Robôs e empregos

Robôs e empregos: evidências dos mercados de trabalho dos Estados Unidos

Daron Acemoglu — Massachusetts Institute of Technology

Pascual Restrepo — Boston University

Resumo. Estudamos os efeitos de robôs industriais nos mercados de trabalho dos Estados Unidos. Mostramos, teoricamente, que robôs podem reduzir emprego e salários e que seus impactos locais podem ser estimados usando variação na exposição a robôs — definida a partir de avanços da robótica no nível da indústria e do emprego local por indústria. Estimamos efeitos negativos robustos dos robôs sobre emprego e salários entre zonas de deslocamento. Também mostramos que as áreas mais expostas a robôs depois de 1990 não exibem tendências diferenciais antes desse período e que o impacto dos robôs é distinto do de outros capitais e tecnologias. Um robô adicional por mil trabalhadores reduz a razão emprego-população em 0,2 ponto percentual e os salários em 0,42%.

I. Introdução

Em 1929, John Maynard Keynes previu, de forma célebre, que a rápida disseminação de tecnologias de automação traria “desemprego tecnológico” (Keynes, 1931). Wassily Leontief profetizou problemas semelhantes para os trabalhadores: “O trabalho se tornará cada vez menos importante. […] Cada vez mais trabalhadores serão substituídos por máquinas. Não vejo como novas indústrias podem empregar todos que querem um emprego” (citado em Curtis, 1983, p. 8). Embora essas previsões não tenham se concretizado, há preocupação renovada de que avanços em robótica e inteligência artificial levem a perdas massivas de empregos. Há evidência crescente de que a automação de uma série de ocupações de baixa e média qualificação contribuiu para desigualdade salarial e polarização do emprego. Apesar dessas preocupações, temos pouca evidência sistemática sobre o impacto de equilíbrio de tecnologias de automação — especialmente robôs — sobre emprego e salários.

Neste artigo, estimamos o impacto de equilíbrio de uma tecnologia líder de automação, os robôs industriais, nos mercados locais de trabalho dos Estados Unidos. A Federação Internacional de Robótica (IFR) define robô industrial como uma “máquina automaticamente controlada, reprogramável e multifuncional”. Isto é, robôs industriais são máquinas plenamente autônomas que não necessitam de operador humano e podem ser programadas para realizar várias tarefas manuais, como soldagem, pintura, montagem, movimentação de materiais e embalagem. Teares têxteis, elevadores, guindastes ou esteiras de transporte não são robôs, porque têm finalidade única, não podem ser reprogramados para realizar outras tarefas e/ou exigem operador humano. Essa definição exclui outros equipamentos e permite uma mensuração internacional e temporalmente comparável de uma classe de tecnologias — robôs industriais — capaz de substituir trabalho humano em uma gama de tarefas.

A tecnologia robótica avançou significativamente nas décadas de 1990 e 2000, levando a uma quadruplicação do estoque de robôs industriais nos Estados Unidos e na Europa Ocidental entre 1993 e 2007. Como mostra a Figura 1, o aumento foi de um novo robô por mil trabalhadores nos Estados Unidos e de 1,6 novo robô por mil trabalhadores na Europa Ocidental. A indústria automobilística emprega 38% dos robôs existentes, seguida por eletrônicos (15%), plásticos e produtos químicos (10%) e produtos de metal (7%).

A abordagem empírica baseia-se em um modelo no qual robôs e trabalhadores competem na produção de tarefas diferentes. O modelo se apoia em Zeira (1998), Acemoglu e Autor (2011) e Acemoglu e Restrepo (2018c), mas estende essas estruturas para que a parcela de tarefas executadas por robôs varie entre setores e haja comércio entre mercados de trabalho especializados em indústrias distintas. Melhorias na tecnologia robótica afetam negativamente salários e emprego por causa de um efeito de deslocamento — os robôs deslocam diretamente trabalhadores de tarefas que realizavam antes —, mas há também um efeito de produtividade positivo, à medida que outras indústrias e/ou tarefas elevam sua demanda por trabalho. A estrutura esclarece que, devido ao efeito de deslocamento, robôs podem ter implicações para a demanda de trabalho muito diferentes das de aprofundamento de capital ou tecnologias que aumentam fatores. O modelo também mostra que os efeitos de tecnologias robóticas sobre emprego e salários podem ser estimados regredindo a mudança dessas variáveis sobre a exposição a robôs. A exposição é uma medida ao estilo Bartik, construída pela interação entre participações setoriais de base em um mercado local de trabalho e possibilidades tecnológicas de introdução de robôs entre indústrias.

Primeiro, documentamos variação considerável na adoção de robôs entre indústrias e mostramos que as mesmas indústrias adotam robôs rapidamente tanto nos Estados Unidos quanto na Europa. Também mostramos que, no nível da indústria, não há forte correlação positiva entre adoção de robôs e outras tendências importantes que afetam mercados locais de trabalho americanos, como competição de importações da China e do México, terceirização internacional, declínio de tarefas rotineiras, investimentos em capital de tecnologia da informação e aprofundamento geral de capital. Além disso, de acordo com a teoria, adoção de robôs no nível da indústria está associada a menor participação do trabalho e menor emprego, e a maior valor adicionado e produtividade do trabalho.

Depois de apresentar correlações no nível da indústria, investigamos o impacto de equilíbrio dos robôs nos mercados locais de trabalho, representados por zonas de deslocamento nos Estados Unidos. Construímos a medida de exposição a robôs usando dados da IFR sobre o aumento do uso de robôs em 19 indústrias — aproximadamente no nível de dois dígitos fora da manufatura e de três dígitos dentro dela — e suas participações iniciais no emprego, do censo anterior ao início dos avanços recentes da robótica. Para concentrar-nos no componente do investimento em robôs movido por avanços tecnológicos, exploramos tendências de adoção em economias europeias que estão à frente dos Estados Unidos em robótica. A hipótese de identificação é que zonas de deslocamento que abrigam indústrias com maiores avanços em tecnologia robótica não são afetadas diferencialmente por outros choques ou tendências do mercado de trabalho; investigamos essa suposição por vários ângulos.

Com essa estratégia, estimamos relação negativa entre a exposição de uma zona de deslocamento a robôs e seus resultados no mercado de trabalho após 1990. As estimativas implicam que, entre 1990 e 2007, o aumento do estoque de robôs — aproximadamente um robô adicional por mil trabalhadores entre 1993 e 2007 — reduziu a razão média emprego-população de uma zona de deslocamento em 0,39 ponto percentual e os salários médios em 0,77%, em comparação com uma zona sem exposição a robôs. Essas estimativas são grandes, mas não implausíveis. Por exemplo, implicam que um robô adicional em uma zona de deslocamento reduz o emprego em cerca de seis trabalhadores; a estimativa inclui efeitos diretos e indiretos, estes causados pela queda na demanda por não comercializáveis como resultado da redução de emprego e salários na economia local.

Para compreender as implicações agregadas dessas estimativas, precisamos supor adicionalmente como diferentes zonas de deslocamento interagem. O maior uso de robôs em uma zona gera benefícios para o restante da economia americana ao reduzir os preços de bens comercializáveis produzidos com robôs e ao criar ganhos compartilhados de renda do capital. O modelo permite quantificar esses transbordamentos positivos entre zonas de deslocamento e leva a efeitos agregados menores, mas ainda negativos. Na especificação preferida, um robô adicional por mil trabalhadores reduz a razão emprego-população agregada em cerca de 0,2 ponto percentual e os salários em cerca de 0,42% — em comparação com os efeitos locais maiores de 0,39 ponto percentual e 0,77%, respectivamente. De forma equivalente, um robô novo reduz o emprego em cerca de 3,3 trabalhadores.

Verificamos que a medida de exposição a robôs não se relaciona com tendências passadas de emprego e salários entre 1970 e 1990, período anterior ao início dos avanços rápidos em robótica. Diversas verificações de robustez fortalecem ainda mais a interpretação. Primeiro, os resultados são robustos à inclusão de tendências diferenciais por várias características iniciais, tendências lineares das zonas de deslocamento e controles para outras mudanças que afetam demanda ou produtividade em diversas indústrias. Segundo, mostramos que a indústria automobilística, o setor mais intensivo em robôs, não está conduzindo os resultados. Terceiro, em conformidade com a ênfase teórica de que robôs e, de modo mais geral, tecnologias de automação têm efeitos muito diferentes de outros tipos de maquinário e de aprofundamento geral de capital, não encontramos efeitos negativos sobre emprego e salários de capital, outras tecnologias de TI ou aumentos gerais de produtividade.

Os efeitos dos robôs sobre emprego são mais pronunciados na manufatura, especialmente em indústrias mais expostas a robôs. Também se concentram em ocupações manuais rotineiras, de colarinho azul, de montagem e relacionadas. De acordo com a presença de transbordamentos para não comercializáveis, estimamos efeitos negativos sobre construção, varejo e serviços pessoais.

Além dos artigos já mencionados, este trabalho se relaciona à literatura empírica sobre efeitos da tecnologia na desigualdade salarial, polarização do emprego, emprego agregado, demanda por trabalho entre cidades e organização das firmas e sua demanda por trabalhadores com habilidades diferentes. O trabalho mais próximo é o pioneiro de Graetz e Michaels (2018). Ao focalizar a variação do uso de robôs entre indústrias em diferentes países, Graetz e Michaels estimam que robôs industriais aumentam produtividade e salários, mas reduzem o emprego de trabalhadores pouco qualificados. Embora usemos os mesmos dados da IFR, adotamos estratégia empírica distinta, que permite ir além de comparações entre países e indústrias e explorar mudanças plausivelmente exógenas na disseminação de robôs para estimar o impacto de equilíbrio dos robôs em mercados locais de trabalho.

O restante do artigo organiza-se assim: a Seção II apresenta um modelo simples dos efeitos dos robôs sobre emprego e salários; a Seção III introduz dados e fontes; a Seção IV documenta a correlação entre adoção de robôs e resultados da indústria; a Seção V apresenta as evidências sobre o impacto dos robôs nos mercados locais de trabalho; a Seção VI discute estimativas por variáveis instrumentais e efeitos locais e agregados; e a Seção VII conclui.

II. Robôs, emprego e salários: um modelo

Esta seção apresenta um modelo baseado em Acemoglu e Restrepo (2018c) para expor os efeitos potenciais de robôs sobre emprego e salários e deriva as equações de estimação. Para desenvolver a intuição, começamos com um cenário sem comércio entre zonas de deslocamento.

A. Efeitos dos robôs no equilíbrio de autarquia. A economia consiste em |C| zonas de deslocamento. Cada zona c ∈ C tem preferências definidas sobre um agregado da produção de |I| indústrias. O parâmetro σ > 0 denota a elasticidade de substituição entre bens produzidos por indústrias distintas, e os parâmetros ηᵢ são participações que designam a importância da indústria i no agregado de consumo, com Σᵢ∈ᴵ ηᵢ = 1.

No equilíbrio de autarquia, uma zona de deslocamento consome sua própria produção de cada bem, Xci; portanto, para todo i ∈ I e c ∈ C, Yci = Xci. Os autores escolhem o agregado de consumo de cada zona como numerário — preço normalizado em um — e denotam por Pˣci o preço da produção da indústria i na zona c.

Cada indústria produz combinando capital a um contínuo de tarefas indexadas por s ∈ [0,1], e cada tarefa pode ser produzida com robôs industriais ou trabalho humano. xci(s) é a quantidade da tarefa s utilizada na produção de Xci. Essas tarefas devem ser combinadas em proporções fixas. Kci denota o capital não robótico usado na indústria i; 1 − α representa sua participação no processo de produção; Aci representa a produtividade da indústria i; e α⁻ᵅ(1 − α)⁻⁽¹⁻ᵅ⁾ é uma normalização conveniente. Diferenças em Aci se traduzem em composições industriais distintas do emprego entre zonas de deslocamento.

Robôs industriais substituem trabalhadores em algumas tarefas que eles realizavam antes. Especificamente, na indústria i, as tarefas [0, vᵢ] são tecnologicamente automatizadas e podem ser realizadas por robôs. Supõe-se que todas as zonas de deslocamento têm acesso à mesma tecnologia — o mesmo vᵢ na indústria i. Denotando por γᴸ a produtividade do trabalho e por γᴹ > 0 a produtividade dos robôs, a quantidade da tarefa é γᴹMci(s) + γᴸLci(s) quando s ≤ vᵢ e γᴸLci(s) quando s > vᵢ; Lci(s) e Mci(s) representam, respectivamente, os números de trabalhadores e robôs utilizados na tarefa s. Como as tarefas acima de vᵢ ainda não foram tecnologicamente automatizadas, precisam ser realizadas por trabalho.

Em cada zona c, o trabalho é ofertado por uma família representativa, cuja utilidade depende de consumo Cc e oferta de trabalho Lc. A restrição orçamentária é Cc ≤ WcLc + Pc, em que Pc é renda não laboral — de capital e lucros. Nessa especificação, ω determina a elasticidade-renda da oferta de trabalho e ε é o inverso da elasticidade salarial da oferta de trabalho.

Robôs são produzidos com investimento, em unidades do bem final, Ic, e sua função de produção é Mc = D(1 + h)Iᶜ¹⁄⁽¹⁺ʰ⁾; possuem preço de aluguel Rᴹc. Com h > 0, a oferta de serviços robóticos para uma zona de deslocamento é ascendente. Isso é razoável no médio prazo, porque cerca de dois terços dos custos de robôs correspondem a serviços fornecidos por integradores locais especializados, que instalam, programam e fazem manutenção desses equipamentos. No modelo de autarquia, a oferta de capital na zona c é fixa, K̄c, e seu preço é Rᴷc. Um equilíbrio é um conjunto de preços e quantidades tal que firmas maximizam lucros, famílias maximizam utilidade e os mercados de capital, trabalho, robôs e bens finais se equilibram.

