仕事の未来を築く: 自動化時代の政策枠組み - 昆明W電話グループ株式会社

エリック・カールソン著

私の祖母は、ウィスコンシン川のほとりに沿って建設された製粉都市ウィスコンシン・ラピッズで図書館司書として働いていました。彼女は児童書のコレクションを管理していましたが、多くの場合、図書館のカード目録を管理するという雑務に夢中でした。 [1] 数週間ごとに、新しい本が顎ほどの高さに積まれて届き、彼女は完璧な請求番号が表示されるまで各巻をめくりました（それは決して出版社が推奨した番号ではありませんでした）。請求記号が山盛りのインデックスカードにまとめられると、彼女はファイリングキャビネットに向かい、各カードを所定の位置に置きました。 [2] 仕事は遅く、当時はこの作業を行う機械がありませんでした。もちろん、彼女は喜んでそれをやりました。私の祖母はとても真面目な人で、どんな子供でもどんな本でも見つけられるようにするのは非常に真剣な仕事でした。

彼女は、全米の図書館がカード目録のメンテナンスの自動化を開始する何年も前に退職しました。しかし、1980 年代にコンピューター化が図書館に打撃を与えたとき、それは歓迎すべき変化でした。 1984 年の秋、ボルチモアのメリーランド大学保健科学図書館の司書たちは、カードカタログのカードを赤と青のヘリウム風船の端の紐に結び付け、一斉に放ちました。これは、日常を手放すことを比喩的に表したものです。時間がかかりすぎた日常業務。 [3]

対照的に、製造における自動化には抵抗がありました。 1970年代、祖母の図書館から1100マイル離れたオハイオ州ヤングスタウンで、ゼネラルモーターズは自社工場に「ユニメイト」と呼ばれる産業用溶接ロボットを設置していた。米国での仕事のオーラルヒストリーであるスタッズ・ターケルの『ワーキング』の中で、GMの自動車労働者ゲイリー・ブライナーは、機械関連の同僚との仕事は、まるでヴォネガットのプレイヤーピアノのようだと述べている。「それはまさにカマキリに似ています。場所から場所へと移動します。それを放すと、所定の位置にジャンプして戻り、次の車に備えます...彼らは決して疲れず、汗をかかず、不平を言い、決して乗り遅れることはありません仕事。"

これらの溶接ロボットにより、工場の生産量はほぼ 2 倍になりましたが、人員の必要性は減少しました。「彼らがユニメイトを受け入れたとき、私たちは1時間に60台の車を製造していました」とブライナー氏は語った。「私たちが職場に戻ったとき、組合員たちと一緒に、1時間に100台の車を製造していました。彼らは約200人分の仕事をしているので、人員が減りました。」

今日、ChatGPT のような大規模な言語モデルのリリースにより、自動化に対する懸念が新たになり、人工知能の敵対的乗っ取りに対する不安が高まりました。これらのプラットフォームは、機械的なデータストレージタスクをはるかに超えて進歩しており、司法試験にも合格することができます。このため、ホワイトカラー労働者は、自分たちの仕事が近いうちに図書館司書ではなく工場労働者になるのではないかと考えるようになった。

自動化の経済学に関するシリーズの最初のこのエッセイは、仕事と、データが私たちの将来について何を教えてくれるか、何が教えてくれないかに焦点を当てています。 3 つのことを示します。まず、自動化を予測するのは困難です。第二に、自動化に対する労働市場の調整は遅々として進まず、主に個人のキャリア内ではなく、世代を超えて行われています。第三に、産業と職業の地理的分布が不均一であること、および労働市場の地域的な性質を考慮すると、自動化の経験は居住地に大きく依存します。最後に、私は、仕事の未来のために設計された政策は、テクノロジーの変化を阻害しようとするべきではないと主張します。むしろ、労働者がある仕事から次の仕事へ移行するのを支援することに焦点を当てた、場所に基づいた政策が必要です。

自動化とジョブに対するデータ中心のアプローチ

米国労働省は、労働市場統計の中でも特に、アメリカ人の働き方に関する記録を保管しています。この情報は、職業情報ネットワーク (略して O*NET) と呼ばれるオンラインデータベースに収集され、保存されます。これは、職業タイトル辞書 (DOT) の更新版です。オーネットでは、約1,000職種の業務内容や労働条件などを詳しく掲載しています。とりわけ、これらのデータは、労働者が自動化にどの程度さらされているかを示しています。O*NET は回答者に「現在の仕事はどの程度自動化されていますか?」と尋ねています。回答は 1 (「まったく自動化されていない」) から 5 (「完全に自動化されている」) までの範囲です。

