教育改革、人工智能與農村青年就業

/教育改革、人工智能與農村青年就業【摘要】人工智能技術的迅速滲透促使勞動力市場不斷提高技能要求，農村青年的就業結構性矛盾日益凸顯，通過教育改革提升其技能水平以適應人工智能時代勢在必行。文章以多個地方政府在2010-2012年間密集推動的“十二年免費教育”政策作為“準自然實驗”，利用隊列雙重差分法考察高中教育擴展對農村青年群體在人工智能時代就業表現的影響。研究發現：(1)人工智能技術存在對農村青年的就業部門從制造業向生活服務業的“驅趕”作用，總體上降低了農村青年的就業率和就業穩定性；(2)十二年免費教育政策顯著提高了農村青年的高中入學率和畢業率，帶來的教育擴展效果有效改善了他們的就業表現，利用三重差分法考慮人工智能技術對農村青年就業的負面影響后，改善作用依然存在；(3)機制分析表明，高中教育擴展抑制了農村青年在職業匹配過程中的技能不足，在高中教育擴展對農村青年就業表現的影響過程中，職業教育是關鍵的中間機制。文章揭示了人工智能時代技能提升對于農村青年就業改善的重要性，政策建議包括在新的人口遷移形勢下平衡城鄉高中教育資源、擴大免費教育試點、加快職業教育改革等。【關鍵詞】教育改革；人工智能；農村青年就業 一、引言 黨的二十大報告提出實施就業優先戰略，強調健全就業促進機制，促進高質量充分就業。青年群體由于技能水平和工作經驗相對薄弱，呈現出低勞動參與率、低就業率、低就業穩定性和低收入的“四低”特征，這一現象在全球日益蔓延，當前已成為我國民生領域的棘手問題。理論上，青年失業源于周期性和結構性兩類因素：一方面，經濟總需求的收縮引致生產收縮和企業裁員，技能和經驗不足使得青年成為蕭條期優先被解雇的脆弱群體；另一方面，企業智能化技術的應用使得青年群體的技能水平難以與新技術的要求相匹配，造成青年求職困難。本文重點關注農村青年群體，長期以來的城鄉教育差距導致其技能水平偏低，他們在經濟增速放緩中的抗風險能力較弱。加之我國近年大力推廣人工智能技術，而農村青年的技能水平并未同步提升，這一結構性矛盾是導致我國青年失業問題的一個重要原因。 現有研究已充分探討了智能化對勞動就業的影響。技術進步對就業既有替代效應也有創造和重構效應，總體影響取決于三類效應的加總(Acemoglu&Restrepo，2018)。行業層面的研究通常發現智能技術對就業和工資有負面影響，特別是中低技能勞動力如制造業藍領工人更容易遭遇裁員和降薪(Acemoglu&Restrepo，2020；孔高文等，2020)，但很多制造業失業工人轉向服務業就業，使得負面影響收窄(Dauth，etal.，2021)。企業層面的研究則通常發現智能化不僅提高了全要素生產率，還擴大了企業就業規模(Koch，etal.，2021；Dixon，etal.，2021；李磊等，2021)。個體層面的研究尚未達成共識，既發現了智能化對低技能勞動力的負面影響(Humlum，2022)，也發現了積極影響(Aghion，etal.，2020)，甚至不顯著的影響(Hirvonen，etal.，2022)。然而，現有研究多根據技能水平對工人進行區分，而很少基于年齡視角。來自德國的證據表明工業智能化導致從事藍領工作的低技能青年勞動力的就業份額顯著下降，而從事技術支持和管理工作的高技能青年勞動力的就業份額顯著提高(Dauth，etal.，2021；Deng，etal.，2023)。城鄉差異方面，劉歡(2020)發現工業智能化對我國低技能農業轉移人口的就業和工資有顯著的負面影響，說明長期活躍在制造業生產加工環節的農村青年群體更容易被智能化技術所取代。 各國政府均意識到技能提升對青年就業的重要性，推出的政策可歸為兩類：其一，就業培訓項目，例如歐洲積極勞動力市場計劃(ALMPs)中的課堂培訓為失業青年傳授勞動力市場所需的新技能。Card，etal.(2018)評估發現這類人力資本提升項目在逆經濟周期條件下具有十分顯著的長期效果。其二，職業教育改革，德國、奧地利、瑞士和丹麥在金融危機時期的青年失業率的升高幅度最小，隨后下降得最快，學界普遍認為與這些國家實行的學徒制教育密切相關。來自意大利(Albanese，etal.，2017)、巴西(Corseuil，etal.