Reflexiones sobre Ciencia-Economia-Sociedad. Enlaza con blog articulos claves y con el blog: transiciónsocieconomica..http://transicionsocioeconomica.blogspot.com.es/
The
stakes are too high to use the Phillips Curve with its unreliable
tradeoff between unemployment and inflation. We don't need millions of
Americans out of work. We need investments in our future.
Prohibir la curva de Phillips Hay demasiado en juego para utilizar la curva de Phillips con su poco fiable equilibrio entre desempleo e inflación. No necesitamos millones de estadounidenses sin trabajo. Necesitamos inversiones en nuestro futuro.
Yesterday we learned that U.S. inflation, albeit too high, stepped down again in November, even as unemployment remains low and consumer spending,
adjusted for inflation, is rising solidly. The pandemic and war in
Ukraine have been incredibly difficult for everyone and tragic for many.
We are not at the finish line but on the right path. Keep going. We
must do more!
We must learn our lessons. Start by banning the Phillips Curve.
Source: Getty Images.
Before we dive into its problems. What is the Phillips Curve?
The model created in 1958 says that to get inflation down, unemployment must rise.
Low unemployment, as we have now, is a sign of a strong labor market,
which fuels strong demand. Strong demand leads to high inflation. The
Fed raising interest rates is the primary policy tool its believers call
for to fight inflation.
The Phillips Curve is wrong.
The
pandemic caused hardship among families, the unemployed, communities,
and businesses. Thankfully, it was met with massive economic
relief—trillions of dollars from Congress and rock-bottom interest rates
from the Fed.
Not everyone agreed with that relief,
especially the $2 trillion American Rescue Plan in March 2021. Though
not alone in his concern, Larry Summers is the loudest of its critics.
Soon after it passed, he made a dire prediction:
Close to two years later, in December 2022, here’s the reality:
Real consumer spending rose 2% during the past year, the pre-Covid average—no stagflation (low growth and high inflation).
Inflation
did surge, with a peak of 10.7% in March 2022, but it has moved down to
3.7% in November 2022. (Both figures are three-month moving averages.)
On his 'victory' tour, he kept going with claims that we "need" a
severe recession and massive rate hikes to get inflation down:
Wrong again.
Unemployment
remains low, and inflation has come down notably. We are not yet at the
Fed’s 2% target, but the progress is undeniable and without a recession.
Why do inflation hawks like Larry keep getting it wrong? The Phillips Curve.
La Curva de Phillips es mala.
La Curva de Phillips, desarrollada en 1958, sostiene que existe un equilibrio entre desempleo e inflación. En los 64 años transcurridos desde entonces, los macroeconomistas han aprendido mucho sobre cuándo se cumple (rara vez) y cuándo no (a menudo).
Here are highly-regarded macroeconomists Larry Ball and Greg Mankiw in 2002:
The
instability of this relationship [the Phillips Curve] is hardly a
surprise. Even Samuelson [Larry Summers’ uncle] and Solow’s (1960)
classic discussion of the Phillips curve suggested that the short-run
menu of inflation-unemployment combinations would likely shift over time.
Skeptics are sometimes temptedto use the shifting Phillips curve as
evidence to deny the existence of a short-run tradeoff. This is pure
sophistry. It would be like observing that the United States has more
consumption and investment than does India to deny that society faces a
tradeoff between consumption and investment. The situation is not hard
to understand and, in fact, arises frequently in economics. At any point in time, society faces a tradeoff, but the tradeoff changes over time. The next question is what factors cause the tradeoff to shift.
Changes in supply, in many possible forms, are a leading reason:
Few
economists would deny that shifts in aggregate demand, such as those
driven by monetary policy, push inflation and unemployment in opposite
directions, at least in the short run … The practical
application of this concept, however, is less straightforward … The
economy experiences many kinds of shocks that influence inflation and
unemployment. In light of this fact, it would be
remarkable if the level of unemployment consistent with stable inflation
were easy to measure.
Demography and government
[fiscal] policy both play some role. In addition, changes in
productivity growth appear to shift the inflation-unemployment tradeoff.
In the past, most macroeconomists studying the Phillips curve have
concentrated their attention on the dynamic relationship between
inflation and unemployment. In the future, they should expand their
scope to build and test models of inflation, unemployment and
productivity.
Amen. Covid and Putin have
caused massive, slow-to-heal supply disruptions, including reductions in
our labor force and access to goods. The Phillips Curve is bad.
La curva de Phillips es peligrosa.
Y eso no es lo peor. Aferrarse a la Curva de Phillips amenaza la economía estadounidense. No necesitamos una recesión; no necesitamos tipos de interés por las nubes. Necesitamos más trabajadores e inversión. Esto no es un debate académico; nuestro futuro está en juego.
¿Quieres bajar la inflación? ¿Quiere resolver la escasez de mano de obra? Empiecen a pensar en la oferta.
Den a todos los estadounidenses asistencia sanitaria y baja por enfermedad remunerada. Incluso antes de la pandemia, nuestro país estaba fallando a la gente. Además de ser clave para el florecimiento humano, la buena salud conduce a trabajadores más productivos. Covid ha causado un daño inmenso a la salud física y mental. Véase también Barry Ritholtz sobre este y otros factores que mantienen a los trabajadores sin trabajo en la actualidad. El hundimiento de la economía empeorará la situación.
Fix our deeply broken immigration system.
The number of immigrants has steadily fallen for years, and it plunged
in 2020 when the pandemic began. The backlog of green card applications
is in the millions, including hundreds of thousands of workers. Only
Congress, not the Fed, can act.
Invest in our future.
The Fed jacking up interest rates to destroy demand is undermining
policies from Congress and the White House to make our country more
resilient and productive. As Stephanie Kelton explains, the
Infrastructure Act, Inflation Reduction Act, and the CHIPS Act largely
use tax incentives to encourage investment. Taxes are not the only, or
even the primary reason, that companies invest. Expected profits are
extremely important. High interest rates cut into profits and make debt
financing riskier. Sending the economy into a severe recession is bad
for business. Duh. Business fixed investment is already falling. That
will hurt us for decades. The Phillips Curve is costing us dearly.
And that’s only the tip of the iceberg. Invest in our children by restarting the Child Tax Credit, which had no work requirements. Invest in education with free pre-K. Invest in our working parents with affordable child care. Invest in basic needs with more housing. High interest rates make it more costly to make all these investments.
In closing.
Ban the Phillps Curve.
If you enjoyed this post, please consider subscribing. Financial support helps me keep writing and doing policy work.
In
addition to writing on Substack, I am an independent consultant and
give investor talks or other speaking events. Email me at
claudia.sahm@gmail.com.
Here is a good summary.
Fancier versions of the Phillips Curve exist, such as the one embedded
in the workhorse New Keynesian models. They introduce (unmeasurable)
concepts of inflation expectation (pi-star), potential output (y-star),
the natural rate of unemployment (u-star), and the natural rate of
interest (r-star). The logic remains the same.
Most
macroeconomists—not Larry Summers and other inflation hawks—expected a
temporary burst of inflation from the pent-up demand and the one-time
fiscal stimulus as the economy reopened with the vaccine rollout. What
we all, including the hawks, got wrong is that the vaccines, masking,
and social distancing would be politicized and Covid denial rampant. We
were also wrong about how hard it would be to contain the pandemic.
Inflation had started to cool in the summer of 2021, but then delta and
Omicron came, causing more deaths, millions out sick from work, and even
more disruptions to global supply chains. It’s also taken far longer
than expected for workers to return to work and consumers to shift back
toward service spending. And finally, we were wrong tragically that
Putin would invade Ukraine, leading to humanitarian crises and soaring
energy and food prices worldwide. The problems go well beyond the
American Rescue Plan, though it did contribute to the inflation (and the
first job-full recovery in several decades).
Nota: En esta entrada intentaré resumir mi experiencia
como profesor en las universidades de Alicante, Pompeu Fabra y Carlos
III (en donde fui director del departamento tres años) y visitante en
las de Rochester, Harvard, NYU y Northwestern, en donde hice lo que pude
para enterarme de sus procedimientos. Agradezco a Carmen Beviá, Juan D.
Moreno-Ternero y Socorro Puy sus comentarios a una versión preliminar.
