详尽分析报告:“基于职业评估的经济复杂性:从隐性到显性”
1. 元数据与概览
报告标题: A JOB-BASED ASSESSMENT OF ECONOMIC COMPLEXITY: FROM HIDDEN TO REVEALED
作者: Antonio Russo, Pasquale Scaramozzino, Andrea Zaccaria
机构: 罗马托尔维加塔大学经济与金融系、SOAS伦敦大学金融与管理学院、意大利国家研究委员会复杂系统研究所
发布日期: 2025年7月9日
研究主题: 经济复杂性的测度方法比较——基于职业技能的“隐性复杂性”与传统的产品/出口导向“显性复杂性”
核心论点摘要:
报告提出了一种基于职业技能的经济复杂性测量框架,将复杂性定义为产业和地区所需职业技能的质量和多样性,即“隐性复杂性”。这与现有依赖出口或产出数据计算的“显性复杂性”形成对比。作者发现隐性复杂性与工资水平和劳动生产率增长呈正相关,而显性复杂性并未表现出这种关系。研究进一步探讨了隐性复杂性在地区经济增长和产业生产率中的应用。
1 ,1]
2. 逐节深度解读
2.1 引言
关键论点:
经济复杂性旨在衡量产业和地区的“能力”内涵,传统方法依赖于生产或出口等显性经济活动衡量能力,但“能力”本身难以直接观测和定义。当前理论基础是一个三层网络(国家、能力、产品),但能力数据缺失使其只能通过产出数据间接推断。本文尝试用职业技能的多样性和复杂性来估算能力,实现“隐性复杂性”的测度。
理论基础解读:
经济复杂性通过“复杂产品需多/稀缺能力”和“经济体具备多/稀缺能力”来定义产品和经济体的复杂性,但概念模糊且缺数据支持。文章强调采用人力资本(职业技能)作为能力的关键体现,借鉴了Aufiero等人关于“工作适应度”(Job Fitness)的算法,量化职业所需技能的复杂度,通过对产业职业组成的加权平均来测量产业复杂性。该方法被称为“隐性复杂性”,与传统基于出口产出的“显性复杂性”形成鲜明对比。
文献回顾:
作者梳理了相关文献,如Schetter等构建基于人力资本的产业间相关性,Lo Turco和Maggioni通过技能预测城市经济增长,Buyukyazici等用技能复杂性分析产业。本文区别于前者的是在实证策略和理论探讨上的创新。
1
2.2 数据描述与预处理
数据来源与网络构建:
技能-职业网络:基于O*NET数据库,68项技能与439个职业,权重转化为二元边,依据技能对职业的重要性筛选。
职业-产业网络:从美国劳工统计局(BLS)的OEWS数据库获取,基于工资总额构建就业权重,产业采用4位NAICS代码,实际使用220个非农产业(其中74为制造业/采矿,146为服务业)。
产业-县区网络:基于BLS的QCEW数据库,计算产业在县区的工资位置商(WLQ),转为二元边,覆盖3159个美国县。
另外,用UN-COMTRADE数据对出口进行编码,计算显性复杂性相关指标。
公式要点:
工资位置商(IWQ和WLQ)是归一化工资比率,类似Balassa显性比较优势,用于确定相关性框架中二元连接边的阈值为1,保证边的存在代表职业或产业在对应地区的相对重要性。
图表说明:
图1示意四层网络结构(技能、职业、产业、县区)及其对应数据源和通过Fitness计算的经济复杂性结果计算流程,显示多层网络铺设和算法应用逻辑。
2 ,2]
2.3 显性复杂性的计算
传统方法基础:
使用UN-COMTRADE商品出口数据构建国家-产品双边网络,计算Balassa系数(RCA)确定一个国家在某产品上的比较优势,筛选RCA>1建立二元网络。
应用Fitness和复杂度算法迭代计算商品复杂度和国家魅力值(fitness),此为显性复杂性的典型算法框架。
本研究扩展:
利用HS(Harmonized System)编号转化对应至NAICS产业标识,将出口商品复杂度映射至产业层级,用加权平均法构成产业复杂度指标,进而计算基于产业出口结构的地区“显性”经济fitness指标。
须注意此显性fitness忽略了服务业,且基于产出数据。
对比“隐性复杂性”:
“隐性复杂性”基于产业内职业的技能复杂度,从投入侧直接反映能力;
“显性复杂性”则基于产出模式,是输出端能力的显现。
4 ,4]
3. 方法论详析
3.1 工作适应度(Fitness of Jobs)
核心思路是对技能-职业网络应用Economic Fitness and Complexity算法。
职业适应度表示职业所需技能的复杂加权多样性;技能复杂度则对按职业适应度反向加权的贡献求和。迭代形式:
[
F_j^{(n)} = \sum_s M_{sj}^{(1)} Q_s^{(n-1)}, \quad Q_s^{(n)} = \frac{1}{\sum_j M_{sj}^{(1)} \frac{1}{F_j^{(n-1)}}}