，2019)的證據表明當地的學徒制教育改革有效提高了青年就業率、就業穩定性和工資收入。當前我國經濟下行壓力增加、技術進步加快，短期周期性因素和長期結構性矛盾的交織造成青年失業率上升，亟須增強農村青年的技能水平。根據本文利用中國家庭金融調查(CHFS)數據的統計，2019年19～24歲城市青年的高中畢業率為94%，而農村青年僅為69%。原因是：一方面，1999年高等教育擴招后中等職業教育收益率走低，導致農村青年的高中入學意愿下降(陳技偉、馮帥章，2022)；另一方面，九年義務教育劃定了免費教育的范圍，農村家庭薄弱的經濟基礎和潛在的短視心理導致其不愿為高中教育付費(王美艷等，2022)。由此可見，我國仍需著力提升農村高中入學率，讓職業教育改革發揮成效。 既有文獻對本研究具有啟發意義，但也存在拓展空間：既然智能化對農村青年就業存在頗為負面的影響，而技能提升又對農村青年就業存在促進作用，如果將兩組文獻與中國實踐相結合，在統一的框架下研究如何通過教育改革提升人工智能時代的農村青年就業表現，勢必兼具理論和現實價值。從現實來看，我國正著力推動經濟社會的數智化轉型，擁抱以人工智能為主導的通用目的技術，本文則關注一對效率和公平的矛盾，即能否在享受技術帶來的生產效率提升的同時，實現農村青年的包容性就業？從理論來看，本文與Goldin&Katz(2009)提出的“教育和技術的競賽”理論密切相關。具體而言，通用目的技術進步源自突破性創新，其擴散所帶來的影響一般遵循“熊彼特機制”，即通過“創造性破壞”過程引發生產要素的重新組合。Griliches(1969)最早提出“資本—技能互補”假說，認為技術進步通常伴隨著資本對非技能勞動的替代，相對地，新技術的資本投入與技能勞動有著更強的互補，使得技能勞動具有更好的勞動力市場表現。基于此，本文可以自然地猜想在當下的人工智能浪潮中，有效改善農村青年就業表現的方式正是通過教育的強化以提升其技能水平。 我國部分地區推行的十二年免費教育政策為驗證以上猜想提供了一個“準自然實驗”，通過為所有適齡青少年免除高中學雜費，激勵了更多經濟弱勢家庭子女進入高中實現技能提升。利用這一外生政策契機，本文通過理論分析與實證檢驗闡述了一系列事實：首先，人工智能技術正在“驅趕”24歲以下低技能農村青年離開制造業轉向生活服務業，總體上對農村青年就業產生了嚴重的負面影響；其次，部分地區在2010-2012年間密集推行的十二年免費教育政策提高了農村高中入學率和畢業率，其帶來的技能提升效果有效改善了政策受益青年在幾年后的人工智能時代的就業表現；再次，高中教育所帶來的技能提升有效改善了農村青年在職業匹配中的技能不足，而未出現技能過度問題；最后，如果區分高中教育類型，發現職業高中教育更有助于改善農村青年的就業表現。 本文有三方面的邊際貢獻：首先是理論上，將“教育和技術的競賽”理論(Goldin&Katz，2009)運用于中國的就業實踐，揭示了高中階段教育改革有助于“對抗”人工智能對農村青年就業的負面影響，有效豐富了理論內涵進而啟發相關研究；其次是經驗上，借助“十二年免費教育”這一外生政策，證實了高中教育擴展確實能夠提升農村青年在人工智能時代的就業表現，在政策評估上有一定的方法創新，特別是將教育改革的正面影響和人工智能的負面影響統合在一個框架下研究，產生了對事實的新認識；最后是政策上，聚焦農村青年的就業結構性矛盾，提出產業政策、教育改革、人口政策等方面的統籌建議供政策部門參考，以期促進高質量充分就業。 二、理論分析與研究假說 (一)教育改革與農村青年就業 根據人力資本理論，家庭的教育投資決策取決于成本和收益的對比，額外教育帶來的收入提升的貼現值應至少等于該教育的投入(Becker，2009)。然而，由于我國農村家庭的財富水平偏低，對子女的人力資本投資相對“短視”，導致農村高中入學率長期落后于城市。鑒于人力資本投資具有很高的正外部性，政府通常采取財政干預措施推動教育改革。根據Deming(2022)的總結，在發展中國家，對行為主體的貨幣激勵和學雜費減免的政策具有顯著效果，體現在學生成績的提高和教育年限的延長。既有研究表明，免費教育政策能夠促進農村人力資本積累(賈婧、柯睿，2020)、彌合城鄉教育差距(林錦鴻，2021)、推動農業轉移人口市民化(劉金鳳等，2023)。