O apêndice prova que existe um equilíbrio único. Para analisar o impacto de equilíbrio dos robôs, definimos primeiro a economia de custo por usar robôs na zona de deslocamento c como pᶜ = 1 − (γᴸRᴹc)/(γᴹWc). Robôs não serão adotados quando pᶜ < 0. No que segue, o artigo se concentra no caso em que pᶜ > 0 em todas as zonas. A Proposição 1 caracteriza o impacto de equilíbrio parcial de um avanço na tecnologia de automação/robótica para a indústria i, dvi. A expressão estabelece que a variação de ln Lci depende negativamente de dvi/(1 − vi), mais variações de produção Yc e de preço de produto Pˣci; Lci denota o emprego da indústria i na zona c. A prova, como a das demais proposições desta seção, está no apêndice.

A equação destaca três forças distintas que moldam a demanda de trabalho da indústria i, representada por Lci. Primeiro, há efeito de deslocamento negativo: aumento de vi leva ao uso de robôs em tarefas que de outro modo seriam realizadas por trabalho, deslocando trabalhadores empregados nessas tarefas. Esse efeito sempre reduz a participação do trabalho na indústria que passa por automação e também pode reduzir sua demanda total por trabalho. Porém, por causa do efeito de produtividade positivo, representado pelo segundo termo, a demanda por trabalho não necessariamente cai após avanços de automação. Intuitivamente, a automação reduz o custo de produção — aumentando a produtividade — e por esse canal eleva a demanda por trabalho em tarefas não automatizadas de todas as indústrias. Por fim, há um efeito de composição, no terceiro termo: indústrias submetidas à automação expandem-se às custas de outras, o que eleva a demanda por trabalho oriunda de suas tarefas não automatizadas.

É possível agregar as implicações da Proposição 1 no nível da indústria para derivar os efeitos dos robôs sobre a demanda local por trabalho. Nessa agregação, ℓci representa a participação da indústria i no emprego total da zona c e xci representa a participação dessa indústria no valor adicionado da economia local. Os dois primeiros termos são análogos diretos dos efeitos de deslocamento e produtividade da equação da indústria. O terceiro mostra que o impacto do efeito de composição sobre a demanda de trabalho depende de a automação realocar produção para setores mais intensivos em trabalho do que a média — aqueles em que ℓci > xci. O efeito desaparece quando todas as indústrias possuem a mesma participação do trabalho.

Essa caracterização é de equilíbrio parcial. A Proposição 2 liga mudanças de preços e produção total às tecnologias de automação, derivando assim o impacto de equilíbrio geral. Sob pᶜ > 0 para todas as zonas e vi = 0 para todas as indústrias, as variações de emprego e salários dependem da medida Σᵢ∈ᴵ ℓci[dvi/(1−vi)](γᴸ/γᴹ), que forma a base da medida de exposição a robôs. O coeficiente dessa variável, em ambas as equações, tem três termos distintos: o primeiro, −ζdisp, representa o efeito de deslocamento; o segundo, ζprod, o efeito de produtividade gerado pelas economias de custo pᶜ; e o terceiro incorpora o efeito-renda negativo da automação sobre a oferta de trabalho. Quando as economias de custo são limitadas, a automação reduz emprego e salários; quando pᶜ é grande, a automação os eleva. A hipótese vi = 0 simplifica as expressões ao remover o efeito de composição; o apêndice mostra que os efeitos econômicos são semelhantes quando ela é relaxada.

Os impactos dos robôs destacados pela Proposição 2 são muito diferentes dos efeitos de aprofundamento geral de capital — aumento da oferta Kc — ou de mudanças tecnológicas que elevam produtividade dos robôs, γᴹ, ou produtividade da indústria, Aci. Aprofundamento de capital, maior produtividade de robôs e aumentos da produtividade industrial não deslocam trabalhadores das tarefas que executam e sempre aumentam salários e emprego. Essa observação esclarece que o efeito de deslocamento criado pela automação é responsável por seu impacto potencialmente negativo sobre a demanda de trabalho.

B. Efeitos dos robôs quando zonas de deslocamento comercializam. O modelo de autarquia ilustra de modo transparente os efeitos de deslocamento e produtividade da automação, mas ignora como suas consequências econômicas podem transbordar entre mercados locais de trabalho. O comércio de bens e serviços altera a sensibilidade de emprego e salários à adoção de robôs e suas implicações agregadas. O artigo passa então a incorporar automação/robôs a um modelo simples de comércio entre zonas de deslocamento, baseado em Armington (1969) e Anderson (1979).

O modelo é modificado de duas maneiras. Primeiro, a utilidade da família representativa passa a depender de um bem comercializável, Cc, e de um bem não comercializável — de serviços —, Sc. Essa especificação implica que uma parcela constante φ ∈ (0,1) dos gastos vai para o bem comercializável. Supõe-se que o bem não comercializável seja produzido com trabalho, Sc = Lˢc, e Pc é seu preço na zona de deslocamento c. O trabalho restante, Lc − Lˢc, é empregado na produção de bens comercializáveis.

A segunda modificação é supor que o bem comercializável seja produzido como no modelo anterior, mas agora com insumos provenientes de todas as zonas de deslocamento. λ é a elasticidade de substituição entre variedades provenientes de zonas diferentes, e os parâmetros de participação ψsi indicam a desejabilidade de variedades de fontes distintas. Supomos que não há custos de comércio: o preço do bem comercializável se iguala entre zonas e é escolhido como numerário. Se Xcdi é a quantidade do bem i exportada da zona c para o destino d, inclusive d = c, o equilíbrio de mercado exige Xci = Σd∈C Xcdi para toda zona c e toda indústria i.

Também supomos que o estoque inicial de capital da economia, K, é perfeitamente móvel entre zonas de deslocamento. A restrição orçamentária das famílias passa a ser Cc + PcSc ≤ WcLc + χPcP, em que P é a renda nacional não laboral e uma parcela χPc dessa renda é alocada à zona c, com Σc∈C χPc = 1. A Proposição 3 apresenta o resultado central e é paralela à Proposição 2. Sob pᶜ = p₀ para todas as zonas e vi = 0 para todas as indústrias, as variações de emprego e salários locais dependem da exposição da zona a robôs, da variação da renda nacional, da variação de preços e da renda não laboral, por coeficientes que são funções dos parâmetros subjacentes.

Como antes, os coeficientes resumem o impacto local de robôs sobre emprego e salários. O comércio entre zonas implica que ganhos de produtividade e mudanças de preços em uma área são compartilhados com as outras. Transbordamentos de produtividade, gerados pela variação da renda nacional, são capturados pelos termos ζY; transbordamentos de mudanças de preços, pelos termos ζprice; e os termos ζ*P representam efeitos de renda e demanda por não comercializáveis resultantes da renda não laboral. Esses efeitos de equilíbrio geral não dependem da exposição a robôs na própria zona de deslocamento. Por isso, obtemos a mesma relação de forma reduzida entre robôs e demanda local por trabalho que no modelo de autarquia. Os efeitos agregados, contudo, dependem da extensão do comércio entre zonas, devido aos termos adicionais de transbordamento e porque os coeficientes desta proposição diferem de seus equivalentes de autarquia. A avaliação quantitativa leva essas diferenças em conta.

C. Especificação empírica. As Proposições 2 e 3 resumem os efeitos de avanços em tecnologia robótica sobre emprego e salários locais. As equações-chave mostram que o impacto de equilíbrio dos robôs depende do mesmo objeto, chamado de exposição americana da zona de deslocamento a robôs: exposição US a robôsᶜ = Σᵢ∈ᴵ ℓci × APRᵢ, em que ℓci é a participação inicial no emprego da indústria i na zona c. APRᵢ é a penetração ajustada de robôs na indústria i nos Estados Unidos, definida por (dvi/(1−vi))(γᴸ/γᴹ) = (dMi/Li) − (dYi/Yi)(Mi/Li). Assim, exposição a robôs é medida no estilo Bartik, combinando variação no nível da indústria no uso de robôs e participações iniciais de emprego. O modelo implica forma específica para essa relação, incluindo ajuste pela expansão geral da produção de cada indústria, dado pelo último termo de APRᵢ.

Com essa medida, podemos estimar ΔlnLc = βᴸ × exposição US a robôsᶜ + εᴸc e ΔlnWc = βᵂ × exposição US a robôsᶜ + εᵂc, independentemente de haver comércio entre zonas — embora os coeficientes βᴸ e βᵂ tenham interpretações diferentes nos dois casos. εᴸc e εᵂc representam outros fatores que afetam oferta e demanda de trabalho e, no trabalho empírico, são modelados como funções de diversas características iniciais e mudanças econômicas observadas.

Os modelos podem ser estimados por mínimos quadrados ordinários com a variável de exposição americana calculada a partir de dados dos Estados Unidos sobre a penetração ajustada de robôs. Há, contudo, duas razões relacionadas pelas quais a exposição americana a robôs pode estar correlacionada aos termos de erro, levando a estimativas enviesadas. Primeiro, algumas indústrias podem adotar robôs em resposta a outras mudanças pelas quais passam, que podem afetar diretamente sua demanda por trabalho. Segundo, qualquer choque de demanda de trabalho em uma zona de deslocamento afeta decisões de empresas locais, inclusive a adoção de robôs. O exemplo do primeiro problema seria a indústria automobilística americana adotar mais robôs devido a maior pressão salarial de sindicatos; o do segundo, uma recessão local em Detroit que afete a indústria automobilística, muito presente ali.

III. Dados

Nesta seção, descrevemos as principais fontes de dados.

A. Robôs. Os dados principais são contagens do estoque de robôs por indústria, país e ano, da Federação Internacional de Robótica (IFR). Os dados se baseiam em pesquisas anuais com fornecedores de robôs e cobrem 50 países entre 1993 e 2014, correspondendo a cerca de 90% do mercado de robôs industriais. Contudo, o estoque de robôs industriais por indústria desde a década de 1990 está disponível apenas para Dinamarca, Finlândia, França, Alemanha, Itália, Noruega, Espanha, Suécia e Reino Unido, que juntos correspondem a 41% do mercado mundial de robôs industriais.

Fora da manufatura, há dados de uso de robôs em seis indústrias amplas: agricultura, silvicultura e pesca; mineração; serviços públicos; construção; educação, pesquisa e desenvolvimento; e serviços. Dentro da manufatura, há dados para 13 indústrias mais desagregadas: alimentos e bebidas; têxteis — incluindo vestuário —; madeira e móveis; papel e impressão; plásticos e químicos; minerais; metais básicos; produtos de metal; máquinas industriais; eletrônicos; automotiva; construção naval e aeroespacial; e manufatura diversa — como joias e brinquedos. Usamos essa classificação por todo o artigo e a chamamos de “indústrias IFR”.

A Figura 1 e a Tabela A1 mostram a evolução dos estoques de robôs para diferentes grupos de países europeus e para os Estados Unidos. A figura separa Alemanha; Estados Unidos; a média de Dinamarca, Finlândia, França, Itália e Suécia; e a média de Noruega, Espanha e Reino Unido. As tendências de Dinamarca, Finlândia, França, Alemanha, Itália e Suécia são particularmente interessantes porque esses países estão tecnologicamente mais avançados que os Estados Unidos em robótica. O uso americano de robôs começa perto de 0,4 robô por mil trabalhadores no início da década de 1990, sobe a 0,7 em 2000 e então cresce rapidamente para 1,4 no fim dos anos 2000. A evolução acompanha de perto a média de Dinamarca, Finlândia, França, Itália e Suécia, embora seu nível seja cerca de 20% menor.

Os dados IFR têm limitações relevantes. Primeiro, nem todos os robôs são classificados em uma das 19 indústrias IFR: cerca de 30% não são classificados, percentual que caiu durante a amostra. Alocamos esses robôs não classificados às indústrias nas mesmas proporções dos dados classificados. Segundo, embora a IFR informe o estoque total de robôs industriais nos Estados Unidos desde 1993, não oferece divisão por indústria antes de 2004. Isso não afeta a medida de exposição a robôs calculada com dados europeus; a Seção VI.A descreve como usamos dados americanos na estratégia de variáveis instrumentais. Por fim, a IFR informa apenas o estoque global de robôs da América do Norte. Embora essa agregação introduza ruído nas medidas de exposição americana, não é preocupação importante, porque os Estados Unidos representam mais de 90% do mercado norte-americano e o procedimento de VI remove esse erro de mensuração da exposição americana.

Combinamos os dados IFR com contagens de emprego e produção por país e indústria das contas de Crescimento e Produtividade EU KLEMS, o que permite medir a penetração ajustada de robôs, APRᵢ e APRᵢˢ, para diferentes períodos. Conforme a equação (12), a medida-base da penetração ajustada entre as datas t₀ e t₁ é a média, nos países europeus, da variação no número de robôs da indústria i por trabalhador equivalente dos Estados Unidos em 1990, menos a taxa de crescimento da produção da indústria multiplicada pelo estoque inicial de robôs por trabalhador. Nos modelos de diferenças longas, usamos t₀ = 1993 e t₁ = 2007, embora também apresentemos modelos para outros períodos.

Na medida-base, usamos a penetração média do EURO5 — Dinamarca, Finlândia, França, Itália e Suécia —, países à frente dos Estados Unidos em robótica, excluindo Alemanha. Focar países à frente dos Estados Unidos ajuda a isolar a variação que vem de avanços tecnológicos globais, e não de fatores americanos idiossincráticos. Excluímos Alemanha porque, como mostra a Figura 1, ela está tão à frente dos outros países que suas tendências de adoção talvez sejam menos relevantes para padrões americanos do que as do EURO5. O apêndice apresenta versões dos resultados principais com outras construções de APRᵢ: todos os países europeus; Alemanha e EURO5; o aumento observado da densidade de robôs sem o ajuste de expansão da produção; e uma medida complementar.