]
高适应度的职业依赖于复杂且稀有技能,反之低适应度职业技能简单且常见。
迭代归一化至收敛,结果稳健且独立于初始值。
3.2 基于职业的经济复杂性
产业的隐性复杂性定义为其内部所有职业适应度的加权平均(权重为该职业人数):
[
Q_i^{JB} = \frac{\sum_j N_{ji}^{(2)} F_j}{\sum_j N_{ji}^{(2)}}
]
进一步,县区的职位适应度即各产业隐性复杂性的加和,权重为产业在县区的重要性(使用产业-县区二元网络):
[
F_c^{JB} = \sum_i M_{ic}^{(3)} Q_i^{JB}
]
这种以技能及人力投入为基础的测量涵盖服务业,克服了传统测度服务缺失的问题。
3.3 显性复杂性指标比较
采用标准经济复杂性算法对县区-产业网络进行迭代(内生复杂性),计算县区和产业魅力值(Fitness)与复杂度:
[
F_c^{(n)} = \sum_i M_{ci}^{(3)} Q_i^{(n-1)}, \quad Q_i^{(n)} = \frac{1}{\sum_c M_{ci}^{(3)} \frac{1}{F_c^{(n-1)}}}
]
以上指标基于产出数据,服务业数据不可用。
同时提供基于出口数据的外生期货(exogenous fitness),通过将产品复杂度映射至产业并加权求和获得。
4 ,4]
4. 图表深度解读
4.1 图2:隐性复杂性与显性复杂性产业比较
描述: 横轴为本研究计算的基于职业技能的隐性产业复杂性,纵轴为基于出口数据的传统显性复杂性。点标明了产业类别,虚线为OLS回归拟合线。
数据及趋势解读:
整体二者相关,但存在明显偏差。机械和电子产品产业复杂性高,木材造纸、皮革等传统低复杂性产业二者一致表现低值。
药品和航空航天产业隐性复杂性高但显性复杂性低,表明传统指标对高技能但低出口比重产业低估复杂性。
解释原因时提及显性复杂算法高度非线性,对少数国家出口的异常反应降低了这些产业在显性复杂性中的排名。
此外,依赖资源的产业如采矿石油在显性复杂性中因产出性质被严重低估,但其复杂职业技能使隐性复杂性值高。
结论: 隐性复杂性有助于填补显性复杂性在高度技能密集型或资源依赖型产业测度的不足。
6
4.2 图3及表1:隐性复杂性与工资关系
图3说明: 各产业部门的平均工资水平相对于其隐性复杂性的散点图。观察显示工资先随隐性复杂性上升,在高复杂性区域趋于平缓。健康与社会援助部门因职业组成异质性而异常表现。
回归模型(表1):
因变量为2017年行业的平均总薪酬。自变量包括隐性复杂性、显性复杂性(出口基)、员工人数、收入及行业集中度。
结果显示显性复杂性对工资无明显统计显著性,而隐性复杂性对工资水平的解释力较强,且在制造业、服务业及综合行业均显著。
模型5引入服务业虚拟变量,表明服务业工资水平整体较低,但隐性复杂性对工资的影响对服务业和制造业无差异显著性。
结论: 隐性复杂性更能反映产业工资结构,且兼容制造与服务业,不同于以物质产出为核心的传统方法。
7 ,7]
4.3 表2:隐性复杂性与劳动生产率增长
说明: 通过对2017年行业特征预测2017-2022年期间的劳动生产率增长(以PPI调整后产出/员工的对数增长)进行回归分析。
结果重点:
显性复杂性对生产率增长无显著影响,而隐性复杂性在制造业和服务业均呈现显著正向影响。
服务业和制造业可用同一模型解释劳动生产率增长,隐性复杂性的预测作用稳定。
意涵: 强调了隐性复杂性作为未来产业绩效重要预测指标的可靠性,特别是在涵盖服务业的情况下。
8 ,8]
4.4 图4:县区层面的隐性与显性复杂性比较
内容描述:
面板图1(上):基于职业技能的县区隐性经济fitness地图,全面覆盖美国大部分县,颜色值反映当地产业职业技能的综合复杂度。
面板图2(中):传统基于出口数据的县区显性fitness地图,约三分之一县无数据无法计算该指标,尤其是制造业占比较低的县。
面板图3(下):对比基于产业-县区网络迭代得到的内生fitness与隐性fitness,内生fitness分布不连续、多峰,存在离群值(多为数据隐私引发的异常高复杂度行业如中央银行)。隐性fitness分布平滑,便于回归等统计分析。
意义说明:
隐性复杂性在县区层面不仅解决数据完整性问题,还通过更合理的分布特征提升了对经济结构的刻画能力。
使得更多依赖服务业或非制造业的县区能够获得经济复杂性量化,为区域经济分析和政策制定提供更完整基础。
9 ,9]
4.5 表3:县区经济增长回归分析
分析目标:
回归县区2017-2022年实际人均GDP增长率,主要自变量包括2017年县区基线GDP、人力资本多样化指标、不同类型的经济fitness(隐性、内生、外生)及州固定效应。
主要发现:
基线GDP负显著影响,支持收敛假说。
所有fitness指标均对GDP增长施加正向且显著作用,证实经济复杂性与后续增长的正相关。
多样化指标呈负相关或不显著,表明多样化本身不利于增长,强调复杂性(质量)比单纯数量(多样化)更关键。
外生fitness模型样本较小,剔除较不发达县;隐性fitness覆盖面更广。
政策建议隐含:
政策应优先培养高复杂性产业和职业技能人力资本,而非简单追求产业多样化。
11
5. 估值分析
此报告核心为经济复杂性的测度方法创新,未涉及传统的金融估值模型如DCF、P/E等,故无相关估值部分。评估核心为复杂性与经济绩效指标的统计关联,而非持股或企业价值评估。
6. 风险因素评估
报告未专门设置风险章节,但部分提示与潜在风险点可概括为:
数据限制与分类匹配风险,例如HS产品到NAICS产业映射中可能存在偏差。
O*NET和BLS数据覆盖范围与时间滞后性,可能带来测度误差。
职业技能复杂度的定义本身依赖算法假设,反映的真实能力质量仍存争议。
产业间的“职业复杂性”不完全等同于产品市场竞争力,需谨慎推断。
统计模型未能完全解释全部异质性,如健康社会援助行业的误差。
私有数据处理及隐私限制可能导致少数地区复杂性被高估。
7. 批判性视角与细微差别
作者对“能力”的定义较宽泛,将人力资本技能作为所有能力的核心,虽然贴近现实,但可能忽视技术、机构、基础设施等非人力资本因素。
通过算法构造的适应度指标取决于初始网络构建与阈值设定,具有一定任意性与模型风险。
显性复杂性因受到非理想贸易结构数据和算法非线性影响,表现不足,但其背后的经济产出直接性仍具重要价值,未来可考虑混合指标综合利用。
本文研究以美国数据为主,跨国或跨区域应用需考虑劳动力市场和产业结构差异。
服务业复杂性的度量是显著优势,但服务业职业异质性更大,隐性复杂性指标能否全面捕捉服务业价值链仍需观察。
数据时间窗口限制,预测未来性能有待长期跟踪验证。
8. 结论性综合
本报告通过创新地引入基于职业技能的“隐性经济复杂性”测量框架,对比传统基于经济产出的“显性复杂性”指标,展开了严谨的数据整合、算法计算和统计回归分析。
方法创新与数据融合:
结合O*NET(技能-职业)、BLS(职业-产业、产业-县区)、UN-COMTRADE(出口数据)四层数据,构建多层网络,利用Economic Fitness and Complexity算法计算职业适应度,经加权体现产业与县区复杂性,实现“隐性复杂性”测度。
核心发现:
隐性复杂性指标与劳动力工资水平和劳动生产率增长正相关,且显著性优于显性复杂性指标(出口导向),特别是在服务业环境下意义尤为突出。
在县区层面,隐性复杂性覆盖更广泛,数据更完整,分布更合理,有效克服了显性复杂性由于数据稀疏和隐私限制带来的缺陷。
经济复杂性正向预测县区实际GDP增长,人力资本的技能复杂性是区域发展潜力的重要决定因素。
产业多样化本身未必促进增长,反而存在负面关系,凸显产业及地区重点发展高复杂性经济活动的重要性。
对现有经济复杂性研究的补充:
报告既理论又实证地推动了经济复杂性研究从“只看产出”向“看能力输入”转变,尤其在人力资本这一核心能力维度的量化贡献显著。
图表价值总结:
图1系统展示了多层数据库到经济复杂性指标的构建链条,便于理解流程。
图2揭示隐性与显性复杂性在产业层面的差异与互补。
图3及回归表揭示隐性复杂性与薪酬的统计关系,强化其现实关联。
图4展现了隐性复杂性在美国县区的覆盖优势及数据质量,不仅填补空白,还提升分析深度。
生动的地图与散点图配合回归实证,提供强有力的视觉和统计证据支持。
综上,作者明确主张隐性复杂性作为经济能力的“现象背后隐藏的结构”,为区域经济发展分析提供了新视角和方法论,且实证检验显示其优于传统显性指标,具有较强的理论价值和政策启示意义。
1–11 ,11]
参考文献和致谢
报告附带详实的参考文献,涵盖经济复杂性理论的经典文献、前沿论文及相关算法研究,体现扎实的学术基础。
致谢部分透露获得了意大利国家研究基金和欧盟NextGenerationEU的资金支持,保证了研究的学术严谨和资源充足。
总体评价
本报告是经济复杂性研究领域一次创新性融合多数据、多层网络、多算法的系统性工作,特别强调人力资本的核心作用。其精细的数据处理、严谨的方法论和完备的实证验证设定了未来经济复杂性研究的重要方向,尤其为政策制定者提供了衡量和促进区域人力资本积累及产业升级的新工具。
本分析内容严格依据所提供报告文本内容,全文均附以页码标注,确保研究结论的可追溯性和专业严谨性。