因此，我國試點推行的十二年免費教育政策能夠有效緩解農村家庭的教育融資約束，使得更多農村青年踏入高中階段。 Mincer(1958)最早指出教育機會的不平等會導致勞動力技能的不均衡，通過生產率效應影響個人的就業和收入分配。Chen，etal.(2020a)通過考察1980年中國法定高中教育年限改革發現高中教育能夠帶來13%的工資溢價。Clark&Martorell(2014)也發現高中教育存在10%～15%的工資溢價，畢業生擁有更高的就業率和更穩定的工作，并且優先參加在職培訓。由此推斷，十二年免費教育通過激勵更多農村家庭的子女進入高中，帶來了農村青年生產率的提升，雇主更愿意為其提供就業崗位和相應的社會保障，并與其簽訂勞動合同，保障其就業穩定性。基于上述分析，本文提出假說1： 假說1：十二年免費教育能夠改善農村青年就業表現，包括更高的就業概率與就業穩定性。 (二)人工智能與農村青年就業 理論上，人工智能應用對勞動力需求產生三方面的影響(Acemoglu&Restrepo，2018)：其一，人工智能促使企業投入更多自動化資本以替代勞動，形成就業替代效應；其二，人工智能帶來生產率的躍升，通過商品附加值的提高激勵企業擴大生產規模、雇傭更多勞動，形成就業創造效應；其三，人工智能還會間接擴大那些不易被自動化部門的就業份額，形成就業重構效應。 從就業替代效應來看，青年群體在勞動力供需兩側均面臨挑戰：一方面，青年群體即便具備豐富的理論知識，但其實踐經驗不足，在同等技能條件下的技能熟練度低于年長者。Nedelkoska&Quintini(2018)考察了技術進步對歐洲不同年齡段群體的影響，發現青年群體最容易從事自動化概率高的初級職業。國際勞工組織的跨國調查顯示，39.8%的青年認為目前職業大部分的工作任務可以由人工智能完成，而年長者的這一比例僅為23.2%(ILO，2020)。另一方面，青年就業的脆弱性在很大程度上來源于企業的雇傭決策。相比其他成年人，青年群體更容易從事周期敏感的職業，通常在技術變革周期中最后被雇傭和最先被解雇，被學界稱為青年就業的“后進先出”現象(Junankar，2015)。從就業創造效應來看，青年群體通常在接納新技術方面優于年長者，熟悉人工智能時代必要的數字技能和數字工具，隨著越來越多企業推動數字化轉型和人工智能應用，青年群體的勞動力需求將會提高，從而部分抵消就業替代效應(Deng,etal.，2023)。從就業重構效應來看，信息化、數字化和智能化在提高制造業生產率、替代低技能勞動力的同時，也將更多制造業勞動力擠出至服務業(Dauth,etal.，2021)，包括面向企業數字化戰略的生產服務業和面向居民的數字化生活服務業(Autor&Dorn，2013)，這為不同技能水平的青年群體開辟了新的就業機遇。總體來看，技術變革提高了農村青年的職業流動性，人工智能產業是生產性服務業和高端制造業的深度融合，尚處于產業發展初期，難以大規模吸納農村青年就業，而人工智能發展間接帶動的數字化生活服務業和新就業形態才是吸納農村青年就業的主體，其顯著特征是就業的靈活性與非標準性(Katz&Krueger，2019；丁守海、夏璋煦，2022)。①因此，人工智能的發展與農村青年就業的不穩定性密切相關。基于上述分析，本文提出假說2： 假說2：人工智能技術推動了農村青年在生活服務業就業，降低了農村青年的就業穩定性。 (三)教育和技術的競賽 這里將前兩部分結合起來，基于兩種技術進步理論分析人工智能時代的勞動力需求變化，理解教育改革如何在人工智能時代助力農村青年就業。其一，人工智能作為技能偏向性技術進步。根據Goldin&Katz(2009)的考察，除第一次工業革命是由機器替代熟練手工業者，之后的技術變革均體現出很強的技能偏向性特征，通常與高技能勞動力互補。人工智能技術也不例外，Acemoglu,etal.(2022)利用招聘大數據發現隨著人工智能技術的應用，企業對高技能勞動力的需求明顯提高，而就業替代效應主要發生在從事重復性工作的低技能勞動力。無獨有偶，王林輝等(2020)基于中國數據發現人工智能技術通過高技能部門的就業創造效應和低技能部門的就業替代效應，使得高、低技能部門在2001-2016年間年均勞動收入差距擴大0.75%。