Para identificar o componente da penetração de robôs movido por melhorias tecnológicas exógenas, instrumentamos a exposição americana a robôs por uma medida análoga construída a partir da penetração de robôs em países europeus à frente dos Estados Unidos em tecnologia robótica. A exposição a robôs da zona c é Σᵢ∈ᴵℓci × APRᵢ, em que APRᵢ representa a penetração ajustada calculada com os países europeus.

B. Outras tendências industriais. Para documentar que avanços em robótica não são apenas outras tendências setoriais, os autores usam dados adicionais: competição de importações da China e do México; terceirização internacional; declínio de tarefas rotineiras; investimentos em capital de tecnologia da informação; aprofundamento geral de capital; produtividade; participação do trabalho; e valor adicionado. A evidência no nível da indústria mostra que indústrias que adotam mais robôs não são as que sofreram competição de importações chinesas ou mexicanas, terceirização, ou crescimento rápido de capital total ou de TI. Adoção robótica está, porém, associada a menor participação do trabalho e menor emprego e a maior produção, valor adicionado e produtividade do trabalho.

C. Dados de zonas de deslocamento e exposição a robôs. A análise principal concentra-se nas 722 zonas de deslocamento que cobrem o território continental dos Estados Unidos. Conforme as equações (11) e (14), a exposição americana a robôs na zona c entre t₀ e t₁ é Σᵢ∈ᴵ ℓci¹⁹⁹⁰ × APRᵢ(t₀,t₁), em que ℓci¹⁹⁹⁰ é a participação da indústria i no emprego total da zona c e APRᵢ é definido na equação (16). A exposição instrumental a robôs é definida de modo análogo, explorando variação na adoção industrial nos países EURO5: Σᵢ∈ᴵ ℓci¹⁹⁷⁰ × APRᵢ(t₀,t₁). Usamos participações de emprego de 1970 como base para focalizar diferenças históricas e persistentes na especialização industrial das zonas de deslocamento, anteriores à tecnologia robótica. Isso evita correlação mecânica devida à adoção de robôs antes dos anos 1990 ou reversão à média ligada a mudanças temporárias no emprego industrial na década de 1980. Mesmo nos subperíodos, mantemos constantes as participações iniciais de emprego para evitar mudanças endógenas e serialmente correlacionadas na variável de exposição.

Usamos microdados públicos dos censos de 1970, 1990 e 2000 e da American Community Survey (ACS) para construir, por zona de deslocamento, medidas de população, emprego, emprego por indústria e ocupação e demografia. Para aumentar a amostra, seguindo Autor, Dorn e Hanson (2013), os resultados de 2007 são medidos pela ACS de 2006–08, e os de 2014 pela ACS de 2012–16. Censo e ACS também permitem calcular salários horários e semanais médios dentro de 250 células demográficas × zona de deslocamento, corrigindo mudanças nas características observadas de trabalhadores empregados. As células são definidas por gênero; educação — menos que ensino médio, ensino médio, algum ensino superior, diploma universitário ou profissional, e mestrado/doutorado —; faixas de idade de dez anos — 16–25, 25–35, 36–45, 46–55, 56–65 e mais de 65 —; e raça. Observações de renda salarial no topo são fixadas em 1,5 vez o valor do teto; os salários também são winsorizados em US$ 2 por hora, como em Acemoglu e Autor (2011).

Usamos ainda dados no nível de condado — novamente agregados às zonas de deslocamento — sobre contagens de emprego do County Business Patterns para 1990, 2000 e 2007; renda salarial e não salarial do Bureau of Economic Analysis; e renda salarial e fluxos de migração do Internal Revenue Service. Para controlar mudanças potencialmente confundidoras em padrões de comércio e outras mudanças tecnológicas, usamos exposição a importações chinesas de Autor, Dorn e Hanson (2013) e a fração do emprego local em ocupações rotineiras. Para separar efeitos de robôs de acumulação de capital, investimentos em TI e outras tecnologias que elevam produtividade, construímos medidas Bartik para aumentos de estoque de capital, capital de TI e valor adicionado nas 19 indústrias IFR. Por fim, usamos os dados de Leigh e Kraft (2018), que extraíram da web localização e emprego de integradores de robôs — empresas que instalam, programam e mantêm robôs — para estimar atividade de integradores em cada zona de deslocamento.

IV. Correlações industriais

Começamos documentando tendências industriais. A Figura 2 apresenta a relação entre a penetração ajustada de robôs no EURO5 entre 1993 e 2007 e a penetração ajustada nos Estados Unidos entre 2004 e 2007, reescalada para uma mudança equivalente a 14 anos. Ambas são expressas em robôs por mil trabalhadores na indústria. Coerentemente com a ideia de que tendências industriais americanas em robótica são impulsionadas por melhorias tecnológicas, há correlação positiva entre adoção de robôs no EURO5 e nos Estados Unidos. A figura também revela heterogeneidade importante: automotiva, plásticos e químicos e produtos de metal registram aumentos superiores a 7,5 robôs por mil trabalhadores; papel e impressão, têxteis, madeira e móveis tiveram aumentos modestos na Europa e nos Estados Unidos.

V. Efeito dos robôs entre zonas de deslocamento

Nesta seção, descrevemos a medida de exposição a robôs e documentamos sua variação. Em seguida, apresentamos resultados de forma reduzida para emprego e salários, investigamos sua robustez e exploramos efeitos heterogêneos de robôs entre indústrias, ocupações, gênero e grupos de habilidade. As estimativas por variáveis instrumentais e suas implicações quantitativas aparecem na próxima seção.

A. Exposição a robôs e atividades relacionadas a robôs. Focalizamos a medida de exposição definida na equação (18), construída com dados europeus de penetração de robôs por indústria, e a usamos como instrumento para identificar os efeitos da disseminação de robôs nos mercados de trabalho americanos. Dentro da manufatura, as indústrias que adotaram mais robôs nos Estados Unidos e no EURO5 — automotiva, plásticos e químicos e produtos de metal — registraram o crescimento mais rápido de valor adicionado entre 1992 e 2007, de 2% a 4% ao ano. Em contraste, indústrias leves — têxteis, papel e impressão — adotaram poucos robôs e tiveram quedas absolutas de valor adicionado. A Tabela A7 também documenta efeito positivo significativo de robôs sobre produtividade do trabalho.

A Figura 4 apresenta a distribuição geográfica da exposição a robôs entre 1993 e 2007. Em muitas partes dos Estados Unidos, o aumento é pequeno, cerca de 0,27–0,67 robô por mil trabalhadores. Em outras, incluindo partes de Kentucky, Louisiana, Missouri, Tennessee, Texas, Virgínia e Virgínia Ocidental, a exposição varia entre dois e cinco robôs por mil trabalhadores. De forma mais marcante, em partes do rust belt e do Texas, a penetração aumenta de cinco a dez por mil trabalhadores. Como a Figura 2 mostrou penetração maior de robôs na indústria automobilística que nos outros setores, a Figura 4B verifica que, mesmo excluindo essa indústria, ainda há variação geográfica considerável na exposição.

Zonas de deslocamento com alta exposição a robôs estão adotando mais robôs industriais, como o modelo prevê? Embora não haja dados de adoção de robôs no nível da zona, a Figura 5 apresenta evidência de atividades relacionadas a robôs mais intensas em zonas expostas, usando os dados de integradores de Leigh e Kraft (2018). Ela exibe o gráfico de resíduos da regressão do logaritmo de um mais o número de integradores da zona sobre a exposição a robôs, retirando as covariáveis da especificação principal da coluna 4 da Tabela 2. A linha tracejada é a relação depois de excluir o 1% de zonas com maior exposição. Nos dois casos, observa-se associação positiva entre exposição e número de integradores; a Tabela A8 mostra que a relação é robusta a especificações alternativas e a modos diferentes de medir a atividade de integradores.

Nota. O Painel A apresenta estimativas de diferenças longas da variação da razão emprego-população; o Painel B, da variação do logaritmo do salário horário. As especificações de salários são estimadas no nível célula demográfica × zona de deslocamento, com células definidas por idade, gênero, educação e raça. As colunas 1–5 usam pesos de população de 1990; a coluna 5 exclui o 1% de zonas com maior exposição; a 6 não tem peso. A coluna 1 inclui somente indicadores de divisão censitária; a 2 adiciona características demográficas de 1990; a 3 adiciona participações de emprego em manufatura e manufatura leve e participação feminina na manufatura; as colunas 4–6 acrescentam exposição a importações chinesas e participação de empregos rotineiros. Erros-padrão robustos a heterocedasticidade e correlação dentro dos estados estão entre parênteses.

B. Resultados de forma reduzida para emprego e salários. A Tabela A9 oferece primeira visão de como zonas com alta e baixa exposição diferem nas características do mercado de trabalho. As colunas 2–5 apresentam médias de resultados e covariáveis por quartis de exposição; as colunas 6–7, correlações dessas variáveis com a exposição. Três padrões são particularmente notáveis. Primeiro, somente três covariáveis mostram diferenças significativas entre zonas de alta e baixa exposição: participação do emprego manufatureiro, participação de manufatura leve e participação feminina no emprego manufatureiro; controlamos essas variáveis na especificação-base. Segundo, entre zonas em diferentes quartis de exposição há apenas diferenças muito pequenas nos níveis iniciais das duas variáveis principais — salários horários em 1990 e razão privada emprego-população em 1990, que se concentra em assalariados do setor privado e exclui emprego público e trabalho autônomo. Por fim, e de forma mais notável, de 1990 a 2007, zonas mais expostas experimentaram tendências de mercado de trabalho mais negativas.

Para explorar esses padrões, estimamos especificações de forma reduzida semelhantes à equação (13), regredindo mudanças nos resultados principais do mercado de trabalho sobre exposição a robôs. A hipótese de identificação é que não existam choques ou tendências diferenciais afetando mercados de trabalho com maior exposição a robôs — com base na composição industrial inicial e em tendências europeias de adoção — em relação aos de menor exposição. A Seção V.D discute ameaças à validade dessa hipótese.

A Tabela 2 apresenta resultados de diferenças longas para 1990–2007: mudanças nas medidas de emprego e salários entre 1990 e 2007 são regredidas na exposição a robôs do mesmo período. A amostra termina em 2007 para evitar os efeitos potencialmente confundidores da Grande Recessão; o apêndice apresenta janela mais longa e períodos mais recentes. A tabela se concentra na razão privada emprego-população no Painel A e no logaritmo de salários horários no Painel B. As especificações-base recebem pesos da população de 1990 e usam erros-padrão robustos a heterocedasticidade arbitrária e à correlação espacial dentro de estados.

A coluna 1 inclui somente indicadores de divisão censitária. No Painel A, há relação negativa forte entre exposição a robôs e mudanças de emprego da zona, com coeficiente de −0,44 e erro-padrão de 0,09. A estimativa implica que aumento de um robô por mil trabalhadores na exposição se associa a queda relativa de 0,44 ponto percentual na razão privada emprego-população. A coluna 2 controla características demográficas de 1990 — logaritmo da população; participação de mulheres; participação de maiores de 65 anos; participações de sem ensino superior, algum ensino superior, diploma universitário ou profissional, e mestrado/doutorado; e participações de brancos, negros, hispânicos e asiáticos —, permitindo tendências diferenciais por demografia inicial. Isso reduz levemente o efeito estimado para −0,41.

A coluna 3 controla as participações iniciais de emprego em manufatura e manufatura leve e a participação feminina no emprego manufatureiro. Esses controles permitem tendências diferenciais pela estrutura industrial inicial e garantem que a variável de exposição não seja proxy para outras tendências do emprego manufatureiro. Têm efeito pequeno sobre o coeficiente, que fica em −0,43 e é estimado com mais precisão, erro-padrão 0,06. A coluna 4 controla outras mudanças que afetaram resultados do mercado de trabalho: importações chinesas entre 1990 e 2007 e declínio de ocupações rotineiras, aproximado pelas participações iniciais dessas ocupações no emprego. Coerentemente com a falta de correlação dessas medidas com exposição a robôs mostrada na Tabela A9, os controles não afetam as estimativas: a estimativa pontual permanece em −0,45, com erro-padrão 0,06.

A Figura 6 traz o gráfico de regressão residual da especificação da coluna 4 do Painel A. Há várias zonas de deslocamento com exposição muito grande. A coluna 5 estima a especificação da coluna 4 excluindo o 1% de zonas com maior exposição — listadas na nota 16 — e demonstra que elas não conduzem as estimativas negativas: o coeficiente do Painel A aumenta para −0,57, com erro-padrão 0,14. A coluna 6 mostra que os resultados são semelhantes em regressões sem peso: na mesma especificação da coluna 4, o coeficiente é −0,51, com erro-padrão 0,12.

O Painel B da Tabela 2 apresenta resultados para o logaritmo dos salários horários. Como salários estão disponíveis somente para trabalhadores empregados, e o Painel A indica que emprego cai nas zonas mais expostas, apresentamos estimativas ajustadas a mudanças na composição dos assalariados. Especificamente, usamos como variável dependente a mudança no logaritmo médio do salário entre 1990 e 2007 para cada uma das 250 células demográficas de uma zona de deslocamento. Como há múltiplas observações para cada zona — uma por grupo demográfico — ponderamos cada observação pelo tamanho do grupo demográfico na zona em 1990. As estimativas mostram que maior exposição a robôs reduz salários. Na coluna 4, com as covariáveis-base, o coeficiente é −0,88, com erro-padrão 0,13: aumento de um robô por mil trabalhadores na medida de exposição leva a salários horários 0,87% menores. A Figura 6 também fornece o gráfico de regressão residual dessa especificação.

