自动化技术对发展中国家而言是机遇还是威胁？
作者利用印度尼西亚制造业企业的数据，记录了采用机器人对就业的积极影响。
这一发现与现有证据形成对照：在自动化程度相对较高的经济体中，自动化对就业有负面影响。
日益普及的自动化技术给采用这些技术的经济体带来了明显的权衡：一方面是企业层面的生产率提升（Acemoglu et Restrepo 2020；Koch et al. 2019），另一方面是自动化节省劳动力的特性对就业造成的不利影响（Acemoglu and Restrepo 2020；Dauth et al. 2017）。迄今为止，这种权衡已有记录的国家都处于自动化程度相对较高的阶段。1
然而，现有关于自动化影响的证据能否为处于自动化早期阶段的国家提供有益指导，目前尚不明确；如今大多数发展中国家都属于这一类。鉴于自动化技术可能存在显著的边际收益递减（Graetz and Michaels 2018），在采用自动化技术的早期阶段，采用这些技术更有可能增加劳动力需求。图1以工业机器人这一重要的自动化技术类别为重点，提供了一些支持这一观点的初步证据。图中显示，机器人普及率与就业之间的相关性在机器人普及率较高的经合组织国家为负，在非经合组织国家则为正。
图1机器人普及率与就业变化：经合组织国家与非经合组织国家
这是一个重要的知识缺口，因为预计未来几十年自动化在发展中国家的普及率将大幅提高（Hallward-Driemeier and Nayyar 2017）。在一篇近期论文（Calì and Presidente 2022）中，我们通过考察采用机器人对印度尼西亚制造业就业的影响，帮助填补这一缺口。我们关注的是21世纪头十年的后半段至2010年代初期；当时，印度尼西亚的机器人普及率远低于已有微观证据的其他国家。
图2通过绘制各国现有研究所覆盖的最早年份（如有）和最后年份中，每百万名制造业工人对应的机器人数量，展示了这一差距的程度。机器人数据来自国际机器人联合会（IFR），该机构从各国机器人协会收集机器人进口数据。制造业就业数据来自国际劳工组织（ILO）；中国的数据则来自联合国工业发展组织（UNIDO）。以各项研究所覆盖的最后年份为例，这些年份对大多数国家而言相差不大。印度尼西亚的机器人普及率在样本中最低，差距在9倍（相较于2015年的墨西哥）至99倍（相较于2014年的德国）之间。采用各项研究的最早年份进行比较，也会发现类似差距。
图2印度尼西亚的机器人普及率与其他有自动化影响证据的国家对比
印度尼西亚的另一个有趣特点是，2010年后机器人总数大幅增加，机器人总存量在2008年至2015年间增长近十倍。这一增长在各行业间差异很大。到样本期结束的2015年，汽车等自动化程度最高行业的机器人普及率已与发达经济体相当。纺织等其他行业在整个时期内则没有机器人普及。
机器人对印度尼西亚地方劳动力市场就业的积极影响
为识别机器人普及对地方就业的影响，我们聚焦于县（regency）。县是印度尼西亚次国家级行政区划的第二级，能够较好地近似地方劳动力市场。2 按照既有文献的做法，我们通过将县级基期行业就业占比与按行业划分的年度机器人进口量相乘，构建县级机器人暴露度指标（Acemoglu and Restrepo 2020；Dauth et al. 2017）。随后，我们以2008至2015年间县级就业变化为因变量，以同期机器人暴露度变化为解释变量进行回归，并控制各种不随时间变化和随时间变化的因素。我们还采用经合组织国家按行业划分的平均机器人普及率作为工具变量，以处理机器人指标可能存在的内生性问题；这些国家在机器人采用方面领先于印度尼西亚。3
与其他国家现有的微观证据相反，我们的分析记录到，采用机器人对印度尼西亚各地方劳动力市场的制造业就业产生了积极影响。我们首选模型中估计系数的大小意味着，在2008至2015年间，基期每1000名工人多一台机器人的县，就业增长高出31个百分点（在1%的水平上显著）。我们详细评估了识别策略的有效性（Goldsmith-Pinkham et al. 2020），并进行了一系列测试，这些结果让我们有信心认为机器人对就业的积极影响具有稳健性。
自动化的边际收益递减与就业的积极影响
什么可以解释这一结果与其他国家现有实证结果之间的差异？如上所述，在研究期间机器人普及率较低的背景下，印度尼西亚的结果可能与采用机器人存在边际收益递减相符。
一个遵循 Acemoglu 和 Restrepo（2018）思路的简单任务模型揭示了其中的关键逻辑。设想一个经济体，其中任务集合固定，由工人承担，并按复杂程度从低到高排列（即从常规任务到高度复杂的任务）。在自动化程度较低时（也就是说，自动化任务占比较低时），新增一台机器人会替代承担某项常规任务的工人；在这类任务上，人类的比较优势较低。因此，采用机器人带来的生产率提升相对较大。随着自动化程度提高，机器人会取代在各自任务上比较优势更强的工人，因而收益会变小。与此同时，自动化缩小了人类承担的任务范围，机器人造成的替代效应也会增强；随着工人变得多余，劳动的边际产出随之下降。生产率收益随着自动化程度提高而减少，替代效应则随之增强，采用机器人的净收益因而递减，就业影响也就变得更加负面。
我们利用印度尼西亚丰富的制造业工厂面板数据检验这一假设。与其他针对高收入国家的研究不同，我们无法观察工厂是否使用机器人。我们转而依据 Graetz 和 Michaels（2018）对职业被机器人“替代可能性”的定义，构建工厂层面的机器人暴露度指标。利用印度尼西亚劳动力调查数据，我们发现，在印度尼西亚，面临较高自动化风险的职业主要由受过中等教育的工人从事。我们据此将按行业划分的年度机器人进口量与工厂层面的基期中等教育工人占比相结合，构建工厂特定的自动化暴露度指标。我们还提供了多项证据，支持“面临自动化风险的职业主要由受过中等教育的工人从事”这一发现。例如，基期受过中等教育的工人占比较高的行业，在随后几年采用的机器人相对更多。同样，行业平均机械设备投资（包括机器人投资）与该行业的机器人进口量呈正相关。
我们以工厂年度就业人数为因变量，对机器人暴露度指标进行回归，并控制一系列固定效应，包括工厂固定效应和行业—年份固定效应、下游机器人暴露度，以及用于捕捉潜在混杂因素的工厂层面技术复杂度指数。结果表明，平均而言，每1000名工人增加一台机器人，工厂就业人数就会增加1%。这些影响似乎由自动化带来的生产率大幅提升所驱动。平均而言，每1000名工人增加一台机器人，全要素生产率（按实物量计算）就会提高7%，实际边际成本则会降低10%。
分析结果也支持自动化存在边际收益递减这一假设。对于初始机器人暴露度分布处于第8十分位以上的工厂，采用机器人的就业弹性变得不那么正向（图3）。对于处于最高十分位的工厂，每1000名工人增加一台机器人与正向但在统计上不显著的就业弹性相关。生产率也呈现类似模式。
因此，采用机器人对地方制造业就业的积极影响，似乎是由尚有大量未开发自动化潜力的工厂所驱动。在印度尼西亚这类处于自动化起步阶段的国家，这些工厂占整个制造业工厂总数的大多数。
图3按初始机器人暴露度分布的十分位划分，机器人暴露程度不同的工厂之间的就业影响比较
机器人助力经济发展？
最后，我们考察这些结果可能具有的外部有效性。为此，我们分析了2007至2015年间，61个经合组织和非经合组织经济体的12个行业中就业与机器人进口之间的关系。分析采用两阶段最小二乘（2SLS）估计量，以由其他国家相同行业—年份组合构建的剔除本国均值作为工具变量，对机器人密度进行工具变量估计。结果表明，各国同样存在显著的自动化边际收益递减。采用机器人与经合组织国家的制造业就业呈负相关，尤其是在普及率较高时；在非经合组织国家则呈正相关（图4）。
图461个国家和12个行业中机器人的就业影响，2007—2015年
虽然这些结果只是初步证据，但它们让人对这样一种观点产生疑问：发展中国家采用自动化技术、自动化率从极低水平提高时，会削弱其劳动力需求（Diao et al. 2021）。要在其他情境下检验这一假设，还需要更多发展中经济体企业层面的机器人采用数据，特别是处于工业化早期阶段的经济体。
参考文献
Acemoglu, D、C Lelarge 和 P Restrepo（2020），“与机器人竞争：来自法国的企业层面证据”，《美国经济学会论文集》110：383–88。
Acemoglu, D 和 P Restrepo（2020），“机器人与就业：来自美国劳动力市场的证据”，《政治经济学杂志》128(6)：2188–2244。
Acemoglu, D 和 P Restrepo（2018），“人类与机器的竞赛：技术对增长、要素份额和就业的影响”，《美国经济评论》108(6)：1488–1542。
Artuc, E、L Christiaensen 和 H Winkler（2019），“富裕国家的自动化会损害发展中国家吗？来自美国和墨西哥的证据。来自美国和墨西哥的证据”，世界银行政策研究工作论文8741号，2月14日。
Calì, M 和 G Presidente（2022），“机器人助力经济发展”，基尔、汉堡：ZBW 莱布尼茨经济信息中心。
Dauth, W、S Findeisen、J Suedekum 和 N Woessner（2017），“德国劳动力市场中机器人的崛起”，VoxEU.org，9月19日。
Diao, X、M Ellis、M S McMillan 和 D Rodrik（2021），“非洲制造业之谜：来自坦桑尼亚和埃塞俄比亚企业的证据”，NBER工作论文第w28344号。
Giuntella, O 和 T Wang（2019），“机器人军团正在进军中国就业市场吗？”，未发表稿。
Goldsmith-Pinkham, P、I Sorkin 和 H Swift（2020），“Bartik工具变量：是什么、何时使用、为何使用以及如何使用”，《美国经济评论》110(8)：2586–2624。
Graetz, G 和 G Michaels（2018），“工作中的机器人”，《经济学与统计学评论》100(5)：753–768。
Hallward-Driemeier, M 和 G Nayyar（2017），“制造业发展面临困境？制造业驱动型发展的未来”，世界银行。
Koch, M、I Manuylov 和 M Smolka（2019），“机器人与企业”，VoxEU.org，7月1日。
尾注
1 据我们所知，迄今为止的研究涉及以下高收入国家：美国（Acemoglu and Restrepo 2020）、法国（Acemoglu et al. 2020）、德国（Dauth et al. 2017）和西班牙（Koch et al. 2019）；还包括中国（Giuntella and Wang 2019）和墨西哥（Artuc et al. 2019）。
2 在我们的分析期间，各县平均人口约为800,000，劳动力在县际间流动性较低。其次，印度尼西亚1999年实施分权改革后，各县拥有重要的行政权力，包括劳动力市场方面的权力，例如设定最低工资。印度尼西亚劳动力调查（Survei Tenaga Kerja Nasional—Sakernas）每年收集具有县级代表性的数据。
3 为构建工具变量，我们将IFR数据与经合组织结构分析数据库（STAN）中按两位数行业划分的就业数据相匹配。对于每个行业—年份组合，我们计算经合组织国家平均每千名工人进口的机器人数量。
