人类在享受自动化带来的便利时，殊不知，自己正在逐步被机器人取代。如今，机器人和自动化真正取代了我们多少工作呢？

 

牛津大学经济学院的报告《How Robots Change The World》指出，在过去二十年中，全世界使用的机器人数量已经翻了三倍，达到225万。其中，大约每3个新机器人中就有一个安装在中国。

 

趋势表明，未来20年，全球机器人数量将以更快的速度增长，到2030年将达到2000万，仅中国就有1400万。

 

 

来自麻省理工学院经济学教授Daron Acemoglu和波士顿大学经济学助理教授Pascual Restrepo于2020年在经济学国际顶级期刊《Journal of Political Economy》发表论文“Robots and Jobs: Evidence from US Labor Markets”，文章使用跨度17 年、覆盖美国 19 个行业、涉及 722 个地区的详细数据，评估了工业机器人的使用对美国劳动市场的确切影响。

 

论文估计，每一千名工人中增加一个机器人将使就业人口比例降低约0.18－0.34个百分点，工资降低0.25－0.5%，1990-2007年因机器人而造成的制造业失业数字约达36－67万。

 

文章于2017年3月投稿，2020年6月正式刊发。

 

PART 1

     研究背景     

 

经济学家凯恩斯指出，随着科学技术的迅猛发展，工人会受到技术性失业（technological unemployment）的困扰。技术性失业是指由于技术进步，机器和设备代替人的趋势加强，对劳动力的需求相应减少，造成局部劳动力过剩引起的失业现象。

 

 

然而，当前鲜有研究从一般均衡的角度系统论证新技术（特别是工业机器人）对就业和工资的影响。

 

机器人的兴起可以促进生产力和经济增长，并衍生新的行业和就业机会，即生产力效应（productivity effect）。也会使许多行业的现有商业模式受到严重破坏，数百万工人将由于被替代而失去工作岗位，即替代效应（displacement effect）。

 

因此，新技术对劳动力市场的影响不仅取决于聚焦的行业，还取决于经济中其他部分的调整，为其提供一个严谨精确的度量方式正是这篇论文的主要贡献。

 

PART 2

     模型设定     

 

01 

“通勤区-行业-任务”三层框架

 

文章基于Acemoglu，Autor（2011）和Acemoglu，Restrepo（2016）两者的模型进行扩展，建立了“通勤区-行业-任务”三层框架。

 

机器人的应用在任务层（task），最终在通勤区（commuting zone）层面进行汇总，这里通勤区是指根据居民的通勤模式将不同县聚集起来的地理单位。

 

 

02 

局部影响 or 整体影响

 

在各通勤区内，机器人的影响为“局部影响（Local Effect）”，而对于整个美国市场，则称之为“整体影响（Aggregate Effect）”，两者皆可以通过比较“生产力效应”和“替代效应”的大小，来评估机器人的使用对美国劳动力市场的冲击。

 

03 

有贸易 or 无贸易

 

模型推断，当通勤区之间没有贸易往来，即每个通勤区都“自给自足”时，局部影响和整体影响的表达式相同。

 

然而现实中，商品基本是自由流通的。应用更多机器人的通勤区生产成本会更低，因此它可以向别的通勤区出口更多的产品，这样一个联系会影响“生产力效应”和“替代效应”的衡量，进而改变模型的均衡结果。

 

因此，论文在以往模型的框架下增加了贸易因素，并通过结构方程建立了“局部”与“整体”的联系，巧妙地估算出机器人对劳动力市场的整体影响。具体计算过程如下：

 

>>>>

局部影响

 

就业/工资_c = 𝛃₀ · ExposuretoRobots_c + 𝛆_c

 

计算局部影响时，由于具有通勤区层面的横截面数据，可通过回归直接估计系数𝛃₀；但当计算整体影响时，并不能使用此方法。

 

>>>>

整体影响

 

就业/工资 = 𝛃 · E [ExposuretoRobots_c]

 

计算整体影响时，由于考虑贸易因素，所关注的系数𝛃不能直接等于局部中的结果𝛃₀。但是应用𝛃₀取值和模型中部分参数的经验估计，可以根据结构方程计算𝛃的取值。

 

PART 3

 数据来源和变量构建

 