其二，人工智能作為任務偏向性技術進步。這一理論基礎提供了更為細致的視角，認為人工智能技術傾向于替代可編程的任務，而基于批判性思維的高級認知型任務以及基于人類情感的社交型任務難以被當前的人工智能技術所取代(Autor，2022)。研究表明，在2010-2019年間，勞動力市場對人工智能技術專家的需求增長了十倍，而理工科技能、社交技能、組織管理技能等與人工智能技術互補的技能的工資溢價提高了16%(Alekseeva,etal.，2021)。總之，人工智能技術依然存在技能偏向，受教育程度偏低、未經過特定技能培訓的勞動者更容易被淘汰。② 從國際經驗來看，面對金融危機與技術變革的沖擊，義務教育年限較長、職業教育體系完善的國家如德國、奧地利、瑞士、荷蘭，始終保持著溫和的青年失業率(Albanese,etal.，2021)。高中階段教育是集體技能形成系統的重要組成部分，③通識教育構成對復雜機器工作原理的基本理解，職業教育則進行機器操縱能力和社交服務能力訓練，這些均為人工智能時代需要的重要技能。部分歐洲國家推行的雙元制、學徒制職業教育實現了學校教育和企業需求的緊密對接，極大地降低了工作搜尋中的結構性矛盾與摩擦性阻礙，畢業生普遍獲得長期的勞動合同、體面的工資和充足的社會保障(Busemeyer&Trampusch，2012)。 進入人工智能時代，我國亟須通過教育內容更新和教育年限延長以使農村青年擁有適應新技術的新技能。一方面，我國已推動一系列教育內容改革，包括增設與人工智能直接相關的課程和專業、強化傳統理工科與人工智能技術的結合等。例如在制造業重鎮東莞，當地職業高中開設的工業機器人技術專業與用人單位實施聯合培養，提前簽訂意向合同，具有很高的就業率。另一方面，雖然我國2022年新增就業平均受教育年限達到14年，但財富較低、缺乏融資能力的農村家庭對人力資本的投資相對保守，大量農村青少年止步于九年義務教育。根據2019年中國家庭金融調查，19～24歲青年高中畢業率的城鄉差距為25%。對此，已有學者呼吁推行十二年義務教育(蔡昉，2022；劉元春、丁洋，2023)，青年需要至少達到高中教育水平以應對日益加速的技術變革，這具有財政可行性(王美艷等，2022)。有鑒于此，本文將我國十二年免費教育試點政策作為“準自然實驗”，試圖驗證這項教育改革能夠幫助農村青年適應人工智能時代，贏得“教育和技術的競賽”。基于上述分析，本文提出假說3： 假說3：十二年免費教育有助于改善人工智能時代的農村青年就業表現。 三、實證策略 (一)數據來源 本文數據來自人口普查數據、中國家庭金融調查(CHFS)數據和中國研究數據服務平臺(CNRDS)提供的城市統計數據庫。其中，利用2015年人口普查1%抽樣調查數據評估政策的直接效果，即政策對高中入學率的影響；利用2019年度中國家庭金融調查(CHFS2019)截面數據評估政策的滯后效果，包括政策對高中畢業率和農村青年就業表現的影響；利用城市統計數據提供計量模型估計需要的控制變量。人口普查是由國家統計局牽頭按照法定方案開展的專門性調查，具有范圍廣、權威性強的特點，但問卷內容較少。CHFS是由西南財經大學中國家庭金融調查與研究中心進行的一項全國性調查，選取該數據集的理由是：在眾多大型微觀調查中，CHFS的區縣調查范圍最廣，觀測值相對充足，問卷內容覆蓋本文所有關心的變量。此外，為測算人工智能技術的使用密度，本文還利用了中國專利數據庫提供的各地人工智能專利申請數量和國際機器人聯合會(IFR)提供的各國行業層面的進口工業機器人存量數據。 (二)模型設定 1.政策直接效果的估計。為提高估計精度，這部分采用具有權威性的2015年全國1%人口普查抽樣調查數據，重點關注2010-2012年間各地密集出臺的十二年免費教育政策的直接效果，剔除了2010年之前和2012年之后出臺過類似政策地區的樣本。借鑒Duflo(2001)和Chen，etal.(2020b)的研究，這里采用隊列雙重差分模型，保留在2015年11月調查時年齡為16～19歲(精確到月，后同)的樣本，他們在2012年未踏入高中，試點地區學生的高中教育決策受到政策信號的直接影響，還保留在調查時年齡為25～28歲的樣本，他們在2010年時超過了接受高中教育的年齡，未受益于政策。