En la entrada anterior
nos quedamos en el paso de testigo de la universidad europea a la de
Estados Unidos. Esta universidad ya tenía prácticas que posibilitaban el
influjo exterior. Así el rector de Harvard, Charles Eliot, escribió en 1908,
“It is natural, but not wise, for a college or university to recruit
its faculties chiefly from its own graduates – natural, because these
graduates are well known to the selecting authorities, since they have
been under observation for years; unwise, because breeding in and in has
grave dangers for a university.”
Con esas prácticas, el influjo europeo y lo que ya había, que no era
despreciable, la universidad US se convierte en el líder mundial en
ciencia. Y entonces es la hora de que los europeos copien a esa
universidad, igual que los aspirantes a ser grandes baloncestistas
copian a los jugadores de la NBA. En España, gracias a un nutrido grupo
de economistas, de los que hablaré en otra ocasión, estas prácticas se
empiezan a difundir entre nuestras universidades que, como consecuencia,
son eficaces a la hora de atraer talento y empiezan a salir en los
rankings de los mejores departamentos del mundo. Esta es su historia.
Un inciso: Ya sé que, para muchos, la universidad española es un
genérico expendido por unos profesores que tienen una exagerada cantidad
de vacaciones y que repiten año tras año la misma lección. Y puede ser
que en algunos casos así sea... Para que te hagas una idea del trabajito
que lleva gestionar a la americana un buen departamento, las líneas que
siguen hacen un recuento de nuestras actividades a lo largo de un año.
En esta entrada me centraré en los aspectos más colectivos mientras que
en la siguiente hablaré de tareas que son más de responsabilidad
individual. Ya verás.
Los portadores de la antorcha, U. Complutense. Anna Hyatt Huntington.
La lucha contra la endogamia
A finales de octubre cuando ya te has estabilizado en tus tareas
docentes empieza el mercado de trabajo (JMK). Los buenos departamentos
no contratan a sus propios alumnos a los que, por su proximidad, es tan
difícil juzgar. Así que... que los juzgue el mercado. Esto además crea
puestos vacantes que ocupas con gente que viene con otras ideas, otra
formación, otros temas de investigación y que no tienen una vinculación
alumno-maestro con nadie del departamento. De este modo, se revitaliza
el departamento y lo abre al mundo exterior además de permitir a los
jóvenes que se desarrollen sin interferencias. Hay una anécdota que
cuenta (aquí, pag. 58) el físico Richard Feynman que lo explica a la perfección:
“When I was an undergraduate at MIT I loved it. I thought it was a
great place, and I wanted to go to graduate school there too, of course.
But when I went to Professor Slater and told him of my intentions, he
said, "We won't let you in here." I said, "What?" Slater asked, "Why do
you think you should go to graduate school at MIT?" "Because MIT is the
best school for science in the country." "You think that?" "Yeah."
"That's why you should go to some other school. You should find out how
the rest of the world is."
Por otra parte, contratar a tus propios alumnos puede ser un recurso
cómodo para encontrar profesores, pero no está claro cuando se acaba.
Posiblemente mis alumnos y yo podríamos montar un departamento muy
decente, pero ¿y los alumnos de mis alumnos? También se quedan ¿no?, y
los alumnos de estos, etc., etc., etc. Al final acabas con un
departamento en el que cada uno de sus miembros está ahí porque su
tatatarararabuelo académico estuvo en el departamento... ¡vaya mérito! Y
recuerda que a los Austrias (como a los neardentales)
su endogamia les pasó gran factura... Otro problema de la endogamia es
que llena el departamento de personas que se han formado en el propio
departamento con la repetición consiguiente de temas de investigación. Y
que tiende a crear facciones entre los discípulos de fulano y los de
mengano, etc. Así que a moverse tocan...
La UC3M recibe cada año unas 300 solicitudes de candidatos que van a
tener un Ph.D. antes de septiembre de ese año y que están interesados en
obtener un puesto en nuestro departamento. Su paquete de solicitud
incluye su tesis -que comprende un trabajo muy pulido que es el JMK
paper, otro paper ya casi escrito y otro más, a lo mejor sólo en forma
embrionaria- su Research Statement (donde dice qué investigación quiere
hacer en los próximos años) y un mínimo de dos cartas de recomendación,
una de su supervisor y otra de un senior que haya seguido la
investigación del candidato. Estos "paquetitos" se reparten entre los
doctores del departamento para que cada candidato sea evaluado por dos
profesores. Estas evaluaciones van a un comité de área (reza para que no
te toque pertenecer a uno de ellos) que selecciona y eleva una lista
reducida al comité de contratación de ese año (más rezos). Que, a su
vez, de acuerdo con la comisión permanente del departamento (un órgano
consultivo de personas que han tenido un puesto destacado en el
departamento) establece la lista de los candidatos a entrevistar, en
nuestro caso unos 30 por año (todas estas comisiones son rotatorias por
lo que no es raro que te toque cada dos o tres años estar en una de
ellas).
El JMK español (el primero que se estableció en Europa) se celebraba
en diciembre y el de Estados Unidos se hace en enero. Ahora el mercado
español, básicamente, se ha fusionado con el europeo que se celebra también en diciembre (que la Asociación Española de Economía sea co-organizadora, se debe a los esfuerzos de Nezih Guner,
turco de nacimiento, pero español de adopción). Las entrevistas a los
seleccionados duran media hora y comienzan con la frase fatídica "Tell
us about your research". Es fácil que todo el proceso entrevistador
lleve tres o más días. Pero no es más que el comienzo.
Los candidatos seleccionados (unos 10 digamos) reciben una invitación
del departamento para dar un seminario. Una vez arregladas las fechas y
la intendencia (viaje, avión, etc.) el candidato pasa un día entero en
el departamento donde se entrevista con profesores voluntarios que de
esta manera se van formando una opinión sobre su idoneidad. Luego da un
seminario y va a comer con miembros del departamento en donde continua
el examen... Y por la tarde más entrevistas... Al cabo del día la
comisión de contratación una vez leídas las opiniones que los doctores
del departamento han mandado por email, decide si se le hace una oferta
al candidato o no. Es fácil que estés empantanado en estas faenas hasta
finales de marzo o incluso beyond... pero esto no es el final... qué
va...
Todos los departamentos que quieren "estar ahí" tienen un programa
doctoral del que salen unos cuantos doctores al año (unos 7 u 8 en
promedio en nuestro departamento). Y aquí hay más trabajito. Hay un
"Placement Officer" que mueve sus contactos internacionales para
conseguir entrevistas de nuestros doctores y que les aconseja y chequea
que su "paquetito" de JMK esté completo y limpito y hay unos "mock
interviews" en los que nuestros candidatos se entrenan para las
entrevistas y a los que no a todos, no todos los años, pero, de vez en
cuando, debes asistir. Y si uno de los candidatos ha sido tu alumno,
tienes trabajo extra además del que hiciste dirigiéndole su
investigación durante un promedio de 4 años. Tienes que escribir una
carta de recomendación para ella/él vendiendo el producto. Luego tu
candidato tiene que sobrellevar lo mismito que se ha descrito antes pero
ahora recibiendo bofetadas que, al contrario que las que se propinaban
en las pelis de la Keystone, no tienen ninguna gracia. Como habrás
notado su probabilidad de seguir vivo en cada paso -entrevistas,
seminarios y ofertas- es, más o menos 1/3 (o sea que si consigue 15
entrevistas le saldrán 5 seminarios y 1 o 2 ofertas). La tensión es
grande porque aquí se va a materializar (o no) el trabajo de los últimos
6 años (2 de cursos, 4 de investigación). Mi experiencia es que este
mercado suele funcionar bastante bien y si algún buen candidato no tiene
suerte, suele ser repescado por un buen departamento en un par de años o
menos. Todo dependerá de sus publicaciones de las que hablaremos en el
próximo tranco...
Me dirás, vaya follón que se arma por no contratar a tus propios
alumnos. Entendiendo que la endogamia tiene aspectos negativos ¿no es
mejor que el engorroso sistema que se monta para evitarla? Piensa en la
siguiente analogía. ¿No sería mejor que te casaras con tus herman@s,
prim@s, en vez de tener que andar durante años arrastrándote por
tugurios, fiestas, guateques, etc. buscando pareja? Quizá funcione en
una generación, pero como política a largo plazo tiene grandes riesgos y
no siempre es atractiva.