机器人库存数据来自于国际机器人联合会（International Federation of Robotics，IFR）每年的调查报告。报告涵盖了从1993年到2014年50个国家的统计信息，相当于工业机器人市场的90%。论文将IFR的数据与欧盟KLEMS数据集中按国家、行业划分的就业人数相结合，以度量按国家、行业和时间划分的每千名工人中的工业机器人数量。

 

作者重点关注Tolbert，Sizer（1996）定义的722个通勤区。文中使用1970、1990和2000年人口普查（Censuses）以及2007年美国社区调查（American Community Survey）的公共数据，构建每个通勤区的就业和人口统计指标，以及平均小时和周工资。同时作者还收集了1990、2000和2007年的县级商务模式（County Business Patterns, CBP）调查数据，在通勤区层面汇总，用于和普查数据对比。

 

注：2007年-2009年爆发全球经济危机，为避免2007年8月开始浮现的经济衰退产生的干扰影响，故数据样本截止到2007年。

 

01 

机器人渗透率“Exposure to Robots”

 

根据文章模型，通勤区层面的机器人渗透率可以写成形式：

 

 

其中dR_i指机器人使用的变化量，L_i为基准就业人数，I_ci指通勤区c内行业i的就业人数占全区份额。

 

这里存在两个问题：

 

（1）基准数据如何选择

 

（2）美国数据的内生性问题

 

关于第一个问题，文章选用1993年至2007年作为研究区间，以1990年作为就业人数基准，同时应用1970年的跨行业就业分布，使用历史数据可以避免与总体或行业层面就业结果的变化产生任何关联。

 

在这种情况下，仍然存在内生性问题。一方面，一些行业可能会主动应用机器人来应对他们正在经历的变化，这些变化可能会直接影响他们的劳动力需求。另一方面，对通勤区劳动力需求的任何冲击都可能会影响到该通勤区内各行业的决策，包括他们关于采用机器人的决策。这些关系都会反映在回归式的误差项中，进而产生内生性。

 

因此，本文以外生渗透率“Exogenous Exposure to Robots”作为工具变量，即用30%的欧盟国家机器人使用量来衡量美国的机器人使用量。使用非本国的数据可以在很大程度上减少由于本国经济状况改变导致的变量变化，进而降低内生性。从下图可以看出，两者呈现非常相似的趋势。

 

 

 

02 

描述性统计结果

 

 

上图描述了高度接触机器人（High Exposure to Robots）的通勤区的地理分布。色标显示了从1993年到2007年，哪些通勤区的“Exposure to Robots”指标经历了更大的增长。

 

该图显示：在某些地区，机器人库存略有增加，每千名工人中仅有0.12-0.3个机器人，而在其他地区（不仅仅是铁锈地带），预计每千名工人中会有1-4.87个机器人的增长。

 

PART 4

     实证结果     

 

工具变量估计

 

Panel A为第一阶段结果，可以看到系数显著为正。

 

Panel B（Panel C）使用普查（社区调查）数据计算就业比例变化的指标，Panel D（Panel E）为小时（周）工资数据。

 

结果均显示，机器人的使用对就业市场及工资具有显著的负面冲击。

 

 

注：（1）-（4）列逐渐增加控制变量，并根据1990年通勤区人口的工龄人口进行加权；（5）列是不加权的回归结果；（6）列参考Li（1985）降低了异常值的权重，进行稳健性检验；（7）列将高度接触机器人的通勤区（>99%）排除在外。

 

参考上表第4列的结果可以发现，每一千名工人中增加一个机器人将减少6.2名工人的就业机会，平均年工资减少了约200美元。在此基础上，考虑贸易因素并进行参数的调整，得到最终结果：每一千名工人中增加一个机器人将使就业人口比例降低约0.18－0.34个百分点，工资降低0.25－0.5%，可见整体影响仍然很大。

 

这些数字既包括对通勤区就业和工资的直接影响，也包括因一个通勤区的需求改变而可能产生的间接溢出效应。这种溢出效应或将达到50%。

 

PART 5

     结论     

 

文章结合模型与数据证明了机器人的广泛应用对就业市场及工资显著的负向影响，同时也阐明机器人对劳动市场的替代效应显著大于生产力效应。

 

论文估计，每一千名工人中增加一个机器人将使就业人口比例降低约0.18－0.34个百分点，工资降低0.25－0.5%，1990-2007年因机器人而造成的制造业失业数字约达36－67万。

 

自动化、机器人和人工智能正在对美国劳动力市场产生变革性影响，也许在许多其他经济体也是如此。迎接“机器人时代”，你准备好了吗?