計量模型的設定如下： 其中，enrolli，y，c，p表示位于省份p區縣c出生隊列為y的個體i的高中入學情況，定義為已經取得初中學歷并且在11月調查時正在上學，或者已經取得高中學歷，是則賦值為1，其他賦值為0。treatc，p用于標記處理組，如果2010-2012年間區縣c出臺過十二年免費教育政策則賦值為1，其他賦值為0，I(16≤y≤19)是示性函數，若樣本年齡落在16～19歲則賦值為1，其他賦值為0。Xi是個體控制變量，包括性別和民族。λy，c是出生隊列與區縣基礎教育水平的交互固定效應，μy，p是出生隊列與戶籍所在省份的交互固定效應，εi，y，c，p是擾動項。β1是政策的直接效果。需要說明的是，這里允許樣本遷移到外地上大學或工作，因為省份和區縣均為樣本的2010年常住地，可以合理假定樣本在此地接受初高中教育，并且所謂“高考移民”對估計精度的影響很小。 2.政策滯后效果的估計。這部分數據來自問卷內容更加豐富的CHFS2019。為驗證研究假說1，關注2010-2012年間政策密集出臺期的滯后效果。這里剔除了2010年之前和2012年之后出臺過類似政策地區的樣本，保留年齡為20～23歲和29～34歲的樣本，采用隊列雙重差分模型如下： 因變量Yi，y，c，r，p包含三個方面：其一，獲得高中學歷，如果學歷大于等于高中則賦值為1，其他賦值為0；其二，就業概率，如果問卷中“家庭成員是否有工作”的回答為“是”則賦值為1，其他賦值為0；其三，非標準就業，如果家庭成員是未簽訂正規勞動合同的受雇就業者或是自由職業者則賦值為1，其他賦值為0。如果因變量為就業概率和非標準就業，則進一步剔除由于在校、生病、受傷等理由暫不找工作的未就業樣本，本文關注的就業是非農就業，因而還剔除了正在務農的樣本。可以看到，計量方程中加入了樣本當前所在城市r的固定效應，示性函數I(20≤y≤23)的年齡范圍隨著數據調查期的推移而提高了4年，此時所有樣本均超過了接受高中教育的年齡，使得本文可以較為精確地估計政策帶來的高中教育擴展效果及其對青年就業表現的影響(Chen,etal.，2020b)。 為驗證研究假說2，關注人工智能技術對農村青年就業的影響，計量模型如下： 因變量Yi，y，r，p包含三個方面：就業概率、非標準就業和在某一行業就業。本文不僅根據CHFS中家庭成員的行業信息對其是否在服務業就業進行識別，還區分了制造業、生產服務業和生活服務業。這里采用20～34歲青年樣本，模型加入了城市層面的控制變量，剔除了暫不找工作的未就業樣本和正在務農的樣本。 解釋變量AIr是2018年人工智能技術在城市r的滲透度，本文采用兩種文獻中主流的衡量方式：其一，人均人工智能專利申請量，采用Jieba語料庫識別中國專利數據庫中的人工智能專利，并歸類在城市層面；其二，城市的工業機器人密度，依據Bartik工具變量的構造思路，計算方式如下： 其中，s表示制造業的細分行業，robots，t=2018是行業s在2018年的機器人存量，數據來自IFR。employs，t=2010、employr，t=2010、employs，r，t=2010分別為2010年行業s的從業人數、城市r的從業人數、城市r中行業s的從業人數，這三者根據微觀個體層面的2010年人口普查數據計算。 為驗證研究假說3，關注十二年免費教育政策如何影響人工智能時代的農村青年就業表現，這里剔除了2010年之前和2012年之后出臺過類似政策地區的樣本、暫不找工作的未就業樣本和正在務農的樣本，保留年齡為20～23歲和29～34歲的樣本，將式(2)和式(3)結合起來，構造計量模型如下： 因變量Yi，y，c，r，p包含兩方面，就業概率和非標準就業。可以看到，式(5)引入了處理組虛擬變量、隊列虛擬變量、人工智能技術變量及其交互項，形成了隊列三重差分估計。 控制變量分為四個層面：其一，個體層面，包括性別、民族、婚姻狀況和健康水平；其二，家庭層面，包括家庭財富和家庭社會資本；其三，區縣層面，包括2010年的中學數量和中學師生比，用于表征政策發生前的基礎教育的數量和質量；其四，城市層面，包括城市人均GDP和城市人口密度。本文所有連續變量均經過上下1%的縮尾處理，變量的描述性統計參見表1。 (三)制度背景 無論是基于深厚的文化底蘊，還是現代化的經濟增長需求，我國始終著力推動教育發展，特別是改革開放以來，相繼實施了九年義務教育、高校擴招等重要教育改革。黨的十八大以來，普及高中階段教育成為教育改革重點之一，2019年2月國務院印發的《中國教育現代化2035》就提出到2035年全面普及高中階段教育的發展目標，具體措施包括加大對中西部地區、貧困地區的支持力度，健全經費投入機制等。黨的二十大報告進一步強調堅持高中階段學校多樣化發展，完善全學段學生資助體系。然而，我國尚未出臺全面推行高中教育免費的規定，也未有計劃將高中階段納入《義務教育法》的范疇。公眾和學界也對是否應當延長義務教育年限存在爭議，反對的聲音提出兩方面理由：一是財政投入的約束，二是難以強制要求學生就讀職業高中。 我國部分地區已自行推出十二年免費教育政策。廣東省珠海市和陜西省吳起縣在2007年秋季學期率先實行高中免學費政策，隨后浙江、河北、山東的少數城市和區縣也實現了對轄區內戶籍學生的高中學雜費減免措施。在2010-2012年間，地方政府的十二年免費教育政策密集出臺，有代表性的地區包括江西省德興市、河南省新鄭市、湖南省吉首市以及內蒙古自治區全境等。④這背后是巨大的財政投入，例如內蒙古自治區在政策出臺后，2012年一季度的教育經費支出達到69億元，增幅為30.3%，并且這項支出“開弓沒有回頭箭”，例如珠海市在政策出臺后的十年間補貼6.5億元，累計有55萬名學生受益。本文利用人口普查大樣本數據和隊列雙重差分模型初步評估了這一政策的效果。從表2來看，如果使用2015年人口普查數據，政策使整體高中入學率提高約5.8%，但區分城鄉發現，政策效果主要集中在農村地區，使農村高中入學率提高約10.4%，而城市僅約0.8%，并且估計系數不顯著。如果使用CHFS2019數據，政策整體使高中畢業率提高4.8%，其中農村高中畢業率提高11.6%，而城市降低了1.2%，但并不顯著。本文已盡量讓使用不同數據的兩個估計結果可比，但不可避免會出現一定的差異。⑤ (四)平行趨勢檢驗 雙重差分計量模型的前提假定是處理組和控制組具有共同的時間變動趨勢，本文對使用人口普查數據的估計結果進行平行趨勢檢驗。具體而言，使用農村16～33歲樣本，以33歲青年作為基準，考察政策對16～32歲樣本高中入學決策的影響，計量模型如下： 其中，Iy是示性函數，如果2015年樣本的年齡為y則賦值為1，交互項系數βy是十二年免費教育政策對16～32歲樣本高中入學決策的影響，即政策效果。圖1展示了利用人口普查數據估計的政策效果隨年齡變動的趨勢。可以看到，16～19歲的青少年是政策的“純粹受益者”，估計系數至少在5%的水平上顯著。20～21歲青年在2010-2012年間是政策的“部分受益者”，估計系數值和統計顯著性隨年齡增長而出現下降。22～32歲青年由于在2010年已經整體超過了高中入學年齡，完全未受到政策影響，因而估計系數不顯著。⑥ 圖1平行趨勢檢驗 四、實證分析 (一)教育改革對農村青年就業的影響 1.基準結果。為了驗證研究假說1，利用式(2)對農村青年樣本進行隊列雙重差分估計，結果見表3。其中，列(1)(4)僅控制了隊列雙重差分估計必要的固定效應，列(2)(5)加入了個體和家庭層面的控制變量，列(3)(6)進一步控制了政策前區縣的基礎教育水平與出生隊列的交互固定效應。結果發現，十二年免費教育政策不僅有助于提高農村青年的就業概率，還能夠抑制農村青年的非標準就業，研究假說1得到初步驗證。從經濟意義來看，政策使得農村青年就業率凈提升4.7%，根據國家統計局公布的數據，我國2018年月度平均青年失業率為10.8%，可見高中教育擴展帶來的就業率提升效果具有很強的經濟意義；政策同時使得已就業農村青年從事非標準就業的概率降低4.2%，對農村青年而言，非標準就業意味著低收入和低就業穩定性，直接影響就業質量。 2.虛置政策時點。雖然前文已報告了平行趨勢檢驗，但不能排除重要的遺漏變量影響政策發生的隨機性。這里保持處理組和控制組不變，假定政策發生在2007年、2004年、2001年和1998年，即按照3年間隔由原本的2010年向前推移。如果這些故意錯誤設置的時點仍然顯示出政策效果的顯著性，那么可能存在長期的干擾因素導致政策偏向于發生在試點地區，這種虛置政策時點的方法可以作為一種反事實檢驗。