原文信息：
Acemoglu, Daron, and Pascual Restrepo. "Demographics and automation." The Review of Economic Studies 89.1 (2022): 1-44.
一、引言
自动化和机器人技术正逐步改变生产和工作的性质，并且已经改变了现代制造业的许多方面（例如，Brynjolfsson 和 McAfee，2012；Ford，2016；Graetz 和 Michaels，2018；Acemoglu 和 Restrepo，2020）。最常见的叙述认为自动化是基于硅芯片的技术发展的自然下一步（Brynjolfsson 和 McAfee，2012）。尽管这一叙述无疑有一定的道理，但我们认为它忽视了自动化的另一个强大推动因素：人口变化。实际上，自动化技术在那些人口快速老龄化的国家取得了更大的进展。例如，2014 年美国每千名工业工人拥有的工业机器人数量为 8.4 台，而在经历快速人口变化的国家中，这一数量显著更高，如日本（13.8 台）、德国（17.1 台）和韩国（19.7 台）。同样，美国在机器人生产方面也落后于德国和日本——美国仅有一家主要的工业机器人生产商总部位于本土，而德国和日本分别有六家（Leigh 和 Kraft，2018）。
在本文中，我们提出了一个假设，即机器人和其他工业自动化技术的发展和采用在某些国家（尤其是德国、日本和韩国）因人口变化而受到了极大的推动。事实上，单凭人口老龄化就能解释接近一半的国家间自动化技术采用的差异。这并不是因为老龄化社会中的服务业自动化——我们的重点是制造业和工业自动化，且我们并未发现老龄化对其他技术有类似的影响。相反，我们记录了这一模式反映了企业对中年工人相对短缺的反应，这些工人通常执行需要体力活动和灵活性的手工生产任务，正在被机器人和工业自动化技术取代。
我们首先提出了一个简单的技术采用和创新模型，以阐明人口变化如何影响开发和使用自动化技术的激励。我们假设（并随后通过实证验证）中年工人相对于年长工人在手工生产任务上具有比较优势，因为这些任务需要体力和灵活性。我们记录了减少中年工人相对于年长工人的比例会增加生产中的劳动力成本，并促使企业采用和开发自动化技术。2 这一影响在那些更依赖中年工人以及在自动化技术方面具有更大技术潜力的行业中尤为明显。人口老龄化引发的自动化还可以扭转部分人口变化对经济的不利影响。本文的大部分内容对这些预测进行了实证研究。我们的研究结果表明，人口老龄化对机器人和其他自动化技术的采用产生了显著影响；而且，估计的影响是相当可观的，单凭人口老龄化就解释了约 35% 的国家间机器人采用的差异。我们的老龄化变量每增加 10 个百分点，平均与每千名工人多 1.6 台机器人相关——而同期每千名工人机器人数量平均增加了 3 台。这一数量级表明，例如，如果美国具有与德国相同的人口趋势，那么两国之间机器人采用的差距将缩小 50%。
本文验证了老龄化对那些更广泛地增强劳动能力的技术（如手动机床和非自动化机器以及计算机）没有影响；此外，我们的理论还预测了人口结构与自动化技术创新之间的同样强烈的关系。通过出口和专利数据，我们提供了证据，表明人口迅速变化的国家正在开发和出口更多的自动化技术。同样，人口变化与其他类型技术的出口或专利没有类似的关系。我们的出口结果进一步显示，在快速老龄化国家开发的自动化技术正在传播到世界其他地区；另外，我们还估计了老龄化对美国通勤区机器人采用的影响。
我们的理论框架的其他预测也得到了数据的支持。首先，与我们的理论方法一致，我们记录了自动化正在直接取代生产/蓝领工人，而这些工人主要是中年人。其次，我们展示了与我们的理论一致的情况，即机器人采用对人口变化的反应在那些更依赖中年工人且自动化机会更大的行业中更加明显。最后，再次与我们的理论一致，我们估计了人口变化对劳动生产率的正面影响，以及对最易受自动化影响的行业中的劳动份额的负面影响。
我们的文章与几条相关研究路径有关。首先是估计自动化对劳动力市场影响的文献。其次，越来越多的文献强调了老龄化的潜在成本，认为它会导致经济增长放缓（例如 Gordon，2016）并可能导致总需求不足和长期停滞（见 Baldwin 和 Teulings，2014 年的文章），但我们尚未发现有任何文章研究人口老龄化对技术的影响，除了 Abeliansky 和 Prettner（2017）独立且同时进行的工作。第三，我们的工作与技术采用和定向技术变革文献有关。