図 1 の箱ひげ図は、2 桁の標準職業分類 (SOC) コードによってグループ化された職業の自動化スコアの分布を示しています。各ボックスの中心にある垂直線は、各職業グループ内の自動化への平均曝露度の尺度を示します。各ボックスの幅は、一般的な作業者が自動化にさらされる範囲を示し、ボックスの端からいずれかの方向に伸びるひげは、自動化にさらされる極度の値を視覚的に表します。 [4]

おそらく驚くべきことかもしれませんが、自動化への曝露は、ブルーカラーとホワイトカラーの単純な区別と簡単には一致しません。ホワイトカラーの仕事の多くは自動化への曝露が大きく、ブルーカラーの仕事の多くは全く曝露されていません。最も高度な自動化が挙げられている 3 つの職業グループは、オフィスおよび管理サポートです。生産; ビジネスおよび財務業務の職業。自動化への曝露が最も少ない 3 つの職業カテゴリーは、パーソナルケアとサービスです。設置、メンテナンス、修理。そして教育指導と図書館の仕事。 [5]

データはまた、関連する職業に従事する労働者が自動化に関して非常に異なる経験をする可能性があることを示しています。たとえば、生産作業員の中には自動化によく慣れている人もいれば、そうでない人もいます。その一端として、重機を使用して回転する工作物の表面から金属を剥がす旋盤工作機械のオペレーター (SOC 51-4034) は、すでに自動化され仕事から排除されています。一方、顧客と直接協力して複雑な衣服を修正したり仕立てたりするカスタムテーラー (SOC 51-6052) は、自動化の程度が比較的低いと報告しています。

図 1. 自動化はブルーカラーとホワイトカラーの両方の仕事に影響を与える

出典: 2019 O*NET データを使用した著者の計算

自動化への曝露におけるこうした違いは、個々の仕事の特性の違いによって部分的に説明できます。 2003 年、経済学者のデイビッド・オーター、フランク・レヴィ、リチャード・マーネは、自動化を資本の一形態として説明しました。自動化は、定型的なタスク (繰り返し実行される単純なルールを持つタスク) は実行できますが、非定型的なタスク (抽象的なタスクを必要とするタスク) は実行できません。判断と意思決定。 [6] 言い換えれば、少なくとも 2003 年の観点から見ると、無人機械は単純な命令による反復的な作業に優れていると彼らは主張しています。他の労働者と比較して、このような仕事に従事する人々は、自動化によって引き起こされる離職の大きなリスクに直面しています。

このフレームワークを裏付けるように、図 2 は、反復的なタスクがより多い職業は、反復性の低い仕事よりも自動化にさらされる可能性が高いことを示しています。たとえば、従業員の作業データの記録を管理する給与事務員 (SOC 43-3051) は、仕事の繰り返しが多いことと、自動化への露出が多いことの両方を報告しています。対照的に、複雑な法的紛争を交渉する調停者 (SOC 23-1022) は、高度な繰り返しや高度な自動化を経験しません。しかし、現在の反復の程度と現在の自動化の程度との相関関係からは、機械が人間に取って代わるかどうか、あるいは機械が人間と協力して生産性を高めるかどうかは分かりません。

図 2. 反復的なジョブは自動化の可能性が高くなります

出典: 2019 O*NET データ

他の相関関係は、自動化が純粋に労働力の代替として機能するという考えを複雑にします。たとえば、仕事上の意思決定の自由と、その職業で観察される自動化の程度の間には、ほとんど関係がありません。図 3 のパネル (a) に示されているように、大量の意思決定を伴う一部の職業は自動化の影響を大きく受けますが、意思決定の少ない一部の職業は自動化の影響がほとんどありません。考えられる説明の 1 つは、意思決定が必要な一部の職業では、機械が仕事の日常的な要素を処理し、労働者がより抽象的なタスクに集中できるようになるということです。

テクノロジーが一部の労働者を置き換え、他の労働者の生産性を向上させる可能性をどのように持っているかを確認するには、たとえば、電話交換手と航空会社のパイロットの比較を考えてみましょう。どちらも自動化に大きくさらされているという事実にもかかわらず、電話操作の仕事の多くはすでに機械によって行われている一方で、飛行機の操縦は今後も人間によって行われる可能性があります。図 3 のパネル (b) に示すように、経験におけるこれらの違いは、意思決定の自由度が大きく異なるためであると考えられます。