Em seguida, passamos aos modelos de diferenças empilhadas, que exploram variação em dois períodos: 1990–2000 e 2000–2007 — o primeiro convertido a variação equivalente de sete anos para consistência. Nessa situação, os erros-padrão são robustos à heterocedasticidade e à correlação serial e espacial dentro dos estados. A Tabela 3 apresenta os resultados: Painel A para emprego e Painel B para logaritmo de salários horários. As colunas 1–6 têm a mesma estrutura da Tabela 2. Em ambos os painéis, as estimativas são mais negativas que antes e permanecem precisas. Na coluna 4 do Painel A, por exemplo, o coeficiente de interesse é −0,55, com erro-padrão 0,05; no Painel B, o coeficiente do logaritmo dos salários horários é −1,4, com erro-padrão 0,18. As Figuras 6C e 6D ilustram as estimativas empilhadas, marcando separadamente observações dos dois períodos e mostrando que a relação negativa está presente nos dois.

Nota. O Painel A mostra estimativas empilhadas para a mudança na razão emprego-população nos dois períodos; o Painel B, mudanças no logaritmo do salário horário. No Painel B, as especificações são estimadas no nível célula demográfica × zona de deslocamento. Colunas 1–5 e 7 usam pesos da população de 1990; a 5 exclui o 1% com maior exposição; as 6 e 8 são sem peso. As colunas 7 e 8 incluem conjunto completo de efeitos fixos de zona de deslocamento. Erros-padrão robustos a heterocedasticidade e correlação dentro de estados aparecem entre parênteses.

O modelo de diferenças empilhadas se concentra nas mudanças diferenciais de exposição a robôs entre os dois períodos e permite controlar tendências lineares das zonas de deslocamento. Embora seja exigente e explore fonte de variação distinta das diferenças longas, estima impacto negativo semelhante da exposição sobre emprego e salários. Na coluna 7, por exemplo, as estimativas para emprego e salários são, respectivamente, −0,5, com erro-padrão 0,08, e −1,6, com erro-padrão 0,27. Essas conclusões aumentam a confiança de que zonas expostas não estão apenas em tendência diferencial alheia aos avanços de robótica. Estimamos também efeitos negativos de exposição para todo o período 1990–2014 e para 2000–2007 e 2000–2014, na Tabela A13.

C. Outros resultados do mercado de trabalho. No apêndice, investigamos efeitos da exposição sobre vários outros resultados. A Tabela A14 mostra efeitos negativos robustos sobre emprego na manufatura, relevante porque robôs são adotados principalmente na manufatura e substituem diretamente trabalhadores de produção dessa indústria. As Tabelas A15 e A16 analisam medidas alternativas de emprego e salários: razão privada emprego-população incluindo trabalho autônomo; razão total incluindo emprego público e autônomo; contagens de emprego do County Business Patterns divididas pela população; logaritmo do emprego; logaritmo de salários semanais e anuais; e logaritmo da massa salarial do CBP. Os resultados são amplamente semelhantes às estimativas-base, tanto em diferenças longas quanto empilhadas.

A Tabela A15 também explora as implicações para não emprego, examinando as margens de participação e desemprego. Estimamos impacto positivo da exposição a robôs sobre taxas de não participação e desemprego. Quantitativamente, as estimativas implicam que cerca de três quartos dos novos não empregados saem da força de trabalho, enquanto um quarto permanece desempregado. Coerentemente com o aumento da não participação, a Tabela A17 também estima uso maior de aposentadoria e benefícios por incapacidade da Administração da Seguridade Social e de outras transferências governamentais.

A Tabela A18 aborda a resposta da migração. Algumas estimativas mostram impacto negativo sobre população e migração líquida, calculada com dados do IRS, embora esses efeitos não sejam consistentes entre especificações nem estimados com precisão. Em termos quantitativos, as respostas migratórias têm cerca de um quarto da dimensão das respostas de emprego. Por exemplo, usando a especificação de diferenças empilhadas da coluna 4 da Tabela 3 e comparando-a à especificação equivalente da coluna 4 da Tabela A18, aumento de um robô por mil trabalhadores reduz o emprego total em 2%; 0,5% se explica pela queda da população e 1,5% pela queda da razão emprego-população. Em consonância com transbordamentos para o setor não comercializável reportados na Seção V.G, a Tabela A18 também documenta queda de preços de imóveis e aluguéis em zonas expostas.

Por fim, usamos dados do BEA e do IRS para estimar separadamente os efeitos de robôs sobre renda salarial e não salarial. As estimativas da Tabela A19 mostram efeitos negativos grandes e precisos sobre renda salarial e nenhum impacto significativo sobre renda não salarial. Esse último resultado é coerente com a ideia de que proprietários de integradores de robôs e de firmas que introduzem tecnologia robótica não estão necessariamente localizados nas zonas de deslocamento expostas.

D. Ameaças à validade. Há duas ameaças principais à hipótese de identificação. Primeiro, indústrias que vêm adotando mais robôs nas duas últimas décadas, nos Estados Unidos e na Europa, podem estar em tendência de queda por demanda decrescente, competição internacional, outras mudanças tecnológicas ou deterioração das relações de trabalho. Segundo, zonas de deslocamento que abrigam essas indústrias podem ser atingidas por outros choques negativos. Em qualquer caso, as estimativas poderiam confundir o impacto dos robôs com tendências preexistentes de indústrias e zonas. Uma terceira ameaça — adoção de robôs correlacionada a outras mudanças tecnológicas simultâneas — é discutida na subseção seguinte.

A análise da Seção IV, que demonstra que a penetração de robôs no EURO5 não se correlaciona com pré-tendências industriais nem com outras fontes importantes de mudança na demanda de trabalho, é tranquilizadora para a primeira ameaça. Além disso, o fato de o valor adicionado ter se expandido nas indústrias de maior penetração de robôs sugere que a medida não se correlaciona a choques negativos de demanda setorial. Quanto à segunda ameaça, a análise de diferenças empilhadas, que controlou tendências de zonas de deslocamento, já estabeleceu que tendências lineares locais não explicam as estimativas. Ainda assim, investigamos os problemas diretamente, verificando pré-tendências e controlando outras tendências industriais e locais.

O Painel A da Tabela 4 mostra que não há pré-tendências significativas. Especificamente, estimamos a relação entre exposição a robôs e mudanças na razão emprego-população — colunas 1–4 — e no logaritmo do salário horário — colunas 5–8 — entre 1970 e 1990. A especificação-base, colunas 2 e 6, não mostra associação quantitativa ou estatisticamente significativa entre exposição a robôs e mudanças pré-1990 de emprego ou salários. O quadro é semelhante quando excluímos zonas altamente expostas, nas colunas 3 e 7, ou quando usamos especificações sem peso, nas colunas 4 e 8. A Figura 7 resume os resultados com gráficos de resíduos de emprego e salários.

As colunas 1–4 reportam razão emprego-população; as 5–8, logaritmo de salário horário. Nas colunas de cada resultado, as especificações incluem controles e pesos descritos nas notas da Tabela 2; as estimativas de pré-tendências não são estatisticamente significativas na especificação-base.

C. Especificação empírica

As Proposições 2 e 3 resumem os efeitos dos avanços da tecnologia robótica sobre emprego e salários locais. As equações-chave, (9) e (10), mostram que o impacto de equilíbrio dos robôs depende do mesmo objeto, que chamamos de exposição americana de uma zona de deslocamento a robôs: a soma, sobre as indústrias, da participação inicial do emprego da indústria i na zona c multiplicada pela penetração ajustada de robôs APRᵢ. A participação inicial de emprego da indústria i na zona de deslocamento c é ℓci.

A penetração ajustada de robôs na indústria i, APRᵢ, é definida como (dvi/(1 − vi))(γᴸ/γᴹ) = (dMi/Li) − (dYi/Yi)(Mi/Li). A exposição a robôs é, portanto, uma medida ao estilo Bartik que combina variação no uso de robôs no nível da indústria e participações iniciais de emprego. Nosso modelo implica uma forma específica dessa relação, incluindo ajuste pela expansão geral da produção de cada indústria, expresso pelo último termo.

Com essa medida, estimamos ΔlnLc = βᴸ × exposição americana a robôsᶜ + εᴸc e ΔlnWc = βᵂ × exposição americana a robôsᶜ + εᵂc. Essas equações valem independentemente de haver comércio entre zonas de deslocamento, embora βᴸ e βᵂ tenham interpretações diferentes nos dois casos. Os termos εᴸc e εᵂc representam outros fatores que afetam oferta e demanda de trabalho; no trabalho empírico, nós os modelamos como funções de várias características iniciais e mudanças econômicas observadas.

Os modelos poderiam ser estimados por mínimos quadrados ordinários, usando a exposição americana a robôs calculada com dados dos Estados Unidos. Há, porém, duas razões relacionadas pelas quais essa exposição pode estar correlacionada aos erros εᴸc e εᵂc e gerar estimativas enviesadas. Primeiro, algumas indústrias podem adotar robôs em resposta a outras mudanças que vivenciam e que afetam diretamente sua demanda por trabalho. Segundo, qualquer choque de demanda de trabalho em uma zona de deslocamento afeta as decisões de suas empresas, inclusive a adoção de robôs.

Nota 7. Um exemplo da primeira preocupação seria a indústria automobilística nos Estados Unidos adotar mais robôs por maior pressão salarial de seus sindicatos. Um exemplo da segunda seria uma recessão local em Detroit, Michigan, que afetasse a indústria automobilística, fortemente presente ali.

Idealmente, queremos usar mudanças na penetração de robôs impulsionadas apenas por melhorias exógenas na tecnologia, dvᵢ. Para identificar o componente da penetração de robôs motivado por mudanças tecnológicas, instrumentamos a exposição dos Estados Unidos a robôs com uma medida análoga, construída a partir da penetração de robôs em países europeus que estão à frente dos Estados Unidos em tecnologia robótica. Definimos, assim, a exposição aos robôs da zona de deslocamento c como a soma, sobre as indústrias i, da participação inicial de emprego da zona em cada indústria multiplicada pela penetração ajustada de robôs APRᵢ. A próxima seção descreve e justifica essa escolha em maior detalhe.

III. Dados

Nesta seção, descrevemos nossas principais fontes de dados.

A. Robôs

Nossos dados principais são contagens do estoque de robôs por indústria, país e ano fornecidas pela Federação Internacional de Robótica (IFR). Os dados da IFR são baseados em pesquisas anuais com fornecedores de robôs e cobrem 50 países entre 1993 e 2014, correspondendo a cerca de 90% do mercado de robôs industriais. No entanto, o estoque de robôs industriais por indústria que remonta aos anos 1990 está disponível apenas para Dinamarca, Finlândia, França, Alemanha, Itália, Noruega, Espanha, Suécia e Reino Unido; em conjunto, esses países representam 41% do mercado mundial de robôs industriais.

Fora da manufatura, temos dados sobre o uso de robôs em seis grandes indústrias: agricultura, silvicultura e pesca; mineração; serviços públicos; construção; educação, pesquisa e desenvolvimento; e serviços. Na manufatura, há dados sobre o uso de robôs em mais 13 indústrias desagregadas: alimentos e bebidas; têxteis, inclusive vestuário; madeira e móveis; papel e impressão; plásticos e produtos químicos; minerais; metais básicos; produtos de metal; máquinas industriais; eletrônicos; automotivo; construção naval e aeroespacial; e outras manufaturas, como joias e brinquedos. Usamos essa classificação em todo o artigo e a chamamos de “indústrias IFR”.

A Figura 1 e a Tabela A1 — as Tabelas A1–A34 estão disponíveis on-line — mostram a evolução dos estoques de robôs para diferentes grupos de países europeus e para os Estados Unidos. Na Figura 1, mostramos separadamente a evolução do estoque de robôs na Alemanha, nos Estados Unidos, na média de Dinamarca, Finlândia, França, Itália e Suécia e na média de Noruega, Espanha e Reino Unido. As tendências de Dinamarca, Finlândia, França, Alemanha, Itália e Suécia são particularmente interessantes, pois esses países são tecnologicamente mais avançados que os Estados Unidos em robótica.

Nota 8. Embora a IFR também divulgue dados por indústria para o Japão, esses dados passaram por ampla reclassificação. Seguimos as recomendações da IFR e excluímos o Japão da análise.

Para Dinamarca, Finlândia, França, Itália e Suécia, mostramos a média; para Noruega, Espanha e Reino Unido, mostramos igualmente a média. As tendências de Dinamarca, Finlândia, França, Alemanha, Itália e Suécia são particularmente interessantes, pois esses países são tecnologicamente mais avançados do que os Estados Unidos em robótica. Nota 9.

O uso de robôs nos Estados Unidos começa próximo de 0,4 robô por mil trabalhadores no início dos anos 1990, sobe para 0,7 em 2000 e, depois, cresce rapidamente para 1,4 no final dos anos 2000. Essa evolução acompanha de perto a média de Dinamarca, Finlândia, França, Itália e Suécia, mas seu nível é aproximadamente 20% menor. Nota 10.

Os dados da IFR têm algumas limitações importantes. Primeiro, nem todos os robôs são classificados em uma das 19 indústrias da IFR. Cerca de 30% dos robôs não são classificados, e essa porcentagem caiu ao longo da amostra. Alocamos esses robôs não classificados às indústrias nas mesmas proporções observadas nos dados classificados.

Segundo, embora a IFR informe dados sobre o estoque total de robôs industriais nos Estados Unidos desde 1993, ela não fornece a decomposição por indústria antes de 2004. Isso não afeta a medida de exposição a robôs calculada a partir dos dados europeus; na Seção VI.A descrevemos como usamos os dados americanos em nossa estratégia de variável instrumental.

Por fim, a IFR informa apenas o estoque total de robôs para a América do Norte. Embora essa agregação introduza ruído em nossas medidas de exposição americana a robôs, isso não é uma preocupação central: os Estados Unidos representam mais de 90% do mercado norte-americano e nosso procedimento de variável instrumental elimina esse tipo de erro de mensuração da exposição americana a robôs. Nota 11.

