本文构建基于DOT与O*NET的职业任务 harmonized 数据框架,提出任务扩散与职业独特性指标,区分职业内部、经济整体以及独特和非独特任务的增加与移除。研究发现,1977—2018年任务在不同职业间的共享程度总体提高,职业独特性下降与较低工资增长相关;增加独特任务通常对应更高工资增长,而增加已广泛存在的非独特任务则对应更低工资增长,表明职业任务变化的经济后果取决于其在整体职业结构中的相对位置,而非任务数量本身。
报告标题: Occupational Uniqueness and Wage Growth,可译为《职业独特性与工资增长》。
作者: Roberto Vestrelli,意大利佩鲁贾大学;Andrea Fronzetti Colladon,意大利罗马第三大学。
发布日期: 2026年10月20日。
研究主题: 美国职业任务结构、任务在不同职业之间的扩散、职业独特性变化及其与工资增长之间的关系。
这是一篇劳动经济学和职业结构研究论文,而不是针对某家上市公司的证券研究报告。因此,报告没有股票评级、目标价、投资建议或企业估值结论。它的核心问题是:当一个职业增加或减少某些工作任务时,这种变化究竟意味着什么?仅仅统计“任务数量增加”或“任务数量减少”可能不够,因为新增任务可能是该职业独有的新任务,也可能只是已经普遍存在于其他职业中的任务扩散到该职业;同样,被删除的任务可能彻底退出经济,也可能仍然由其他职业承担。,
论文提出了一个核心概念——职业独特性(occupational uniqueness)。职业独特性衡量某一职业的任务组合与其他职业相比有多么不同。作者认为,职业任务变化不仅包含“任务内容发生了什么变化”,还包含“该职业在整个职业体系中的相对位置发生了什么变化”。研究结论是:1977年至2018年间,任务平均而言越来越广泛地分布在多个职业中,职业之间的任务边界趋于渗透;而职业独特性下降通常与更低的工资增长相关。,
论文的进一步结论具有明显的区分性:增加独特任务通常与更高工资增长相关,删除独特任务通常与更低工资增长相关;但增加已经在其他职业中广泛存在的非独特任务,反而与较低工资增长相关,而删除非独特任务与较高工资增长相关。,
既有研究已经记录了美国劳动者所执行任务类型的长期变化,并常常将其归因于技术进步、自动化、计算机化和机器人应用。传统方法通常把职业看作一个“封闭的任务包”,只观察某个职业内部有哪些任务增加或消失,而不追踪这些任务是否也出现在其他职业中。
作者认为,这种职业“孤岛式”分析会把经济含义完全不同的变化混为一谈。例如,一个职业新增“数据分析”任务,可能是真正意义上的新工作,也可能只是该任务此前已经由经济中的其他职业完成,现在扩散到该职业。两种情况下,任务数量都增加了,但前者可能提高职业稀缺性,后者却可能使职业与其他职业更加相似、降低其独特性。
类似地,某职业删除一项任务,也不必然意味着这项任务从经济中消失。如果任务仍由其他职业执行,则它只是从该职业退出,而非全经济范围内的任务衰退。因此,作者将任务变化放到“职业—任务网络”中考察,而不是只看职业内部的任务数量。,
作者将研究与Acemoglu和Restrepo的任务型模型以及Autor和Thompson关于专业技能的研究联系起来。任务型模型通常认为,新增任务可能提高工作需求或技能要求,删除任务则可能反映自动化、过时或需求下降,由此影响劳动力供给、劳动稀缺性和工资。,
本文提供了另一种互补机制:职业任务越独特,能够完成这些任务的劳动者越难以被其他职业中的劳动者替代;如果某一任务只由少数职业掌握,相关职业劳动者可能积累更强的任务特定人力资本,并获得更高议价能力。相反,当多个职业执行相似任务时,劳动者之间的可替代性可能提高,企业更容易在职业之间寻找替代人员,从而压低工资增长。,
不过,作者明确指出,本文主要识别的是统计关联,而非严格的因果效应。研究并未完全证明“独特性上升导致工资上升”,而是发现二者在控制部分因素后呈显著相关。,
任务数据来自两个时期的美国职业数据库:
原始数据包含114,873条DOT任务观察值,涉及12,374个详细职业代码;O*NET包含20,024条任务观察值,涉及974个职业代码。由于两个系统在职业分类、任务表述、任务编号和编辑规则方面差异很大,作者构建了一个跨时期、跨来源的任务匹配网络。
