点击、编码、赚取：数字技能的回报（英）

政策研究工作论文 点击，编程，赚钱 数字技能的回报 Antônio Martins-Neto Yan Liu Saloni Khunara Juan Porras A verified reproducibility package for this paper is available at http://reproducibility.worldbank.org, click for direct access. 本论文的可验证可复制性包可在http://reproducibility.worldbank.org获取，点击即可直接访问。这里 政策研究工作论文 11313 摘要 本文提供了关于数字技能工资回报的首次全面、跨国证据，使用了2021年至2024年间29个国家超过6700万个职位发布的数字。论文开发了一套协调一致的数字技能分类法，并考察了广泛（任何数字技能要求）、密集（数字技能数量）和定性（数字技能类型）的边际回报。全球数字技能拥有显著的工资溢价，尤其是在这些能力稀缺的低收入和中收入国家，回报尤为显著。要求至少掌握一种数字技能，平均可将广告工资提高1.6%，高收入国家回报率为1.3%，低收入和中收入国家为7.5%。每增加一种数字技能，高收入国家的工资提高0.5%，低收入和中收入国家提高2.6%。中级和高级技能的溢价甚至更高，达到0.8%。 在高收入国家中，人工智能技能带来的回报率为3%，在低收入和中收入国家中为3%。每个传统的人工智能技能在所有国家都能带来2.9%的回报率。最引人注目的是，生成式人工智能技能显示出最高的溢价：技术职业中工资增长7%至9%，在非技术角色中，生成式人工智能素养技能的溢价达到25%至36%，这反映了它们的产能潜力以及当前的稀缺性。在数字化密集型产业和职业中，回报率始终较高，并且通过工人的教育和经验得到放大，这表明数字能力和传统人力资本之间存在强烈的互补性。这些发现突出了数字技能对于个人收入和经济发展的关键重要性，尤其是在低收入和中收入国家。 政策研究工作论文系列发布正在进行中的工作的发现，以促进关于发展问题的思想交流。该系列的一个目标是快速发布发现，即使报告可能不够完善。论文应标明作者姓名，并据此引用。本文中表达的研究发现、解释和结论完全是作者的观点。它们不一定代表世界银行/重建与发展银行及其附属机构或其执行董事或他们所代表政府的观点。 点击，编程，赚钱：数字技能的回报 111安东尼奥·马丁斯-内托, 刘炎Saloni Khunara，以及胡安·波拉斯 JEL 代码：J23, J24, J31, O33关键词：数字技能，工资溢价，在线职位发布，人工智能，技能需求 1 引言 数字技术正在从根本上重塑劳动力市场，并改变企业运营和工人生产的方式。尽管很多人关注了数字化带来的就业岗位流失和分配效应（阿克莫格鲁和雷斯特雷波,2018,2019,2022;作者等,2020)，越来越多的研究成果突出了对数字技能日益增长的需求以及它们在塑造工资结果中的作用（）。德明·诺拉伊,2020;法克等人,2021;Langer和Wiederhold,2023历史上，数字素养一直与正面的工资回报相关联。库格勒,1993;迪 纳尔多和皮什克,1997;Dolton 和 Pelkonen,2008;费尔利和巴哈,2018然而，随着数字工具越来越普遍和易于获取，基本的数字技能可能已不足以获得工资溢价，因此有必要重新审视哪些数字技能在经济上仍具有价值。 人工智能（AI）的快速传播，包括生成式人工智能（GenAI）工具，正在加速技能需求的变化（Webb,2019;埃隆杜等人,2024;阿列克谢耶娃等人, 2021这次技术转型产生了双重效果：一方面，人工智能自动化了诸如基本编码、常规数据录入或信息检索等任务，同时，它也催生了对更高层次的数字技能的需求，使工人能够补充和有效地与人工智能系统互动。