Combinamos os dados da IFR com contagens de emprego e produto por país e indústria provenientes da análise da União Europeia sobre capital, trabalho, energia, materiais e insumos de serviços — a base EU KLEMS Growth and Productivity Accounts (ver Jägger 2016).

Nota 9. Esses países tinham mais robôs do que os Estados Unidos no início da amostra, em 1993, e investiram mais em robôs desde então. Também têm maiores “exportações de robôs”, medidas pelas exportações de bens intermediários ligados à robótica na base Comtrade; ver Acemoglu e Restrepo (2018a). Por exemplo, as exportações de robôs por trabalhador na Itália, França e Dinamarca são de três a quatro vezes maiores que nos Estados Unidos; na Alemanha, Finlândia e Suécia, são mais de seis vezes maiores. Noruega e Reino Unido ficam atrás dos Estados Unidos em todas essas métricas. A Espanha adotou robôs rapidamente na indústria automobilística desde 1993, mas fica atrás ou é comparável aos Estados Unidos em outros setores; suas exportações de robôs estão no mesmo nível das americanas.

Nota 10. Acemoglu e Restrepo (2018a) mostram que fatores demográficos respondem por grande parcela dessa variação entre países e explicam por que os países europeus estão à frente dos Estados Unidos em robótica. A escassez relativa de trabalhadores de meia-idade, isto é, de produção, em países que envelhecem rapidamente — como Alemanha, França, Itália, Japão e Coreia do Sul — incentiva o desenvolvimento e a adoção de tecnologia robótica, que então é exportada para outros países, inclusive os Estados Unidos, onde a mudança demográfica é menos rápida.

Nota 11. Robôs de setores distintos têm capacidades e preços semelhantes. Robôs industriais pertencem a poucos tipos padronizados: robôs articulados, robôs SCARA (selective compliance assembly robot arm), robôs cartesianos e robôs paralelos. De modo consistente, os preços dos robôs são bastante semelhantes entre setores — cerca de US 44 mil a US 88 mil por robô —, e nossos resultados na Tabela 5 sugerem que os efeitos quantitativos dos robôs em diferentes setores são similares. Investigamos mais a fundo o papel dos preços dos robôs nas Tabelas A24 e A25.

A base EU KLEMS Growth and Productivity Accounts permite medir a penetração ajustada de robôs, APRᵢʲ, para diferentes períodos. Seguindo a equação (12), nossa medida-base da penetração ajustada de robôs entre duas datas, t₀ e t₁, é:

APRᵢ,₍ₜ₀,ₜ₁₎ = (1 / 5) × Σⱼ∈EURO5 [ (Mᵢ,ₜ₁ʲ − Mᵢ,ₜ₀ʲ) / Lᵢ,₁₉₉₀ʲ − gᵢ,₍ₜ₀,ₜ₁₎ʲ × Mᵢ,ₜ₀ʲ / Lᵢ,₁₉₉₀ʲ ]. (15)

Nessa expressão, Mᵢ,ₜʲ representa o número de robôs na indústria i do país j no momento t, obtido dos dados da IFR; gᵢ,₍ₜ₀,ₜ₁₎ʲ é a taxa de crescimento do produto da indústria i no país j entre t₀ e t₁, obtida da EU KLEMS; e Lᵢ,₁₉₉₀ʲ é o nível inicial de emprego da indústria i no país j, também da EU KLEMS. Nota 13. Em nossos modelos de diferenças longas, tomamos t₀ = 1993 e t₁ = 2007, embora também apresentemos modelos que focalizam outros períodos.

Para nossa medida-base, usamos a penetração média no EURO5 — Dinamarca, Finlândia, França, Itália e Suécia —, isto é, países que estão à frente dos Estados Unidos em robótica, excluindo a Alemanha. Focar países que estão à frente dos Estados Unidos nos ajuda a isolar a fonte de variação que vem de avanços tecnológicos globais, e não de fatores idiossincráticos americanos. Excluímos a Alemanha da medida-base porque, como mostra a Figura 1, ela está tão à frente dos demais países que suas tendências de adoção podem ser menos relevantes para os padrões americanos do que as tendências do EURO5.

O apêndice apresenta versões dos principais resultados para diferentes construções da medida APRᵢ, incluindo: uma especificação que usa todos os países europeus; outra que usa tanto a Alemanha quanto o EURO5; outra que usa o aumento observado na densidade de robôs sem o termo de ajuste gᵢ,₍ₜ₀,ₜ₁₎ʲ × Mᵢ,ₜ₀ʲ / Lᵢ,₁₉₉₀ʲ; e uma medida complementar em que [continua na página seguinte].

Nota 12. Para obter dados comparáveis, usamos informações sobre horas trabalhadas para chegar a uma contagem, por indústria, de trabalhadores equivalentes aos dos Estados Unidos em 1990. Em seguida, calculamos o número de robôs por indústria, país e ano dividido pelos trabalhadores equivalentes aos dos Estados Unidos em 1990. Como os dados da Noruega não estão disponíveis na EU KLEMS, usamos a distribuição de emprego dos demais países escandinavos da amostra — Dinamarca, Finlândia e Suécia — para imputar a distribuição norueguesa. Também conseguimos compatibilizar a maior parte das indústrias da EU KLEMS com as 19 indústrias da IFR. A exceção é madeira e móveis: o emprego em produtos de mobiliário é agrupado com outras manufaturas. Para resolver esse problema, alocamos 40% do emprego em outras manufaturas ao setor de madeira e móveis, com base nas proporções de emprego americanas nessas indústrias detalhadas, obtidas da base NBER-CES descrita adiante. Por fim, como os dados da IFR para a Dinamarca não são classificados por indústria antes de 1996, construímos estimativas para 1993–95 deflacionando os estoques de 1996 por indústria pelo crescimento total de seu estoque de robôs.

Nota 13. Como havia poucos robôs em 1993, o termo de ajuste gᵢ,₍ₜ₀,ₜ₁₎ʲ × Mᵢ,ₜ₀ʲ / Lᵢ,₁₉₉₀ʲ não é quantitativamente importante: 96% da variação da penetração ajustada de robôs entre indústrias, de 1993 a 2007, é determinada pelo aumento da densidade de robôs — o termo (Mᵢ,ₜ₁ʲ − Mᵢ,ₜ₀ʲ) / Lᵢ,₁₉₉₀ʲ na equação (15). A exceção é a indústria eletrônica, que tinha alto estoque de robôs em 1993 e depois cresceu rapidamente.

Incluímos um ajuste para a variação do preço médio de um robô entre indústrias.

Também medimos a penetração ajustada de robôs nos Estados Unidos como:

APRᵁˢᵢ,₍ₜ₀,ₜ₁₎ = (Mᵁˢᵢ,ₜ₁ − Mᵁˢᵢ,ₜ₀) / Lᵁˢᵢ,₁₉₉₀ − gᵁˢᵢ,₍ₜ₀,ₜ₁₎ × Mᵁˢᵢ,ₜ₀ / Lᵁˢᵢ,₁₉₉₀. (16)

Dada a cobertura dos dados da IFR para as indústrias americanas, essa variável só recua até t₀ = 2004.

B. Dados por indústria

Para explorar os correlatos da adoção de robôs no nível industrial, usamos dados americanos de emprego, massa salarial, valor adicionado e participação do trabalho. Os dados de emprego e massa salarial vêm do County Business Patterns (CBP). Complementamos o CBP com a base NBER-CES, que cobre o setor manufatureiro e informa emprego e massa salarial para todos os trabalhadores e para os trabalhadores de produção; ver Acemoglu et al. (2016).

Também usamos dados de valor adicionado e participações do trabalho das tabelas de insumo-produto do Bureau of Economic Analysis (BEA-IO), além de capital de TI e do estoque total de capital do Bureau of Labor Statistics. Esses dados estão disponíveis para um conjunto detalhado de indústrias, que agregamos às 19 indústrias da IFR. Importações industriais provenientes da China e do México e exportações para Alemanha, Japão e Coreia do Sul são calculadas a partir de dados Comtrade, seguindo Acemoglu et al. (2016). Por fim, usamos a parcela de tarefas de uma indústria que podem ser terceirizadas no exterior — a “terceirizabilidade de tarefas” de Autor e Dorn (2013) — e a parcela de insumos intermediários importados como proxy para offshoring, seguindo Feenstra e Hanson (1999) e Wright (2014).

C. Dados de zonas de deslocamento e exposição a robôs

Em nossa análise principal, focalizamos as 722 zonas de deslocamento que cobrem o território continental dos Estados Unidos, segundo Tolbert e Sizer (1996). Seguindo as equações (11) e (14), medimos a exposição americana a robôs em uma zona de deslocamento como:

Exposição americana a robôsᶜ,₍ₜ₀,ₜ₁₎ = Σᵢ∈ᴵ ℓᶜᵢ,₁₉₉₀ × APRᵢ,₍ₜ₀,ₜ₁₎. (17)

Nessa expressão, ℓᶜᵢ,₁₉₉₀ representa a participação da indústria i no emprego total da zona de deslocamento c, e APRᵢ é definida na equação (16). Definimos analogamente a exposição a robôs, explorando a variação da adoção no nível da indústria nos países do EURO5:

Exposição a robôsᶜ,₍ₜ₀,ₜ₁₎ = Σᵢ∈ᴵ ℓᶜᵢ,₁₉₇₀ × APRᵢ,₍ₜ₀,ₜ₁₎. (18)

Nessa definição, APRᵢ,₍ₜ₀,ₜ₁₎ é dada pela equação (15). Usamos agora as participações de emprego de 1970, ℓᶜᵢ,₁₉₇₀, como base para focalizar diferenças históricas e persistentes na especialização industrial das zonas de deslocamento, anteriores à tecnologia robótica. Essa escolha evita qualquer correlação mecânica decorrente da adoção de robôs antes dos anos 1990 ou da reversão à média associada a mudanças temporárias no emprego industrial nos anos 1980. Vale notar que, mesmo ao considerar mudanças em subperíodos — por exemplo, nos modelos de diferenças empilhadas —, mantemos constantes as participações iniciais de emprego para evitar mudanças endógenas e serialmente correlacionadas na variável de exposição.

Usamos os microdados de uso público dos Censos de 1970, 1990 e 2000 e da American Community Survey (ACS; ver Ruggles et al. 2010) para construir, para cada zona de deslocamento, medidas de população, emprego, emprego por indústria e ocupação e características demográficas. Para aumentar a amostra, seguindo Autor, Dorn e Hanson (2013), medimos os resultados de 2007 com a ACS de 2006–08. De modo semelhante, medimos os resultados de 2014 com a ACS de 2012–16.

Também usamos o Censo e a ACS para calcular salários médios por hora e por semana dentro de 250 células de demografia × zona de deslocamento, corrigindo mudanças nas características observadas dos trabalhadores empregados. As células demográficas são definidas por gênero; escolaridade — menos que ensino médio, diploma de ensino médio, alguma faculdade, diploma universitário ou profissional e mestrado ou doutorado —; faixas etárias de dez anos — 16–25, 25–35, 36–45, 46–55, 56–65 e mais de 65 —; e raça. Todas as observações de renda salarial censuradas no topo são fixadas em 1,5 vez o valor do teto; também aplicamos winsorização dos salários em US$ 2 por hora, como em Acemoglu e Autor (2011). Adicionalmente, usamos dados por condado — novamente agregados ao nível da zona de deslocamento — sobre contagens de emprego do CBP para 1990, 2000 e 2007; renda salarial e não salarial do BEA; e renda salarial e fluxos migratórios da Receita Federal americana (IRS).

Para controlar mudanças potencialmente confundidoras nos padrões de comércio e outras mudanças tecnológicas, usamos dados de exposição a importações chinesas de Autor, Dorn e Hanson (2013) e dados sobre a fração do emprego de uma zona de deslocamento em ocupações rotineiras, como definidas em Autor e Dorn (2013). Para distinguir os efeitos dos robôs dos efeitos de acumulação de capital, investimentos em TI e outras tecnologias que elevam a produtividade, construímos medidas Bartik de aumentos nos estoques de capital, capital de TI e valor adicionado nas 19 indústrias da IFR.

Por fim, usamos dados compilados por Leigh e Kraft (2018), que coletaram na web a localização e o emprego de integradores de robôs — empresas que instalam, programam e fazem a manutenção de robôs. Com esses dados, construímos estimativas da atividade de integradores de robôs em cada zona de deslocamento.

IV. Correlações industriais

Começamos documentando tendências industriais. A Figura 2 retrata a relação entre APRᵢ,₍₁₉₉₃,₂₀₀₇₎, calculada a partir do EURO5, e APRᵢ,₍₂₀₀₄,₂₀₀₇₎ [continua na página seguinte].

Figura 2. Penetração ajustada de robôs nos Estados Unidos e no EURO5 por indústria. Gráfico da penetração ajustada de robôs entre 1993 e 2007 (APRᵢ) e da penetração ajustada de robôs nos Estados Unidos entre 2004 e 2007 (APRᵁˢᵢ), reescalada para uma variação equivalente de 14 anos. A penetração ajustada de robôs é expressa como número de robôs por mil trabalhadores da indústria. A linha contínua corresponde à linha de 45 graus. O tamanho do círculo indica o emprego americano inicial da indústria.

A segunda variável é calculada com os dados americanos e reescalada para uma variação equivalente de 14 anos. Ambas as variáveis são expressas em robôs por mil trabalhadores. Coerentemente com a ideia de que as tendências americanas de robótica são impulsionadas por aperfeiçoamentos tecnológicos, há correlação positiva entre a adoção de robôs nos países do EURO5 e nos Estados Unidos; ver também a Tabela A2.

A figura também revela heterogeneidade significativa entre indústrias. Enquanto algumas — como automotiva, plásticos e produtos químicos e produtos de metal — exibem aumentos na penetração de robôs superiores a 7,5 robôs por mil trabalhadores, outras — como papel e impressão, têxteis e madeira e móveis — experimentaram aumentos modestos tanto na Europa quanto nos Estados Unidos.