职业分类方面,作者将两个数据库映射至occ1990dd_18分类体系。完整交叉表包含306个一致职业,经过数据限制后,DOT覆盖303个职业,O*NET覆盖305个职业,最终两个时期都存在且进入工资数据合并的平衡面板包含302个职业。
工资、就业和人口统计数据来自Autor等人整理的数据集,使用1980年人口普查5%样本以及2014—2018年ACS五年样本。研究对象为17—65岁、上一年工作过并且当前属于民用劳动力的人员。职业层面的数据由个人层面数据聚合而来,同时使用人口普查权重和年度劳动供给权重,使工作时间更多的劳动者对职业平均工资贡献更大。
作者使用三个工资变化指标:
预测工资来自分组的Mincer型回归。作者按照性别与种族/族裔组合划分为八类,在每一组内使用受教育程度、年龄及年龄与教育的交互项预测工资。这样做的目的,是避免将职业工资上升简单归因于劳动者变得更年轻、更年长、受教育程度更高,或人口结构发生变化。
因此,组合调整后的工资指标并不是完全没有假设,而是控制了作者能够观察到的教育、年龄、性别和种族/族裔特征。未观察到的能力、经验质量、企业特征、地区工资差异和制度因素仍可能影响结果。
作者首先将任务文本统一转换为小写、删除标点和英语停用词,并进行词干提取;随后对跨职业、跨版本的完全重复文本进行去重。该步骤将不同任务表述从134,897条减少到98,937条,降幅为26.7%。
但简单文本匹配无法识别“同一活动使用不同措辞”的情况,也无法处理一项旧任务被拆分为多项新任务,或多项旧任务被整合成一项新任务的情况。因此,作者使用1,536维的OpenAI text-embedding-3-small模型,将任务映射到文本嵌入空间,再通过余弦相似度寻找最接近的候选任务。
作者人工审查每项任务最相似的25个候选任务,并归纳出四种任务变化模式:
例如,“数香蕉”与“数或称重并捆扎物品”可能因措辞和范围不同而具有较低文本相似度,但作者仍可能将其视为底层活动的实质延续。又如,旧版中关于根据客户要求安装汽车改装设备的一项综合任务,在新版中可能被拆成“阅读规格并确定改装内容”和“使用手工具与电动工具组装安装设备”两项任务。,
为扩大处理规模,作者使用GPT-4.1 Mini将人工建立的分类规则应用于所有尚未精确匹配的任务。模型只接收任务本身和余弦相似度不低于0.50的候选任务,输出类别及对应任务编号。作者随后将三类关系合并为最终网络:精确文本匹配、LLM支持的匹配,以及经过任务特定标准化后超过七个标准差阈值的高置信度嵌入匹配。,
这一方法具有较强的技术创新性,但也引入了模型依赖风险:任务分类结果部分依赖语言模型的判断,且七标准差阈值是作者设定的经验规则。虽然作者声称阈值较保守,但不同模型、提示词和阈值设定可能导致任务新增、删除和独特性测量发生变化。
任务扩散(task diffusion)衡量某一任务出现在多少个职业中。任务越广泛地出现在多个职业中,扩散程度越高;只出现在一个职业中的任务则具有很强的职业特异性。,
职业独特性是职业层面的指标。作者先计算该职业每项任务在其他职业中的扩散程度,再对职业内所有任务进行平均,并乘以负号,使得数值越高代表职业越独特,数值越低代表职业与其他职业越相似。
从经济解释看,职业独特性不仅取决于职业拥有多少任务,还取决于这些任务是否被其他职业共同执行。因此,两个职业即使任务数量相同,其工资含义也可能完全不同:一个职业的任务主要是独有任务,另一个职业的任务主要是跨职业普遍存在的任务。
作者区分了两种基本维度:
如果一个任务从职业A中消失,但仍然存在于职业B,则它属于职业层面的删除,却不是全球删除。如果一项任务在新版数据中没有任何旧版对应任务,则它才被视为全球新增任务。全球新增和全球删除是职业内部新增/删除的子集,因为全球新增必然也是相关职业新增,但职业新增不一定是全球新增。
作者还根据任务是否在其他职业中出现,将WO任务变化进一步划分为:
这一划分是全文最重要的识别设计。新增独特任务会提高职业独特性;新增非独特任务会降低职业独特性。删除独特任务会降低独特性;删除非独特任务则可能提高独特性。
