在現代職場中，我們經常遇到一些看似無關卻又彼此呼應的現象：同樣是專業技能，為什么編程與電器維修會帶來如此不同的收入？為什么相似起點的職業人，有的能不斷晉升，有的卻始終徘徊不前？在AI浪潮下，哪些技能最具韌性？不同性別、不同種族間為什么存在結構性的收入差距？在這些問題背后，是否存在某種統一的解釋框架？

近期發表在《自然·人類行為》雜志上的一項開創性研究，為這些問題提供了系統性答案。研究團隊分析了2007至2020年間的7000萬份職業軌跡數據，發現了一個此前被忽視的關鍵現象：職場技能并非隨機分布，而是遵循著特定的嵌套結構（Nested Structure）——它決定了誰能在職場中占據高地，誰又可能被時代甩在身后。

撰文 | 郭瑞東

審校 | 張江

論文題目：Skill dependencies uncover nested human capital

論文地址：
https://www.nature.com/articles/s41562-024-02093-2

嵌套結構：起源于生態學的概念

嵌套結構（Nested Structure）是生態學家在研究物種互動網絡時發現的一種特殊模式。生態學家觀察到，在一個花園中，有些昆蟲只為特定的植物傳粉，而另一些昆蟲則為多種植物傳粉。舉個例子，如圖2所示，蝴蝶A只為玫瑰花傳粉，蜜蜂B為玫瑰花、向日葵和郁金香傳粉，小蜂C為玫瑰花、向日葵、郁金香和菊花傳粉，小蜂C包括了蜜蜂B的傳粉對象，蜜蜂B包括了蝴蝶A的傳粉對象。這種物種間的互動模式，就稱為嵌套結構：專一性物種（如蝴蝶A）的互動對象包含在通用性物種（如小峰C）的互動對象中。

圖2 植物-傳粉者互動網絡示意圖

圖3展示了網絡中不同的結構類型，非嵌套結構和嵌套結構。在圖的下半部分，我們看到的是一種“嵌套結構”。剛剛提到的植物-傳粉者互動網絡就是一個例子，右側的矩陣清晰地表現了這種層層包含、逐步擴展的關系。相比之下，圖的上半部分展示的是“非嵌套結構”。在這種情況下，不同的傳粉者各自訪問特定的植物，彼此之間的重疊很少，網絡結構較為分散。對應的右側矩陣也顯示出沒有明顯的規律性和包含關系。通過這樣的對比，我們可以直觀地理解生態網絡中不同結構的特點，以及它們對生態系統穩定性和多樣性的潛在影響。

圖3 二分網絡中非嵌套（上）和嵌套（下）結構示例圖

如果一個生態系統具有嵌套結構，會提升系統的穩定性，保證群落在受到嚴重外界沖擊時，仍能夠保持相對穩定的物種多樣性。經濟學、城市科學等領域的研究中，也借鑒了生態學中的嵌套結構概念，依據產業-技術網絡、技能-職業網絡、城市-產業網絡等來研究系統的結構和功能關系。

勞動力市場中的嵌套結構

在勞動力市場中，技能-職業構成了一個互動網絡。這篇研究收集了O*NET（提供美國經濟中1000多職業的描述和技能要求）、OEWS（提供各職業在國家/地區層面的工資和就業數據）以及簡歷數據（提供從2007年至2020年2000萬份匿名簡歷，包含7000萬條職業軌跡），繪制了技能-職業矩陣，如圖4所示。直觀來看，技能職業網絡具有嵌套結構，但并非像圖3中下半部分所示的理想的完全嵌套結構。

圖4 技能-職業矩陣

技能發展的方向性

在分析技能-職業矩陣之前，先來探討一個在研究中重要但常被忽視的點：技能發展的方向性，也就是依賴關系。正是這種依賴關系，隨著經濟的復雜性和專業化的增長，這個矩陣的結構變得越來越嵌套。

在許多職業中，一個人必須先學習基本技能，然后才能深入他們的職業。計算機程序員需要扎實的基礎數學；護士必須獲得臨床經驗和專業培訓才能成為執業護士；談判者的說服能力取決于扎實的口頭表達和積極傾聽的技巧。利用簡歷數據，通過比較技能A相對技能B、技能B相對技能A的條件概率，來獲得依賴關系，例如在具有數學技能的人群中發現會編程的人概率是3/7，而在會編程的人中發現具有數學技能的人概率是3/4，所以推斷出一個依賴關系：數學→ 編程。

研究中，基于上述條件概率，將職場中用到的技能分為了三種：

1. 通用技能：31種，包括英語、口頭表達、批判性思維、寫作等。大多數職業需要高度熟練地掌握這些技能，如圖5c所示；
2. 中級技能：43種，包括數學、談判、法律、市場營銷等。大多數職業都需要，但不要求有很高的熟練度，如圖5b所示；
3. 高級技能：46種，包括編程、物理、化學、動態適應性等。大多數職業幾乎不需要或者根本不需要熟練掌握這些技能，只有少數職業需要高級水平，如圖5a所示。

圖5 三層技能水平與分布特點

然后我們可以根據這三種技能分類，挖掘出依賴關系，從圖6中可以直觀看出：一個技能連出去的線越多，它越通用。反之，一個技能一個技能被連上的線越多，則說明其越依賴其他通用技能，比如編程技能需要計算機使用、數學、系統分析等技能。這也意味著高級技能往往有一個技能搭建過程。

