正确的提示信息

扫码打开虎嗅APP

从思考到创造
打开APP
搜索历史
删除
完成
全部删除
热搜词
2020-05-12 14:27
每增加一个机器人,就有3.3名工人被取代

本文来自公众号:机器之能(ID:almosthuman2017),作者:微胖,原标题《MIT经济学家戳破机器人真相:除了能取代你,价值微乎其微》,题图来自:视觉中国


“我们正遭受一种新疾病的困扰,有些读者可能没有听说过这个名字,但是,在未来的几年里,他们会听到很多。”


一个多世纪以前,著名经济学家凯恩斯就针对技术性失业发出过警告。


大量高科技投入可能赶走劳动力,产生所谓的替代效应(displacement effect),另一方面,持续投入高科技也可能创造新的就业岗位,产生相应的生产力效应(productivity effect)。现实中,哪一种效应占上风呢?


过去,有关这种总体均衡的系统性研究很少,成果也不尽如人意。最近,在线发表在美国经济学顶级刊物《JOURNAL OF POLITICAL ECONOMY》 上的一篇重要文章给我们带来了“实锤”。 


作者之一 Daron Acemoglu,麻省理工学院经济学教授。曾获“小诺奖”之称的克拉克奖


论文作者之一、麻省理工学院(MIT)著名经济学家达伦·阿斯莫格卢(Daron Acemoglu)也是世界顶级经济学家,他与合作者波士顿大学经济学助理教授 Pascual Restrepo 刻画了过去十几年在美国发生着的事实: 


在生产力效应(提升生产力)上,工业机器人表现的并不出色;与此同时,就业与收入正受到“变革性(transformative)”影响。 


“我们发现相当大的负面就业影响,” 达伦·阿斯莫格卢说。从1990年到2007年,每千名工人再增加一个机器人,全国就业人口比率降低了约0.2%,而美国的某些地区受影响远大于其他地区。这意味着,制造业中每增加一个机器人,平均就有3.3名工人被取代。 


同一时期,在工作场所使用机器人的增加也使工资降低了约0.4%。“我们发现负面的工资效应,因为受影响的地区工人的实际工资正在流失,因为机器人非常擅长与他们竞争。” 


论文作者之一 Pascual Restrepo ,波士顿大学经济学助理教授


一 、研究前奏:数据与理论模型


随着工业机器人不断渗透,在1993年至2007年期间,美国和西欧的机器人投入量翻了近4倍。大量机器人被投入到劳动力市场时,这些机器也不可避免地与工人们产生竞争关系。


作为世界最知名的顶尖经济学家之一,达伦·阿斯莫格卢有着世界一流的高超建模能力。在这篇文章,作者基于自己和过往他人的理论成果,构建了一个刻画工人与机器人竞争的简单模型,试图从理论上去探讨新技术投入对于劳动力市场的净效应影响。


与已有模型相比,新的模型做了一些拓展和延伸。比如,考虑了不同部门的机器人使用率存在异质性;不同的行业间的商品服务可进行贸易。 


在不可贸易这种封闭情况下,机器人等高科技投入类似于资本投入,而模型中资本投入和人力投入之间是互相替代的,因此,越多的机器人投入必然引起传统人力投入的减少,这也同时可以解释为什么工业机器人对劳动力市场产生的总效应是负向影响。因为这两种效应中,工业机器人替代效应占了上风。


但是,在新建的可贸易模型中,在放松约束的情况下,高科技对于某一个行业的生产率提升影响可以溢出到其他行业。因此,这种情况下的一般均衡不仅取决于自身,还取决于其他行业使用机器人的情况。 


比如,在保持产量和价格不变的情况下,机器人直接替代了工人,但是由此产生的成本降低也增加了产品和劳动力需求。而且,工人可能会被不同的行业吸收,并且专门从事新的和补充的任务。对这种整体均衡状态的探究,也是这篇研究的重点,当然,最终结果也如前文所示,并不乐观。 


构建基础模型之后,作者还使用了相关行业的经验数据来检验模型的强度。 


他们使用了19个行业的数据,这些核心数据是由国际机器人联合会(IFR)汇编的,该联合会是一个总部位于法兰克福的行业组织,负责收集有关全球机器人部署的详细统计信息。目前,数据库可以提供1993年~2014年世界上50个国家各个行业机器人使用的存量,覆盖了90%工业机器人市场。 


研究人员还将这些核心数据与美国人口普查局,经济分析局和劳工统计局等基于美国的人口,就业,业务和工资数据进行了结合。


除了这些基础性工作之外,为了方便研究和讨论,文章还构建了不少关键性指标。比如各行业机器人使用率(渗透率)的核心指标:exposure to robots,并通过公式计算出了各行业人均机器人使用量化指标,APR。


 

二 、颤抖的结论


在分析机器人与劳动需求、劳动份额、产业增加值的回归中,结果显示,劳动力状况正在恶化。每在一千名工人中增加一台机器人,就可以减少约0.2个百分点的就业人口比例,工资也会减少0.42%。


