自20世纪30年代以来 ， 经济学家开始关注技术性失业 ， 这一术语是由凯恩斯引入的 。 他在1930年写道：“我们正在感染一种新的疾病 ， 某些读者或许还不知晓这种疾病之名 ， 但今后数年将频繁听到 ， 那就是技术性失业 。 ”约20年后 ， 列昂惕夫于1952年指出：“劳动将变得越来越无关紧要……更多的工人将被机器取代 ， 我认为这些新产业不可能聘用所有希望得到工作的人 。 ”
什么样的工作最为脆弱？在19世纪 ， 由于资本对技能劳动力的取代 ， 手工业者面临被机器替代的最大风险 。 这一模式在20世纪有所改变 ， 实物资本与教育构成了互补性的投入 ， 于是非技能工人成为自动化的受害者 ， 之后的信息技术革命强化了这一趋势 。 因此在20世纪90年代 ， 出现了大量有关“技能偏向性技术变革”的研究文献 ， 其含义是 ， 技术进步增加了对技能劳动力相对于非技能劳动力的需求 ， 导致低技能劳动力的失业增加 ， 与技能劳动力的工资差距拉大 。
总量层面的自动化与就业
我们如何测算自动化对就业的总体效应？要找到一个自动化衡量指标来考察与就业的相关关系 ， 是艰巨的挑战 。 我们首先会遇到商业机密问题 ， 但最困难的地方是对自动化本身的测算：是否只需要看机器的数量？假定如此 ， 是哪些类型的机器？如何把各种机器“累加”起来？是否要考虑它们的功效？
国际机器人联盟(IFR)跟踪了若干国家的不同部门自20世纪90年代早期以来使用的工业机器人的数量 ， 为自动化提供了第一个可用的衡量指标 。 阿西莫格鲁与雷斯特雷波的开创性研究利用国际机器人联盟关于各部门采用的机器人总数 ， 估计了1993-2007年机器人对美国就业状况的影响(Acemoglu and Restrepo,2020) 。 为此 ， 他们对比了722个通勤区的就业与当地自动化水平的关系 。 但问题在于 ， 目前的机器人数据只收集到国别层面 ， 没有按通勤区划分 。 于是他们又构建了一个通勤区层面的自动化指数 ， 该指数是以全国层面每个产业的机器人数量变化 ， 结合各产业在每个通勤区总就业中的相对权重计算得出 。
利用这个地区自动化水平指标 ， 这两位学者发现自动化对就业和工资增长具有负面效应：通勤区每增加1个机器人 ， 会导致6个工作岗位损失 ， 以及小时工资率下跌 。 我们利用法国的数据重复这一分析 ， 发现了类似量级的效应 ， 似乎还更为严重：通勤区每增加1个机器人 ， 会导致11个工作岗位损失 。 此外 ， 机器人普及看起来对受教育程度低的劳动力的就业威胁更大 。
这一分析毕竟存在某些缺陷 。 首先是测算方法：为什么只看机器人？机器人和其他机器真的不同吗？机器人的自动化程度确实较高 ， 但就完成的任务而言它们同其他机器未必有本质的差异 。 国际机器人联盟对机器人的定义其实非常狭窄 ， 主要对应汽车制造业采用的机器人 。 与测算有关的另一个问题是缺乏地方层面的数据 ， 导致我们必须基于如下假设来构建数据:某个产业的所有工厂拥有相同数量的机器人 ， 意味着采用同等水平的技术 。 但我们可以合理地推测 ， 恰恰是因为工厂之间采用的技术有所不同 ， 才造成了工作岗位的创造与破坏 。
企业层面的自动化与就业
对企业或工厂层面的自动化水平做测算面临若干困难 ， 上文已做过介绍 。 在近期同加拉威尔(Xavier Jaravel)合作的一项研究中 ， 我们试图引入一套测算工厂微观层面的自动化水平的指标 ， 以克服上述困难 。 我们把自动化技术定义为：“在预先编制好指令或设定好程序后 ， 即能相对自主地实现运转的电动机械设备 。 ”在该定义的基础上 ， 我们把生产过程中直接使用的发动机的年度电力消耗量作为工厂层面的自动化指标 。