签到
EN

【劳动经济学】机器人与工作:来自美国劳动力市场的证据

70浏览
2022/04/20 03:35发布
经济学前沿问题研究
经济学前沿问题研究
这篇文章推荐研究——【劳动经济学】机器人与工作:来自美国劳动力市场的证据

 简介

凯恩斯早在1929年就预测过,快速发展的自动化技术会带来“技术失业”。在对机器人的研究中,学者们发现工业机器人提高了生产效率和工资水平,但却降低了低技能工人的就业率(Graetz & Michaels,2018)。本文作者在前人的研究基础之上进一步探究工业机器人与工作之间的关系。作者额外增加了一些假设:1、不同产业对机器人的需求是不同的;2、由于比较优势的存在,不同劳动力市场之间存在贸易。作者借鉴Bartik研究机器人技术发展对就业和工资影响的分析方法(Timothy J. Bartik, 1991),分析自动化技术对就业和工资的总体影响(equilibrium impact)。

 

作者首先研究了机器人雇佣在产业之间的差异,发现机器人渗透率越高的产业,行业工资和就业人口越低。其次,作者研究了机器人暴露水平与当地劳动力市场(以通勤区为代表)的关系,发现机器人暴露水平的增加对本地劳动力市场产生了负面的冲击,1993-2007年每千工人中增加1个机器人会使当地就业率(employment to population)减少0.39个百分点,平均工资减少0.77%。由于机器人暴露水平的增加会降低贸易品的价格,提高资本收益,从而对其他通勤区可能产生外溢性,文章着重强调了不同通勤区间的互动—贸易所带来的总体性影响(aggregate effects)和积极的溢出效应,作者发现每千工人中增加1个机器人会使整体就业率(employment to population)减少0.2个百分点,平均工资减少0.42%。 

01  理论模型

 

 本文建立了一个基于任务(task-based)的模型将工业机器人纳入考虑,本文模型是在Acemoglu and Restrepo (2018c)基础上建立的。

此处模型设定和推导从略,具体可参考原文及其附录。

 

假设有C个通勤区和I个产业,先假定各通勤区是自给自足的,之间不存在贸易往来。对地区c的i产品,其生产函数如下:

图片

图片

其中s代表一系列任务,且s是[0,1]的连续变量,K、M、L分别代表资本、机器和劳动的投入,γMγK分别代表机器和劳动力的生产率。对于图片的任务,技术上可以实现自动化,而对于s>θi的任务则只能由人工完成。可以推出,对于均衡时的劳动和工资,分别有(Proposition 2):

图片

其中为产业i在当地就业中的占比。

 

而当通勤区间存在贸易时,有(Proposition 3):

图片

 

于是,我们令

 

图片

图片

(其中APR为Adjusted Penetration of Robots的缩写)

 

则可以通过下式来估计机器人技术的进步对劳动力市场的影响(不考虑地区间贸易时可直接估计,考虑贸易时需额外的参数设定):

图片

 

进一步地,为避免内生性问题,作者构造了巴蒂克型(Bartik-style)的工具变量

图片

其中为机器人技术领先于美国的欧洲国家APR的平均。

 

 

02 数据来源

 

在数据方面,本文主要采用三个方面的数据来计算模型中的核心指标,分别是机器人数据、行业数据和通勤区数据。

 

机器人数据主要来源于IFR(国际机器人联合会)数据库、EU KLEMS(欧盟资本、劳动、能源、材料和服务)数据库。选取了1993-2014年欧洲5国加上美国在内19行业的工业机器人使用量。之所以选取这五个国家,是因为这5个国家行业机器人使用量的时间演变趋势与美国相近,但水平比美国高了20%,可以作为比较好的工具变量。结合模型推导可以算出两个关键指标:欧洲5国和美国各个行业调整后的机器人渗透率(APR)。i代表行业,j代表国家,g为在时期内行业产出的增长率。欧洲五国指标就是5个国家的平均。

图片

 