No restante desta seção, focalizamos a variação de APRᵢ, que interpretamos como uma proxy de melhorias na tecnologia robótica disponível às empresas americanas. A Tabela A3 documenta que as melhorias em robótica não reproduzem outras tendências no nível da indústria. As indústrias que adotam mais robôs não são aquelas afetadas pela concorrência de importações chinesas ou mexicanas, pelo offshoring, pelo crescimento rápido de capital total ou de capital de TI, nem aquelas com grande fração de empregos rotineiros.

Dentro da manufatura, a correlação entre nossa medida de penetração ajustada de robôs, APRᵢ, e a mudança nas importações da China é −0,39; na amostra total, é 0,15. A correlação de APRᵢ com a parcela de tarefas rotineiras é −0,24 dentro da manufatura e −0,01 no total. As correlações com a mudança nas importações do México, com a terceirizabilidade de tarefas e com o offshoring de insumos intermediários são, respectivamente, −0,03, −0,41 e −0,17 dentro da manufatura — e 0,31, −0,26 e 0,19 no total. A correlação com o aumento de capital é 0,22 dentro da manufatura e −0,37 no total; com o aumento de capital de TI, é 0,23 dentro da manufatura e −0,17 no total. Esses padrões fortalecem a presunção de que o uso de robôs industriais é um fenômeno tecnológico amplamente desvinculado de outras tendências industriais. Nota 14.

Nosso modelo mostra que, sob condições plausíveis, as indústrias que adotam robôs reduzem sua demanda por trabalho. A Tabela 1 apresenta regressões de várias medidas de demanda de trabalho no nível da indústria sobre APRᵢ, para diferentes períodos. O Painel A focaliza a massa salarial; o Painel B, o emprego. As colunas 1–4 apresentam especificações de diferenças longas que regressam a mudança do logaritmo da massa salarial entre 1993 e 2007 sobre nossa medida-base de penetração ajustada de robôs no mesmo período, APRᵢ,₍₁₉₉₃,₂₀₀₇₎.

Na coluna 1 do Painel A, mostramos a relação entre APRᵢ e o logaritmo da massa salarial: ela é negativa, indicando que indústrias com maior penetração de robôs também tiveram quedas relativas significativas na demanda por trabalho. Para controlar outras tendências industriais no período, a coluna 2 inclui a mudança nas importações da China e indicadores para manufatura e manufatura leve — esta última composta por têxteis e por papel, publicação e impressão. Essas duas indústrias leves seguem forte trajetória de queda por razões não relacionadas aos robôs, principalmente offshoring, comércio com a China e a ascensão dos meios digitais. Controlar o indicador de manufatura leve garante que as estimativas da coluna 2 não sejam movidas pela comparação dessas indústrias em declínio com outras indústrias manufatureiras. A inclusão desses três controles reduz a magnitude do coeficiente de APRᵢ, mas também [continua na página seguinte].

Nota 14. Essa interpretação também é coerente com a associação estreita entre APRᵢ e o índice de substituibilidade de Graetz e Michaels (2018), que mede a fração de ocupações em uma indústria cujas tarefas podem ser automatizadas por robôs industriais; ver Figura A1.

Tabela 1. Robôs, demanda por trabalho, participação do trabalho e valor adicionado: resultados no nível da indústria

As colunas 1–4 são diferenças longas de 1993–2007; as 5–9, diferenças empilhadas de 1993–2000 e 2000–2007; a coluna 10, diferenças longas de 1992–2007. Nas colunas 1–2 e 5–7, a fonte é o CBP para todas as indústrias; nas colunas 3–4 e 8–9, NBER-CES dentro da manufatura, respectivamente para todos os trabalhadores e trabalhadores de produção. A coluna 10 usa BEA-IO para todas as indústrias: valor adicionado no Painel A e participação do trabalho no Painel B.

Nota. A tabela apresenta estimativas da relação entre penetração ajustada de robôs e massa salarial, emprego, valor adicionado e participação do trabalho nas indústrias americanas. As colunas 1–4 trazem estimativas de diferenças longas para mudanças na massa salarial logarítmica (Painel A) e no emprego logarítmico (Painel B), 1993–2007. As colunas 5–9 apresentam diferenças empilhadas para 1993–2000 e 2000–2007. A coluna 10 traz diferenças longas para a mudança no log do valor adicionado (Painel A) e na participação do trabalho (Painel B), 1992–2007. Mudanças no valor adicionado logarítmico são anualizadas e dadas em variação percentual ao ano; mudanças na participação do trabalho são dadas em pontos percentuais. As fontes e os períodos estão no topo da tabela; as covariáveis, na base. A coluna 1 não inclui covariáveis e a 5 inclui apenas indicadores de período. As colunas 2–4, 6–9 e 10 controlam indicadores de manufatura e de manufatura leve — papel/impressão e têxteis — e a exposição setorial a importações chinesas de Acemoglu et al. (2016). A coluna 7 inclui conjunto completo de efeitos fixos industriais. As regressões das colunas 1–9 recebem peso do emprego industrial inicial em 1993; a da coluna 10, peso do valor adicionado industrial inicial em 1992. Entre parênteses, erros-padrão robustos à heterocedasticidade e à correlação serial no nível da indústria.

A inclusão desses controles torna a estimativa mais precisa: −0,923, com erro-padrão de 0,419. Essa estimativa implica que o aumento de um robô por mil trabalhadores em nossa medida APRᵢ se associa a uma queda relativa de 0,92% na massa salarial. Portanto, o aumento médio do estoque de robôs na manufatura — sete robôs por mil trabalhadores — se associa a uma queda de 6,3% na massa salarial. As colunas 3 e 4 mostram padrões semelhantes para a massa salarial de todos os trabalhadores e dos trabalhadores de produção dentro da manufatura, usando a base NBER-CES.

As colunas 5–9 apresentam modelos de diferenças empilhadas para dois subperíodos de sete anos, 1993–2000 e 2000–2007, com análogos de APRᵢ calculados para cada subperíodo; nesse caso, temos duas observações por indústria. Esses modelos são atraentes porque se concentram nas mudanças dentro da indústria e exploram o momento da adoção de robôs. Por exemplo, a penetração de robôs na indústria automobilística acelerou nos anos 2000, enquanto desacelerou na construção naval e aeroespacial durante a mesma década.

Agora observamos uma relação estimada com maior precisão do que a exibida nas colunas 1–4. Por exemplo, o equivalente à estimativa da coluna 2 é −1,096, com erro-padrão de 0,235, o que implica que um robô a mais por mil trabalhadores, em APRᵢ, se associa a queda de 1,1% na demanda por trabalho. Os modelos de diferenças empilhadas também permitem incluir tendências industriais, controlando de modo mais flexível a possibilidade de as indústrias seguirem tendências diferentes por outras razões, em particular as indústrias em declínio. Embora as especificações que controlam tendências industriais sejam exigentes, na coluna 7 estimamos relação negativa semelhante entre adoção de robôs e demanda por trabalho. Por fim, as colunas 8 e 9 mostram padrões similares para a massa salarial de todos os trabalhadores e dos trabalhadores de produção dentro da manufatura, usando a NBER-CES. O Painel B mostra resultados análogos para emprego, e a Figura 3 ilustra visualmente a relação entre APRᵢ e o logaritmo da massa salarial e do emprego da coluna 8.

No apêndice, apresentamos uma série de verificações de robustez dessas correlações industriais. A Figura A2 confirma que não há pré-tendências significativas correlacionadas à penetração ajustada de robôs para o logaritmo da massa salarial e o do emprego, tanto para todos os trabalhadores quanto para os de produção. As Tabelas A4 e A5 confirmam que os padrões da Tabela 1 são similares quando usamos construções diferentes de APRᵢ e quando focalizamos períodos mais recentes. Por fim, a Tabela A6 mostra resultados semelhantes quando, em vez de incluir o indicador de manufatura leve, controlamos diretamente o valor adicionado da indústria ou os fatores que afetam as tendências de valor adicionado. Em particular, no Painel A controlamos a mudança no valor adicionado da indústria entre 1992 e 2007, a partir das tabelas BEA-IO; no Painel B, instrumentamos a mudança no valor adicionado por meio das importações intermediárias nas indústrias fornecedoras. As estimativas são amplamente semelhantes às da Tabela 1, mas maiores, presumivelmente porque controlar o valor adicionado isola o efeito de deslocamento. No Painel C, controlamos diferenças em [continua na página seguinte].

terceirizabilidade de tarefas, um dos fatores que levam ao declínio rápido da produção e do valor adicionado nas indústrias de manufatura leve; no Painel D, incluímos um indicador para indústrias que adotam robôs. Os resultados são novamente semelhantes.

Também usamos os dados do BEA para estimar a relação entre robôs, participação do trabalho na indústria e valor adicionado, entre 1992 e 2007. A coluna 10 do Painel A da Tabela 1 mostra que, coerentemente com robôs elevando a produtividade, o valor adicionado aumenta nas indústrias que adotam mais robôs — ainda que o emprego se contraia. Nota 15. Esse resultado sugere que, como em nossa teoria, as indústrias que adotam robôs se tornam não apenas mais produtivas, mas também menos intensivas em trabalho. Isso é confirmado pela estimativa da coluna 10 do Painel B, que mostra queda grande na participação do trabalho. A estimativa implica que um robô a mais por mil trabalhadores se associa a queda de 0,8 ponto percentual na participação do trabalho entre 1992 e 2007.

Embora vejamos as correlações industriais principalmente como descritivas, elas estabelecem que as indústrias em que a tecnologia robótica avançou mais experimentaram expansão da produção e queda da demanda por trabalho, do emprego e da participação do trabalho. Passamos agora às implicações dos robôs para emprego e salários nos mercados locais de trabalho.

V. Efeito dos robôs entre zonas de deslocamento

Nesta seção, descrevemos a medida de exposição a robôs e documentamos sua variação. Em seguida, apresentamos resultados de forma reduzida para emprego e salários, investigamos sua robustez e exploramos os efeitos heterogêneos dos robôs entre indústrias, ocupações, gênero e grupos de qualificação. Apresentamos as estimativas por variável instrumental e discutimos suas implicações quantitativas na seção seguinte.

A. Exposição a robôs e atividades relacionadas a robôs

Focalizamos a medida de exposição definida na equação (18), construída a partir de dados europeus de penetração de robôs por indústria. Usamos essa variável como instrumento para identificar os efeitos da disseminação de robôs sobre os mercados de trabalho americanos.

Nota 15. Dentro da manufatura, as indústrias que adotaram mais robôs, nos Estados Unidos e no EURO5 — automotiva, plásticos e produtos químicos e produtos de metal — tiveram o crescimento mais rápido do valor adicionado entre 1992 e 2007, entre 2% e 4% ao ano. Em contraste, manufaturas leves — têxteis e papel e impressão — não adotaram muitos robôs e tiveram quedas absolutas de valor adicionado. Na Tabela A7, também documentamos o efeito positivo significativo dos robôs sobre a produtividade do trabalho, confirmando um dos resultados principais de Graetz e Michaels (2018) com dados entre indústrias e países. Pela disponibilidade de dados, focalizamos diferenças longas para valor adicionado, produtividade do trabalho e participação do trabalho.

Figura 4. Distribuição geográfica da exposição a robôs, 1993–2007. A, distribuição da exposição a robôs. B, distribuição da exposição a robôs fora da indústria automobilística.

A Figura 4 retrata a distribuição geográfica da exposição a robôs entre 1993 e 2007. Em muitas partes dos Estados Unidos, há apenas aumento pequeno, de aproximadamente 0,27–0,67 robô por mil trabalhadores. Em outras, incluindo partes de Kentucky, Louisiana, Missouri, Tennessee, Texas, Virgínia e Virgínia Ocidental, a medida de exposição varia entre dois e cinco robôs por mil trabalhadores. Mais marcadamente, em algumas partes do rust belt e do Texas, a penetração de robôs aumenta de cinco a dez por mil trabalhadores. A Figura 2 destacou que a penetração de robôs é maior na indústria automobilística do que em outros setores, tanto nos Estados Unidos quanto na Europa. A Figura 4B verifica que, mesmo excluindo essa indústria, ainda há variação geográfica considerável na exposição a robôs.

Figura 5. Exposição a robôs e localização de integradores de robôs. A figura apresenta a relação entre a exposição a robôs em 1993–2007 e o logaritmo de um mais o número de integradores de robôs em uma zona de deslocamento. As covariáveis da coluna 4 da Tabela 2 foram retiradas. Os dados da localização dos integradores são de Leigh e Kraft (2018). A linha contínua corresponde a uma regressão ponderada pela população da zona em 1990; a tracejada, à regressão que também exclui o 1% das zonas com maior exposição. O tamanho do círculo indica a população em 1990.

Zonas de deslocamento com alta exposição a robôs adotam mais robôs industriais, como prevê nosso modelo? Embora não estejam disponíveis dados de adoção de robôs no nível da zona de deslocamento, a Figura 5 fornece evidência de maior atividade relacionada a robôs nas zonas expostas, usando os dados de integradores de Leigh e Kraft (2018). A figura mostra o gráfico de resíduos de uma regressão do logaritmo de um mais o número de integradores em uma zona de deslocamento sobre a exposição a robôs. Como na maioria das figuras seguintes, retiramos as covariáveis da especificação principal, coluna 4 da Tabela 2, descrita adiante. A linha tracejada corresponde à relação de regressão após excluir o 1% de zonas de deslocamento com maior exposição. Nota 16. Nos dois casos, vemos associação positiva entre a exposição a robôs e o número de integradores em uma zona de deslocamento. A Tabela A8 mostra que essa relação [continua na página seguinte].