結果發現，虛置的政策效果不顯著，說明本文將2010年作為政策發生時點是合理的。⑦ 3.虛置政策處理組。本文注意到，在試點地區推動十二年免費教育的同時，中央也在推動類似政策。我國2009年秋季學期實施農村經濟困難家庭的子女中職教育免學費，2010年將城市經濟困難家庭納入中職教育免學費政策范圍，2012年實現中職教育涉農專業免學費，2013年全面實施中職教育免學費政策。在實踐中，學費減免需要學生主動申請，財政配套措施不到位也使得政策在多數省份的執行效果不佳(劉彥林、哈巍，2017)，但也足以構成對本文結果的威脅。為檢驗這類遺漏變量對十二年免費教育政策效果的影響，本文進行了安慰劑檢驗。保持政策發生時點不變，在全樣本中隨機選取與真實處理組數量相同的個體，即故意錯誤地設定處理組，并利用式(2)進行基準回歸。本文進行了500次上述虛置政策處理組與回歸檢驗的過程，圖2報告了估計系數的分布情況。可以發現，這些虛置處理組的政策效果大致服從以0為均值的正態分布，而本文得到的估計系數均處于尾部，說明本文結果未明顯受到其他類似政策的影響。 圖2虛置政策處理組 4.考慮混雜因素。除了前文提到的由中央推動的中職教育免費政策，一些地區性的政策試點同樣對本文結果構成威脅。第一，始于2011年秋季學期的營養改善計劃通過改善學生營養不良的情況，從而提高其智力和專注度的發育水平，具有顯著的人力資本提升作用，有助于農村家庭子女獲取高中教育(蔡偉賢等，2022)。第二，為應對適齡入學兒童規模下降，改善教育資源配置效率，始于2001年的“撤點并校”改革通過農村小學的合并將教育的優勢資源集中從而提高了教育質量，激勵了受益的農村兒童在幾年后進入高中進行更為長期的人力資本積累(梁超、王素素，2020)。這些兒童上高中的時間集中在2010年前后，與十二年免費教育政策的發生時點有所重合。第三，我國2011年推動的中小學教師職稱制度改革通過完善教師評價標準、改善教師晉升激勵機制、提高教師崗位流動性等重要舉措，使得教師更加聚焦教學工作，注重學生的實際知識收獲，從而提升了學生的學習成績和受教育年限(李娟等，2023)。為避免上述干擾因素，本文在基準回歸中分別加入了這三個政策的試點地區與出生隊列的交互項以捕捉其影響。從表4列(1)—(3)的結果來看，如果因變量為就業概率，這三個同時期發生的政策并未對本文結果造成顯著干擾，而從表4列(4)的結果來看，雙重差分項的估計系數和t值的絕對值均有略微下降，說明營養改善計劃確實拉低了本文的基準結果。表4列(5)(6)則顯示另外兩個政策并未對基準結果造成顯著干擾。總之，在充分考慮混雜因素后，本文的基準結果依然具有穩健性。 (二)人工智能對農村青年就業的影響 1.回歸結果。為驗證研究假說2，采用城市的人均人工智能專利數量(AI＿1)和工業機器人密度(AI＿2)作為人工智能自變量，因變量為農村青年的就業概率、是否為非標準就業、是否分別在制造業、生活服務業和生產服務業就業。表5展示了利用式(3)對農村青年樣本進行估計的結果，觀察人工智能與20～23歲青年樣本交互項的系數可以發現，人工智能技術顯著降低了24歲以下農村青年的就業概率，其機制是通過“機器換人”將大量農村青年從制造業“驅趕”至生活服務業，導致一部分青年從事非標準就業，而另一部分青年失業。本文注意到，人工智能專利(AI＿1)對農村青年就業整體存在促進作用，而對24歲以下青年制造業就業的負向影響不顯著，原因可能是人工智能專利代表著城市企業的創新能力，其就業創造效應高于就業替代效應，而工業機器人對農村青年的就業替代效應更強。 2.內生性問題處理。人工智能變量對因變量的影響可能存在內生性，本文直接采用文獻中的主流做法對其進行緩解。計算歐洲五大工業國(德國、法國、英國、意大利和西班牙)的平均工業機器人行業密度，將其代替我國的工業機器人行業密度進行Bartik工具變量的構造，這一工具變量可以滿足外生性和相關性(Acemoglu&Restrepo，2020)。在工具變量法的第一階段，使用人工智能專利(AI＿1)的C-DWaldF統計量為85.255，使用工業機器人(AI＿2)的C-DWaldF統計量為1689.753，二者均通過了弱工具變量檢驗。