圖6 技能依賴關系的可視化

從技能的嵌套度評估職業發展

現在了解了技能的三種分類之后，我們該如何通過技能的嵌套度來判斷職業的發展潛力呢？從技能通用性來看，技能的嵌套度越高，技能的通用性越強，兩者有明顯的正相關關系，如圖7a所示；從替代風險來看，具有嵌套結構的高級技能更難被以AI為代表的自動化技術所取代，例如編程、藝術等，而計算機使用、判斷與決策的技能被替代風險相對更大，這也為預測一個技能的未來需求提供了依據，如圖7b所示；從工資溢價來看，具有嵌套結構的技能溢價更好，這可能是因為這些技能需要更長的教育時間培養，或者因為它們更難以被替代，如圖7c和7d所示。

圖7 技能的嵌套程度與通用性，自動化取代風險及對工資的貢獻

正如捕食者依賴獵物，獵物又依賴植被，而植被又需要微生物和真菌分解巖石形成的土壤，技能發展也如發生在生態系統中那樣分層展開。這意味著個體在職業生涯初期需要先掌握通用技能，然后逐步獲取中級技能，最后在特定領域發展出高級技能。這意味著在大學階段及職場新手期，不必過度追求當前最流行的技術，而是要將精力投入通用技能的提升上。當前對通用技能所帶來的優勢，存在低估。

從技能的嵌套度看職業生涯、種族和性別間的差異

30歲后，為什么有人會在職場一飛沖天，有人停滯不前？這背后和個人技能有什么關聯？圖8a指出，通用技能在職業生涯的不同階段，先降后升，30歲時最低，之后逐漸升高。圖8b-c對比了在職業生涯的不同階段對嵌套技能和非嵌套技能的不同要求，對于非嵌套技能，在職業生涯的各個階段對技能的要求水平幾乎沒有變化，而對于嵌套技能，隨著成為職場資深玩家，對技能的水平要求持續上升。30歲前沒爬上“技能金字塔”，掌握足夠通用且嵌套程度高的技能那些的人，會被甩下車，或只能從事非嵌套的，沒有工資溢價的職位。

圖8 職業生涯不同階段對通用、嵌套、非嵌套技能的要求水平

圖8對比了美國不同種族的求職者中技能的通用性，嵌套程度，教育水平以及工資上的差異，通過比較不同種族/民族和性別群體的技能、教育和工資差異，揭示了嵌套結構在解釋社會不平等、技能陷阱和長期工資懲罰方面的重要作用；

技能間的差異，在種族和性別間同樣存在。在通用技能、嵌套技能、非嵌套技能、教育水平、工資水平5個方面進行對比，在圖9a-e中，分別比較了種族間（亞裔、黑人、西班牙裔/拉丁裔和白人）的差異，黑人和西班牙裔/拉丁裔明顯更落后。圖9f-j中，分別比較了在種族內男女性別的差異，明顯女性的技能優勢常常弱于男性。說明技能的嵌套度在解釋社會不平等、技能陷阱和長期工資懲罰方面有重要作用。

圖9 不同嵌套度的技能、教育水平、工資水平在不同種族和性別間的差異

技能的嵌套結構不斷增強

現代經濟在不斷發展，職業、技能都在變化之中。圖10展示了2005年和2019年技能結構的演變，通用技能比高級技能變化更多，技能的嵌套結構更明顯，非嵌套技能逐步消失。這表明工作兩極分化可能會加劇，因為更長、更深入和更復雜的先決條件（技能培訓）可能會阻礙新來者進入高薪崗位。那些無法獲得通用技能教育的人在進入高薪職業道路方面面臨障礙。技能越專業化和嵌套化，整個勞動力市場的不平等和差異就越多，這意味著可能需要政策干預，以避免就業市場不平等和兩極分化加劇。

圖10 不同年份（2005vs2019）間不同嵌套度技能的演變

研究技能-職業嵌套結構帶來的啟發

傳統的勞動力市場研究多以崗位、工資或種族為分類標準，較少關注求職者的技能。事實上，技能間彼此關聯，現代經濟對專業化技能的需求不斷增長，高收入技能往往需要一系列先決條件。職場的嵌套結構影響著個人發展和社會分層，早期技能選擇決定了后續機會，近些年來更深的嵌套結構對個人職業道路施加了更大的限制，放大了差距，并具有宏觀經濟影響，影響了整個系統的韌性和穩定性，使得系統的穩定運行依賴于越來越少的一部分人。

對個人而言，研究建議應重視基礎技能（如溝通、邏輯、數學），為后續獲取高嵌套度技能打好基礎。急于追逐熱門技能或忽視基礎教育，可能會限制職業發展?？焖僭倥嘤柡痛髮W取消基礎課程可能帶來意想不到的負面后果。

此外，AI的發展可能讓新人難以通過實踐掌握基礎技能，也可能壓縮高嵌套技能的學習路徑。這既是機遇，也是挑戰：如果我們把這些基本技能外包出去，我們會不會變得無法學習更高級的技能？

不過，由于該研究是基于美國2007-2020年求職者的簡歷，來衡量技能的通用程度和嵌套結構，而美國21世紀的經濟多為服務業主導，制造業占比低于中國且呈現下降趨勢。該研究中得出的結論，是否是針對服務業而不適用于制造業占主導的中國職場？中西方的文化差異，例如風險偏好上的不同，會不會影響技能的嵌套結構和工資溢價？這些問題，都需要進一步的研究來給予解答。

本文經授權轉載自微信公眾號“集智俱樂部”。

特 別 提 示

1. 進入『返樸』微信公眾號底部菜單“精品專欄“，可查閱不同主題系列科普文章。

2. 『返樸』提供按月檢索文章功能。關注公眾號，回復四位數組成的年份+月份，如“1903”，可獲取2019年3月的文章索引，以此類推。