图片来源：unsplash
文献来源：
Kogan, Leonid, Dimitris Papanikolaou, Lawrence D.W. Schmidt, and Bryan Seegmiller. 2023. “Technology and Labor Displacement: Evidence from Linking Patents with Worker-Level Data.”NBER Working Paper.
https://www.nber.org/papers/w31846 (November 14, 2023).
01
引言与导读
与历史上众多具有开创性的技术进步一致，ChatGPT等大语言AI模型的面世让所有人都开始探索其对自己的工作能够带来何种助力，也同时担忧着自己被AI所替代的可能性。作为经济学研究者，识别技术进步与劳动收入间因果关系是历久弥新的经典问题，但如何度量不同岗位的劳动者受到不同技术的冲击程度（Technology exposure）是这一支文献里最难以解决的问题之一。
来自MIT 斯隆商学院的Leonid Kogan、Lawrence D.W. Schmidt与西北大学科隆商学院的Dimitris Papanikolaou、Bryan Seegmiller 最近的NBER Working Paper使用了专利-雇主-雇员层面的行政数据，借助GPT4、等文本分析工具将技术冲击分类为劳动节约型技术冲击（labor-saving technology exposure）与劳动增强型技术冲击（labor-augmenting technology exposure）。为我们回答上述问题、参考在研究中如何利用ChatGPT提供了一个新的范例。
研究发现，这两类技术冲击都会对在职工人的收入增长产生负面影响。劳动节约型技术预示着所有工人的收入下降和更高的失业可能性，而劳动增强型技术则主要预示着年长或高薪工人的损失。但研究也发现劳动力增强技术对职业层面的就业和工资总额有积极影响。在最后本文也将分析扩展到预测人工智能对收入的影响。
模型关键假设与“理想”的技术冲击度量
02
1.模型最小层级-“任务”的设定
本文构建了一个在本支文献中较为常规的模型（Acemoglu and Restrepo ，2018），在这一模型中面临技术冲击的最小单位是工人所从事的“任务”，每个工人的工作、收入由不同的任务所组成，生产某个具体的产品也由不同的任务所组成（推文中跳过了大多数模型细节以及求解过程，仅保留理解下文实证所需要的部分）。
而技术的进步是针对特定任务的，既可以是劳动力的补充也可以是替代劳动力。而针对劳动力补充的技术针对的是非常规任务（non-routine tasks），替代劳动力所针对的任务则为（routine tasks）。
而为了完成某个具体的任务，需要投入的资本与劳动力如下：
其中γj度量了劳动与资本的要素份额，vj则度量了不同任务间的替代弹性。而常规任务与非常规任务则有两个区别：首先，资本与劳动力之间的替代弹性vj在非常规任务中低于常规任务。其次，由于存在技能转移，新年份的劳动力增值资本会改变提供给非日常任务的有效劳动力数量。
2.“理想”的技术冲击度量
上式刻画了工人面临面临两类技术进步的“理想度量方法”。其中劳动力节约型技术进步的冲击程度（labor-saving technology）是常规任务对其报酬的贡献θ和具体技术改进与常规任务的相关程度的函数。同样，工人面对劳动力增强型技术进步的接触程度与非日常工作对其报酬的贡献1-θ以及技术改进与非日常工作之间的距离有关。要完全上式的度量，需要任务层面的报酬数据和工人个人的特定任务技能数据。由于没有这方面的数据，本文从职业层面而非工人个人层面来构建技术冲击度量（下文亦有说明，本文实际上是NAICS四位职业代码层面的研究）。
03
数据关键变量构造
由上文“理想”的技术冲击度量方法可知，如果想要计算出技术冲击程度，至少需要得知以下信息：①工人工作中常规任务与非常规任务的分别占比 ②工人每项具体任务在某特定年份面临的技术冲击 ③该技术冲击与该任务见的相关程度。
1. 任务分类
为了将一组职业所执行的任务划分为这常规任务与非常规任务，本文利用了生成式人工智能（GPT4）的最新进展，将其应用于《职业名称词典》（DOT）中对特定职业所执行的工作任务的描述。简而言之，本文通过询问 GPT4 某项任务是常规任务还是非常规任务，并对其进行记录。
在此处推文作者通过使用本文附录所提供的任务判定提示词，使用《中华人民共和国职业分类大典》对于随机选取的一个职业提供了一个实例：
而GPT的判定方法与本支文献中对于常规任务/非常规任务的划分也具有较好的可比性。例如 Acemoglu 和 Autor（2011 ）职业任务评分构建的常规任务强度（RTI）指标，是本支文献中可以参考的benchmark。我下图绘制了 RTI 与本文计算的职业层面常规任务平均份额的对比图。可以看到，两者高度相关（81%），且近似线性关系（笔者：侧面也体现出本文使用GPT4识别任务常规/非常规的边际贡献可能有限）。
2. 识别重大技术进步
本文并非识别所有技术进步，而是仅关注于具有为既新颖（即有别于之前的专利）又有影响力（即与后续专利相关）的创新”。在此处本文借鉴了较为成熟的 Kelly、Papanikolaou、Seru 和 Taddy（2021 ）的方法识别这些了具有开创性的技术进步。
3. 链接专利与任务
在完成某个工作由常规/非常规的构成后以及识别出可能影响到生产的技术后。接下来需要，将其链接起来。本使用的方法是测量特定技术与特定职业工人所完成任务之间的距离。具体而言，本文将每份文档（专利本文或职业任务描述）表示为该文档中所含术语的词向量 xk 集的加权平均值：
即"术语-频率-反文档-频率"（TF-IDF），在给定文档中出现频率相对较高的术语的词向量权重较大，而在所有文档中出现频率较低的术语的权重较小。接下来，本文计算突破性专利 b 与职业 o 任务描述中的常规或非常规部分之间的余弦相似度。
而有了以上三部分的信息后，就可以分别计算出在某个行业的工人面临两类技术冲击程度。