也就是说,投入更多机器人虽然有助于提高劳动生产率,但提升水平(productivity effect)并不显著,没有明显增加对劳动力的需求。这种平庸自动化,反而显著地降低了劳动需求与劳动份额,在美国,劳动力被取代( displacement effect )占上风。


首先,研究发现,是技术推动了工业机器人在美国的渗透,这种渗透也与欧洲广泛采用机器人有着高度相关性。而且,机器人渗透也呈现出行业异质性。


比如,一些行业,如汽车、塑料、化工和金属制品,机器人渗透率大约为每千人7.5台机器人。无论是欧洲还是美国,造纸、印刷、纺织、木材和家具等行业的采用率只是小幅增长。


其次,研究证实,采用工业机器人技术趋势,也与其他行业趋势(比如中美贸易、离按外包、IT投资迅猛递增)基本无关。也从反面证明,劳动力市场受到的负面影响仍然主要来自技术的采用。


机器人渗透率与中美贸易竞争、离案外包等因素相关性很低。


美国和欧洲每千名工人对应的工业机器人数量,美国明显低于欧洲。


美国机器人的行业渗透情况。


第三,进一步地,作者使用1990年~2007年的数据实证检验机器人渗透对就业率和工资的影响,并发现机器人渗透率越高,就业率与工资降幅也越明显


比如,每在1000名工人中增加1台机器人,会导致就业率下降0.4%左右。在控制地理、行业和工人性别等因素后,结果仍然稳健;再比如,每在1000名工人中增加1台机器人,与之相对应的工资支出就会下降0.9%左右。这意味着,那些机器人渗透率更高的制造业(比如汽车),每一千人增加7台机器人,会导致工资下降6.3%。


美国工业机器人渗透率的对就业和工资的影响。(没有划分时段)


机器人渗透率对就业与工资的影响。(即使划分前后两个时段,每一时间段里,负面影响仍然显著;控制一些因素变量后,结果也趋于稳健。)


而且,研究还将原有的1990年~2007划分为两个时间段进行研究,发现负向影响仍然显著存在,没有明显区别。


关于可能存在的Pre-trends(即,受试组是否在受试之前就出现了相对于对照组的显著区别)的问题,文章也进行了常规检验,结果显示,在工业机器人还未大量兴起的时代,这种负向影响是不显著的。


机器人、AI等新兴技术还未大量兴起的时代,这种负向影响是不显著的。


接下来,研究在整个美国范围内,进一步分析了机器人渗透对美国本土722个通勤区(主要是大都市地区)的影响。他们发现,在密集使用机器人方面存在很大的地域差异,而且,一个地区工业机器人的集中度与就业率和工资的下降具有直接关系。 


所谓通勤区(Commuting Zone),相当于当地劳动力市场的概念,类似地理单位,方便将县合并为一个区域,比大都市这样的统计单位更方便可行。 


首先,机器人渗透率,地理差异很大。1993年~2007年之间,机器人渗透率的地理分布。每千名工人部署0.67个机器人。


其他地区,包括肯塔基州,路易斯安那州,密苏里州的部分地区,田纳西州,德克萨斯州,弗吉尼亚州和西弗吉尼亚州,测算的机器人渗透率约为每千名工人,部署2到5台机器人。


“锈带”和德州一些地方,每千名工人拥有5到10台机器人。


行业渗透方面,机器人在汽车行业的渗透率超过了其他行业。鉴于机器人部署的行业趋势,受影响最大的国家是汽车行业。密歇根州的机器人集中度最高,在底特律,兰辛和萨吉诺的就业受到的影响最大。


“不同的行业在美国不同的地方有不同的足迹,” Acemoglu指出。


机器人问题最明显的地方是底特律。无论汽车制造业发生什么,对底特律地区的影响都比其他地方要大得多。”


美国工业机器人渗透率的地理分布图。


机器人渗透率也适合刻画通勤区的机器人采纳情况。


其次,研究人员发现,在通勤区域中,每千名工人增加1台机器人,就会导致就业率下降0.39%,工资下降0.77%。由于统计模型考虑到了不同的行业间的商品服务可进行贸易,将高科技对其他行业的溢出效应纳入考量,所以,隐含合计后的最终结果是,就业率下降0.2%,工资下降0.42%。这也说明,新技术对整体生产效率提升有一定效应,但并不够显著。


这项研究确实表明,机器人对收入不平等有直接影响。他们替代的制造业工作来自劳动力的一部分,没有许多其他好的就业选择。结果,机器人使用行业的自动化与蓝领工人的收入下降之间存在直接的联系。


这是因为一部分人不愿意离开家乡,但是年龄和学习能力使得他们无法跟上自动化发展的工作需求,没有许多其他好的就业选择下使得他们只能接受更低的工资。


“当机器人被添加到制造工厂时,负担落在了低技能和中级技能的工人上。这确实是我们对机器人的整体研究的重要组成部分,”作者谈道,“实际上,自动化是技术因素中更大的一部分,在过去30年中加剧了不平等现象。”


三、模型推断的稳健性


无论是刻画哪种核心指标和概念,比如就业率、机器人渗透率(Exposure to robots),都是在力证本文结论是稳健的。不过,即便如此,模型推断的稳定性仍然会遭遇一些挑战。


比如,在机器人投入使用会影响劳动力市场变化的同时,其他传统方法,如贸易政策、增加资本投入或是其他技术改变也会对劳动市场变化产生影响,这两种变化是否是同样的呢?


