动化既可能替代专家使相关技能不再稀缺，从而削弱这些技能的薪资溢价并吸引更广大群体的就业；也可能消除非专家任务，让剩余任务更聚焦于人类专长，提升薪资的同时也提高就业门槛。

来源：古畔听史