然而，如此少量的任务，当汇总成职业时，恰好揭示了机器人LS努力的方向。表3显示了最容易被某种形式的自动化或智能自动化取代的相应前20个职业，这些职业是通过将任务聚合到职业中获得的。

受影响最大的职业是“工业卡车和拖拉机操作员”；“维修工人、机械”；“机器供料器和下料器”；“包装工和包装工，手工”。这些职业显然是那些报告相似度分数较高的任务发生率较高的职业之一。

从表3中可以看出，一些特定的宏观职业群体出现了一种反复出现的模式，如两位数职业“运输和物料搬运”(53)、“安装、维护和修理”(49)、“包装和灌装机操作员和投标人”(51)，所有这些都经常排名前20位8位数最受影响的职业中。

表4汇集了两位数水平职业的相似性度量，再次在0和1之间重新调整。在两位数级别汇总的职业排名中，排名第一的“生产”职业相似度得分最高，相似度得分为1。排名第二的职业相似度得分大幅下降（0.56）。值得注意的是，与现有研究不同，受影响的不仅针对所谓的标准化和常规化职业。这一结果出现在“医疗保健从业者和技术”、“建筑和工程”、“生命、物理和社会科学”、“管理”等最受影响的前10个职业中。常规化内容程度较低，其高排名反映出本文的测量还捕捉了人类功能，包括（i）在非结构化工作场所中的运动，例如“安装、维护和修理”所进行的活动职业”（排名第二）和“医疗保健从业者和技术”（排名第四），（ii）复杂的认知活动，例如“建筑和工程”（排名第五）和“生命、物理和社会科学”职业所需的（排名第七）和（iii）“管理”职业所需的社交和关系智力（排名第十）。此外，排名前十的职业（尽管具有很强的非线性阈值）涵盖了从低工资到高工资的工作，反映了分配给任务的加权程序，这非常模糊了常规职业与非常规职业之间的界限，并对那些不是核心但仍以补充方式执行的任务附加分配正相似值。

尽管广泛存在，但在分类职业中，非常高水平的影响并不常见。图6按相似性显示了职业的直方图。尽管比任务直方图的偏差较小，但它证实了高度相似性是罕见的，仅影响整个职业结构的相对较小的一部分。相似度得分最高的前20名职业确实很少，分布众数处于中等相似度范围，在0.2到0.4之间。橙色条右侧的区域标识了受影响程度最高的20个职业的范围。

图7（b）通过使用O*NET-OEWS匹配，提供了每种职业面临可替代风险的有效就业工人数量。正如预期的那样，当相似性值增加时，可替换员工的数量急剧下降：相似性分布最右端的十分之一影响了8.6%的就业人口，即约1260万名工人。值得注意的是，与其他现有措施不同的是，本文的方法能够确定的不是一个点值，而是一个影响区间，这进一步理解了劳动力替代性如何不均匀地阻碍劳动力。

5.2 行业和劳动力市场渗透

职业分布在各个行业，因此确定受影响最大和最小的职业对于任何潜在的政策干预至关重要。表5通过按每个部门的职业成员百分比对余弦相似度进行加权，显示了每个NAICS两位数部门中机器人LS技术的职业影响的相关性。该指标对大部分行业取值为1，对受影响程度最低的行业取值0，将制造业描述为受自动化影响最大的行业。不仅制造业位居榜首，所有其他行业在大幅下滑后也紧随其后。此外，制造业作为一个行业汇集了所有与物流和仓储相关的活动，这些活动目前仍属于母公司制造公司，而第三方物流，将物流活动作为服务进行，在各行业中排名第七。

总体而言，机器人LS技术将进一步推动美国经济长期持续的去工业化。然而，医疗保健、社会救助和教育这些最以人为本的行业的排名却引人注目。Montobbio等人（2022）已经提到过，这样的结果可以作为一个警告，提醒人们尖端创新努力的方向，至少在原则上，以人为基础的成分应该是更可取的。同样，公共行政在最容易受到替代影响的行业中名列前五，这表明本文的衡量标准不仅涵盖自动化本身，还涵盖行政服务中先进的数字化流程。这是因为本文的专利中检测到的节约劳动力的功能，然后映射到CPC级别，不仅包括自动化技术，还包括智能自动化技术。LS专利中包含四分之一的人工智能专利就反映了这一点。此外，Montobbio等人（2022）在这类专利上运行主题模型表明，与物流活动一起，LS专利针对的是涉及互动关系、患者治疗以及学习和预测等活动的人类功能。这种人类功能在医疗保健、公共管理和教育等服务型职业中更为普遍。值得注意的是，“公司和企业管理”虽然在过去20年中职业就业比例有所下降，但相似度得分最低。

最后一组结果如图8和9所示，显示了O*NET职业中余弦相似性度量、就业和工资之间关系的非参数局部加权散点图平滑（LOWESS）估计，包括水平和增长率。从就业水平（面板a）开始，LOWESS估计表明大多数员工的高相似性度量的出现率较低。然而，当将相似性衡量标准与就业增长进行比较时，就会出现负相关关系（面板b），这表明过去二十年不断萎缩的职业也是最容易受到机器人LS技术影响的职业。这些证据证实，在决定某些职业转移的其他潜在来源中，与自动化相关的替代性技术变革可能发挥了作用。除了LOWESS之外，图8和图9中还叠加了OLS和LAD估计值。与OLS不同，LAD估计条件中位数，并且对数据中的异常值不太敏感。表6列出了本文感兴趣的四个变量的相似值系数。与非参数估计一致，除就业水平外，斜率均为负值，且其符号具有统计显著性。