Nota 16. Alpena, Michigan; Defiance, Ohio; Detroit, Michigan; Houghton Lake, Michigan; Lansing, Michigan; Lorain, Ohio; Mount Pleasant, Michigan; Saginaw, Michigan; Sault Ste. Marie, Michigan; e Wilmington, Delaware.

Tabela 2. Efeitos dos robôs sobre emprego e salários: diferenças longas

Nota. A tabela apresenta estimativas dos efeitos da exposição a robôs sobre emprego e salários. O Painel A traz estimativas de diferenças longas para a mudança da razão emprego-população, 1990–2007; o Painel B, para a mudança no logaritmo do salário por hora. As especificações do Painel B são estimadas no nível célula demográfica × zona de deslocamento; as células são definidas por idade, gênero, educação e raça. As colunas 1–5 são ponderadas pela população em 1990. A coluna 5 exclui o 1% das zonas de deslocamento com maior exposição; a 6 não usa pesos. A coluna 1 inclui apenas indicadores de divisão censitária. A coluna 2 acrescenta características demográficas da zona em 1990: logaritmo da população; parcelas de mulheres, de pessoas acima de 65 anos, de pessoas sem faculdade, com alguma faculdade, com diploma universitário ou profissional e com mestrado ou doutorado; e parcelas de brancos, negros, hispânicos e asiáticos. A coluna 3 acrescenta as participações de emprego em manufatura e manufatura leve e a participação feminina no emprego manufatureiro em 1990. As colunas 4–6 acrescentam exposição a importações chinesas e a parcela de emprego em ocupações rotineiras. Entre parênteses, erros-padrão robustos à heterocedasticidade e à correlação dentro dos estados.

A relação é robusta a especificações alternativas e a formas distintas de medir a atividade de integradores de robôs.

B. Resultados de forma reduzida para emprego e salários

A Tabela A9 oferece uma primeira visão de como zonas de deslocamento com alta e baixa exposição a robôs diferem em suas características de mercado de trabalho. As colunas 2–5 apresentam a média de vários resultados e covariáveis por quartis de exposição; as colunas 6 e 7 mostram as correlações dessas variáveis com a exposição a robôs. Três padrões merecem destaque. Primeiro, somente três covariáveis apresentam diferenças significativas entre zonas de alta e baixa exposição: a participação do emprego na manufatura, a participação do emprego em manufatura leve e a participação feminina no emprego manufatureiro; controlamos essas variáveis na especificação-base. Segundo, entre zonas em quartis diferentes de exposição, há somente diferenças muito pequenas nos níveis iniciais das duas principais variáveis de mercado de trabalho: salários por hora em 1990 e a razão privada emprego-população em 1990, que focaliza assalariados do setor privado e, portanto, exclui emprego público e trabalho autônomo. Por fim, e mais notadamente, de 1990 a 2007 as zonas mais expostas tiveram tendências de mercado de trabalho mais negativas.

Para explorar esses padrões em detalhe, estimamos especificações de forma reduzida semelhantes à equação (13). Regressamos as mudanças nos principais resultados de mercado de trabalho sobre a exposição a robôs. A hipótese de identificação é que não existam choques ou tendências diferenciais afetando mercados de trabalho com maior exposição a robôs, com base na composição industrial inicial e nas tendências europeias de adoção, relativamente aos com menor exposição. Discutimos ameaças à validade dessa hipótese na Seção V.D.

A Tabela 2 apresenta resultados de uma especificação de diferenças longas para 1990–2007, na qual regressamos mudanças nas medidas de emprego e salário entre 1990 e 2007 sobre a variável de exposição a robôs do mesmo período. Encerramos a amostra em 2007 para evitar os efeitos potencialmente confundidores da Grande Recessão e apresentamos no apêndice resultados para janela mais longa e para períodos mais recentes. Nota 17. A tabela se concentra nas principais variáveis de resultado: a razão privada emprego-população no Painel A e o logaritmo do salário por hora no Painel B. Nota 18. Nossas especificações-base recebem pesos da população em 1990 e reportam, entre parênteses, erros-padrão robustos a heterocedasticidade arbitrária e à correlação espacial dentro dos estados americanos.

A coluna 1 apresenta uma especificação parcimoniosa que inclui apenas indicadores de divisão censitária como covariáveis. No Painel A, observamos forte relação negativa entre a exposição a robôs e as mudanças de emprego em uma zona de deslocamento, com coeficiente de −0,44 e erro-padrão de 0,09. Essa estimativa implica que o aumento de um robô por mil trabalhadores [continua na página seguinte].

Nota 17. Para compatibilizar a janela de tempo em que medimos a penetração ajustada de robôs, reescalamos os resultados para uma mudança equivalente de 14 anos. Para cada variável, definimos a diferença longa como (y₂₀₀₇ − y₂₀₀₀) + 0,7 × (y₂₀₀₀ − y₁₉₉₀).

Nota 18. A equação (13) tem a mudança no logaritmo do emprego no lado esquerdo. Estimamos essa relação na Tabela A15, mas escolhemos a razão emprego-população como especificação-base porque é a especificação usual na literatura.

na exposição a robôs se associa a queda relativa de 0,44 ponto percentual na razão privada emprego-população. Nota 19.

Na coluna 2, controlamos características demográficas em 1990: logaritmo da população; participação de mulheres; participação de pessoas acima de 65 anos; participações sem faculdade, com alguma faculdade, com diploma universitário ou profissional e com mestrado ou doutorado; e participações de brancos, negros, hispânicos e asiáticos. Como a especificação de regressão é em mudanças, esses controles permitem tendências diferenciais segundo as características demográficas iniciais. Sua inclusão reduz levemente a estimativa do impacto da exposição a robôs sobre a razão emprego-população para −0,41.

Na coluna 3, controlamos as participações iniciais de emprego em manufatura e manufatura leve e a participação feminina no emprego manufatureiro. Esses controles permitem tendências diferenciais conforme a estrutura industrial inicial de uma zona de deslocamento e asseguram que a variável de exposição não seja proxy para outras tendências que afetam o emprego manufatureiro. Têm efeito pequeno sobre o coeficiente de interesse, que passa a −0,43 e é estimado com maior precisão, erro-padrão de 0,06.

Na coluna 4, controlamos outras mudanças que afetaram os resultados de mercado de trabalho no período: importações da China entre 1990 e 2007 e o declínio de ocupações rotineiras, aproximado por suas participações iniciais no emprego; as estimativas desses controles aparecem na Tabela A12. Coerentemente com a ausência de correlação entre essas medidas e a exposição a robôs, mostrada na Tabela A9, os controles não têm impacto nas estimativas. A estimativa pontual permanece em −0,45, com erro-padrão de 0,06. Nota 20.

A Figura 6 traz um gráfico de regressão residual da especificação da coluna 4 do Painel A; a linha contínua mostra a estimativa. A figura evidencia que há várias zonas de deslocamento com exposição muito alta a robôs.

Nota 19. Uma diferença de exposição de um robô por mil trabalhadores entre 1993 e 2007, calculada a partir do EURO5, é aproximadamente o aumento da exposição americana a robôs no mesmo período. Ela também corresponde ao intervalo interquartil dessa variável, entre Pittsburgh, Pensilvânia, no 75º percentil, e Omaha, Nebraska, no 25º. A diferença entre o 1º percentil, West Palm Beach, Flórida, e o 99º, Detroit, Michigan, é muito maior: cerca de nove robôs por mil trabalhadores.

Nota 20. Como mostra a Tabela A9 e discutimos acima, as participações de emprego em manufatura e manufatura leve e a participação feminina no emprego manufatureiro diferem entre zonas de alta e baixa exposição. A Tabela A10 mostra que essas variáveis predizem significativamente a exposição a robôs, a exposição a robôs na indústria automobilística, usada na Tabela 5, e a exposição a robôs quando controlamos simultaneamente todas as covariáveis do lado direito. Continuamos a estimar efeitos negativos e significativos sobre emprego e salários quando não controlamos manufatura leve e/ou a participação feminina no emprego manufatureiro; porém, as estimativas de emprego são cerca de 30% menores em especificações sem controle para manufatura leve, Tabela A11. Isso ocorre porque o declínio do emprego nas indústrias de manufatura leve se correlaciona negativamente com a exposição a robôs.

Figura 6. Efeitos dos robôs sobre emprego e salários. A e B: relação em diferenças longas entre exposição a robôs e mudanças na razão emprego-população, 1990–2007, e no logaritmo do salário por hora, 1990–2007. As covariáveis da coluna 4 da Tabela 2 foram retiradas. C e D: relações em diferenças empilhadas entre exposição a robôs e mudanças na razão emprego-população e no logaritmo do salário por hora para 1990–2000 e 2000–2007. Em C e D, as observações de 1990–2000 aparecem em cinza claro e as de 2000–2007 em cinza escuro; as covariáveis da coluna 4 da Tabela 3 foram retiradas. Em todos os painéis, a linha contínua mostra a estimativa de regressão ponderada pela população da zona em 1990; a tracejada exclui também o 1% das zonas com maior exposição. O tamanho do círculo indica a população em 1990.

A coluna 5 estima a especificação da coluna 4 após excluir o 1% de zonas de deslocamento com maior exposição, as listadas na Nota 16, e demonstra que essas zonas não conduzem as estimativas negativas. O coeficiente do Painel A aumenta para −0,57, com erro-padrão de 0,14, e é exibido pela linha tracejada na Figura 6. Por fim, a coluna 6 mostra resultados semelhantes em regressões sem pesos: na mesma especificação da coluna 4, estimamos coeficiente de −0,51, com erro-padrão de 0,12.

O Painel B apresenta resultados para o logaritmo dos salários por hora. Como salários só estão disponíveis para trabalhadores empregados e a evidência do Painel A sugere que o emprego cai nas zonas mais expostas, apresentamos estimativas ajustadas às mudanças na composição dos assalariados. Especificamente, usamos como variável dependente a mudança no logaritmo médio do salário entre 1990 e 2007 para cada uma das 250 células demográficas de uma zona de deslocamento. Nota 21. Como agora há múltiplas observações para cada zona, uma por grupo demográfico, ponderamos cada observação pelo tamanho do grupo demográfico na zona em 1990. As estimativas mostram que maior exposição a robôs reduz salários. Na coluna 4, controlando as covariáveis-base, o coeficiente é −0,88, com erro-padrão de 0,13. Isso implica que aumento de um robô por mil trabalhadores na medida de exposição reduz em 0,87% os salários por hora. A Figura 6 também apresenta o gráfico de regressão residual dessa especificação.

Em seguida, passamos aos modelos de diferenças empilhadas, que exploram variação em dois períodos: 1990–2000 e 2000–2007; o primeiro é convertido em mudança equivalente a sete anos para manter a consistência. Nesse caso, os erros-padrão são robustos à heterocedasticidade e à correlação serial e espacial dentro dos estados. A Tabela 3 apresenta os resultados: o Painel A é de emprego e o B, de logaritmo dos salários por hora. As colunas 1–6 têm a mesma estrutura da Tabela 2. Em ambos os painéis, as estimativas são mais negativas que antes e permanecem precisas. Por exemplo, na coluna 4 do Painel A, o coeficiente de interesse é −0,55, com erro-padrão de 0,05; no Painel B, a estimativa para o logaritmo do salário por hora chega a −1,4, com erro-padrão de 0,18. As Figuras 6C e 6D ilustram essas estimativas empilhadas, marcam separadamente observações dos dois períodos e mostram que a relação negativa está presente em ambos.

Nota 21. Para cada grupo demográfico g na zona de deslocamento c, calculamos a diferença longa do logaritmo médio do salário por hora, ΔlnWcg, conforme explicado na Nota 17. Em seguida, regressamos ΔlnWcg sobre a medida de exposição da zona c e controlamos um conjunto completo de efeitos fixos de célula.

O modelo de diferenças empilhadas se concentra nas mudanças diferenciais de exposição a robôs entre os dois períodos e permite controlar tendências lineares das zonas de deslocamento. Embora essa especificação seja exigente e explore uma fonte de variação diferente das diferenças longas, estimamos impacto negativo semelhante da exposição a robôs sobre emprego e salários. Na coluna 7, por exemplo, as estimativas para emprego e salários são, respectivamente, −0,5, com erro-padrão de 0,08, e −1,6, com erro-padrão de 0,27. Esses resultados reforçam nossa confiança de que as zonas expostas não estão simplesmente em tendência diferencial, não relacionada aos avanços da tecnologia robótica. Também estimamos efeitos negativos da exposição a robôs sobre emprego e salários para todo o período 1990–2014 e para 2000–2007 e 2000–2014; ver Tabela A13.

C. Outros resultados de mercado de trabalho

No apêndice, investigamos os efeitos da exposição a robôs sobre diversos outros resultados de mercado de trabalho. A Tabela A14 mostra efeitos negativos robustos sobre o emprego na manufatura, o que é relevante porque robôs são adotados sobretudo na manufatura e substituem diretamente trabalhadores de produção nessa indústria.

As Tabelas A15 e A16 examinam medidas alternativas de emprego e salários. Elas incluem a razão privada emprego-população com trabalho autônomo; a razão total emprego-população com emprego público e trabalho autônomo; contagens de emprego do CBP divididas pela população; logaritmo do emprego; logaritmo dos salários semanais; logaritmo dos salários anuais; e logaritmo da massa salarial do CBP. Os resultados são amplamente semelhantes às estimativas-base, tanto em especificações de diferenças longas quanto de diferenças empilhadas, para todas essas medidas.

A Tabela A15 também explora as implicações para o não emprego, examinando as margens de participação e desemprego. Estimamos impacto positivo da exposição a robôs sobre as taxas de não participação e desemprego. Em termos quantitativos, as estimativas implicam que aproximadamente três quartos dos não empregados adicionais saem da força de trabalho, enquanto um quarto permanece desempregado. Coerentemente com o aumento da não participação, na Tabela A17 também estimamos maior uso de benefícios de aposentadoria e incapacidade da Administração da Seguridade Social e de outras transferências governamentais.