行业数据来源于CBP(County Business Pattern), NBER-CES数据集, BEA(美国经济分析局), BLS(美国劳工统计局),包括美国各部门工人的就业和工资情况;各行业附加值情况和所占劳动力份额;按以上19个IFR行业进行了对应整理。

 

社区数据主要来源于1970、1990、2000年美国人口普查、ACS(美国社区调查数据)等。包括1970、1990、2000年共722个社区的人口、就业、工资收入。(同时也收集了国际贸易数据和19个IFR行业的资本存量、信息技术资本存量和附加值数据)。由此分别计算地区层面的“机器人暴露程度指标”,c代表通勤区,以1970年各行业的地区就业份额作为基准不变权重。

 

 

图片

图片

 

03 实证分析和结果

在这一部分作者分别检验了机器人在行业层面和通勤区层面对劳动力市场结果的影响,给出了基准结果。并进行了异质性分析,工具变量估计等一系列扩展分析。

首先,作者关注数据的特征,下图显示了图片(欧洲产业层面机器人渗透率)和图片(美国产业层面机器人渗透率)的相关关系,一定程度上证明了选用欧洲五国机器人渗透率作为工具变量的有效性。

图片

 

不同行业机器人使用率差异很大。那么就有了疑虑,行业层面的其他因素(比如激烈的国际竞争、更便利的离岸外包、更多的资本投入等等)会不会是现实中影响机器人使用水平或者直接影响劳动力就业情况的决定因素呢?作者测算了以上因素与图片的相关系数,发现主要关心的行业因素与图片的相关系数都比较低,说明其他因素并不是机器人使用量的决定性因素,印证了模型中的假设:机器人的采用更多是因为技术因素,与其它行业趋势关系不大。

01

产业层面效应
 
排除了这些顾虑之后,作者给出了产业层面回归结果。结果表明采用机器人生产的行业会减少劳动需求,比如第一列表明:机器人的使用会降低就业和工资,每千人增加一个机器人会使得行业平均工资下降2.718%,行业就业减少1.967%。

图片

 

作者主要通过控制变量、采用堆叠差异模型(Stacked differences models)和引入行业固定效应三种方式来剔除其他因素的影响。控制变量包括是否为轻工业和从中国进口额等,由此可以控制一些与机器人无关的导致产业下降的因素影响。堆叠差异模型中作者分为将原先时间段分为两个时期,1993-2000,2000-2007,这就可以大致控制住一些随时间改变的变量,比如采用机器人的时间早晚、产业由于其他原因的发展趋势变化等;此外作者还引入了各个产业固定效应。这使得回归结果有一定的变化,但参数符号和标准差都未发生显著变化,说明这些都不是影响劳动需求变化的决定因素。

 

02

通勤区层面效应
 

接下来作者估计了机器人在通勤区层面的效应,使用欧洲数据构建了图片产业层面的机器人渗透率,代理图片美国机器人渗透率,并据此计算出机器人暴露水平(Exposure to robots)。

 

根据变量描述性统计,有三个值得注意的特征:第一,只有三个协变量在高暴露水平通勤区和低暴露水平通勤区之间存在显著差异(制造业就业的比例,轻工制造业就业的比例,以及女性制造业就业的比例),作者在基准结果中控制了这些变量;第二,不同机器人暴露水平分位数通勤区域,两个主要劳动力市场变量(1990年的小时工资和1990年的私人就业与人口的比率)的基准水平只有非常小的差异;第三,最值得注意的是,从1990年到2007年,机器人暴露水平越高的通勤区经历的劳动力市场趋势越负面,这也是本文关注的重点。

 

作者进行了简约式估计,基本的计量方程为:

图片

 

表二展示了回归结果,发现机器人的使用对劳动力市场表现(工资和就业)存在显著的负面影响。此处需要假设:机器人暴露水平不同的劳动力市场不存在差异冲击或趋势,类似平行趋势假设。后面作者讨论了这一假设的有效性。

图片

 

