NBER美国国民经济研究局-NBER-Unpacking-Skill-Bias_-Automation-and-New-Tasks_33页_718kb

报告摘要

总结：Unpacking Skill Bias: Automation and New Tasks

核心内容

本文探讨了自动化和新任务对技能偏向型技术变化（SBTC）模型的扩展，强调了技术如何通过改变任务分配来影响技能溢价和工资差距。传统的SBTC模型认为技术进步偏向技能型工人，从而导致技能溢价上升，但该模型在解释职业结构变化和工资下降方面存在局限。本文提出一个基于任务分配的框架，允许分析技术对不同任务中劳动力和资本的相对影响，并展示了自动化和新任务如何显著影响技能需求和不平等。

主要观点

传统SBTC模型的局限性：
- 该模型预测技术进步会提高所有工人的实际工资，但现实中未受教育的工人实际工资却下降。
- 它要求较大的生产率增长来解释技能溢价的变化，但实际总生产率（TFP）增长较小。
- 它忽略了任务结构的变化，无法解释中等技能岗位的消失。
任务分配模型的创新：
- 引入了任务分配机制，区分了不同任务对劳动力和资本的影响。
- 技术进步不再仅通过替代弹性（$\sigma$）影响技能溢价，而是通过改变任务分配来影响工资和不平等。
- 自动化和新任务可以分别导致技能需求的增加或减少，取决于它们是否替代或补充不同类型的劳动力。
自动化的影响：
- 自动化通常替代未受教育的工人，导致技能溢价上升。
- 自动化对TFP的影响可能较小，但对工资和不平等有显著影响。
- 在1987年后，自动化对技能需求的推动作用更加显著。
新任务的影响：
- 新任务可以增加或减少技能溢价，取决于其是否更适合技能型或未受教育型工人。
- 在1987年前，新任务减少了技能需求，但在1987年后增加了技能需求。
实证证据：
- 使用美国行业层面数据，验证了自动化和新任务对技能需求的显著影响。
- 自动化导致技能需求增加，而新任务的影响在不同时间段有所不同。
- 自动化和新任务的综合影响解释了美国经济中技能需求上升的重要部分。

关键信息

模型结构：
- 一个行业模型，使用CES生产函数来整合任务。
- 每个任务由未受教育工人、技能工人或资本完成，生产力由$\psi_j(x)$表示。
- 任务分配依赖于成本最小化，与工资和生产率相关。
公式与推导：
- 技能溢价的变化由任务分配和生产率变化共同决定。
- 通过公式推导，得出技能溢价变化的表达式：
  $$
  d \ln \left(\frac {w _ {H}}{w _ {L}}\right) = - \frac {1}{\sigma} d \ln \left(\frac {H}{L}\right) + \frac {\sigma - 1}{\sigma} d \ln \left(\frac {A _ {H}}{A _ {L}}\right) + \frac {1}{\lambda} d \ln \left(\frac {\Gamma_ {H}}{\Gamma_ {L}}\right)
  $$
- 其中，$\Gamma_H$ 和 $\Gamma_L$ 分别表示技能和未受教育劳动力所执行任务的范围。
实证结果：
- 自动化导致技能需求增加，1987-2016年间，10%的自动化增长对应约8%的技能需求增长。
- 新任务在1947-1987年间减少了技能需求，但在1987-2016年间增加了技能需求。
- 自动化和新任务的综合影响解释了美国经济技能需求上升的大部分变化。