这些创新努力针对哪些劳动力群体？根据工资水平和增长之间的关系的LOWESS估计表明，最容易受到LS技术影响的职业是那些工资最低且工资增长最低的职业。换句话说，机器人LS技术及其基础专利更倾向于取代劳动力中最便宜的部分。这一结果与以下观点不一致：更便宜的要素会激励引入更密集地使用该要素的技术。例如，Acemoglu和Restrepo（2018、2019）在他们的基于任务的框架中表明，当最不复杂的任务中有效劳动力成本较低时，自动化过程就会减慢。

5.3 地域渗透

美国在生产专业化和随之而来的职业构成方面存在很大差异。了解机器人LS技术在各州的不同地理渗透是有用且信息丰富的。图10显示了排名最高的受影响职业的州级分类（图6中分布的前十分之一）。考虑到美国整体的8.6%份额，变化范围从4%到11%；图中，份额低于7%的州涂为白色。

根据结果，从受影响程度最高的州到受影响程度最低的州。“锈带”地区（即五大湖周围的地区）居住着深红色的人，即威斯康星州、印第安纳州、密歇根州、伊利诺伊州。其他深红色州还有阿拉巴马州、阿肯色州、密西西比州、路易斯安那州，位于东南部，是非裔美国人主要集中的地区。德克萨斯州的西班牙裔社区占多数，该州9%的职业类别都接触到LS技术。相比之下，两岸的所有州都是高科技公司和高度专业化服务活动的摇篮，即华盛顿州、加利福尼亚州、佛罗里达州、弗吉尼亚州，都被涂成浅红色。值得注意的是，纽约和华盛顿等州都是白人，接触LS技术的职业比例低于7%。

通过对劳动力市场趋势、部门和地域渗透率的综合分析，可以发现欠发达州中低薪职业比例较高且少数民族较为集中的劳动力市场部分非常脆弱。此外，尽管由于缺乏数据，本文没有考虑年龄分布，但其他研究指出，年轻工人更容易接触自动化，尽管结果在这个问题上并不明确。这些发现表明，职业接触机器人LS技术与地理层面的经济表现指标呈负相关。在这方面，研究LS影响和经济表现指标的联合动态可能为政策制定者提供可靠的警报，以便区分艰巨和危险任务中替代的潜在积极影响。在这方面，可以构建潜在的多层次分析，将该措施与其他指标结合起来，以帮助政策制定者瞄准最脆弱的职业，或者检测为提高工作安全而进行替代的程度。

六、结论

本文是直接衡量劳动节约型技术对职业影响程度的首次尝试之一。

根据研究结果，最容易受到机器人劳动力节约型自动化影响的职业是那些与手工灵巧性、操纵、将物体装载到机器和设备、起重和负载移动相关的活动。这些任务主要涉及工业卡车和拖拉机操作员、包装和灌装机操作员和投标人、工具和模具制造商等职业，但也包括医疗器械技术人员。按行业分解信息时，本研究发现制造业是受影响最大的行业，其次是医疗保健、社会救助和教育服务。此外，尽管制造业是受影响最大的部门，但许多已确定的任务都涉及物流活动。

受影响职业与劳动力市场变量之间关系的LOWESS估计证实，机器人劳动力节约型创新针对的是过去20年来工资增幅最低的低薪职业。此外，此类低薪职业的劳动力数量也在萎缩。尽管无法涵盖影响这种关系的全部潜在混杂因素，但本文发现针对劳动人口中最廉价和最弱势群体的创新努力的显著且明确的模式。

受LS自动化影响的职业和就业动态并不总是一致的。例如，2位数的职业“运输和物资运输”虽然在很大程度上受到机器人劳动力节约技术的影响，但就业人数却出现了积极的增长（图1）。尽管其受影响程度很高，但就业正增长表明就业动态是由其他来源（主要是需求）驱动的，这可能明显抵消机器人技术进步的潜在劳动力节约。值得注意的是，行业层面的聚合凸显了美国经济的进一步去工业化，因为制造业是迄今为止受影响最大的行业。然而，社会关怀和援助服务以及教育在受影响程度排名中却相当高。因此，不仅低薪制造业和物流工人受到影响，低薪服务业工人也受到影响。相反，管理职业虽然就业比例有所下降，但相似度最低。

研究的第二个结果是，鉴于本文对机器人节约劳动力的专利的非常谨慎的识别，提供的结果并未夸大，而是保守地低估了。因此，在考虑潜在可替代职业的累积比例时，相似性分布的前十分之一涉及8.6%，即大约1260万名员工。

本研究方法的优点是：客观程序构建直接的邻近度测量；普遍性，测量是建立在整套CPC代码，并且仅在第二步中使用加权程序来考虑节约劳动力的技术；分位数阈值的非线性性质和矩阵的稀疏性在可靠性和劳动力市场前景方面都增加了支持。

本研究的第一个局限性在于，只考虑了机器人的劳动力节约型创新，而劳动力节约型创新涵盖了人工智能技术的其他应用。第二个局限是，无法跟踪这些技术的采用者，并且不知道工人的确切数量，如果采用者广泛且其劳动单位数量较多，则职业损失可能比本研究中预测的要高得多。第三个局限是缺乏测量的时变维度，与机器人专利的数量随着时间的推移而增加相比，节约劳动力的专利在本文的观察间隔内相当持久，这暗示了LS启发式中持续稳定的动态。

Abstract