与行业层面结果一样,此处也使用堆叠差异模型进行了回归,模型分为两个时期:1990-2000年和2000-2007年(为了一致性,前者转换为等价于7年的变化)。表3显示了估计结果。估计结果绝对值比长期差异模型更大。该模型可以控制与时间相关的趋势。虽然与长期差异相比,这一设定要求更高,但估计结果显示类似的负面影响。因此此前的结果并不是通勤区之间存在一种与机器人技术无关的差异趋势导致的。

 

图片

接下来作者讨论了有效性问题,有效性面临两种主要威胁:一是采用更多机器人的产业可能正经历下行趋势,比如需求减少,国际竞争、技术进步等;二是使用更多机器人的产业所在的通勤区可能经历了其它负向冲击。无论哪种情况,都会导致估计结果混淆机器人和其它趋势所产生的影响。

 

本文首先依据已有证据做解释:首先,前文的分析表明,欧洲五国的机器人渗透率与产业的事前趋势或其它主要的劳动力市场变化的来源无关。其次,机器人渗透率最高的产业增加值也上升了,这一事实证明文中的指标与负向需求冲击无关。第三,上文堆叠差异模型已经证明了线性的通勤区层面的趋势无法解释本文的估计。

 

为了增加说服力,作者又专门检验了事前趋势,并控制其它产业和通勤区层面的趋势:1)排除通勤区事前趋势:作者用机器人暴露水平和1970-1990年间的就业率和工资进行回归。基准结果显示没有统计上显著的关系。2)排除可能混淆的行业趋势:控制了1970-1990年间的行业趋势,对机器人暴露水平的点估计没有影响。证明了机器人暴露水平不能代表行业衰退趋势。3)更进一步,直接控制1970-1990年间的就业率和小时工资变化,也没有改变基准结果。

 

03

扩展分析
 

接下来,作者又进行了一系列扩展分析,包括检验资本深化和技术变革对劳动力市场的影响、异质性分析以及工具变量估计,最终估计了机器人带来的总体效应。

 

本文的模型表明,资本深化和技术变革如果不能使以前由劳动力执行的任务自动化,则不会产生替代效应,与机器人对劳动力需求的影响有很大不同。此处作者进行了验证。发现包括这些变量对估计结果几乎没有影响。这些结果证实了预期结果。

 

异质性分析,主要结论如下:从行业方面来看,第一、机器人的影响集中在制造业,特别是在高度自动化的行业,包括汽车、塑料和化学品等行业。对剩余的制造业没有显著影响。第二、与预期一致的是,机器人对就业的负面影响主要集中在常规的手工职业,特别是蓝领职业。在这些产业中工作被自动化替代了。从性别方面看,作者估计了机器人对男性和女性的负面影响,结论是对男性的影响更大。男性就业人数的下降集中在制造业,而女性就业人数的下降在非制造业更为明显。

 

为了进一步缓解内生性问题,作者使用了工具变量法。将欧洲五国的机器人暴露水平(exposure to robots)作为美国机器人暴露水平(US exposure to robots)的工具变量,做2SLS估计。表7报告了一阶段和二阶段的结果,量化了自动化对就业和工资的影响.结果表明,每千个工人中一个额外的机器人会降低0.39的就业率,和0.77%的小时工资。

图片

然而这一结果并不是机器人对劳动力市场产生的总效应,因为通勤区之间有溢出效应。为了计算总效应,需要对跨通勤区的溢出效应做进一步的假设。作者假设命题3可以较好描述跨通勤区交互作用的情况,方程(9)和(10)给出了模型推导的结果。

 

图片

 

前文估计得到的系数是方程中蓝色的部分,方程里红色部分没有进入系数,而是进入了残差里。并使用回归信息和外部信息来确定模型的关键参数。再结合回归得到的系数,计算劳动供给工资弹性的倒数ε以及机器人供给弹性的倒数η。得到这些参数后即可计算方程中红色部分(附录给出了证明过程),进而得到完整的总体效应。给出了各个参数的估计方法或设定方法,大部分是根据现实状况进行设定的。在附录中作者也给出了敏感性检验,发现无论是εη,还是计算得出的总效应,对参数合理的改变都不是非常敏感。