Además, los departamentos están dispuestos a hacer el esfuerzo antes
descrito no sólo por los problemas del sistema alternativo. Hay también
razones positivas: enriquece al departamento ya que permite cada año
conocer buenos estudiantes que años más tarde serán colegas. Te enteras
de los temas del momento. Das a conocer tu departamento y la
investigación que allí se hace, con lo que te conectas con la comunidad
internacional. Además, está el deber que tienes con los estudiantes de
grado de contratar a los mejores para ofrecer la mejor docencia y con la
sociedad para ofrecer la mejor ciencia posible. Finalmente establece un
vínculo de tu departamento con otros con los que has “transaccionado”
estudiantes.
Una vez un rector muy inteligente me dijo que un doctorado que no
aprovecha del capital humano creado era como trabajar para el rey de
Francia. A lo cual contraataqué con un golpe bajo diciendo que el Real
Madrid debería contratar automáticamente a todos los futbolistas de sus
categorías inferiores (él era Madridista). Luego argumenté que lo que
nosotros ofrecemos es formación no empleo. Y que efectivamente, todos
nuestros esfuerzos en la enseñanza del grado eran también para el rey de
Francia...
Además del mercado junior antes descrito, hay un mercado senior de
profesores que ya son titulares o catedráticos y que por razones
personales o académicas desean moverse. Los candidatos han de oficiar el
mismo ritual que los del mercado junior.
Por último, la política anti-endogamia no implica que nunca puedes
volver al departamento donde hiciste el doctorado. La regla es que, si
has logrado un puesto en un departamento que, según los rankings, es
análogo al tuyo, puedes volver con esa categoría porque el mercado te ha
señalado como de una calidad equivalente a la que se pide en tu
departamento de origen. Si vas a las páginas web de los departamentos
top en el mundo verás que como algunos de sus full professors hicieron
la tesis en ese departamento. Pero si ves sus CV verás que antes lo han
sido en departamentos equivalentes. Es importante remarcar que la no
endogamia no es mandar a tus alumnos de doctorado a pasar unos años
fuera y luego recuperarlos, por buena que sea esa política. Es estar
seguro de que otros departamentos equivalentes al tuyo han evaluado
positivamente al ex estudiante.
La lucha por la excelencia
Una vez reclutados, los candidatos jóvenes entran en su camino a la
consolidación, conocido como Tenure Track (TT) y que, según parece, el
nuevo estatuto del PDI lo va a reconocer como categoría de profesor, lo
cual ayudaría enormemente a consolidar esta figura en nuestra
universidad que, hasta ahora, se viene financiando con unos contratos
que, aunque cubren el expediente, no son los más adecuados..
El periodo de consolidación suele durar 6 años, al final de los
cuales se evalúa definitivamente si el candidato va a tener una plaza
permanente en el departamento o no.
Una primera evaluación se hace por un comité de tres o cuatro
personas al final de su segundo año. Se trata de ver que no ha habido
grandes problemas. Suele ser positiva casi de oficio. La segunda, que es
la importante, se hace al final del cuarto año. Y aquí la comisión
estudia seriamente el informe que presenta el candidato, especialmente
sus realizaciones investigadoras. Como veremos en la próxima entrada,
publicar en una buena revista es cuestión de años y si a estas alturas
el candidato no tiene unos dos papers aceptados o casi para publicación y
otros dos listos o casi para enviarlos a que los evalúen no va por el
buen camino. En ese caso la comisión ha de hacerle sugerencias para
mejorar su rendimiento. Por fin en el sexto año llega la decisión
definitiva. La comisión pide cartas externas -5 o 6 de las que suelen
contestar unos cuatro- de evaluación del candidato. Y con esas cartas y
su propio juicio elabora un informe que somete a la junta de personas
que han pasado el TT. Tras una discusión, se vota. Se suele exigir una
mayoría cualificada para pasar este proceso.[1]
A los que no pasan se les ofrece un año más de contrato para que puedan
buscarse otro empleo. Si un profesor titular del departamento quiere
ascender a catedrático sigue un proceso similar.
Y de nuevo me dirás. Vaya follón que montáis. ¿No sería mejor que al
cabo de unos años se concedieran los puestos a los candidatos que no han
hecho barbaridades? Pues yo creo que esa no es una buena idea. El dar
tenure es establecer una relación de por vida. ¿Tú lo harías con el
primero que te vendió algo? Además, está el problema del esfuerzo, que
hay que incentivar. La pelea por la excelencia es muy costosa, vaya
descubrimiento dirás, y por eso muchos departamentos no luchan.
Sobreviven (que no es poco...).
Próximo tranco... cómo funciona un integrante de un buen departamento... (más curro, ya verás...)
Licenciado en la U. Complutense y Ph.D. por la LSE. Ha trabajado
en las universidades Complutense, Alicante, Pompeu Fabra y Carlos III en
donde es catedrático desde 1998 (emérito desde 2019) y donde fue
director del departamento de economía en 2004-7.
Su investigación ha estado centrada en tres temas: La competencia entre
pocas empresas y las pérdidas de bienestar social que generan, el diseño
de mecanismos alternativos al mercado para asignar recursos y la teoría
de las contiendas, especialmente sobre cómo alcanzar soluciones
pacíficas en conflictos bélicos.
Sobre los efectos de la inteligencia artificial en el crecimiento y el empleo
En este artículo argumentamos que los efectos de la
inteligencia artificial (IA) y la automatización en el crecimiento y el
empleo dependen en gran medida de las instituciones y las políticas. En
la primera parte del estudio analizamos la literatura más reciente para
mostrar que la IA puede estimular el crecimiento al reemplazar mano de
obra por capital en la producción tanto de bienes y servicios como de
ideas. Pero la IA también puede inhibir el crecimiento si se combina con
políticas de competencia inadecuadas. En la segunda parte del artículo
examinamos el efecto de la robotización en el empleo en Francia entre
1994 y 2014. A partir de nuestro análisis empírico de datos franceses,
mostramos primero que la robotización reduce la tasa de ocupación
agregada a nivel de zona de empleo y, después, que los trabajadores sin
estudios resultan más afectados por la robotización que quienes sí los
tienen. Este hallazgo sugiere que las políticas educativas y del mercado
laboral poco adecuadas reducen el impacto positivo que podrían tener la
IA y la automatización en el empleo.
Gran parte de este artículo se basa en nuestro estudio
sobre la IA y el crecimiento económico, de próxima publicación
en Economics and Statistics (Aghion et al., 2019).
Introducción
La IA se suele definir como la capacidad de una máquina de imitar el
comportamiento humano inteligente. Es cierto que, desde 1820, nuestras
economías han pasado por varias revoluciones tecnológicas que resultaron
en la automatización de tareas antes desempeñadas por trabajadores. La
primera fue la revolución del motor a vapor del siglo XVIII, seguida de
la revolución del motor de combustión a principios del XX y, más tarde,
de las revoluciones de los semiconductores y de las tecnologías de la
información (TI) de las décadas de 1970 y 1980. Sin embargo, la IA va un
paso más allá al automatizar tareas tales como conducir un coche,
proporcionar consejos médicos o jugar partidas de ajedrez, que
pensábamos que nunca podrían automatizarse.
Ante la pregunta de cuáles deberían ser los efectos de la IA en el
crecimiento y el empleo, a primera vista la respuesta sería: la IA es
beneficiosa para el crecimiento puesto que estimula la productividad,
pero perjudicial para el empleo puesto que reemplaza la mano de obra
humana por máquinas. No obstante, en este artículo argumentaremos que se
trata de una cuestión más compleja y que los efectos de la IA en el
crecimiento y el empleo dependen de manera crucial del contexto
institucional y político.
Consideremos en primer lugar el impacto de la IA en el crecimiento.