在工具變量法的第二階段，可以更為明顯地看到人工智能對農村青年就業從制造業向生活服務業的“驅趕”作用，再次說明以人工智能為代表的技術進步已成為我國近年來青年失業率上升、青年就業穩定性下降的重要原因。上述結果證實了本文的研究假說2。⑧ (三)教育改革和人工智能對農村青年就業的交互影響 為驗證研究假說3，利用式(5)進行隊列三重差分估計，差分的三個層面分別是個體高中階段所在縣、出生隊列和當前所在城市。表6報告了本文最關注的估計結果，證明了本文要說明的核心事實。十二年免費教育作為一個外生的試點政策，顯著提高了當地農村青少年的高中入學率和畢業率，這些青年取得了更高的技能水平。在幾年后人工智能技術快速滲透的時代，農村青年就業面臨嚴峻挑戰，而十二年免費教育政策帶來的高中教育擴展效果“意外”地助力這些青年在挑戰下取得了更好的就業表現。上述結果不但證實了本文的研究假說3，也說明解決青年失業問題的鑰匙在于教育和技能的提升從而實現對技術進步的追趕。 五、進一步分析 (一)其他勞動力市場表現 前文僅關注就業表現，實際上教育擴展可能對各類勞動力市場表現均產生正向影響。這里考察與現實青年就業問題直接相關的另外兩類勞動力市場表現。一是勞動參與，青年就業率走低的背后還伴隨著青年勞動參與率的下滑，通常是由于青年技能不足、工作經驗缺失導致對勞動力市場失去信心，進而采取“啃老”“躺平”等消極行為，因而這里對勞動參與的定義與經濟學的標準定義有所不同。CHFS2019詢問了未就業者沒有工作的具體理由，本文將在校、參與培訓、生病和負傷視為不參與勞動的正當理由，在剔除這些樣本后檢驗十二年免費教育政策能否抑制因其他理由不參與勞動的行為。二是工資收入，既有文獻指出高中教育每年能夠帶來約8%～15%的工資溢價，本文嘗試檢驗政策的“增收”效果。表7列(1)-(3)的結果顯示，政策能夠顯著抑制青年非正當理由的不參與勞動，考慮人工智能技術的影響后這一結論依然成立。同時，表7列(4)-(6)的結果顯示，政策對農村青年月工資收入的影響并不顯著。這可能由于完整報告工資收入和工作時間的樣本偏少，使得模型難以捕捉到處理組和控制組之間的顯著差異。 (二)潛在作用機制分析 1.職業匹配機制。我國正以前所未有的速度推進技術變革，前文證實人工智能技術已逐步將農村青年“驅趕”出制造業，但他們的技能水平難以滿足近年來興起的中高端制造業和生產服務業的要求，只能轉而尋求生活服務業崗位，這種就業結構性矛盾在微觀上體現為職業的不匹配。那么可以合理猜想，通過高中教育的技能提升作用，能夠促進農村青年滿足用人單位日益增長的技能要求。基于實際匹配法的思想，本文利用CHFS數據中就業者的產業和職業信息組成細分職業，并利用16～65歲全年齡段樣本測算出每類細分職業由教育年限衡量的平均技能水平。⑨如果農村青年的技能水平低于其職業平均技能水平一個標準差，則視為技能不足。同理，如果農村青年的技能水平高于其職業平均技能水平一個標準差，則視為技能過度。表8報告的結果表明，十二年免費教育政策顯著降低了農村青年技能不足的情況，但并未提高其技能過度情況，即便考慮人工智能的影響后結論依然成立。這說明政策的高中教育擴展效果對農村青年的職業匹配“有利無害”，反觀高校擴招往往引發青年的技能過度問題(沈煜等，2023)。 2.普通高中與職業高中。Becker(2009)指出普通高中和職業高中分別提供通識技能和職業技能，從而存在人力資本在通用性和專用性的區別。短期內，由于專用人力資本與雇主需求更為匹配，職業教育有更好的就業表現，而在長期，普通教育提供的通用人力資本更能夠應對需求不斷變化的勞動力市場，這一理論預測在多數國家得到驗證(Hartog,etal.，2022；Silliman&Virtanen，2022)。本文則引入技術進步因素，利用高中教育擴展外生政策的契機，檢驗哪類高中教育更能夠幫助農村青年適應智能化的勞動力市場。 高中教育作為自變量具有內生性，這里參考Duflo(2001)的做法，將教育改革作為高中教育的工具變量。首先，檢驗教育改革對兩類高中畢業率的影響，從表9列(1)(2)的結果來看，十二年免費教育對農村學生進入兩類高中的激勵大體持平，從A-RWaldF統計量來看，結果通過了弱工具變量檢驗。其次，分別計算表9列(1)(2)兩個估計模型的因變量擬合值，這些擬合值是由教育改革這