図 3. 自動化は意思決定の自由とは関係ありません

出典: 2019 O*NET データ

他のほとんどの職業と比較して、電話交換手は決定を下す自由がほとんどありません。『ワーキング』の中で、ターケルは、1972 年にイリノイ州で電話交換手として働いていたシャロン・グリギンズ（仮名ヘザー・ラム）と話をしています。彼女は、自分の仕事は反復的で範囲が狭いと述べています。グリギンズ氏はターケル氏に、「あなたが使うフレーズは 7 ～ 8 つありますが、それだけです。『おはようございます、お手伝いしてもいいですか？』「オペレーターさん、手伝いましょうか？」……言えるのはそれだけです。」本には収録されていないオリジナルの音声録音で、彼女は「まるで機械になったような気分になる」と嘆いている。

一方で、パイロットは多くの判断を下し、風や天候の変化に迅速に対応することが求められます。飛行機の飛行に関わる一部の作業はすでに自動化されていますが、ロボットは代替品ではなくアシスタントの形をとる傾向があります。さらに、安全上の懸念から、パイロットがロボットに置き換えられる可能性は低いです。 [7]

これらのデータは、自動化が作業とどのように相互作用するかを垣間見ることができますが、ある時点での業務自動化の露出のスナップショットを提供するだけです。しかし、自動化に対する懸念は将来の仕事に集中しており、必ずしも現状の労働生活に焦点を当てているわけではありません。残念ながら、さまざまな業務に対する自動化の影響を予測する取り組みが行われているにもかかわらず、自動化を予測するのは難しいことがデータで示されています。

オートメーションの不確実な未来

O*NET は 2000 年代初頭から自動化の尺度を記録し、定期的に更新しており、仕事がどのように変化したかについてほぼ 20 年分に相当するデータを提供しています。このデータは、一般に、時間の経過とともにすべての仕事の自動化が進んでいないことを示しています。一部の仕事は自動化が進んでいますが、自動化が進んでいない仕事もあります。図 4 のパネル (a) は、2002 年から 2019 年までの自動化度における職業レベルの変化の分布を示しています。分布はゼロを中心にしています。2002 年に自動化できなかった多くのタスクは、2019 年になっても自動化できませんでした。大きな分散があります。

不思議なことに、自動化への影響の変化は、ブルーカラーとホワイトカラーの境界線に簡単には一致しません。ブルーカラーの職業の一部は、2002 年には自動化の程度が高く、2019 年には自動化の程度が低いと報告しました。また、ホワイトカラーの職業の一部は、2002 年には自動化の程度が低かったが、2019 年には自動化の程度が高かったと報告しました。たとえば、鉄道のブレーキ、信号機、開閉器などです。通信事業者は、2002 年には高度な自動化が行われたと報告しましたが、2019 年には自動化の程度は低かったと報告しました。対照的に、保険金請求審査官、旅行代理店、保険鑑定会社はいずれも、この期間中に自動化への露出が顕著に増加したことを実証しました。

図 4 のパネル (b) の散布図は、2002 年と 2019 年の自動化対策の間に弱い対応関係があることをさらに示しています。破線の対角線は、2002 年の測定値が 2019 年の測定値を正確に予測した点を表します。線の左側の点は、2002 年の測定値が将来の自動化エクスポージャを過小予測している例を示し、線の右側の点は、2002 年の測定値が将来の自動化エクスポージャを過大予測している例を示しています。ヒストグラムのデータを確認すると、2002 年の測定では、データベース内の全職業のおよそ半分が過小予測され、残りの半分は過大予測されています。言い換えれば、過去と現在の（自己申告による）自動化対策の間には、強い体系的な関係はありません。

図 4. 過去の自動化リスクは将来の自動化リスクを予測しない

出典: 2002 年および 2019 年の O*NET データ

さらに、専門家は、さまざまな仕事のテキストによる説明を使用して、さまざまな職業の自動化の可能性を予測しようとしました。これらの予測は、O*NET アンケートを通じて測定された、観察された自動化への曝露との弱い関係しか示していません。たとえば、Frey と Osborne による 2017 年の論文では、著者らは職業のテキストによる説明を使用して、自動化される可能性によって仕事を分類しています。 [8] 著者らは、各職業に必要な知識、スキル、およびタスクのセットに関する情報を使用し、機械学習分類アルゴリズムを使用して各ジョブに自動化の確率を割り当てます。重要なのは、Frey と Osborne (2017) が、人工知能の進歩はオフィスの仕事も生産の仕事と同じくらい自動化の影響を受けやすい可能性があることを強調することで、自動化と仕事の概念化を拡張していることです。