本文其余部分安排如下。我们将在下一节介绍我们的定向技术采用模型。第三节讨论我们的数据来源。第四节展示了我们有关人口变化对机器人和其他自动化技术采用的跨国证据。第五节提供了人口变化对自动化技术创新和发展的影响的证据。第六节探讨了美国通勤区人口结构与机器人采用之间的关系。第七节调查了人口老龄化对自动化技术影响的根本机制。我们证明了工业自动化技术确实主要用于自动化中年工人执行的任务，并确认了我们的框架关于不同行业人口变化差异影响的预测。第八节是总结，而补充附录包含了正文中省略的证明以及额外的数据细节和实证结果。
二、理论
2.1. 大环境
经济通过常弹性替代（CES）汇总器，将一系列行业（或品种）的产出结合起来，生产
一种标准商品 Y：
其中，表示第 个行业的净产出，表示行业集合。
在每个行业中，总产出是通过结合生产任务 、服务或支持（非生产）任务
以及体现该行业技术状态的中间产品 来生产的：
指数 ，其中 ，表示在行业 的生产函数中，生产投入相对于服务投入的重要性。这两种投入的总和与该行业的中间产品数量 结合，并且具有单位弹性。术语 表示企业购买的中间产品中嵌入的自动化程度。最后， 是生产所需的中间产品份额。
生产投入 是一个单位量度的行业特定任务的总和，
其中， 是任务之间的替代弹性。
与 Acemoglu 和 Restrepo（2018a）的模型类似，我们将自动化建模为机器替代生产任务中劳动力的过程。每个任务 由劳动力或机器执行，
其中，表示在行业 的任务 中雇用的生产劳动力数量，表示用于行业生产任务 的机器数量。此外，表示行业 中劳动力相对于机器的生产率。在技术上实现自动化的任务中（即在行业 中 的那些任务），劳动力和机器是完全替代的。的增加扩大了机器可以替代劳动力的任务集合，因此对应于行业 自动化技术的进步。
行业 的中间产品 由拥有这些技术知识产权的技术垄断者供应。该技术垄断者每生产一单位的 需要使用行业 的 单位产出。然后，通过从该行业的
三、数据与趋势
四、人口变迁与自动化
五、人口变迁，出口与创新
表 4 的面板 C 和 D 提供了工业机器人出口的 OLS 和 IV 估计。这些面板遵循面板 A 和 B 的结构，不同的是在第 3 和第 6 列中，我们控制了中间产品出口的对数而非进口。我们的样本现在包含 103 个国家，其中 35 个是经合组织（OECD）成员国。由于我们研究的是出口，这些模型也包括了日本。结果表明，人口变化与工业机器人相对于其他中间产品出口的增加相关。图 6 展示了完整样本和经合组织样本中的这些关系。第 2 列中的 IV 估计为 4.7（标准误 = 1.0），这意味着预期老龄化增加 20 个百分点（相当于德国与美国之间的差异）使机器人出口翻倍，完全弥合了两国之间的差距（约 63%）。在这种情况下，老龄化本身解释了各国机器人出口差异的约 50%（在经合组织内部为 60%）。
图 7 的面板 B 转向其他类型机械的出口（使用与面板 A 相同的分类）。除了调节和控制仪器外，我们发现老龄化对所有包含工业自动化技术的中间产品的出口份额都有强烈且显著的影响。与进口的情况类似，对于与工业自动化无关的技术，我们没有观察到与老龄化的类似关联。
我们衡量新自动化技术创新和发展的第二个指标涉及机器人相关专利，如第 3 节所述。我们估计了(13)式的一个变体，以 1990 年到 2015 年之间机器人相关专利相对于其他实用专利的对数作为因变量。标准化确保我们的发现并非由快速老龄化国家在美国专利商标局（USPTO）整体专利活动的增加所驱动。与之前一样，我们重点关注按 1990 年制造业增加值加权的回归，这确保了制造业部门较大的国家（因此拥有更多专利的国家）获得更大的权重。
总之，我们发现了强有力的支持，证明了我们的第二个实证推论，即将人口变化与自动化技术的创新联系起来。
六、美国通勤区的人口结构与机器人
在本节中，我们探讨老龄化对美国通勤区机器人采用的影响。我们使用 Leigh 和 Kraft (2018) 提供的机器人集成商分布数据作为机器人相关活动的代理。表 6 面板 A 报告了模型在 722 个美国通勤区（用 表示）中的 OLS 估计结果。因变量 是一个二元变量，用于表示一个通勤区是否拥有机器人集成商。表示 1990
年至 2015 年间 56 岁以上工人与 21 至 55 岁工人比例的变化， 是 1990 年测量的通勤区特征向量。
由于人们在通勤区间的迁移比国家间频繁，因此当地年龄结构的内生性在这里比跨国分析中更为显著。为解决这一问题，在面板 B 中，我们使用通勤区 1950-4 至 1980-4 每五年间的平均出生率作为老龄化的工具变量，而在面板 C 中，我们使用 1950 年至 1985 年出生率下降的幅度作为单一工具变量。此表的所有面板结构相同。第 1 列控制了区域虚拟变量（中西部、东北部、南部和西部）。第 2 列包含了 1990 年测量的通勤区人口特征——当时美国工业机器人和集成商数量很少。这些特征包括平均收入对数、人口对数、城市化率、老年工人与中年工人初始比例，以及按教育、种族和性别划分的人口比例。第 3 列包含 Acemoglu 和 Restrepo (2020) 提供的 1990 年至 2015 年机器人接触度量，反映了一个通勤区在机器人易采用行业中的专业化程度。该列还加入了 1990 年制造业、农业、采矿业、建筑业、金融和房地产的就业份额控制变量。第 4 列进一步控制了其他影响美国劳动力市场的主要趋势——例如中国进口、离岸外包和常规工作的份额。最后，在第 5 列中，我们遵循 Acemoglu 和 Restrepo (2020) ，排除了机器人接触度最高的前 1% 通勤区，以确保结果不会受到最受影响的通勤区的过度影响。
总体而言，该表中的结果，尤其是 IV 估计，表明机器人集成商倾向于位于老龄化更快以及机器人接触度更高的通勤区（如 Acemoglu 和 Restrepo 2020 所示）。面板 B 第 4 列的估计表明，老龄化增加 10 个百分点（该时期美国通勤区的标准差）与拥有集成商的概率增加 6.45 个百分点相关（相比之下，平均概率为 20%）。
总体而言，尽管一个地区集成商的存在不能完全反映当地的工业自动化程度，证据仍然支持老龄化与自动化之间的联系。
六、机制
7.1. 机器人与工人之间的替代关系
我们首先提供若干证据来支持我们的假设，即中年工人专注于可使用工业机器人及相关技术实现自动化的生产任务。
我们利用 1990 年和 2000 年美国人口普查以及 2006-8 年的美国社区调查数据，
首先记录了工人在不同行业和职业中的分布如何随年龄变化。图 11 (Figure 11) 的左侧面板绘制了蓝领职位相对于白领和服务职位的工人比例，按每五年年龄组进行划分。蓝领工作包括生产工人和机械师，约占美国就业的 10%。白领工作包括文员、会计、秘书和销售人员，占美国就业的约 25%，而服务职位占美国就业的约 15%。图中显示，这一比例在 50 岁（2006-8 年 ACS 数据）和 55 岁（1990 年人口普查数据）左右开始急剧下降。右侧面板显示，按年龄划分的工人在更易实现机器人化的行业中就业的比例也呈现出类似的趋势。两幅图均支持这样一个假设：相对于年长的工人，中年工人更专注于蓝领工作以及更易于使用工业机器人的行业。与自动化技术取代中年工人从事生产任务相一致，两幅图还显示，中年工人在蓝领工作和使用工业机器人的行业中的就业比例随时间下降。最后，我们考察了自动化对不同年龄工人薪资和就业的影响。我们参考 Acemoglu 和 Restrepo (2020) ，利用机器人接触度衡量分析机器人对美国通勤区的影响。然后，我们估计了以下模型，考察不同通勤区 10 年年龄组的就业率和工资变化：
对于就业和工资，工业机器人采用的负面影响集中在 35 到 54 岁的工人身上，对 55 岁以上工人的影响较小，对 65 岁以上工人无影响。这些结果是我们最直接的证据，表明相对于年长工人，中年工人专注于可由工业机器人完成的任务，因此更易被其替代。
总之，我们的关键假设，即工业自动化替代中年工人执行的任务，得到了数据的支持。我们发现，老龄化造成了蓝领制造工人的短缺并提高了他们的相对工资，从而激励采用和开发替代这些工人的自动化技术。接下来，我们将深入探讨我们框架的其他实证推论。
7.2. 行业层面的结果
我们的第三个实证推论是，在更依赖中年工人的行业以及中年工人从事的任务更容易实现高效自动化的行业中，老龄化的影响应更为显著。
高效自动化的行业中，老龄化的影响应更为显著。
7.3. 生产力与劳动份额
如第 2 节所强调的，老龄化与行业劳动生产率之间的关系是模糊的。一方面，人口变化减少了高生产率的中年工人相对于低生产率的年长工人的数量；另一方面，老龄化引发的技术采用增加了生产率。然而，由于老龄化国家的自动化水平提高，具有最大自动化机会的行业应当无可争议地增加每工人的增加值，相对于那些无法依靠自动化替代中年工人的行业。此外，我们还预期在这些行业中老龄化对劳动份额会产生不同程度的负面影响。
表 8 的面板 A 和 B 展示了方程 (14) 的 OLS 和 IV 估计，左侧变量为 1995 年到 2007 年间国家 中行业 每工人增加值的对数变化（而非年均机器人安装量，因此每个国家-行业组合仅有一个观测值）。表 8 的结构与表 7 相同。
面板 A 的第 1 列显示，老龄化对每工人增加值的主效应很小且不显著。老龄化增加 10 个百分点与每工人增加值下降 1.9% 相关（标准误 = 3.8%）。
更值得关注的是老龄化与自动化机会之间的交互作用。第 2 至 7 列记录了一个正向交互作用，这表明随着国家老龄化，具有更大自动化潜力的行业经历了相对的劳动生产率提升。其幅度相当可观。面板 B 第 2 列的 IV 估计表明，老龄化增加 10 个百分点导致 1995 年至 2007 年间位于可替代性指数第 90 百分位的行业每工人增加值增加 16%（计算方式为 0.36×4.5×0.1），相比之下，位于第 10 百分位的行业增长幅度较小。
7.4. 教育与性别的角色
老龄化并不是唯一影响专业化模式的人口变化方面；教育和性别也有影响。补充表 A26 显示，受教育程度较高的工人和女性也不太可能从事蓝领工作以及自动化机会较大的行业，尽管在控制教育和性别因素后，年龄仍是专业化模式的强有力预测指标。特别是在美国，年龄是决定在自动化机会最大的行业中从事专业化工作的主要因素，而在跨国范围内，年龄和教育是影响谁从事蓝领工作的主要因素。
我们的理论机制表明，教育水平的提高和女性劳动力参与率的上升也应与适合生产任务的工人短缺有关，因此可能引发更大程度的自动化。
女性劳动力参与率与机器人采用之间缺乏显著关联可能令人困惑，其原因值得进一步探讨。首先，女性劳动力参与率可以比老龄化更快地对经济变化作出反应，正如前述，我们未利用任何外生变化来源。例如，随着服务业工作增加，女性劳动力参与率会上升，但这可能与制造业规模呈负相关，从而影响工业自动化。或者，女性就业的增长本身可能引发这种产业结构变化。其次，在我们的样本中，许多国家的女性劳动力参与率已较高，未出现如劳动力年龄结构那样显著的变化。深入探讨女性劳动力参与率上升对技术采用和创新的影响是未来研究的一个重要方向。
七、结论
机器人及其他自动化技术的进步通常被视为技术进程的自然下一个阶段。在本文中，我们提出，全球，尤其是德国、日本和韩国等快速老龄化国家的人口变化，极大地推动了这些技术的采用和发展。我们从理论上解释了为什么老龄化会引发工业自动化——因为能够执行手工生产任务的中年工人相对稀缺性增加了替代性技术的价值。随后，我们验证了与此理论视角一致的现象，即经历更快人口变化的国家和美国地方劳动力市场在新型机器人和自动化技术上的投资更多。我们还提供了证据，表明这是由于中年工人稀缺性引起的，并且工业自动化确实最能替代中年工人的工作。人口变化对机器人投资的影响稳健且显著。例如，老龄化差异单独解释了跨国机器人投资变异的约 35%。
我们进一步利用中间产品出口和专利数据记录到，人口变化不仅鼓励了自动化技术的采用，也推动了其开发。此外，快速老龄化国家的自动化创新被出口并在全球范围内使用。
本文提出的若干问题需要进一步研究。首先，重要的是在更量化的方向上扩展本文的概念结构，以探讨合理的定向技术采用和创新响应是否能够解释我们所记录的自动化技术规模及其通过技术出口在全球范围内产生的强大效应。其次，有必要利用更细化的行业或公司级数据研究老龄化对技术采用和生产率的影响。第三，受工业自动化启发，我们的重点是机器在生产任务中对中年工人的替代作用。随着人工智能的到来，更多类型的任务可以被自动化，但目前对非生产任务自动化的研究仍然有限。最后，正如第 7.4 节所述，研究女性劳动力参与率上升的技术影响，并探索其为何未与工业自动化相关联，这也是一项重要的研究方向。
顶刊数据展示
高级、永久会员数据展示