 

图片

 

最终计算结果如下:每千名工人多一个机器人,总工资将减少0.42%,总就业率(就业人口比)将减少0.2个百分点(或40万个工作岗位);相当于多一个机器人就会减少3.3个工人。模型还表明,可贸易部门的生产率增加了0.33%,资本收入增加了1.87%,工业机器人的使用率增加了136%。这一最新估计与这一时期观察到的机器人数量增长139%的情况非常吻合。

 

04 结论

 

本文主要结论如下:1)机器人的影响与中国、墨西哥商品进口、离岸业务、IT资本以及资本深化的影响不同且无关。2)根据估计结果,每1000名工人中增加1台机器人,就会使当地的就业率减少0.39个百分点,工资减少约0.77%。但由于通勤区之间正向的溢出效应,所以通过对各个通勤区数据的加总得出的总体效应偏小——每千名工人增加一台机器人,会使总就业率降低0.2个百分点,总工资降低0.42%。3)如果按照较为激进的设想,到2025年,世界上机器人的数量翻2番,相当于美国每1000名工人中增加5.25台机器人,估计这将导致2015到2025年间的就业率降低1个百分点,工资增长率降低2个百分点。按照较为保守的设想,机器人数量增加不到3倍,将造成就业率下降0.6%,工资增长率降低1%,影响相对较为温和。

 

Abstract

We study the effects of industrial robots on US labor markets. We show theoretically that robots may reduce employment and wages and that their local impacts can be estimated using variation in exposure to robots—defined from industry-level advances in robotics and local industry employment. We estimate robust negative effects of robots on employment and wages across commuting zones. We also show that areas most exposed to robots after 1990 do not exhibit any differential trends before then, and robots’ impact is distinct from other capital and technologies. One more robot per thousand workers reduces the employment-to-population ratio by 0.2 percentage points and wages by 0.42%.

 

 

 

 

*文章来源:劳动经济学与社保研究

*侵权必删

经济学前沿问题研究
经济学前沿问题研究
文章180
·
总浏览量16100
最新文章
更多
2024全球机器学习技术大会上海站圆满闭幕,共奏AGI变革新时代
杨展
5566
浏览
第七届机械工程与应用复合材料国际会议(MEACM 2024)
李思傲
6
浏览
世界读书日专题 | 新质生产力背后的管理之道
杨展
4472
浏览
【征稿】第七届水与环境可持续发展国际会议(ICSDWE 2024)
李思傲
11
浏览
【征稿】第七届水与环境可持续发展国际会议(ICSDWE 2024)
李思傲
5
浏览
【EI检索】2024年第一届先进能源材料、能源器件与能源系统国际会议(AEMDS 2024)
杜金桐
11
浏览
热门用户
学术前沿速递
学术前沿速递
文章
300
学说观点
学说观点
文章
300
AIGC交流社区
学说官方
文章
240
未央网
未央网
文章
233
毕宣
中央财经大学
文章
185
王凯
T. Rowe Price
文章
181
热门文章
更多
经济学入门必读书籍有哪些值得推荐?
楚健
·
1131
浏览
绿色信贷能否提高商业银行的核心竞争力?基于中国的准自然实验
创新研究
·
715
浏览
如果经济学家连股都不炒,那他们都在干什么呢?
李博
·
650
浏览
“特斯拉”打败了“星巴克”
张子瑞
·
626
浏览
最新综述!AIGC到底是什么?都有哪些应用?一文尽览!
AIGC交流社区
·
598
浏览
数电票的26个问题,税局统一回复!
张俊熙
·
590
浏览
研究方法 | 文献资料分析方法大全!收藏
周舟
·
578
浏览
会议预告|清华五道口绿色金融讲座第一期,邀您探讨“碳达峰碳中和——中国发展转型的机遇和挑战”
学术会议动态
·
3309
浏览
文献资料分析方法大全,建议收藏!
楚健
·
484
浏览
研究方法:文献资料分析方法
周舟
·
471
浏览