在进行这项研究时,两位作者也竭尽全力搞清楚,上述就业和工资趋势是否可能是由其他因素引起。 


通过在回归中控制住传统方法的影响后,他们发现几乎没有影响。而且,结果也与之前的理论重点是一致的。即,自动化在概念上不同于资本积累和其他类型的技术变化,这些变量与就业和工资变化呈正相关。一种可能的解释原因是,传统方法不会产生替代效应(displacement effect)


图表分析了机器人渗透、资本积累、IT资本以及增值对就业和工资的影响。


为了让读者不至于被结论吓到,作者接下来仍然从更多异质性角度去印证、夯实之前的研究结论。 


比如,研究还刻画了机器人投产对不同行业和不同职业工人的影响。机器人渗透的影响集中在制造业,特别是高度自动化的制造业工业,包括汽车,塑料和化学品,金属产品,电子和食品和饮料等。对于其他制造业,没有显著影响。对建筑、零售和个人服务三个领域产生了负面影响。


机器人渗透率对不同行业和岗位的影响。 


其次,机器人投产对不同性别、教育程度工人的影响。如同所示,机器渗透对于就业和工资来说,对男人和女人都有负面影响,对于男人来说,结果影响更大。男性就业下降主要集中在制造业,而女性下降在非制造业。


在学历方面,研究惊讶地发现,研究生学位对工人就业和工资来说,没有积极影响。一种可能的解释是,相对于其他计算机辅助技术,工业机器人并没有直接需要补充高技能工人。 


机器人渗透率对不同教育程度、性别的就业变化的影响。 


再者,机器人渗透率对不同收入工人的影响。使用分位数回归研究显示,那些没有大学学历的员工受到的负面影响显著;对于拥有大学学历或以上学历的人来说,这是一个很好的机会。这些结果证实了,机器人的负工资效应主要分布在底层和中层劳动力。 


机器人渗透率对工资分配的影响。 


模型稳健性讨论接近尾声时,作者还回答了计量经济学的内生性问题。由于变量遗漏、解释变量与被解释变量相互影响等模型内生性问题,作者还需要借助工具变量(Instrumental Variables, 简称 IV)来解决它们。不过,回归结果显示,结果依然稳健。 


回归结果显示,结果依然稳健。


四、写在最后:关键在于人类的价值选择 


研究最后指出,到目前为止,美国经济的机器人采用相对较少,受机器人影响的就业比例相对较小,因此,由于机器人而导致的工作岗位流失被限制在360,000至670,000之间。如果机器人如预期扩散,未来的总体工作损失将更大。 


例如,BCG(2015)曾提出一个“激进”的方案,到2025年,全球工业机器人的数量将翻两番。在作者的研究估计中,这意味着就业人口比率将降低0.94个~1.76个百分点。这些都是相当大的影响。 


不过,同时也应注意,即使在最激进的情况下,这里没有什么可以支持这样的观点,即新技术将使大多数工作消失,而人在很大程度上是多余的。 


无论如何,这篇研究至少表明,尽管当前没有真凭实据表明我们投入了“错误的”先进技术,但是,至少当前的创新市场并没有提供信服证据,这些先进技术可以达成有效均衡:在替代的同时,也充分重视创造出对劳动力有需求的工作岗位。 


这也提醒我们均衡关注新技术对其他领域,尤其是非经济领域的后果,这些后果通常也是难以预料的。作者曾指出,或许我们可以找到更多的方法来生产增加就业的技术,而不是取代就业的创新。


“前景并非一片黯淡。”他说。“不能说技术对工人完全有害,我们对技术发展方向的选择至关重要。”


参考资料:

1、 Daron Acemoglu、 Pascual Restrepo :Robots and Jobs: Evidence from US Labor Markets

2、Study finds stronger links between automation and inequality

https://news.mit.edu/2020/study-inks-automation-inequality-0506


本文来自公众号:机器之能(ID:almosthuman2017),作者:微胖

本内容为作者独立观点,不代表虎嗅立场。未经允许不得转载,授权事宜请联系 hezuo@huxiu.com
如对本稿件有异议或投诉,请联系tougao@huxiu.com
打开虎嗅APP,查看全文

大 家 都 在 看

大 家 都 在 搜

好的内容,值得赞赏

您的赞赏金额会直接进入作者的虎嗅账号

    自定义
    支付: