1 تجدید حیات مفهوم بیکاری تکنولوژیکی هم در ادبیات اقتصاد کار و هم در رسانه ها ترس را برجسته می کند که پیشرفت فنی می تواند کارآیی شغلی باشد. این اضطراب از این نظر ریشه دارد که پیشرفت فنی نمایی منجر به اتوماسیون بی امان در حال رشد تولید خواهد شد.

2 شاخه نسبتاً اخیر علوم رایانه به این دیدگاه سوخت داده شده است: روباتیک و هوش مصنوعی. اولین مورد ادامه انقلابهای تکنولوژیکی قبلی است که در تاریخ اتفاق افتاده است و هدف آن سبک تر کردن کارآیی کار است تا ضمن بهبود کارآیی تولید ، مرزهای فناوری را به عقب برگرداند. از جرثقیل های رومی باستانی که قنات ها را به جرثقیل های مدرن که آسمان خراش های بلندتر می سازند ، از اختراع چاپ (که به گوتنبرگ در اواسط قرن 15 منسوب شده بود ، ساخته شده است ، با وجود شواهدی مبنی بر اینکه سلسله تانگ چین (618-907) قبلاً به چاپ رسیده بودتکنیک های قرن هشتم (Gunaratne ، 2001) ، به چاپ های مدرن که به سرعت در انتشار اطلاعات با سرعت بخشیدن به چاپ ضمن کاهش هزینه ها کمک کرده اند ، از دستگیره های دستی جایگزین جنی در حال چرخش جنی در اواسط قرن 18 تانوجوانان مدرن که مقدار تولید ده برابر را افزایش می دهد ، تمام این اختراعات باعث شده است که کار انسان کمتر دشوار ، تولیدی تر و افزایش کیفیت محصولات تولید شده باشد. روباتیک بخشی از این تداوم است و امکان کاهش شدید میزان کار انسان در هر واحد سرمایه را فراهم می آورد.، با خودکار کردن عملکرد ماشین آلات.

3هوش مصنوعی نیز در راستای جستجوی کارایی است، اما با نوآوری های قبلی تفاوت دارد زیرا وظایف دستی را خودکار نمی کند، بلکه وظایف شناختی را خودکار می کند. از این نظر، بخشی از تداوم انقلاب دیجیتال با ظهور علم کامپیوتر است که انجام وظایف محاسباتی را به راحتی و به سرعت ممکن می سازد. آنچه در هوش مصنوعی (AI) جدید است، در ویژگی های تطبیقی آن است، در مقایسه با الگوریتم های سنتی، که ایستا هستند. تفاوت را می توان به صورت زیر فرمول بندی کرد: یک الگوریتم سنتی برای انجام یک کار برنامه ریزی شده است. یک الگوریتم یادگیری ماشین برای یادگیری انجام یک کار برنامه ریزی شده است. هنگامی که درجه پیچیدگی یک کار کم است، رویکرد اول بسیار کارآمدتر است و زمان و منابع کمتری را مصرف می کند. با این حال، هنگامی که درجه پیچیدگی افزایش می یابد، روش دوم بسیار قدرتمندتر است و گاهی اوقات منجر به نتیجه ای می شود که توسط توسعه دهندگان پیش بینی نشده بود. این نوع الگوریتم به ویژه برای مسائلی که نیاز به دانش ضمنی دارند، که طبق تعریف، تدوین آن دشوار است، مؤثر است. به عنوان مثال، تکنیک های یادگیری ماشینی توسعه اتومبیل های خودران را بسیار تسریع کرده است. رانندگی کار ساده ای است، اما نیاز به ظرفیت بزرگی از تطبیق دارد که اجرای آن با الگوریتم های سنتی که مستلزم پیش بینی تمام سناریوهای ممکنی بود که خودرو می توانست با آن روبرو شود، بسیار دشوار بود.

4 هدف این مقاله پاسخ به یک سؤال بسیار ساده است: آیا شواهد تجربی وجود دارد که نشان می دهد روباتیک و فناوری های هوش مصنوعی می توانند بیکاری را افزایش دهند؟ما می خواهیم در سطح کلان استدلال کنیم زیرا آنچه در اینجا برای ما مهم است ، تأثیر خالص از بین بردن شغلی و ایجاد ، یعنی آزمایش اثربخشی مکانیسم های جبران کننده است. Calvino و Virgillito (2018) بین دو نوع مکانیسم جبران خسارت: کلاسیک و کینزی-شامپایان متمایز شده اند. سابق چهار مکانیسم مختلف را در بر می گیرد: افزایش تقاضای نیروی کار در بنگاه های تولید نوآوری های فرآیند ، افت قیمت به دلیل افزایش بهره وری که منجر به افزایش تقاضای کل ، کاهش دستمزدها می شود که به نوبه خود باعث افزایش تقاضای نیروی کار می شود ، وافزایش سرمایه گذاری تأمین شده با کاهش هزینه واحد تولید حاصل از نوآوری فرآیند ، بنابراین باعث استخدام جدید برای گسترش تولید می شود. دسته دوم شامل دو مکانیسم است: افزایش دستمزدها به دلیل افزایش بهره وری برای کارگران باقی مانده در شرکت ، بنابراین باعث افزایش مصرف می شود. و ایجاد محصولات جدید که بازارهای جدید را باز می کنند و در نتیجه افزایش تقاضای نیروی کار را افزایش می دهند.

5 مقاله به شرح زیر ساخته شده است: ما بررسی ادبیات را در مورد پیوند بین رباتیزاسیون ، هوش مصنوعی و بیکاری ارائه خواهیم داد ، سپس فرضیه های تحقیق خود را توسعه خواهیم داد ، سپس روش و داده هایی را که برای پاسخ به آنها استفاده می کنیم ارائه خواهیم داد ، بخش زیر خواهد بود. اختصاص داده شده به تجزیه و تحلیل نتایج است و ما در بخش پایانی نتیجه خواهیم گرفت.

بررسی ادبیات

6 مورد در مورد بیکاری فن آوری بین دیدگاههای بدبینانه و خوش بینانه تقسیم می شود. این آخرین موقعیت توسط کینز (1930) به اشتراک گذاشته شد ، که خواستار کاهش زمان کار برای جلوگیری از بیکاری فن آوری شد: "شیفت های سه ساعته یا یک هفته پانزده ساعته ممکن است مشکل را برای مدتی بزرگ از بین ببرد" (کینز ، 1930 ،ص 5). ریفکین (1995) با پیش بینی پایان کار حتی بیشتر پیش رفت و یک اقتصاد تقریباً کاملاً خودکار را به تصویر می کشد که می تواند مقدار فراوانی از کالاها و خدمات را با هزینه حاشیه ای نزدیک به صفر تولید کند (ریفکین ، 2014).

7 شواهد در مورد بیکاری تکنولوژیکی در بدنه رو به رشد تحقیق در مورد اثرات پیشرفت فنی مخلوط شده است. وقتی در دو دهه آینده به طور بالقوه می توان به طور بالقوه به طور بالقوه به صورت خودکار انجام شد ، این ادبیات تخمین هایی را به میزان 47 ٪ (فری ، آزبورن ، 2017) به 9 ٪ برای ایالات متحده ارائه می دهد (Atz et al. ، 2016). Nedelkoska و Quintini (2018) از داده های پایگاه داده PIAAC که 32 کشور OECD را در بر می گیرد ، استفاده کردند و دریافتند که حدود 14 ٪ از مشاغل بسیار خودکار هستند. با استفاده از اندازه گیری ریسک اتوماسیون که توسط این نویسندگان تهیه شده است ، جورجیف و میلانز (2021) تجزیه و تحلیل می کنند که آیا مشاغل در نظر گرفته شده در معرض خطر بالای اتوماسیون در سال 2012 در واقع هفت سال بعد از دست دادن خالص کارگران را تجربه کرده اند. آنها دریافتند که این مشاغل نسبت به سایر مشاغل ، رشد شغلی ضعیف تری دارند و حتی گاهی اوقات کاهش متوسطی در سطح اشتغال. با این حال ، نویسندگان خاطرنشان می کنند که ، در سطح کل ، اتوماسیون منجر به تخریب کار خالص نمی شود. فلتن و همکاران.(2019) یک اقدام "تأثیر شغلی هوش مصنوعی" را پیشنهاد کرد و دریافت که ، در حالی که هوش مصنوعی تأثیر مثبت کمی بر دستمزدها دارد ، اما هیچ تاثیری در اشتغال ندارد. Acemoglu و همکاران.(2020) از داده های مربوط به جای خالی آنلاین استفاده کرد و هیچ ارتباطی بین قرار گرفتن در معرض هوش مصنوعی و اشتغال و دستمزدها پیدا نکرد. این نتیجه گیری توسط وب (2019) به اشتراک گذاشته نشده است ، که دریافت که مشاغل با قرار گرفتن در معرض زیاد در فن آوری های اتوماسیون ، کاهش اشتغال و دستمزد را تجربه کرده اند. ساخت فری و آزبورن (2017) و فلتن و همکاران.(2018) ، Fossen و Sorgner (2019) دریافتند که یک خطر رایانه ای بالا با افزایش احتمال تغییر شغل یا بیکار بودن همراه است.

8AT سطح شرکت ، بسن و همکاران.(2019) رابطه بین اتوماسیون و مشاغل را بررسی کرد و نتیجه گرفت که اتوماسیون احتمال ترک کارگران را افزایش می دهد. با این حال ، آنها خاطرنشان می کنند که این اثر از نظر تدریجی و کوچک است. کوچ و همکاران.(2021) تجزیه و تحلیل را در هیئت مدیره شرکت های تولیدی اسپانیایی انجام داد و خاطرنشان کرد که پذیرش ربات منجر به افزایش خالص شغل 10 ٪ شد ، در حالی که بنگاه هایی که در روبات ها سرمایه گذاری نمی کردند ، در این دوره متحمل خسارات شغلی شدند. Aghion و همکاران.(2020) از داده های فرانسوی استفاده کرد و دریافت که اتوماسیون تأثیر مثبتی بر اشتغال دارد ، هم در سطح شرکت و هم در صنعت. Montobbio و همکاران.(2022) ثبت اختراعات روباتیک صرفه جویی در نیروی کار با داده های سطح شرکت ، و تأثیر خاص بخش را در کارهای دستی و شناختی برجسته کرد. علاوه بر مطالعات در مورد روباتیک و هوش مصنوعی ، کل ادبیات به تأثیر نوآوری های فرآیند بر اشتغال می پردازد. ون روی و همکاران.(2015) دریافت که نوآوری فرآیند تمایل به افزایش اشتغال دارد ، در حالی که سایر مطالعات هیچ مدرکی از رابطه معنی دار بین این دو مشاهده نکردند (هریسون و همکاران ، 2014 ؛ کالوینو ، 2019 ؛ باربیری و همکاران ، 2019).

9 در حالی که تجزیه و تحلیل در سطح شرکت از این مزیت برخوردار است که مقدار زیادی از داده ها را ارائه می دهد ، که اغلب با کیفیت بهتر از داده های کلان اقتصادی ، این ضرر را برای ارائه یک چارچوب عملی برای پاسخ به سؤال از تأثیر خالص پیشرفت تکنولوژیکی در اشتغال ارائه می دهد. سطح کلدر واقع ، برخی از ضررهای شغلی در یک شرکت یا بخش به طور بالقوه می توانند با ایجاد مشاغل جدید در سایر بنگاه ها یا بخش ها جبران شوند.

تجزیه و تحلیل سطح 10meso و سطح کلان امکان دور زدن محدودیت های مطالعات سطح شرکت را فراهم می کند. داوت و همکاران.(2018) به بررسی اثرات پذیرش ربات در بازار کار آلمان پرداخت و دریافت که توزیع شغل در صنایع را بدون کاهش سطح کل اشتغال تغییر داده است. Graetz و Michaels (2018) از داده های بخش در هیئت هفده کشور استفاده کردند و هیچ کاهش قابل توجهی در اشتغال کل مشاهده نکردند. با این حال ، آنها اشاره کردند که افزایش روبات سازی با کاهش سهم اشتغال کارگران کم مهارت همراه است. Acemoglu و Restrepo (2020) از یک چارچوب نظری مبتنی بر کار برای تجزیه و تحلیل تأثیر تراکم ربات در بازارهای محلی کار در ایالات متحده استفاده کردند و دریافتند که یک ربات اضافی در هر هزار کارگر با افت 0. 2 درصد در اشتغال بهنسبت جمعیت و کاهش دستمزد 0. 37 درصد. آنها همچنین بر ناهمگونی اثرات تأکید کردند با نشان دادن اینکه هرچه سطح تحصیلات کارگران پایین تر باشد ، تأثیر منفی بر شغل و دستمزدهای ساعتی قوی تر می شود. Chiacchio و همکاران.(2018) از یک روش مشابه در شش کشور اتحادیه اروپا استفاده کرد و تأثیر منفی 0. 16 تا 0. 20 امتیاز را بر نسبت اشتغال به جمعیت تخمین زد. آنها اثر جابجایی ویژه ای را برای مردان جوان با سطح متوسط آموزش پیدا کردند. Autor and Salomons (2018) توجه خود را به اثرات رباتیزاسیون بر سهم نیروی کار جلب کرد و نتیجه گرفتند که اتوماسیون از دهه 1980 به کاهش آن کمک کرده است.

فرضیه های تحقیق

11 بر اساس ادبیات تجربی و نظری ، چهار فرضیه تحقیق را تدوین می کنیم. اول ، ما انتظار داریم که بین نرخ بیکاری کل ، روبات ها و هوش مصنوعی (H1) ارتباط مثبت مشاهده کنیم. در حالی که برخی از نویسندگان (Graetz ، Michaels ، 2018 ؛ Chiacchio et al. ، 2018 ؛ Acemoglu ، Restrepo ، 2020) تأثیر منفی (مثبت) بر اشتغال (بیکاری) را برجسته کرده اند ، در حال حاضر تأثیر کمی از هوش مصنوعی در سطح کلان در حال حاضر استبه خوبی پوشانده نشده است. دوم ، ما انتظار داریم که بین روبات ها و نرخ بیکاری کمترین کارگران تحصیل کرده و همبستگی منفی بین روبات ها و نرخ بیکاری کسانی که سطح بالایی از آموزش دارند (H2) همبستگی مثبت داشته باشیم. این فرضیه مطابق با تئوری تغییر فنی (SBTC) با مهارت است: کارگران غیر ماهر در حالی که کارگران ماهر از آن بهره مند می شوند ، تحت تأثیر پیشرفت تکنولوژیکی قرار می گیرند. برعکس ، ما این فرضیه را آزمایش می کنیم که هوش مصنوعی و روبات ها عمدتاً در میزان بیکاری کارگران دارای مهارت متوسط (H3) تأثیر می گذارند. این در مورد ادبیات مربوط به قطبش بازار کار (Autor و همکاران ، 2006) برای ایالات متحده ، Salvatori (2018) برای انگلستان ، Furukawa و Toyoda (2018) برای ژاپن ، Goos et al.(2014) برای اروپا ، که براساس آن ، الگوریتم های هوش مصنوعی عمدتاً جایگزین کارهای روزمره انجام شده توسط کارگران دارای مهارت متوسط می شوند.

در 12 نهایی ، ما انتظار داریم اثرات ناهمگن در همان گروه آموزشی و بین کلاس های سنی باشد. دو اثر متضاد می تواند به وجود بیاید: یک اثر "تجربه" و اثر "منسوخ دانش". اولین تأثیر این است که این واقعیت است که کارگران مسن تمایل به تجربه کار بیشتری دارند و بنابراین ، در یک سطح تحصیلات مشابه ، واجد شرایط تر هستند. در نتیجه ، وظایف انجام شده توسط کارگران مسن باید پیچیده تر از وظایف جوانتر باشد و بنابراین باید کمتر در معرض بیکاری تکنولوژیکی قرار بگیرند. تأثیر دوم فرض می کند که جوانان تمایل دارند از نظر فنی تر از سالمندان باشند. به عنوان مثال ، افراد 25-34 ساله نسبت به همتایان 55-64 ساله خود با سطح مشابهی از آموزش ، با فناوری های رایانه ای و تلفن همراه راحت تر هستند. این اثر به ویژه برای تحصیل کرده ترین کارگران ، که به احتمال زیاد به عنوان دانشمندان داده ، توسعه دهندگان نرم افزار ، مهندسان ربات و غیره به کار می روند ، معقول است.

13 در حالی که انتظار داریم اثر قبلی برای افراد تحصیل کرده کمتر باشد ، انتظار داریم که دومی برای تحصیل کرده تر پیروز شود. در نتیجه ، ما انتظار داریم ارتباط مثبت بین روبات ها و نرخ بیکاری جوانان با سطح تحصیلات پایین (و تأثیر منفی یا معنی داری بر نرخ بیکاری افراد مسن با همان آموزش) و یک همبستگی منفی بین هوش مصنوعیو نرخ بیکاری جوانان با سطح تحصیلات بالا (و تأثیر مثبت یا معنی داری بر نرخ بیکاری سالمندان با همان سطح تحصیلات) (H4).

روش شناسی و داده ها

14 برای آزمایش این چهار فرضیه ، ما رابطه بین هوش مصنوعی ، روبات ها و نرخ بیکاری را بررسی می کنیم. این رویکرد به ما امکان می دهد تا اثرات خالص مکانیسم های جبران خسارت را در سطح کلان مشاهده کنیم ، و نه فقط تأثیرات شرکتها یا صنایع خاص. مجموعه داده های ما شامل یک تابلوی 33 کشور OECD است [1] و دوره 2005-2017 را پوشش می دهد ، به جز ایسلند (2009 - 2009) ، ایرلند [2] (2005 - 2005) و اسرائیل (2007 - 2007). ما از نرخ بیکاری استفاده می کنیم که در رشد تولید ناخالص داخلی رکود می کنیم که همانطور که از Okun (1963) شناخته شده است ، بخش مهمی از تغییر در نرخ بیکاری (U) را توضیح می دهد. در نرخ عدم تحرک (IR) ، که می تواند با افزایش یا کاهش نیروی کار ، و بر نرخ رشد روبات ها (IR) و سهام ثبت اختراع AI (AI) تأثیر مستقیمی بر بیکاری داشته باشد. انتخاب اولین تفاوت به جای سطوح با عدم استقرار داده ها انگیزه می یابد ، همانطور که در شکل 1 و 2 نشان داده شده است تا تاخیر بالقوه بین تنوع روبات های ما و متغیرهای هوش مصنوعی و تأثیر بر بیکاری ، حساب شود. ما همچنین نرخ رشد T-1 و T-2 را برای این دو متغیر شامل می کنیم. با توجه به اینکه بیکاری گاهی اوقات می تواند در حال افزایش باشد حتی در حالی که علل آن محو شده است (معروف به "اثر هیسترزیس") ، ما همچنین یک متغیر وابسته را در بر می گیریم. به طور رسمی ، مشخصات زیر را تخمین می زنیم:

16 کجا تو k_{در نظر گرفتن}آیا نرخ بیکاری گروه آموزش و پرورش گروه اول سن k در کشور j در زمان t ، y تولید ناخالص داخلی واقعی سرانه بیان شده در برابری قدرت خرید دلار ، IR نرخ عدم فعالیت است ، روبات های رشد سهام روبات های صنعتی وهوش مصنوعی نرخ رشد سهام ثبت اختراعات مربوط به هوش مصنوعی. m ∈ و n ∈ به ترتیب تاخیر را برای متغیرهای y و روبات/ai تعریف کنید.