Frey and Osborne (2017) の分析は自動化の理解に重要な貢献をしましたが、図 5 はこれらの予測が現実からどれだけ乖離しているかを示しています。横軸は、観察された自動化エクスポージャーの各職業の O*NET 測定値を示し、縦軸は、フレイとオズボーンの方法論に基づいて作成された各職業の自動化の確率を示します。データは多くの注目すべき特徴を示しています。まず、専門家の予測と自動化への曝露の観察との間には非常に弱い関係があります。たとえば、自動化への曝露レベルが高い多くのジョブは、自動化の可能性が低いものとして分類されました。第 2 に、専門家による予測の値のほとんどは 0 と 1 の周囲に集中しています。言い換えれば、このアルゴリズムは、安全な職業と危険な職業の間に明確なコントラストを生み出します。この方法は、実際にはさらに微妙な違いがある場合に、仕事を自動化できるかどうかに分割するために書面による職業説明を使用していた以前のアプローチを踏襲しています。

図 5. 専門家の予測と観察された自動化エクスポージャとの間の弱い相関関係

出典: Frey and Osborne (2017) および 2019 年の O*NET データ

特定の仕事に注目すると、この分類方法はおそらく、各職業のワークフローへの自動資本の一般的な導入よりも、人間が機械に完全に置き換わることに重点を置いていることがわかります。たとえば、電話交換手と航空会社のパイロットを再び比較することができます。航空会社のパイロットとは異なり、電話交換手は自動化にさらされていると同時に、機械に取って代わられる大きなリスクにもさらされています。図 5 のパネル (b) は、Frey and Osborne (2017) アルゴリズムが電話交換手に自動化の確率を高く割り当て、航空会社のパイロットに自動化の確率を低く割り当てていることを示しています。しかし、O*NET は自動化への現実的な曝露を測定し、Frey and Osborne (2017) は代替可能性に焦点を当てているため、これらの指標を併用して、労働代替または労働補完自動化への曝露に応じて職業を分類することができます。

電話交換手など、図の右上の象限にある職業は、労働代替の自動化にさらされていると分類できます。これらは、機械の交換の予測確率が高く、自動化への曝露が高いことが観察されている職業です。これらの職業の多くはホワイトカラーの事務職です。たとえば、税務作成者、融資担当者、保険引受会社はすべてこのカテゴリに分類されます。現在人口調査（CPS）の雇用データに基づくと、このグループは 2019 年の米国の総雇用の約 17 パーセントを占めました。

一方、図の右下の象限にある職業は、労働を補完する自動化にさらされていると分類できます。労働力を代替する自動化にさらされている仕事とは対照的に、これらの職業は機械に代替される予測確率は低いですが、観察された自動化への曝露は高いです。これらには、科学から医療、管理職に至るまで、さまざまな職業が含まれます。たとえば、生化学者、呼吸療法士、工業生産管理者はいずれも自動化テクノロジーの使用率が高いと報告していますが、Frey and Osborne (2017) の方法論によると置換スコアは低くなります。 2019年、このカテゴリーは全国の総雇用の約10％を占めた。

自動化と私たちの働き方との関係は複雑かつ多面的です。機械が労働者に取って代わる場合もあれば、機械が労働者の効率を高める場合もあります。この技術の多様性により、自動化の予測が困難になっています。しかし、観察データと専門家の予測を注意深く組み合わせることで、自動化が労働者にどのような影響を与えるかについてより良い洞察を得ることができます。労働代替自動化と労働強化自動化の区別は、時間の経過とともに人々が労働市場でどのような意思決定を行ってきたかに影響を及ぼします。

雇用の自動化と進化するパターン

2022年、ニューヨーク・タイムズは、4年制大学の学位を持たず、自動化のせいで職を失った30代後半の男性、ポール・リゾ氏にインタビューした。長期間の失業の後、彼はドアダッシュアプリで配送ドライバーの仕事を見つけました。これは、自動化によりサービス部門が製造部門に代わって大卒以外の労働者の主要な雇用者となっているという労働市場の大きな傾向を反映しています。。 [9] この移行は困難な場合があり、タイムズ紙が指摘しているように、多くの労働者にとっては痛ましいほど時間がかかり、多くの場合労働力から長期離脱することになる。

CPS のデータは、自動化が安定したペースで労働市場を再形成していることを裏付けています。この変化の一部は、労働代替の自動化にさらされている職業における雇用の割合が着実に減少していることに見ることができます。図 6 に示すように、1990 年から 2019 年にかけて、図 5 の右下の象限で定義されている、機械で実行できる仕事に就く労働者の割合は減少している一方、機械が補完できる仕事に就く労働者の割合は減少しています。図 5 の右上の象限で定義されているように、ゆっくりと増加しています。 1990 年には、アメリカの労働者の約 22 パーセントが省力化自動化にさらされる仕事に雇用されていました。 2019 年までに、この数字は 17 パーセント未満に減少しました。対照的に、1990 年には、アメリカ人の約 8% が労働力増強の自動化にさらされる職業に雇用されていました。 2019 年までに、この数字は 10 パーセントをわずかに超えるまでに増加し、25 パーセント増加しました。米国経済の規模を考えると、これらの変化は重大であり、何百万もの労働者を代表しています。こうした変化は、既存の労働者が転職することだけでなく、新たな労働者が労働代替の自動化にさらされにくい職業を選択することによっても引き起こされます。

図 6. 労働者は代替可能な仕事を辞めている

出典: Frey and Osborne (2017)、O*NET、および現況人口調査のデータを使用した著者の計算

労働市場の移行は困難な場合があります。経験豊富な労働者は、新しい環境に移すのが難しい特殊なスキルを身に付けます。例えば、2000年代初頭に中国の輸入競争で労働者が製造業の仕事を失った後、多くの低賃金労働者は、業界が衰退しているにもかかわらず、新しい職業を見つけるのではなく、減給を受け入れて生産職から生産職へと渡り歩いた。 [10] 対照的に、多くの高賃金労働者は製造業以外の他の高賃金の仕事になんとか転職することができた。製造業から転職することができたこれらの労働者は、中国からの輸入競争の影響が少ない業界の同業者と比較して、収入の損失を被ることはなかった。したがって、労働者への経済的ダメージの多くは、製造業の賃金低下による直接的な影響ではなく、新しい産業への移行ができないことに起因している。

キャリアの過程での職業移行は難しいため、自動化可能な仕事からの最大の移動は、既存の企業ではなく、労働市場への新規参入者によるものとなっている。一般に、人はキャリアの早い段階でスキルの低い職業に就き、年齢を重ねて経験を積むにつれて、徐々にスキルの高い職業に移行します。図 7 は、パネル (a) に見られるように、新しい世代の労働者はそれぞれ、前の世代よりも省力化テクノロジーで代替できる職業に就く可能性が低いことを示しています。しかし、典型的なキャリアの過程でこれらの仕事からの移行は、世代を超えて着実に行われてきました。

実線は 1965 年から 1974 年生まれの労働者の決定を表し、破線は 1975 年から 1984 年生まれの労働者の決定を表し、長破線は 1985 年から 1994 年生まれの労働者の決定を表します。機械でできる職業に就いている人はさらに少ない。 1965 年から 1974 年生まれの人のうち、約 27 パーセントが 20 代前半に労働代替技術にさらされた職業に就いたのに対し、1985 年から 1994 年生まれの人では約 21 パーセントでした。それらの仕事の中には、古い世代の変遷を模倣するものもあります。各コホートでは、労働者の約 5 パーセントが 10 年ごとに労働代替テクノロジーにさらされている職業から去っています。

図 7. 新しい世代が生まれるたびに、自動化可能なジョブに就く可能性が低くなります

出典: Frey and Osborne (2017)、O*NET、および現況人口調査のデータを使用した著者の計算

パネル (b) に示されているように、労働力増強の自動化にさらされる仕事に就く労働者の割合には世代交代がほとんどありません。むしろ、世代を超えて変化する労働市場の選択肢の多くには、自動化にさらされていない職業への選択が含まれています。こうした世代交代の背後にある理由は依然として不明である。ただし、可能性の 1 つは、労働力を増強するテクノロジーを使用する職業では、トレーニングや人的資本への初期投資が必要であり、そうでなければ省力化された機械を使用する仕事に就くであろうタイプの労働者には投資できないということです。

自動化により、労働市場の構造と構成が変化しました。労働者は毎年、省力化テクノロジーにさらされる職業から離れています。ただし、この調整は遅く、何世代にもわたって行われます。他の調査によると、労働者はキャリアを通じて業界や職種に特化した移植性のない人的資本への投資を行うため、既存の労働力メンバーにとって移行は依然として困難であることが示されています。 [11、12] さらに、自動化にさらされている職業に就いている労働者の多くは、他のほとんどの仕事も自動化にさらされている国内の地域に住んでいる可能性があります。これらの要因は、地理的移動性の低下と相まって、全国規模の集計データが示すよりも職業の選択がより制限されている可能性があることを示唆しています。 [13]

自動化エクスポージャーの地理

自動化は米国全土に影響を及ぼします。通勤ゾーン全体で、全従業員の 24 ～ 36 パーセントが自動化にさらされています。それにもかかわらず、この範囲では、一部の場所が他の場所よりもはるかに危険にさらされています。産業と労働市場の地域的な性質を考慮すると、政策立案者は地理的なレンズを通して自動化を理解する必要があります。機械のせいで職を失った労働者のことを考えてみましょう。彼女の労働市場にある他の関連企業のほとんども自動化のせいで従業員を削減している場合、彼女の失業から回復する能力は大幅に制限されます。一方で、より多様な職業が混在する国の一部に住んでいれば、新しい仕事にもっと簡単に転職できるでしょう。

実際、自動化への平均露出度は米国全体で大きく異なります。 [14] 図 8 は、O*NET の自動化データと 2019 年の American Community Survey (ACS) の雇用データに基づいた、高度に自動化にさらされた職業に就く労働者の割合のマップを示しています。 [15] 地図上の各境界線は、通勤ゾーンと呼ばれる地域の労働市場を表しています。通勤ゾーンは、ゾーン内での通勤が多く、ゾーン間の通勤がほとんどない郡の集合体です。 [16]

図 8: 五大湖地域は自動化に大きくさらされています

出典: 2019 American Community Survey のデータと 2019 O*NET データを使用した著者の計算

自動化の影響は地域によって異なり、極端に集中しているわけでも広範囲に分散しているわけでもありません。たとえば、米国の製造業が示す強力なローカルクラスタリングとは対照的に、自動化への影響は地理的に広範囲に及んでいます。ただし、自動化へのエクスポージャは、かなり均等に分散されている医療セクターよりも集中しています。したがって、完全雇用を促進するマクロ経済政策は自動化の影響を受ける労働者を助けることができますが、特定の地域課題に対処するには、対象を絞った場所ベースの政策が依然として必要です。

図 9 は、オートメーションへのエクスポージャー、1990 年の製造へのエクスポージャー、およびヘルスケア部門へのエクスポージャーの分布を比較しています。分布の比較に焦点を当てるため、各メジャーは 0 を中心としています。より平坦でより広い分布は、より地域的な特殊化を意味し、より薄く、より尖った分布は、集中度が低いことを意味します。パネル (a) に示されているように、オートメーションへのエクスポージャーは、製造業へのエクスポージャーよりも地域集中がはるかに低く、パネル (b) に示されているように、オートメーションへのエクスポージャーは、医療セクターへのエクスポージャーよりもわずかに地域集中しています。

図 9: オートメーションは製造ほど地域的に集中していないが、医療よりは集中している

出典: 1990 年 10 年ごとの国勢調査、2019 年の American Community Survey、および 2019 年の O*NET データを使用した著者の計算

高度に自動化にさらされている職業に従事する労働者の割合は、通勤ゾーン全体で約 25 パーセントから 36 パーセントの範囲にあります。これは、自動化への曝露の地理的変動に関する他の推定値とほぼ一致しています。低曝露率と高曝露率は空間内で強く集中する傾向があります。最も危険にさらされている通勤ゾーンは、主に山岳西部と国の両側の海岸地域にあります。対照的に、最も危険にさらされている通勤ゾーンはグレートプレーンズとラストベルト地域に位置する傾向があります。

マウンテンウェストの労働市場では、管理職や、小売販売員やウェイターなどの顧客対応サービス職に就く労働者の割合が高い傾向にあります。さらに、建設業や大工業の労働者の割合も比較的高い。これらの仕事は、レストランのサーバーの場合のようにサービス指向であるため、または建設の場合のように新しいテクノロジーが普及していないため、依然として多くの人力を必要とします。

興味深いことに、自動化への曝露度が高い地図は、生産職ではなく、農業の仕事によって形作られています。これは、部分的には農業分野の自動化が進んでいることと、部分的には広範な地域分野の専門化によるものです。たとえば、ネブラスカ州オードの通勤圏の労働者の 6% 以上が農業経営に携わっています。このような仕事は近年ハイテク化しており、多くのデータ収集や保管タスクがコンピューターによって自動化されています。グレートプレーンズ地域の他の多くの人は会計士や財務管理者として働いており、これらは自動化にさらされる機会が多い職業であり、おそらく農業部門にも貢献していると考えられます。

図 8 は広い意味での自動化への曝露を説明していますが、自動化を労働代替または労働補完としてさらに分類できます。労働代替オートメーションとは、労働者を代替する能力を持つロボットまたはソフトウェアを指します。私は、O*NET によって測定された自動化への曝露の観察レベルと、Frey and Osborne (2017) によって測定された代替確率が中央値を上回っていることに基づいて、労働代替による自動化にさらされている職業を定義します。これらは、図 5 の右上の象限に位置する職業です。一方、労働補完自動化とは、反復的な作業の負担を取り除き、抽象的な作業に集中するためのより多くの時間を労働者に与えることによって、労働者を支援する機械を指します。私は、観察された自動化への曝露の割合が中央値を上回っているが、代替確率の中央値を下回っている職業を、労働を補完する自動化にさらされていると分類します。これらは、図 5 の右下の象限に位置する職業です。

図 10 は、労働代替自動化の影響を受ける労働者の割合の地理的分布を示しています。全国的には、そのシェアは約 13 パーセントから 22 パーセントの範囲にあります。以前と同様に、地理的に大量のクラスタリングが存在します。自動化に代わる労働力の割合が高いのは、五大湖地域とアラスカの沿岸地域に集中している。

一般に、労働を代替する自動化への高い曝露は、生産職種によって引き起こされるものではありません。たとえば、アラスカの太平洋岸沿いの通勤ゾーンの自動化は、アラスカの充実した商業漁業から生まれています。米国では近年、漁業の自動化が進んでいます。 [17] さらに、大規模な製造業が集まる通勤圏でも、労働代替自動化への曝露は、生産職ではなくサービス業や事務職によって推進されている。たとえば、フリント市とデトロイト市を含む通勤圏では、秘書、会計士、または請求事務員として働く人々によって自動化への露出が促進されています。この通勤ゾーンの総労働時間の 17 パーセント強が、省力化テクノロジーにさらされる職業に当てられています。約 2 パーセントポイントは生産職によるもので、約 6 パーセントポイントは管理職によるものです。

図 10: 省力化オートメーションが五大湖に集中している

出典: 2019 年の ACS データ、2019 年の O*NET データ、および Frey と Osborne (2017) のデータを使用した著者の計算

図 11 は、労働を補完する自動化形態にさらされている労働者の割合の地理的分布を示しています。一般に、労働を補完するテクノロジーにさらされる労働者の数は、省力化テクノロジーにさらされるよりも少ないです。シェアは6.6％から17.4％の範囲です。危険にさらされている通勤ゾーンの大部分はグレートプレーンズ地域にあります。

この自動化の普及は主にハイテク農業産業によって推進されています。たとえば、サウスダコタ州ピエールを含む通勤圏では、労働者のほぼ 10% が農業経営に携わっています。 O*NET によると、農業管理者は自動化ソフトウェアを使用してデータを記録および収集しますが、利用可能なデータを考慮してリソースをどのように割り当てるかを決定するには、多大な判断力が必要です。非農業通勤地帯では、労働力を増大させる自動化への曝露は主に財政、経営、公的保護によるものである。たとえば、ワシントン DC、メリーランド州の一部、およびバージニア北部からなる通勤ゾーンでは、自動化の危険にさらされているのは、犯罪捜査官、事務職員の第一線の監督者、および財務管理者によって推進されています。

図 11: 労働を補完する自動化が平野部に集中している

出典: 2019 年の ACS データ、2019 年の O*NET データ、および Frey と Osborne (2017) のデータを使用した著者の計算

一般に信じられていることに反して、自動化への影響は生産職によってではなく、農業、金融、事務職によって促進されます。このパターンは、省力化技術と労働力増強技術の両方に当てはまります。さらに、地域ごとにさまざまな業界が特化しているため、米国の地域の労働市場全体に自動化のさまざまな影響が生じています。このような自動化の地理的不均等さは、政策立案者が自動化にさらされている、または自動化によって追放されている人々の労働市場への移行を促進するための政策提案を作成する際に、場所の重要性を認識する必要があることを意味します。 [18]

オートメーション経済のための労働政策の再考

テクノロジーが経済を形成し続ける中、政策立案者たちは自動化による労働市場への影響に取り組んでいることに気づきました。民主党のマーク・ワーナー上院議員やクリス・クーンズ上院議員、共和党のマイク・リー上院議員のように、労働力開発を促進する政策を提案している人もいる。バーニー・サンダース上院議員のように、労働者の強制退去と戦うためにロボットに課税することを検討している議員もいる。この分析で示された証拠は、自動化時代の健全な労働市場政策は、新技術への投資を阻害することに重点を置くべきではないことを示唆しています。むしろ、良い政策は、労働者がある仕事から次の仕事へスムーズに移行できるようにすることに重点を置くべきです。

善意ではあるものの、自動化による雇用喪失への影響は間接的な場合が多いため、ロボット税などの政策は利益よりも害の方が大きい可能性があります。産業用ロボットを例に挙げると、ロボットを導入する企業は通常、従業員を解雇するのではなく、自動化に投資した後に労働力を拡大します。 [19] その代わり、ロボットを導入していない中小企業が大企業に市場シェアを奪われ、従業員を閉鎖したり削減したりすると、雇用喪失が発生する。 [20] ロボットに投資する企業はとにかく雇用を増やす傾向があるため、最良のシナリオでは、一時解雇を条件としたロボット税は効果がなくなるだろう。しかし、この税があらゆる種類のロボット導入に対する一般的なペナルティである場合、ネットで仕事を生み出す人たちにペナルティを与える政策は逆効果になる可能性がある。

企業の成長と縮小によって引き起こされるこのシュンペーター的な「創造的破壊」により、労働者はある仕事から次の仕事へ移ることが求められます。しかし、労働市場の移行は個人にとってコストがかかる可能性があり、一般的に労働市場は経済の変化に適応するのが遅い。上に示したように、米国の労働市場の変化は世代を超えて起こる傾向があります。新しい労働者集団はそれぞれ、最初の職業について異なる選択をしますが、一度雇用されると、設定されたキャリアパスを続ける傾向があります。

歴史的に、失業中に得られなかった収入と再訓練の費用、低賃金の仕事への「下取り」の頻度など、移行には費用がかかる性質があり、これが労働市場の変化による個人の経済的損失の主な原因となってきた。例えば、中国の輸入競争の調整から得られた証拠は、困難が製造業における労働需要の減少にあるのではなく、製造業から他の産業への移行が困難であることにあることを示している。 [21] 新しい仕事への移行が難しいため、失業は労働者に長期的な影響を及ぼし、生涯収入を減少させる傾向があります。 [22]

自動化のコンテキストでは、ジョブの移行はさらに顕著になります。貿易ショックは通常、経済構造に対する一度限りの変化ですが、自動化は継続的な技術変化のプロセスです。その結果、仕事の未来は、衰退する労働市場ではなく、むしろ流動的な労働市場となる可能性が高い。

地理的および地域的な格差も、労働市場の調整にとって重要な障壁となっています。初期の経済条件が異なると、競争や新技術の輸入など、経済の変化に対する一部の地域の回復力が他の地域よりも低くなる可能性があります。 [23] 自動化にさらされた仕事が地域に集中していることと、産業や職業の自然な地理的変動が組み合わさることは、労働者が住んでいる場所に応じて、移行が多かれ少なかれ困難になることを意味します。多くの労働者は給与が減って仕事を引き受けたがらず、その結果、失業期間が長期化し、人的資本の蓄積が失われます。場所に基づく労働市場調整政策、特に最も困難な地域を対象とした政策は、テクノロジーの変化に逆らうのではなく、その方向に働くことで労働市場の良好な成果を促進する、より広範な政策枠組みの不可欠な要素である。

結論

自動化が労働市場に及ぼす影響は微妙で複雑です。歴史的に、自動化に対する反応は労働者によって異なりました。図書館員は、日常的な作業がなくなることで時間をより有効に活用できるようになり、蔵書目録作成のデジタル化を受け入れました。しかし、生産労働者は職を失うことを恐れてロボットの台頭に抵抗した。

現在、大規模言語モデルのような新しいテクノロジーにより、熟練したホワイトカラー労働者は雇用の安全を心配しています。恐怖の一部は、自動化の予測不可能な性質を取り巻く不確実性から生じています。しかし、観察データ、専門家の予測、過去の経験を注意深く分析することで、自動化が労働者にどのような影響を与えるかについて洞察を得ることができます。

自動化が労働市場を変革したのは間違いありませんが、調整のペースは遅いです。新しい世代の労働者が自動化可能な仕事に就く可能性は低くなっていますが、既存の労働力メンバーにとっては依然として移行が困難です。従業員はキャリアを通じて、業界や職種に特化した移植性のない人的資本への投資を行います。

さらに、自動化が進みやすい職業に従事する労働者の多くは、他のほとんどの仕事も自動化にさらされている国内の地域にたまたま住んでいます。その結果、職業の選択は全国的なデータが示すよりも制限される可能性があります。自動化の影響は地域によって異なるため、テクノロジーの変化に適応するポリシーを設計するには地域の状況が重要です。

自動化を妨げると逆効果になる可能性があるため、これらの政策は、税金を課したり、新しいテクノロジーの導入を妨げたりすべきではありません。代わりに、法律は新しい仕事への移行を支援することを目的とすべきです。さらに、労働市場は地域的な性質を持っているため、場所に基づいた政策が重要であり、対象を絞った対策が困難な地域のニーズに対応する必要があります。適応性のある地域固有の政策を優先することで、自動化の変革力を活用し、社会のすべてのメンバーに利益をもたらす未来の仕事を促進することができます。

ノート

経済ダイナミズム | 公共政策

ノート