图1的左侧列出了五种任务关系:拆分、合并、相同、衰退和新增。紫色节点代表既存任务,红色节点代表删除任务,绿色节点代表新增任务。中间的“within-occupation”部分只观察某项任务在同一职业内部从T0到T1的连接;右侧的“global”部分则把该任务与所有其他职业的任务连接也纳入判断。,
图1说明了一个关键区别:某任务在职业A中没有旧版对应项,并不必然意味着它是全经济的新任务,因为该任务可能已经存在于其他职业。只有当它在整个旧版任务网络中都找不到对应项时,才能归为全球新增。反向地,某任务从职业A中删除,也不代表它在经济中完全消失。
图1的下半部分区分独特任务和非独特任务。橙色任务只存在于职业A,黑色任务则同时连接到其他职业。该图直观说明,同样是“新增一项任务”,如果新增的是橙色独特任务,职业边界会更加清晰;如果新增的是黑色非独特任务,职业边界会更加模糊。
表1比较了1977年DOT和2018年O*NET中,扩散程度最高的100项任务和扩散程度最低的100项任务,并将其分为认知与分析、人际与沟通、行政与常规、手工与技术四类。,
对最广泛扩散的100项任务而言,1977年接近一半属于手工与技术类;到2018年,人际与沟通类成为最大类别,并且增幅最大。这说明扩散最广的任务集合已经从偏向手工、技术操作转向沟通、互动和社会技能。
对最不扩散的100项任务而言,这些任务在每个时期都只出现在一个职业中。1977年其中超过一半属于手工与技术类;到2018年,手工与技术类显著下降,而认知与分析类成为增幅最大的类别,并且2018年超过三分之一的职业特异性任务属于认知与分析类。,
表1支持论文的“双重变化”判断:一方面,人际互动任务越来越成为多种职业共享的组成部分;另一方面,真正区分职业的内容越来越集中于认知和分析活动。需要注意的是,用户提供的正文没有展示表1每个类别的完整百分比和原始计数,因此只能根据作者对表格的文字解读进行趋势分析,不能进一步核算具体类别占比。
表2覆盖12个主要职业组,报告1977年和2018年的平均职业独特性,以及两时期之间的变化。独特性数值被标准化为均值0、标准差1,统计显著性通过Welch两样本t检验判断。
结果显示职业独特性变化高度不均衡:
这些结果没有呈现出清晰的收入梯度,也没有显示独特性变化集中在某一种传统任务类型。例如,既有高收入职业组的独特性下降,也有中低收入职业组的独特性上升。因此,作者认为职业独特性不是传统的“技能水平”“收入位置”或“手工/认知/人际任务强度”的简单替代指标,而是职业在整个任务网络中相对位置的另一维度。
表3估计职业独特性变化与1980—2018年工资变化之间的长期差分关系。模型控制12个大类职业固定效应,并按照1980年职业就业小时数加权;职业独特性变化以1977年分布的标准差单位表示。
主要结果如下:
作者据此认为,独特性上升职业的工资增长并不主要由劳动者人口构成变得更有利所驱动,因为在控制教育、年龄、性别和种族/族裔等可观察特征后,关联反而更强。
这里需要审慎解释“44.5%”。论文将对数工资变化的回归系数直接表述为44.5%的工资增加,但严格的对数转换通常应使用(e^{\beta}-1)进行精确百分比换算。因此,读者应将其理解为作者报告的经济量级,而不宜在未看到完整回归系数和变量缩放方式时将44.5%视为精确的简单百分比涨幅。
表4比较职业内部任务变化和全球任务变化。面板A使用观察到的工资增长,面板B使用组合调整工资增长,面板C使用预测工资增长。,
观察到的工资增长结果显示:
这支持任务型模型的基本预测:全经济范围出现的新任务可能对应新需求或新型工作机会,推动工资增长;全经济范围消失的任务可能代表自动化或需求衰退,压低工资增长。但全球任务增加的正向关系在预测工资面板中较为稳定,说明其中一部分可能来自劳动者构成向高预测工资群体转移,而非完全体现为相同类型劳动者的工资提升。
表5进一步把职业内部任务变化按独特性分类。面板A为观察工资增长,面板B为组合调整工资增长,面板C为预测工资增长。
观察工资增长的主要结果是:
经济量级方面,独特任务删除份额提高10个百分点,与约39.5%的较低工资增长相关。组合调整后,独特任务删除对应约27.6%的较低工资增长,而非独特任务增加对应约63.9%的较低组合调整工资增长。