传统的AI技能，如机器学习、数据科学和统计分析，代表了一直在劳动力市场受重视的既定技能，已经过去十年了。相比之下，生成式AI技能构成一个新兴且快速发展的领域，包括技术能力（如开发和定制大型语言模型（LLMs））和实际技能（如提示设计、人工智能辅助内容创作和人与AI的协作）。生成式AI技术的创新性，加上其在各个行业中的快速普及，表明这些技能可能会因供应限制以及它们为雇主提供的战略价值而特别高昂的工资溢价。 因此，工人面临不断增长的关于哪些技能将保持或成为有价值的，并导致更好的劳动力市场结果的不确定性。这些趋势提出了重要问题：数字技能的回报是什么，特别是像Python、SQL或云计算这样的高级数字技能？新兴的AI技能是否带来独特的工资溢价？这些回报在不同行业、职业和发展水平不同的国家中是如何不同的？以及这些数字技能的回报在多大程度上取决于工人的教育和经验水平？ 尽管对数字技能经济价值的兴趣日益增长，但系统性的证据仍然稀缺，尤其是在个人技能层面和全球比较的背景下。现有研究通常依赖于调查或职业数据，这些数据缺乏细致性，可能缺乏 未能反映雇主所寻求的全面数字技能范围。此外，关于高收入国家（HICs）和低收入及中等收入国家（LMICs）之间的回报差异知之甚少，而在这些国家，劳动力市场和数字鸿沟的结构性差异可能影响供需双方。 本文使用从2021年到2024年期间的超过6700万份来自29个国家的在线工作发布数据集来解决这些差距，数据来源于Lightcast。1 数据包含丰富的职位级别信息——发布和关闭日期、雇主名称、行业、职位名称、职业、地点、就业类型（全职、兼职、现场、远程、混合）、职位描述、所需技能和广告工资，从而能够对广泛的（任何数字技能要求）、密集的（数字技能数量）和定性的（数字技能类型）边际工资回报进行精细分析。 我们发现，需要数字技能的工作与显著更高的广告工资相关。这种数字技能工资溢价在控制不可观测异质性的不同规格中保持正值且具有统计学意义，包括职业、行业、国家、城市和公司固定效应。在我们首选的规格中，包括对职业、行业、城市-年份和其他协变量的控制，我们估计至少需要一种数字技能的工作提供的工资溢价为1.6%，在LMICs中的回报率超过6%。每个额外的数字技能与全球发布的工资增长0.5%相关，在技能更稀缺的LMICs中，这种增长更为显著，达到2.6%。 退货率也因技能类型而大不相同。额外的基本数字技能，如打字或操作社交媒体，与职业中提供的工资呈负相关，这表明它们可能被视为在线职位门户上广告的较低复杂度职位的最低要求，这与现有文献中的发现一致。加西亚-拉扎罗等人,2025相比之下，中级和高级的数字技能（如SAP、编程、数据分析、云计算）会受到正面的显著回报，在发达经济体国家每增加一项中级或高级技能，工资会上涨0.8%，而在发展中国家和地区则高达近3%。2 我们的分析揭示了与人工智能相关的技能呈现出特别引人注目的模式。传统的人工智能技能非常受重视，每项列出的AI技能都与3%的工资增长相关。通用人工智能（GenAI）技能展现出最显著且与职业相关的回报。在数字核心职业领域3 ——主要关注开发数字解决方案的职位——招聘启事 除了传统的AI技能外，要求具备通用人工智能（GenAI）开发和应用技能的岗位提供7%至9%的工资溢价，这反映了雇主对能够构建和适应GenAI模型员工的重视。更值得注意的是，在数字化增强的职业中观察到的回报。 ——包括市场营销、财务以及其他广泛使用数字技术的专业角色。在这些职位上，GenAI素养技能带来的工资溢价估计为25%至36%，超过了数字核心职位的回报。这些明显的工资差异反映了对于既能开发又能有效利用GenAI技术工人的需求日益增长。 在信息技术密集型产业和ICT职业中，回报率也更高，这表明在数字技术更深入地嵌入生产过程的领域中，数字技能更有价值。此外，教育和工作经验放大了数字技能的回报，这表明当数字技能与通过教育获得的认知和特定领域技能以及从实际工作经验中获得的隐性知识相结合时，其价值更高。 本文对三个文献分支做出了贡献。首先，有几项研究使用基于调查或测试的技能熟练度措施来估算ICT技能的工资回报。法克等人(2021使用PIAAC数据表明，ICT技能水平越高，工资显著越高，尤其是在数字化程度高的职业中。同样，Grundke等(2018报告称，与ICT相关的技能的工资溢价大约是数学技能的两倍，当与非认知特质如自我组织和沟通相结合时，回报会放大。Langer和Wiederhold(2023发现德国学徒制中，每增加一个月的数字技能培训，工资增长2.1%，且随着时间的推移回报率逐渐上升。尽管这些研究提供了重要的跨国证据，但它们依赖于模式化的技能定义和自我报告的收入数据。 其次，互补文献利用职位发布数据来考察企业对不同技能组合的评估。德明和卡恩(2018文件显示，要求认知和社会技能的美国公司提供更高的工资，并展现出更优越的表现，即使在定义狭窄的职业领域内也是如此。这些雇主在技能需求方面的差异解释了工资差异中相当大的部分。齐格勒(2024)利用奥地利法律规定的空缺职位工资披露水平来估计，每增加一项列出的技能，平均工资上涨0.6%。他们的发现表明，分析和管理技能的工资溢价更高，并且技能密集型空缺职位填补时间更长，这与供给侧摩擦一致。 第三，很少有研究通过职位空缺数据量化数字技能的回报。加西亚-拉扎罗等人(2025使用Lightcast职位发布数据分析英国能源行业，显示每增加一项数字 技能，平均工资上涨1%，尤其是对于高级技能，溢价更大。这些前沿技能每项都能带来4.8%至5.4%的工资增长。另一项研究通过莱特卡斯(2025提供了美国人工智能技能工资溢价早期证据，估计至少需要一项人工智能技能的岗位比非人工智能角色工资高出28%，而需要两项或更多技能的岗位则高出约43%。 本文通过四个独特贡献深化了我们对数字技能溢价的理解，这四个贡献针对现有文献中的关键差距。 首先，据我们所知，这是首次对数字技能在广泛、密集和定性边际上的回报进行的全面、跨国分析。尽管先前的研究受到有限的地理或行业范围的限制，但我们的分析代表了第一次对涵盖高收入国家和低收入及中等收入国家的29个国家的工资回报的大规模量化。这种全球视角揭示了单国研究无法捕捉到的技能估值系统性差异。尽管莱特卡斯(2025它们采用类似的基础数据，但分析完全依赖于描述性比较，而不进行正式的计量经济学估计。加西亚-拉扎罗等人(2025)，在采用类似方法的同时，将分析范围限制在英国能源行业。我们的研究通过考察所有经济部门和不同国家环境下的回报，显著扩展了这一基础。关键是我们超越了二元技能指标的范畴，通过捕捉数字技能要求的三个维度：技能是否需要（广泛边际），需要多少技能（密集边际），以及哪些特定的技能类型受到重视（定性边际）。这种多维方法使我们对不断演变的数字技能需求进行了细致的评估，特别是新兴的人工智能能力。 其次，本文通过引入一套全面的固定效应，推进了先前研究中采用的方法论框架，从而解决了关键的内生性和同时性问题。论文表明，这些结果在包括公司固定效应和考虑其他非数字技能的控制下仍然稳健。 第三，我们记录了各国、各行业、职业和工人档案之间的回报存在实质性异质性。特别是，我们发现与数字技能相关的工资溢价在低收入和中等收入国家、数字化密集型行业和职业、大学毕业生以及更有经验的工人中显著更大。 最后，我们提供了关于AI和GenAI技能溢价的新颖估计。与以往不同，我们……莱特卡斯(2025)，将所有与人工智能相关的技能聚合为一个类别，我们区分了传统人工智能技能——反映既定的需求模式——和生成式人工智能技能，我们将后者进一步细分为两个类别。生成式人工智能素养技能代表可获取的 任何具备基本数字素养的工人可用的技能，而生成式人工智能（GenAI）开发与高级使用技能（GenAI开发技能）则涵盖了构建和调整GenAI模型所需的专门能力。我们的分析显示，这些技能类别表现出不同的职业特定需求，并要求不同的溢价。 以下论文的剩余部分组