Desde la crisis financiera de 2008, el estancamiento secular, es decir,
la expectativa de una caída duradera del crecimiento de la
productividad, ha sido fuente de preocupación para los economistas y los
asesores políticos. Una de las respuestas a la visión pesimista
defendida por Robert Gordon (ver Gordon, 2012) es que la revolución de
la IA acudirá en nuestra ayuda y nos devolverá a la senda del
crecimiento sostenido. Es cierto que la IA puede fomentar el crecimiento
reemplazando la mano de obra (que es un suministro finito) por capital
(que es un suministro ilimitado) en la producción tanto de bienes y
servicios como de ideas; pero la IA también puede inhibir el crecimiento
si se combina con políticas de competencia inadecuadas.
De manera similar, argumentamos que la revolución de la IA no tiene
por qué afectar al empleo de forma negativa. En primer lugar, el impacto
de la automatización en el empleo agregado parece ser positivo en los
trabajadores cualificados. En segundo, las plantas industriales que se
automatizan terminan aumentando su número de trabajadores, lo que
sugiere que las fricciones del mercado laboral deberían ser un elemento
clave de cualquier correlación negativa que pueda establecerse entre
automatización y empleo agregado. Esto a su vez apunta a la importancia
de la educación y las políticas a la hora de determinar el efecto de la
automatización en el empleo agregado.
El resto del artículo está organizado como se indica a continuación.
La segunda parte examina los efectos de la IA en el crecimiento. La
tercera parte analiza los efectos de la IA y la automatización en el
empleo. La última parte corresponde a la conclusión.
1. ¿La IA estimula siempre el crecimiento económico?
En este apartado desarrollamos dos puntos. Primero, la IA tiene el
potencial de impulsar el crecimiento económico. Segundo, con
instituciones inadecuadas y, en especial, con una política de
competencia equivocada, la IA puede ralentizar el crecimiento económico.
1.1 Cómo impulsa la IA el crecimiento económico
El modelo más simple para ilustrar cómo puede la IA impulsar el
crecimiento económico es el de Zeira (1998). Aquí presentamos una
versión simplificada del mismo desarrollada en Aghion et al. (2017). Supongamos que el resultado final se produce de acuerdo con la tecnología de Cobb-Douglas:
donde Σαi=1 y los procesos o inputs intermedios Xi se producen de acuerdo a:
Aunque Zeira considera Xi bienes
intermedios, también pueden verse como tareas (Acemoglu y Autor, 2011).
Por tanto, las tareas que no se han automatizado las realizan
trabajadores una por una. Una vez se automatiza la tarea, puede usarse
una unidad de capital en lugar de mano de obra (Aghion et al.,
2017). La automatización estimula el crecimiento económico al reemplazar
la mano de obra (que es un suministro finito) por capital (que es un
suministro ilimitado) como proceso básico en la producción. De hecho, si
consideramos que K y L representan reservas agregadas de suministros de
capital y de mano de obra respectivamente, podemos expresar así la
ecuación anterior para la producción final de bienes:
donde α representa la cuota total de tareas que han sido automatizadas.
Por tanto, la tasa de crecimiento del PIB per cápita (es decir, de y=Y/L) es igual a:
La automatización (por ejemplo la que resulta de la revolución de la IA) aumentará α, lo que a su vez conducirá a un aumento en gy,
es decir, a una aceleración del crecimiento. Uno de los problemas de
este modelo, sin embargo, es que predice un aumento en la cuota de
capital, lo que se contradice con el llamado «hecho de Kaldor», según el
cual la cuota de capital tiende a estabilizarse en el tiempo.
1.2 Nuevas tareas que reemplazan las existentes
Acemoglu y Restrepo (2016) amplían a Zeira (1998) asumiendo que la
producción final es el resultado de combinar los rendimientos de una
unidad de medida de las tareas X∈[N – 1, N], según la tecnología del Centre for European Studies (CES):
donde: (i) las tareas Xi con i>I no están automatizadas y se producen solo con mano de obra; (ii) las tareas Xi con i<I están automatizadas, es decir, el capital y la mano de obra son completamente intercambiables en la producción, y (iii) σ denota la elasticidad constante de intercambiabilidad entre tareas.
La dinámica de I y N (es decir, la automatización de
tareas existentes y el descubrimiento de nuevas líneas) es el resultado
de un cambio tecnológico endógeno dirigido. Bajo unos parámetros
razonables que garanticen que la innovación se dirige hacia el uso del
factor más económico, existe una única y (localmente) estable Senda del
Crecimiento Equilibrado (SCE). La estabilidad de esta SCE se deriva del
hecho de que un choque exógeno a I o a N desencadenará
fuerzas que devolverán a la economía a su SCE previa con la misma
proporción de mano de obra: la idea básica es que si un choque conduce a
un exceso de automatización, entonces el descenso de los costes de mano
de obra estimulará la innovación dirigida a crear tareas nuevas (y más
complejas) que exploten la mano de obra barata.
Lo que permite que la cuota de capital de esta SCE permanezca
constante es el hecho de que la automatización de las tareas existentes
se compensa completamente con la creación de nuevas tareas que requieren
mano de obra, al menos en un principio. Cabe destacar que la
estabilidad de la cuota de capital depende por entero de la llegada
ininterrumpida de nuevas tareas que requieran mucha mano de obra. El
modelo de Aghion et al. (2017), que también amplía Zeira (1998),
ofrece una explicación alternativa a la estabilidad de la cuota de
capital y a la compatibilidad de la IA con la posibilidad de una tasa de
crecimiento constante a largo plazo.
1.3 La IA y la enfermedad de los costes de Baumol
En el siguiente modelo elaborado por Aghion et al. (2017), la
complementariedad entre tareas existentes automatizadas y tareas
existentes que requieren mucha mano de obra, unida al hecho de que la
mano de obra termina por escasear más que el capital, es lo que permite
que la cuota de capital y la tasa de crecimiento permanezcan constantes
en el tiempo.
Expresado de una manera más formal, el producto final es resultado de:
donde ρ<0 (es decir, las tareas son complementarias), A es conocimiento y crece a una tasa constante g y, al igual que en Zeira (1998):
Si permitimos que βt represente la fracción de tareas automatizadas a fecha t, podemos reformular la función de producción agregada expresada arriba de la siguiente forma:
donde Kt denota las reservas agregadas de capital y Lt≡L denota la reserva agregada de trabajadores.
En equilibrio, el cociente entre cuota de capital y cuota de mano de obra es igual a:
Por tanto, un aumento de la fracción de bienes automatizados βT tiene dos efectos compensatorios sobre αKt/αL: (i) primero, un efecto positivo directo que está recogido en el término (βt /1–βt)1—ρ; (ii) segundo, un efecto negativo indirecto recogido en (Kt /Lt)ρ si recordamos que ρ<0.
Este segundo efecto está relacionado con la conocida teoría de
enfermedad de los costes de Baumol, según la cual a medida que Kt /Lt aumenta
como resultado de la automatización, la mano de obra escasea más que el
capital; lo que, unido al hecho de que las tareas que requieren más
mano de obra son complementarias a las tareas automatizadas (de hecho,
hemos supuesto que ρ<0), implica que la mano de obra supondrá una cuota constante de la renta total.
¿Qué ocurre con el crecimiento a largo plazo en este modelo?
Consideremos primero el caso en el que una fracción constante de las
tareas aún no automatizadas se automatiza en cada periodo, es decir:
En este caso, se puede ver que la tasa de
crecimiento converge en una constante a largo plazo. A continuación
consideremos el caso en el que todas las tareas se automatizan en un
plazo de tiempo finito, es decir, donde βt≡ 1para t>T. Entonces, para t>T la producción agregada final de bienes es:
de manera que si el capital se acumula con el tiempo de acuerdo a:
obtenemos una tasa de crecimiento a largo plazo igual a:
que aumenta de forma ilimitada en el tiempo a medida que A crece al ritmo exponencial de gA.
1.4 La IA en la producción de ideas
Aghion et al. (2017) también consideran el caso en el que la
automatización afecta a la producción de conocimiento. En concreto,
consideran una economía en la que el resultado final se produce mediante
mano de obra humana:
pero en la que la automatización afecta al crecimiento de At:
donde ρ<0, igual que antes, y:
Si consideramos que βt representa una fracción de tareas «generadoras de ideas» que se han automatizado a fecha t, entonces la ecuación de crecimiento del conocimiento expresada arriba se convierte en:
Consideremos primero el caso en el que una fracción
constante de las tareas aún no automatizadas se automatizan en cada
periodo de tiempo, es decir:
En tal caso, se demuestra que:
de forma que, aunque asumamos rendimientos decrecientes sobre la acumulación de conocimiento como en Jones (1995), es decir, ϕ>0, la automatización en la producción de ideas mantiene una tasa positiva de crecimiento del PIB (per cápita) en el largo plazo.
Consideremos ahora el caso en el que todas las tareas se automatizan en un tiempo finito, es decir, donde βt≡ 1 para t>T. Entonces, para t>T el crecimiento del conocimiento se corresponde con la ecuación:
En este caso, Aghion, Jones y Jones demuestran que At = Yt/L se vuelve infinito en un plazo de tiempo finito. Esta forma extrema de crecimiento explosivo se conoce como «singularidad».
1.5 Por qué las TI o la IA pueden generar un descenso del crecimiento
No hemos asistido a un auge del crecimiento como el que predicen los
modelos arriba expresados con la IA, sino al contrario: el crecimiento
de la productividad total de los factores (PTF) ha descendido de foma
brusca en Estados Unidos desde 2008, al igual que la tasa de creación de
nuevas empresas y de inversiones intangibles. Al mismo tiempo, hemos
observado un aumento de los márgenes promedio y del grado de
concentración de las ventas y el empleo.
Aghion et al. (2019) proponen la explicación que sigue.
Supongamos que hay dos fuentes principales de heterogeneidad en las
empresas de una economía. La primera es la «cualidad del producto», que
mejora como resultado de la innovación en cada línea de producto. Pero,
además de la cualidad de producto, algunasmpresas –llámemoslas compañías
superestrella– pueden gozar de una «ventaja de eficiencia» persistente
respecto a otras empresas. Entre las fuentes naturales de dicha ventaja
están el capital organizativo, el desarrollo de redes o la capacidad de
evitar impuestos: estas fuentes ayudan a las compañías superestrella a
obtener márgenes mayores que los de las empresas no superestrella con el
mismo nivel de tecnología. El relato propuesto por Aghion et al. es
que una revolución tecnológica, al reducir el coste de supervisar cada
actividad individual, inducirá a todas las empresas a ampliar su abanico
de productos. Sin embargo, puesto que las compañías superestrella gozan
de beneficios mayores por cada línea de producto que las compañías no
superestrella con el mismo nivel de tecnología, las primeras terminarán
expandiéndose en detrimento de las segundas. Pero esto a su vez frenará
la innovación en las compañías superestrella, puesto que innovar en una
línea de la que la compañía es una superestrella siempre arroja
beneficios menores que hacerlo en una en la que la compañía no lo es.
Por tanto, en conjunto, la revolución tecnológica puede resultar en una
innovación agregada y un crecimiento medio de la productividad menores
en el largo plazo, tras una primera explosión de crecimiento asociada a
la incoporación de nuevas líneas de producto por parte de las compañías
superestrella.1
La IA tiene el potencial de impulsar el crecimiento económico, pero
con instituciones inadecuadas y, en especial, con una política de
competencia equivocada puede producir el efecto contrario
Esto puede explicar que el crecimiento de la productividad en Estados
Unidos haya disminuido de forma continuada desde 2005, después de una
explosión de crecimiento entre 1995 y 2005, en el periodo inmediatamente
posterior a la revolución de la IA que siguió a la revolución de las
TI. Es más, también explica que en los últimos diez años el margen
promedio haya aumentado significativamente en Estados Unidos, así como
por qué esto se debió sobre todo a un efecto composición; a saber, la
participación en la economía de compañías de márgenes más elevados ha
aumentado, pero los márgenes dentro de las propias empresas no exhiben
ninguna tendencia al alza significativa.
Esta explicación ilustra el hecho de que las revoluciones
tecnológicas como las de las TI o la IA puedan terminar teniendo efectos
adversos en el crecimiento si las instituciones y las políticas no son
las adecuadas. De hecho, la combinación de la revolución de las TI y la
ausencia de reglas de competencia apropiadas han permitido a las
empresas superestrella expandirse de forma ilimitada, desalentando así
la innovación y la entrada de empresas no superestrella. Nos referimos
sobre todo a la ausencia de regulación relativa a fusiones y
adquisiciones o al hecho de que las compañías superestrella no estén
obligadas a divulgar los datos de su éxito a otras empresas. El desafío,
por tanto, es repensar las políticas de competencia de manera que las
revoluciones de las TI y la IA puedan hacer realidad su potencial de
crecimiento.
Una vez subrayada la importancia de las instituciones y las políticas
apropiadas a la hora de convertir las TI y la IA en oportunidades para
el crecimiento, vamos a examinar los efectos de la IA en el empleo,
donde, de nuevo, ambas son importantes. Además, tendremos presentes las
políticas educativas y del mercado laboral.
2. Automatización y empleo
2.1 Breve repaso de la literatura existente
Puesto que la IA está todavía en pañales, no
disponemos de estudios con datos empíricos y de carácter retrospectivo
sobre el empleo. Es, por tanto, imposible pronunciar un veredicto bien
fundado sobre el impacto de la IA en el empleo. En consecuencia, los
estudios empíricos se han centrado en la automatización en un sentido
más amplio y en sus efectos en el empleo. Se han subrayado varias
consecuencias de la automatización:
– un aumento en la brecha salarial debido al rendimiento mejorado sobre la educación (Katz y Murphy, 1992; Krueger, 1993; Autor et al., 1998; Bresnahan et al., 2002; Acemoglu, 2002; Autor y Dorn, 2013);
– un aumento del desempleo: el desempleo tecnológico aumenta (Lucas y
Prescott, 1974; Davis y Haltiwanger, 1992; Pissarides, 2000), los
empleos de manufactura y de tareas rutinarias desaparecen por efecto de
la automatización (Jaimovich y Siu, 2012);
– la sobrecualificación de trabajadores: Beaudry et al. (2013)
muestran que hay una demanda menor de trabajadores cualificados, que,
en consecuencia, se ven «obligados» a aceptar empleos no cualificados,
mientras que los trabajadores sin calificaciones pueden acabar
expulsados del mercado laboral.
– polarización del mercado de trabajo: la automatización crearía más
puestos de trabajo de alta y baja cualificación, al tiempo que
eliminaría los de cualificaciones intermedias (Goos y Manning, 2007).
Autor y Dorn (2013) se centran en el cambio estructural en el mercado de
trabajo: los empleos de renta media en el sector secundario serían
reemplazados por empleos de renta baja en el sector servicios, menos
amenazado por la automatización.
Algunos autores han intentado ser prospectivos e ir más allá del
ámbito de la automatización «tradicional» cuestionando la viabilidad de
automatizar puestos de trabajo a la vista de los avances tecnológicos
actuales y esperables. Restan una importancia considerable a la idea de
que la automatización podría amenazar trabajos no rutinarios. Mientras
que Autor et al. (2003) argumentaban que tareas no rutinarias
tales como la redacción de textos legales, la conducción de camiones, la
medicina o las ventas no podían ser sustituidas, Brynjolfsson y McAfee
(2011) defienden que la automatización ya no se limita a trabajos
rutinarios y citan el ejemplo de los coches autodirigidos. Frey y
Osborne (2017) han seguido esta senda y calculado la probabilidad de
computarización de 702 empleos.2 Su
conclusión principal demuestra que el 47% de los empleos de Estados
Unidos corren el riesgo de ser automatizados en los próximos diez o
veinte años, mientras que solo el 33% de los trabajos tienen un riesgo
de automatización bajo. Su método se basa en valoraciones de expertos en
IA sobre el alcance de la automatización en setenta ocupaciones
distintas, y se extiende a otros empleos de acuerdo a sus
características principales gracias a un método de puntuación
probabilístico. También han demostrado que hay una fuerte relación
negativa entre, por un lado, salarios y logros educativos y, por otro,
probabilidad de computarización.
Las plantas industriales que se automatizan terminan aumentando su
número de trabajadores, lo que sugiere que las fricciones del mercado
laboral deberían ser un elemento clave de cualquier correlación negativa
que pueda establecerse entre automatización y empleo agregado
Frey y Osborne han sido criticados con dureza: pasan por alto el
contenido de las tareas de los empleos y no tienen en cuenta la
variabilidad de una ocupación específica en distintos lugares de
trabajo. Arntz et al. (2017) muestran que, cuando se tiene en
cuenta la heterogeneidad de tareas dentro de los trabajos, solo el 9% de
los trabajadores de Estados Unidos se enfrentan a un riesgo de
automatización elevado. Tampoco contemplan las barreras legales y éticas
que impedirían la destrucción de algunos puestos de trabajo. Por
último, el método de Frey y Osborne no incorpora la respuesta de la
economía a un modelo de equilibrio general, es decir, el coste de la
automatización, la reacción de los salarios y la creación de nuevos
puestos de trabajo. A pesar de los avances tecnológicos, el coste de
sustituir a los trabajadores por máquinas podría disuadir a las empresas
de implantar una automatización rápida, en especial si los salarios se
estabilizan. Además, podrían aparecer nuevas actividades que
proporcionen empleo a los trabajadores superfluos. En consecuencia, ser
prospectivo sin razonar dentro de un patrón de equilibrio general no
parece realista. En este sentido, Hémous y Olsen (2014) proporcionan el
primer modelo dinámico para analizar la interacción entre automatización
y creación de nuevos productos y tareas.
2.2 Automatización y empleo en Estados Unidos
Obtener una medición precisa de la automatización es crucial, y es lo
que han intentado hacer los últimos estudios. Si los estudios tempranos
se basaban en el grado de presencia de los ordenadores o de las
tecnologías de la información (Krueger, 1993; Autor et al., 1998; Bresnahan et al.,
2002), los más recientes investigan otros indicadores de
automatización, tales como las patentes relativas a la automatización
(Mann y Püttmann, 2017) o el número de robots (Autor y Dorn, 2013;
Acemoglu y Restrepo, 2017; Dauth et al., 2017; Graetz y Michaels, 2018; Cheng et al., 2019). Por lo que respecta al impacto de los robots en el empleo neto, las conclusiones son contradictorias.
Chiacchio et al. (2018) informan de efectos negativos: un
robot adicional por cada mil trabajadores reduce la tasa de empleo en
seis países de la UE en 0,16-0,20 puntos porcentuales. Sin embargo,
Autor et al. (2015) y Graetz y Michaels (2018) no encuentran
efectos de la automatización en el empleo agregado. A partir de datos
alemanes, Dauth et al. (2017) no encuentran pruebas de que los
robots causen pérdidas de empleo totales, pero sí ponen de manifiesto un
importante efecto negativo en el sector secundario: un robot adicional
por cada mil trabajadores reduce la tasa de ocupación agregada en el
sector industrial en 0,0595 puntos porcentuales.
En su artículo «Robots and Jobs: Evidence from US Labor Markets»,
Acemoglu y Restrepo (2017) analizan el efecto en el mercado de trabajo
del aumento del uso de robots en la industria entre 1990 y 2007.
Responden a esta pregunta mediante la variación en la adopción de robots
dentro de cada país. Muestran que, para cada mercado laboral, el
impacto de los robots en el empleo puede calcularse sometiendo a
regresión el cambio en los empleos y los salarios con respecto a la
exposición a los robots, y concluyen que un robot adicional por cada mil
trabajadores reduce la tasa de empleo en torno a 0,37 puntos
porcentuales y el crecimiento salarial en el 0,73%.
Acemoglu y Restrepo se centran en las 772 zonas de movilidad intradía
por el territorio continental estadounidense. Para cada zona reúnen
datos sobre empleo y salarios y elaboran indicadores de la exposición a
los robots. A continuación, ejecutan regresiones en todas las zonas de
movilidad intradía para analizar el impacto de esta exposición al cambio
en la tasa de ocupación y en los salarios agregados, es decir, para
calcular las relaciones siguientes:
Los datos sobre robots los proporciona la Federación
Internacional de Robótica (IRF, por sus siglas en inglés), que recopila
datos de las ventas de fabricantes de robots de todo el mundo, el
destino de estas y su clasificación por sector industrial. La IFR define
un robot, de acuerdo a las normas ISO, como una «maquina de
manipulación automática, reprogramable y multifuncional con tres o más
ejes que pueden posicionar y orientar materias, piezas, herramientas o
dispositivos especiales para la ejecución de trabajos diversos en las
diferentes etapas de la producción». La clave de esta definición reside
en la autonomía del robot para realizar las tareas. A partir de estos
datos, deducen las existencias de robots por país y por año a partir de
1993,3 pero solo por país, o por grupo de países. La IFR proporciona datos de existencias de robots para 19 categorías profesionales.
Acemoglu y Restrepo (2017) elaboran un índice local basado en el
aumento del número de robots por trabajador en cada sector, por un lado,
y en la distribución local de la mano de obra entre distintos sectores,
por otro.
Para cada zona de movilidad intradía, el índice que mide la
exposición a los robots entre 1990 y 2007 está confeccionado de manera
similar al índice que mide la exposición a las importaciones chinas
desarrollado por Autor et al. (2013). La idea central que subyace
en este índice es explotar la variación en la estructura de empleo en
la industria local antes del periodo de interés, para ampliar una
variable (robots, importaciones, etc.) solo disponible a nivel nacional.
El indicador empleado para medir la exposición a los robots en zonas de
movilidad intradía es:
La suma incluye los diecinueve sectores industriales i en los datos de la IFR. lci1970 representa la cuota de empleo en industria i en 1970 para una zona de movilidad intradía i. Ri y Li representan las existencias de robots y el número de personas empleadas en un sector concreto i.
La variación en la exposición a los robots entre las zonas de
movilidad intradía se usa a continuación para explicar la evolución en
el empleo y los salarios. En las regresiones se incluyen varios
controles. Una característica importante son los cambios en los patrones
comerciales. Acemoglu y Restrepo usan los datos de Autor et al. (2013)
sobre la exposición a las importaciones chinas y crean indicadores
similares para medir las importaciones de México. Otra característica es
la de controlar el crecimiento del capital social (aquello que no sean
robots) y el crecimiento de capital de TI. Otros controles incluyen la
tasa de ocupación en empleos rutinarios en 1990, un medidor de
deslocalización de procesos intermedios, las diferencias demográficas de
base en 1990, las tasas de ocupación de referencia en la industria
manufacturera, la industria manufacturera de larga duración y la
industria de la construcción, así como la cuota de empleo femenino en la
industria manufacturera.
El problema de esta estrategia empírica es que la adopción de robots
en un sector estadounidense concreto podría estar relacionada con otras
tendencias dentro de ese sector. Por tanto, Acemoglu y Restrepo adoptan
una estrategia de variable instrumental (VI) y usan la exposición
exógena a los robots en una selección de países europeos como una
aproximación a la frontera tecnológica mundial. El resultado principal
es que las zonas de movilidad intradía más expuestas a robots han
evolucionado peor en términos tanto de tasa de ocupación como de
salarios entre 1990 y 2007.
En su especificación principal, Acemoglu y Restrepo (2017) calculan
que cada robot adicional por cada mil trabajadores reduce la relación
entre el empleo y la población agregada en 0,37 puntos porcentuales y el
crecimiento de salarios por hora agregados en alrededor del 0,73%.
Añadir variables de control tales como los volúmenes de importaciones
chinas o mexicanas o las tasas de trabajos rutinarios y de
deslocalización tiene escaso efecto en los análisis. Excluir las zonas
de movilidad intradía con una mayor exposición a los robots no cambia la
magnitud de las estimaciones. Por tanto, sus resultados no están
determinados únicamente por áreas de elevada exposición.
2.3 Automatización y empleo en Francia
Reproducimos el método desarrollado por Acemoglu y Restrepo (2017) con datos franceses del periodo 1994-2014.
La figura 1 refleja cómo evolucionó el número de robots en Francia
entre 1994 y 2014. Al igual que en Acemoglu y Restrepo, los datos sobre
robots los proporciona la IFR. El número total de robots crece de manera
continuada entre 1994 y 2007, se estanca entre 2007 y 2011 y, por
último, desciende entre 2012 y 2014. (Ver figura 1).
Siguiendo a Acemoglu y Restrepo (2017) y a Dauth et al. (2017), definimos la exposición a los robots en una zona de empleo francesa entre 1994 y 2014:4
donde Lic,1994 hace referencia al empleo en una zona de empleo c en la industria i en 1994, Lc,1994 hace referencia al empleo en una zona de empleo c en 1994 y Li,1994 hace referencia al empleo (en miles) en la industria i en 1994. Ri,1994 y Ri,2014 representan respectivamente el número total de robots en la industria i en 1994 y en 2014. Los datos sobre empleo proceden de la base de datos de la Administración francesa DADS.
El crecimiento de la productividad total de los factores ha
descendido bruscamente en EEUU desde 2008, al igual que la tasa de
creación de nuevas empresas y de inversiones intangibles
Nuestro índice refleja, por tanto, la exposición a los robots por
cada mil trabajadores entre 1994 y 2014. La figura 2 refleja la
distribución geográfica de la exposición a los robots. La exposición
promedio en Francia es de 1,16 entre 1994 y 2014, muy por debajo de la
exposición media en Alemania, de 4,64 en ese mismo periodo. Esta
exposición también es más homogénea en Francia, con una desviación
típica de 1,42 frente a 6,92 en Alemania. El orden de magnitud de la
exposición a los robots en Francia está más cerca de la de Estados
Unidos entre 1993 y 2007. La figura 2 muestra una división norte/sur
bastante marcada. De hecho, mientras el norte presenta tasas de
exposición más elevadas, la mayoría de las zonas de empleo meridionales
tienen exposiciones cercanas a cero. El noreste, de fuerte legado
industrial, pero también el oeste (Normandía y Bretaña oriental), están
entre las regiones de mayor exposición. Entre las regiones menos
expuestas figuran la costa atlántica y la Costa Azul. (Ver figura 2).
En la primera y más ingenua especificación, estudiamos el impacto de
la exposición a los robots en la evolución de la tasa de ocupación entre
1990 y 2014. Esta tasa se construye a partir de datos censales. Sin
embargo, controlamos otras características que pueden influir en la
evolución de la tasa de ocupación. Para ello, creamos otros dos índices
de exposición. En primer lugar, un índice de exposición a las
tecnologías de la información y la comunicación (TIC) TICExpr,
construido de manera similar al de la exposición a los robots. El
número de robots se reemplaza por las reservas de capital TIC en la
industria i. Los datos proceden de la base de datos EU KLEMS. En segundo lugar, creamos un índice de exposición al comercio internacional TradeExpr usando
la base de datos COMTRADE. El número de robots se reemplaza por las
importaciones netas de China y de una selección de países de Europa del
Este en la industria i. En algunas regresiones también añadimos un vector Xc de control de la zona de empleo c:
características demográficas en 1990 (cuota de habitantes por nivel de
estudios y cuota de habitantes entre 25 y 64 años), cuotas amplias por
sector industrial en 1994 y variables binarias por región. Por último,
podemos escribir:
La tabla 1 expone los resultados de las regresiones
de mínimos cuadrados ordinarios (MCO). Dicha tabla muestra una
correlación negativa entre la exposición a los robots y el cambio en la
tasa de ocupación. No obstante, la correlación deja de ser significativa
en la columna 6, una vez que incluimos todos los controles, y en la
columna 7, cuando excluimos las zonas de movilidad intradía con una
mayor exposición a los robots. En las primeras cinco columnas, donde la
correlación es significativa, la magnitud del efecto oscila entre -1,090
y -0,515. (Ver tabla 1).
Incluso si estas variables de control purgan parcialmente las
estimaciones de MCO, es necesario un enfoque de VI para analizar el
impacto causal de los robots en el empleo. De hecho, podemos imaginar un
choque que no recogemos en nuestros controles, pero que puede tener
efecto tanto en la instalación de robots a nivel local como en las
características de los mercados de trabajo locales. En la regresión de
VI expresada en la tabla 2, los coeficientes de la exposición a los
robots son significativos con independencia de la especificación
elegida, incluso en aquella que tiene todos los controles. Además
observamos que la magnitud de los efectos aumenta en comparación con los
obtenidos por los MCO. En la columna 1 (regresión sin ningún control),
el impacto negativo de la exposición a los robots en el empleo es
gigantesco: un robot adicional por cada mil trabajadores conduce a una
caída en la tasa de ocupación de 1,317 puntos porcentuales. Cuando se
añaden controles a las exposiciones a las TIC y a las importaciones
(columna 2), hay un impacto negativo de las importaciones netas en la
tasa de ocupación, como en Autor et al. (2013) para Estados
Unidos, aunque el coeficiente de exposición a los robots no sea
estadísticamente significativo. El coeficiente de exposición a los
robots se mantiene en el mismo orden de magnitud. Las columnas de la 3 a
la 5 examinan sucesivamente otros tres controles, mientras que la
columna 6 los incorpora de manera simultánea. En primer lugar, la
columna 3 añade características demográficas. A continuación, la columna
4 añade variables binarias por región. Por último, la columna 5 añade
variables por sector industrial anteriores a 1994. En cada
especificación, el coeficiente de exposición a los robots sigue siendo
negativo y significativo, incluso si su magnitud disminuye ligeramente.
Por el contrario, el coeficiente de exposición a las importaciones se
vuelve insignificante cuando añadimos información sobre la composición
industrial de las zonas de empleo. Por último, la columna 6 combina
todos los controles y la columna 7 elimina las áreas de exposición
elevada. El efecto de la exposición a los robots sigue siendo negativo y
significativo, aunque su magnitud se ha reducido en comparación con la
especificación sin ningún control. (Ver tabla 2).
En nuestra última especificación obtenemos un efecto negativo de la
exposición a los robots en el empleo: un robot adicional por cada mil
trabajadores conduce a una caída en la tasa de ocupación de 0,686 puntos
porcentuales. Un cálculo rápido nos permite concluir que la instalación
de un robot adicional en una zona de movilidad intradía redujo el
empleo en 10,7 puestos de trabajo.5 El
orden de magnitud es similar al de Acemoglu y Restrepo (2017), quienes
encontraron un impacto de 6,2 puestos de trabajo menos por cada robot
adicional. Según la IFR, el número de robots en Francia aumentó en cerca
de 20.000 entre 1994 y 2014. Nuestro resultado implica una pérdida de
214.000 puestos de trabajo debida a los robots (10,7*20.000) en este
periodo.
Por último, investigamos la posibilidad de efectos heterogéneos de la
exposición a los robots en el empleo según el nivel de estudios.6 Los
coeficientes estimados de la exposición a los robots por parte de la
población según el nivel educativo se recogen en la figura 3 con
intervalos de confianza del 90%. El Certificado de Aptitud Profesional
(CAP) y el Diploma de Estudios Profesionales (DEP) son grados
profesionales en Francia. Cuanto más bajo es el nivel de estudios, mayor
es el impacto de la exposición a los robots. El impacto no es
significativo en personas con estudios de secundaria. El efecto llega a
ser positivo, aunque ligeramente no significativo, en graduados
universitarios. Esta heterogeneidad subraya la importancia de la
educación y la necesidad de que existan escuelas públicas. Para limitar
los efectos negativos de la automatización en el empleo, las políticas
públicas deberían orientarse a elevar el nivel educativo e impulsar la
formación continua.
2.4 Del análisis agregado al análisis a nivel de planta
En nuestro trabajo actual con Xavier Jaravel analizamos los efectos
de la automatización en el empleo usando datos de panel franceses a
nivel de planta y de empresa. Medimos la automatización usando el
consumo eléctrico de manera que excluya la calefacción y otros costes
fijos de consumo energético en plantas industriales. Nuestras
principales conclusiones preliminares son: (i) que una mayor
automatización hoy en día aumenta el empleo a nivel de planta a corto y
largo plazo y (ii) que la tasa de ocupación aumenta para las
cualificaciones medias (ingenieros, etc.) y altas (dirección, etc.);
sigue siendo positiva, pero de forma menos significativa, para los
empleados de baja cualificación. Otra conclusión es que las plantas
industriales que automatizan menos hoy en día tienen más probabilidades
de salir del mercado en el futuro. La correlación negativa que
encontramos entre la automatización y la tasa de ocupación a nivel de
las zonas de empleo agregadas no se debe, en consecuencia, tanto a que
las empresas en proceso de automatización estén despidiendo a
trabajadores superfluos. Parece reflejar, más bien, un efecto de robo de
negocio por el cual las empresas que se automatizan expulsan del
mercado a las que no lo hacen.
La
sala de operaciones híbridas del Instituto de Cirugía Guiada por Imagen
(IHU), en Estrasburgo, Francia, está considerada la más avanzada del
mundo. Combina técnicas de cirugía de invasión mínima con las últimas
tecnologías de imágenes médicas
Conclusión
En este artículo hemos examinado trabajos recientes sobre la IA y sus
efectos en el crecimiento económico y el empleo. Nuestra conclusión es
que los efectos de la IA y la automatización en el crecimiento y el
empleo dependen en gran medida de las instituciones y las políticas. En
la primera parte hemos argumentado que, si bien la IA puede estimular el
crecimiento reemplazando la mano de obra (un suministro finito) por
capital (un suministro ilimitado), también puede inhibir el crecimiento
si se combina con políticas de competencia inadecuadas.
En la segunda parte hemos examinado los efectos de la IA y la
automatización en el empleo: nuestro análisis sugiere que un mejor
sistema educativo y una política de mercado laboral más eficaz aumentan
los efectos positivos de la automatización en el empleo.
El próximo paso lógico sería enlazar los análisis de cada una de
estas partes investigando cómo afectan las características del mercado
laboral a la naturaleza de la innovación: por ejemplo, investigar si la
innovación va dirigida a la automatización en lugar de a la creación de
nuevas líneas de producto. Esta y otras continuaciones del análisis
presentado en este artículo están a la espera de investigaciones
futuras.
Notas
Bibliografía
—Acemoglu, D. (2002): «Technical Change, Inequality, and the Labor Market», Journal of Economic Literature, n.º 40, 1, pp. 7-72.
—Acemoglu, D. y Autor, D. (2011): «Skills, Tasks and Technologies:
Implications for Employment and Earnings», en O. Ashenfelter y D. Card
(eds.), Handbook of Labor Economics, vol. 4B, Elsevier, junio de 2011, cap. 12, pp. 1.043-1.171.
—Acemoglu, D. y Restrepo, P. (2016): «The Race between Man and
Machine: Implications of Technology for Growth, Factor Shares and
Employment», National Bureau of Economic Research, documento de trabajo
n.º 22.252.
—Acemoglu, D. y Restrepo, P. (2017): «Robots and Jobs: Evidence from
US Labor Markets», National Bureau of Economic Research, documento de
trabajo n.º 23.285.
—Aghion, P., Jones, B. y Jones, C. (2017): «Artificial Intelligence
and Economic Growth», National Bureau of Economic Research, documento de
trabajo n.º 23.928.
—Aghion P.; Bergeaud, A.; Boppart, T.; Klenow P. y Li, H. (2019): «A Theory of Falling Growth and Rising Rents», Mimeo, Collège de France.
—Aghion, P., Antonin, C. y Bunel, S. (2019): «Artificial
Intelligence, Growth and Employment: The Role of Policy», Economics and
Statistics, de próxima publicación.
—Arntz, M.; Gregory, T. y Ziehrahn, U. (2017): «Revisiting the Risk of Automation», Economics Letters,
159, pp. 157-160. —Autor, D.; Katz, L. F. y Krueger, A. B. (1998):
«Computing Inequality: Have Computers Changed the Labor Market?», The Quarterly Journal of Economics, n.º 113, 4, pp. 1.169-1.213.
—Autor, D. y Dorn, D. (2013): «The Growth of Low Skill Service Jobs and the Polarization of the US Labor Market», American Economic Review, n.º 103, 5, pp. 1.553-1.597.
—Autor, D. H.; Dorn, D. y Hanson, G. H. (2013): «The China Syndrome:
Local Labor Market Effects of Import Competition in the United States», American Economic Review, n.º 103, 6, pp. 2.121-2.168.
—Autor, D. H.; Dorn, D. y Hanson, G. H. (2015): «Untangling Trade and Technology: Evidence from Local Labor Markets», The Economic Journal, n.º 125, 584, pp. 621-646.
—Autor, D.; Levy, F. y Murnane, R. J. (2003): «The Skill Content of Recent Technological Change: An Empirical Exploration», The Quarterly Journal of Economics, n.º 118, 4, pp. 1.279-1.333.
—Beaudry, P.; Green, D. A. y Sand, B. M. (2013): «The Great Reversal
in the Demand for Skill and Cognitive Tasks», National Bureau of
Economic Research, documento de trabajo n.º 18.901.
—Bresnahan, T. F.; Brynjolfsson, E. y Hitt, L. M. (2002):
«Information Technology, Workplace Organization, and the Demand for
Skilled Labor: Firm-Level Evidence», The Quarterly Journal of Economics, n.º 117, 1, pp. 339-376.
—Brynjolfsson, E. y McAfee, A. (2011): Race Against the Machine:
How the Digital Revolution is Accelerating Innovation, Driving
Productivity, and Irreversibly Transforming Employment and the Economy, Lexington, Massachusetts, Digital Frontier Press.
—Cheng, H.; Jia, R.; Li, D. y Li, H. (2019): «The Rise of Robots in China», Journal of Economic Perspectives, n.º 33, 2, pp. 71-88.
—Chiacchio, F.; Petropoulos, G. y Pichler, D. (2018): «The Impact of
Industrial Robots on EU Employment and Wages: A Local Labor Market
Approach», Bruegel, documento de trabajo n.º 2.
—Dauth, W.; Findeisen, S.; Südekum, J. y Wößner, N. (2017): «German
Robots: The Impact of Industrial Robots on Worker», IAB, documento de
debate n.º 30/2017.
—Davis, S. J. y Haltiwanger, J. (1992): «Gross Job Creation, Gross Job Destruction, and Employment Reallocation», The Quarterly Journal of Economics, n.º107, 3, pp. 819-863.
—Frey, C. B. y Osborne, M. A. (2017): «The Future of Employment: How Susceptible are Jobs to Computerization?», Technological Forecasting and Social Change, n.º 114, pp. 254-280.
—Goos, M. y Manning, A. (2007): «Lousy and lovely jobs: the rising polarization of work in Britain», Review of Economics and Statistics, n.º 89, 1, 118-133.
—Gordon, R. (2012): «Is US Economic Growth Over? Faltering Innovation
Confronts the Six Headwinds», National Bureau of Economic Research,
documento de trabajo n.º 18.315.
—Graetz, G. y Michaels, G. (2018): «Robots at Work», The Review of Economics and Statistics, n.º 100, 5, 753-767.
—Hémous, D. y Olsen, M. (2014): «The Rise of the Machines:
Automation, Horizontal Innovation and Income Inequality», CEPR,
documento de debate n.º 10.244.
—Jaimovich, N. y Siu, H. E. (2012): «The Trend is the Cycle: Job
Polarization and Jobless Recoveries», National Bureau of Economic
Research, documento de trabajo n.º 18.334.
—Jones, C. (1995): «R & D-Based Models of Economic Growth», Journal of Political Economy, n.º 103, pp. 759-784.
—Katz, L. y Murphy, K. (1992): «Changes in Relative Wages: Supply and Demand Factors», The Quarterly Journal of Economics, 152, pp. 35-78.
—Krueger, A. B. (1993): «How Computers Have Changed the Wage Structure: Evidence from Microdata, 1984-1989», The Quarterly Journal of Economics, n.º 108, 1, pp. 33-60.
—Liu, E.; Mian, A. y Sufi, A. (2019): «Low Interest Rates, Market
Power, and Productivity Growth», National Bureau of Economic Research,
documento de trabajo n.º 25.505.
—Lucas, R. E. y Prescott, E. C. (1974): «Equilibrium Search and Unemployment», Journal of Economic Theory, n.º 7, 2, pp. 188-209.
—Mann, K. y Püttmann, L. (2٠17): «Benign Effects of Automation: New Evidence from Patent Texts», manuscrito inédito.
—Pissarides, C. A. (2000): Equilibrium Unemployment Theory, Massachusets, MIT Press.
—Zeira, J. (1998): «Workers, Machines, and Economic Growth», The Quarterly Journal of Economics, n.º 113, pp. 1.091-1.117.