表5的意义在于,它解释了为什么不区分任务类型时,任务新增或删除的平均关联可能不明显。新增任务同时包含两种相反机制:新增独特任务提高职业稀缺性,新增非独特任务降低职业差异化;如果将两者混在一起,正负效应可能相互抵消。
本报告没有公司估值、股票估值或投资目标价,因此不存在DCF、可比公司市盈率、EV/EBITDA或敏感性分析。其“估值”对象实际上是劳动市场中的工资结果,作者使用的是长期差分回归,而非现金流折现模型。,
从计量方法看,作者的主要输入包括:
因此,44.5%、39.5%、27.6%和63.9%等数字是回归关联的经济量级,不是某项资产的内在价值或未来现金流预测,不能解释为投资回报率或股票上涨空间。
作者明确承认研究是关联性分析。工资增长可能同时影响职业任务重组,而不仅仅是任务独特性影响工资。例如,工资较高、需求较强的职业可能更有能力引入独特任务,因此存在反向因果。,
DOT和ONET的任务表述、覆盖范围和编辑规则不同。ONET任务是具有代表性的任务样本,并非职业实际任务的完整清单。因此,没有匹配任务不必然意味着任务真正消失或新增,这会影响“新增”“删除”和“全球新增”等指标。, ,
任务网络的一部分由GPT-4.1 Mini根据提示词分类。虽然作者设置了候选相似度下限和七标准差的保守匹配规则,但分类仍可能受到模型理解、提示词设计和候选任务集合的影响。,
任务数据主要比较1977年和2018年两个时期,工资数据比较1980年和2018年。该设计能够捕捉长期变化,但无法观察中间时期的连续路径,也难以判断独特性变化是在何时发生、是否经历过短期逆转。,
组合调整控制了教育、年龄、性别和种族/族裔等可观察特征,但不能消除不可观察能力、工作经验质量、企业议价结构、地区差异、行业需求和工会制度等因素。因此,“控制人口构成后关联仍然存在”增强了结果的稳健性,但不能视为完全排除了所有混杂因素。
第一,摘要称研究使用了跨1977—2018年的196,563条任务陈述,但正文随后称数据集覆盖134,897项任务,而第3.1节给出的DOT和O*NET任务观察值之和正好为114,873加20,024,即134,897。报告没有解释196,563与134,897之间的差异,这可能是任务观察值、去重前任务、候选连接或其他中间口径不同造成的,但属于需要进一步核实的数据口径问题。, ,
第二,作者将职业独特性解释为相对稀缺性、较低可替代性和更强议价能力,但这些机制主要属于理论解释和未来研究方向,并非本文直接检验的中介机制。作者也明确表示,未来研究需要识别技术冲击、劳动市场制度和替代成本等具体渠道。,
第三,附录中的LLM提示词输出格式要求label取1至5,但正文实际描述的主要类别是四类,且第五类MEASUREMENT_NOISE没有在主体分类框架中清晰定义。这可能是提示词模板遗留或数据处理接口设计问题,值得在复现研究时检查。, ,
这篇论文最重要的贡献,不是简单地证明“职业任务会变化”,而是说明任务变化必须放在职业之间的相互关系中理解。1977年至2018年间,任务平均扩散程度从0.033%上升到0.055%,几乎翻倍,说明职业边界总体上变得更加渗透。
图表显示,广泛扩散的任务从手工和技术活动逐步转向人际与沟通活动,而职业真正独有的任务则从手工活动更多转向认知与分析活动。换言之,劳动市场同时发生两种变化:沟通和社会互动成为多类职业共享的通用内容,认知和分析任务则越来越成为区分职业的专门内容。,
工资回归进一步表明,职业独特性上升与更高工资增长相关,首选组合调整模型中一个标准差的独特性增加与44.5%的工资增长关联。任务层面分析则揭示,新增或删除任务本身不是充分解释变量,关键在于这些任务是否独特:新增独特任务通常对应更高工资增长,删除独特任务对应更低工资增长;新增非独特任务与较低工资增长相关,而删除非独特任务可能改善职业相对差异化。, ,
因此,作者的总体立场是:研究职业变化时,不能只计算任务数量,也不能只讨论任务专业程度,还必须分析任务在整个职业体系中的扩散、重叠和独特性。该框架为理解技术变迁、职业替代性、技能转移和工资结构提供了新的经验维度,但由于任务匹配依赖文本模型、研究采用长期关联分析且缺乏明确因果识别,其结论更适合作为重要的经验事实和研究假设,而不是已经完全验证的因果定律。,
2610.28133.pdf