数据、实证策略及结果
04
1.数据
本文将雇主-雇员匹配的社会保障局（SSA）行政数据与当前人口调查（CPS）中的年度社会和经济补充调查（ASEC）随机抽样跟踪的个体劳动者的调查信息相结合。其中SSA 数据包括 W-2 表中的收入信息和雇主识别码 (EIN)。ASEC 则包括了职业信息以及年龄和性别等人口信息。同时利用了 EIN链接行业层面，从人口普查纵向企业数据库 (LBD) 中获取行业和平均工资信息，对数据进行补充。=本文样本限制在 25 岁以上、55 岁以下的个人，以及 CPS 访谈日期在过去 3 年内的时期，以便职业信息相对较新。
2. 实证方程
其中关键被解释变量为工人在未来3、5、10年的工资增长幅度。ξR与ξN分别为面临劳动节约型与劳动增强型技术冲击的冲击程度。
3. 平均效应
由下图可以看出，两类技术冲击均与工人的后续收入增长显著负相关。这两个指标的影响幅度都不小：其中劳动节约型技术进步接触程度从中位数上升到第 90 百分位数，工人的累计收入在三到十年内就会下降约 2.2 到 2.9 个百分点。而劳动力增强型技术进步虽然产生的负效应略小于劳动节约型，从 1 个百分点到 1.7 个百分点不等。并且在这两种情况下，幅度都会随着时间的推移而增加，这表明这些影响是持续性的。
4. 异质性分析
行业与工种的异质性
下图A中分别比较了制造业与其他行业工人受到冲击的系数。下图B 组比较了不同职业类型的系数，具体取决于这些职业类型主要强调的是体力技能、认知技能还是人际交往技能。
可以看到，反映劳动节约型技术对收入影响的估计系数在制造业和服务业之间，以及在体力密集型和认知密集型工作之间具有较好的可比性。相比之下，从事强调人际交往任务的职业的工人基本上不受省力技术影响指数的影响。这种模式表明，工人因劳动密集型技术而被取代并不纯粹是蓝领工人的现象；相反，这种现象越来越多地出现在白领职业中，这与 Autor 等人（2003 年）关于自动化技术在常规认知任务中替代劳动力的潜力的观点相吻合。
年龄、收入水平、受教育程度的异质性
下图展示了两类技术冲击对于不同年龄、收入水平、受教育程度的影响。可以两类技术而言，均对于年龄较大的人群负面效应大。而劳动节约型对于收入较低、受教育程度较低人群影响较大，劳动增强型则相反。
05
展望讨论——AI冲击对现有工作的影响
最近，AI技术的进步引发了人们对人工智能（AI）对工人影响的担忧。就像大多数其他技术一样，人工智能可能会影响工人的收入，因为它使工人所做的某些工作实现了自动化，或者因为它对工人的工作起到了补充作用而这可能是以工人的某些技能转移为代价的。
所以本文拓展了前文框架，来预测人工智能对工人收入的影响。本文采用与推文第三部分中类似的方法来估算人工智能对每项工作的影响。具体而言，本文首先询问 GTP4人工智能是否可以在几乎没有人类协助的情况下完成相同的任务，或者是否无法在没有大量人类干预的情况下独立完成任务。本文将人工智能只需少量人工协助就能完成的任务归类为人工智能替代任务，将其余任务归类为人工智能补充任务。接下来，又通过询问 GPT4，人工智能应用于这些任务在现在或不久的将来是否可行。
结合以上两个问题，本文就可以刻画出不同工种可能被AI所替代的概率，下图展示了不同行业面临AI冲击的可能性。
总结
06
本文开发了一种方法来识别节省劳动力和增强劳动力的技术，这种方法仅依赖于专利文件的文字描述和工人在某一职业中所从事的工作。通过将上述方法与有关工人收入的行政数据相结合，本文追踪了这些技术对工人横截面的影响。总体而言，本文发现节省劳动力的技术对工人的收入和就业产生了一致的负面影响。相比之下，劳动增强型技术对工人的影响要大得多：这些技术对在职工人的收入产生了适度的负面影响，尽管这些影响主要集中在技术最熟练的工人身上，这与技能转移是一致的。此外本文还发现，劳动力增强技术在职业层面上导致了工资和就业率的提高，这表明它们主要惠及新工人。将本文校准后的模型应用于人工智能（AI）的情况下，可以预测其对工人收入的影响。
Abstract
We develop measures of labor-saving and labor-augmenting technology exposure using textual analysis of patents and job tasks. Using US administrative data, we show that both measures negatively predict earnings growth of individual incumbent workers. While labor-saving technologies predict earnings declines and higher likelihood of job loss for all workers, labor-augmenting technologies primarily predict losses for older or highly-paid workers. However, we find positive effects of labor-augmenting technologies on occupation-level employment and wage bills. A model featuring labor-saving and labor-augmenting technologies with vintage-specific human capital quantitatively matches these patterns. We extend our analysis to predict the effect of AI on earnings.
作者：荔迪 中国人民大学博士研究生 ldecld@126.com
声明：推文仅代表文章原作者观点，以及推文作者的评论观点，并不代表香樟经济学术圈公众号平台的观点。
0
推荐
京公网安备 11010502034662号 