A Tabela A18 trata da resposta da migração. Algumas estimativas mostram impacto negativo sobre população e migração líquida, calculada a partir dos dados do IRS, embora esses efeitos não sejam consistentes entre especificações nem estimados com precisão. Em termos quantitativos, as respostas migratórias têm aproximadamente um quarto da dimensão das respostas de emprego. Nota 22. Coerentemente com os transbordamentos para o setor não comercializável que reportamos na Seção V.G, a Tabela A18 também documenta queda de preços de imóveis e aluguéis em zonas de deslocamento expostas.

Por fim, usamos dados do BEA e do IRS para estimar separadamente os efeitos dos robôs sobre renda salarial e não salarial. As estimativas da Tabela A19 mostram efeitos negativos grandes e precisos sobre a renda salarial e nenhum impacto significativo sobre a renda não salarial. Esse último resultado é coerente com a ideia de que proprietários de integradores de robôs e de empresas que introduzem tecnologia robótica não estão necessariamente localizados nas zonas de deslocamento expostas.

Nota 22. Por exemplo, usando a especificação de diferenças empilhadas da coluna 4 da Tabela 3 e comparando-a à especificação equivalente da coluna 4 do Painel D da Tabela A18, vemos que aumento de um robô por mil trabalhadores na medida de exposição reduz o emprego total em 2%; 0,5% se explica pela queda da população e 1,5%, pela queda da razão emprego-população.

D. Ameaças à validade

Há duas ameaças principais à hipótese de identificação por trás de nossas estimativas. Primeiro, as indústrias que vêm adotando mais robôs nas duas últimas décadas, nos Estados Unidos e na Europa, podem estar em tendência de queda por demanda decrescente, competição internacional, outras mudanças tecnológicas ou piora das relações de trabalho. Segundo, as zonas de deslocamento que abrigam as indústrias que adotam mais robôs podem ser afetadas por outros choques negativos. Em ambos os casos, as estimativas poderiam confundir o impacto dos robôs com essas tendências preexistentes de indústrias e zonas de deslocamento. Uma terceira ameaça possível — a adoção de robôs estar correlacionada a outras mudanças tecnológicas simultâneas — é discutida na subseção seguinte.

Nossa análise na Seção IV, que demonstra que a penetração de robôs no EURO5 não se correlaciona com pré-tendências industriais nem com outras fontes principais de mudanças na demanda de trabalho, é tranquilizadora para a primeira ameaça. Além disso, o fato de o valor adicionado ter se expandido nas indústrias com maior penetração de robôs sugere que nossa medida não se correlaciona com choques negativos de demanda industrial. Quanto à segunda ameaça, a análise de diferenças empilhadas, que controlou tendências das zonas de deslocamento, já estabeleceu que tendências lineares dessas zonas não explicam nossas estimativas. Ainda assim, investigamos essas questões diretamente, verificando pré-tendências, que poderiam resultar de qualquer uma das preocupações, e controlando outras tendências industriais e locais.

O Painel A da Tabela 4 mostra que não há pré-tendências significativas. Especificamente, estimamos a relação entre exposição a robôs e mudanças na razão emprego-população, colunas 1–4, e no logaritmo dos salários por hora, colunas 5–8, entre 1970 e 1990. A especificação-base, nas colunas 2 e 6, não mostra associação quantitativa ou estatisticamente significativa entre exposição a robôs e mudanças pré-1990 no emprego ou nos salários. O quadro é semelhante quando excluímos zonas altamente expostas, nas colunas 3 e 7, e quando reportamos especificações sem peso, nas colunas 4 e 8. Esses resultados são resumidos na Figura 7, que apresenta gráficos de resíduos de emprego e salários das especificações [continua na página seguinte].

Tabela 4. Efeitos dos robôs sobre emprego e salários: teste e controle de pré-tendências

Nota. A tabela traz os efeitos da exposição a robôs sobre emprego e salários passados e os efeitos contemporâneos controlando mudanças passadas. O Painel A estima a mudança da razão emprego-população, colunas 1–4, e do logaritmo do salário por hora, colunas 5–8, entre 1970 e 1990; os resultados são reescalados para mudança equivalente a 14 anos. O Painel B estima mudanças entre 1990 e 2007, controlando a exposição a indústrias em declínio entre 1970 e 1990. O Painel C estima mudanças entre 1990 e 2007, controlando a mudança passada da variável dependente. As especificações de salários usam células demográficas × zonas de deslocamento. As colunas 1–3 e 5–7 recebem pesos da população de 1990; 3 e 7 excluem o 1% de maior exposição; 4 e 8 não recebem pesos. As colunas 1 e 5 incluem divisões censitárias, demografia, participações industriais e participação feminina na manufatura; no Painel A as covariáveis-base são de 1970; nos painéis B e C, de 1990. As colunas 2–4 e 6–8 acrescentam importações chinesas e empregos rotineiros. Erros-padrão robustos à heterocedasticidade e à correlação dentro dos estados aparecem entre parênteses.

Figura 7. Pré-tendências em emprego e salários. A figura apresenta a relação entre a exposição a robôs em 1993–2007 e a mudança na razão emprego-população em 1970–1990, Painel A, e no logaritmo do salário por hora em 1970–1990, Painel B. As covariáveis da coluna 2 da Tabela 4 foram retiradas. A linha contínua apresenta a estimativa de regressão ponderada pela população da zona em 1990; a linha tracejada exclui adicionalmente o 1% das zonas com maior exposição. O tamanho do círculo indica a população de 1970.

Nas colunas 2, 3, 6 e 7. Na Tabela A20, confirmamos que também não há pré-tendências em outras variáveis centrais de mercado de trabalho para as quais temos dados pré-1990: emprego manufatureiro; taxa de emprego incluindo trabalho autônomo e setor público; taxa de não participação; taxa de desemprego; e logaritmo dos salários semanais.

O Painel B da Tabela 4 investiga tendências industriais potencialmente confundidoras. Apresentamos estimativas que controlam quedas previstas de emprego com base em uma medida Bartik de exposição a tendências industriais entre 1970 e 1990. Para construí-la, usamos as 19 indústrias da IFR e interagimos a queda nacional do logaritmo do emprego de cada indústria entre 1970 e 1990 com sua participação inicial no emprego de 1970 em cada zona de deslocamento. Embora o coeficiente dessa medida Bartik de exposição a indústrias em declínio seja negativo e significativo em algumas especificações, as estimativas pontuais da exposição a robôs não são afetadas. Os resultados sustentam a interpretação de que a exposição a robôs não é proxy para indústrias em declínio.

Por fim, o Painel C vai além e controla diretamente, no lado direito das especificações-base, a mudança de 1970–90 na razão emprego-população ou nos salários por hora. Esse controle não altera as estimativas de parâmetros da Tabela 2.

Uma preocupação relacionada é que as estimativas sejam conduzidas ou excessivamente influenciadas pela indústria automobilística, que adotou mais robôs que qualquer outro setor entre 1993 e 2007 e pode ter sido afetada por outras tendências econômicas. Nota 23. Para tratar disso, na Tabela 5 decompomos a medida de exposição a robôs em duas partes: uma explora a penetração de robôs na indústria automobilística; a outra, a penetração em todas as demais indústrias. Incluímos ambas nas regressões de emprego e salários. A tabela apresenta especificações de diferenças longas, colunas 1–3, e de diferenças empilhadas, colunas 4–6. O Painel A é de emprego e o B, de salários. Em ambos, os efeitos da exposição a robôs na indústria automobilística são similares aos efeitos em outros setores. Em nenhum modelo rejeitamos a hipótese de igualdade entre os coeficientes. Isso é tranquilizador por duas razões: os resultados não são conduzidos apenas pela indústria automobilística e os efeitos dos robôs são amplamente semelhantes entre setores.

E. Robôs, capital e outras tecnologias

Nosso modelo demonstra que aprofundamento de capital e mudanças tecnológicas que não automatizam tarefas antes realizadas por trabalho não geram [continua na página seguinte].

Nota 23. A participação do emprego na indústria automobilística explica 67% da variação entre zonas de deslocamento na exposição a robôs. A Tabela A21 mostra que essa indústria tem o maior peso de Rotemberg, entre 50% e 90% nas especificações da Tabela 2; ver Goldsmith-Pinkham, Sorkin e Swift (2018). Nas especificações de diferenças empilhadas da Tabela 3, ela também recebe peso grande, mas somente em 2000–2007, quando a penetração de robôs acelerou. Esses pesos elevados indicam que as estimativas de forma reduzida podem ser sensíveis a outros choques nos mercados locais especializados em automóveis nesse período.

Tabela 5. Efeitos dos robôs sobre emprego e salários: o papel da indústria automobilística

Nota. A tabela estima separadamente os efeitos da exposição a robôs na indústria automobilística e nas demais indústrias. As colunas 1–3 são diferenças longas para 1990–2007; as 4–6 são diferenças empilhadas para 1990–2000 e 2000–2007. O Painel A trata da razão emprego-população; o B, do logaritmo dos salários por hora. As especificações de salários são estimadas no nível célula demográfica × zona de deslocamento. As colunas 1, 2, 4 e 5 recebem pesos da população de 1990; 3 e 6 não recebem pesos. As colunas 1 e 4 incluem apenas indicadores de divisão censitária e, no caso de diferenças empilhadas, de período; as demais acrescentam demografia, participações manufatureiras, participação feminina na manufatura, importações chinesas e empregos rotineiros. Erros-padrão robustos à heterocedasticidade e à correlação dentro dos estados aparecem entre parênteses.

efeito de deslocamento e, portanto, devem ter impactos muito diferentes sobre a demanda por trabalho. Investigamos agora os efeitos de aprofundamento de capital, aumentos de capital de TI e crescimento do valor adicionado sobre emprego e salários. Queremos compreender se os efeitos dessas variáveis diferem dos efeitos dos robôs e verificar que controlar essas tendências não altera as estimativas principais.

A Tabela 6 apresenta os resultados do exercício. Reportamos novamente especificações de diferenças longas e empilhadas. As colunas 1–4 tratam de emprego; as 5–8, de salários. No Painel A, controlamos a exposição ao capital, uma medida Bartik do aumento dos estoques de capital industriais em logaritmo. Nos painéis B e C, controlamos a exposição ao capital de TI e a exposição ao valor adicionado industrial, medidas Bartik dos aumentos, respectivamente, do capital de TI industrial e do valor adicionado industrial em logaritmo.

Incluir essas variáveis tem pouco efeito sobre as estimativas do impacto dos robôs. Além disso, e coerentemente com a ênfase teórica de que automação é conceitualmente distinta de aprofundamento de capital e de outros tipos de mudança tecnológica que elevam o valor adicionado, essas variáveis apresentam, se algo, correlação positiva com mudanças de emprego e salários; ver Tabela A23 para resultados amplamente semelhantes com outras medidas de tecnologia computacional. Os resultados confirmam a expectativa de que, devido ao efeito de deslocamento, robôs industriais devem ter impacto muito diferente sobre a demanda por trabalho do que outras tecnologias não automatizadoras. Também reforçam que as estimativas não capturam efeitos de outras mudanças tecnológicas simultâneas, pois elas tendem a ter impactos diferentes dos robôs e, como já mostrado na Tabela A3, não se correlacionam com a exposição a robôs.

F. Outras verificações de robustez

O apêndice reporta diversas verificações adicionais. Primeiro, as Tabelas A24 e A25 mostram que a construção exata da exposição a robôs não afeta os resultados. Reportamos estimativas em que essa medida é calculada pela média de todos os países europeus e pela média do EURO5 mais a Alemanha, além de especificação que usa a distribuição de emprego de 1990, em vez da de 1970. Também [continua na página seguinte].

Nota 24. Outra ameaça relacionada à estratégia de variável instrumental é que, como observado na Nota 3, a concorrência internacional pode afetar decisões de adoção de robôs nos Estados Unidos e na Europa. Investimentos em robôs nos países mais avançados em tecnologia robótica — Alemanha, Japão e Coreia do Sul — também podem aumentar a concorrência internacional enfrentada pelas indústrias americanas. A Tabela A22 investiga essas questões e mostra que as estimativas dos efeitos dos robôs são similares quando controlamos exposição a importações mexicanas, terceirização de tarefas e exportações da Alemanha, Japão e Coreia do Sul.

Apresentamos estimativas para uma medida de exposição baseada na penetração bruta de robôs, em vez da medida teoricamente fundamentada de penetração ajustada, e para uma especificação que pondera a penetração ajustada de cada indústria pelo custo médio dos robôs nela. Em todos os casos, as estimativas de forma reduzida com essas medidas alternativas são negativas e significativas; as estimativas por variável instrumental da coluna 7 das Tabelas A24 e A25 também são semelhantes às da Tabela 7, apresentada na próxima seção.

A Tabela A26 explora o papel de valores extremos. Os resultados permanecem robustos ao excluir Detroit, a zona de deslocamento com maior exposição a robôs; ao excluir observações com resíduos acima ou abaixo de 1,95 desvios-padrão; ao estimar a regressão robusta de Li (1985), que reduz o peso de observações influentes; e ao estimar regressões medianas.

A Tabela A27 mostra robustez ao controlar um conjunto completo de efeitos fixos de estado; permitir dinâmicas de reversão à média em emprego e salários, incluindo o valor inicial da variável dependente; e controlar mudanças contemporâneas em todas as variáveis demográficas-base. A Tabela A28 traz resultados de especificação LASSO em duas etapas com grande número de covariáveis, seguindo Belloni, Chernozhukov e Hansen (2014), e estabelece que as covariáveis das especificações principais são muito semelhantes às selecionadas pelo LASSO; as estimativas em duas etapas ficam próximas às estimativas-base.

G. Efeitos por indústria, ocupação, gênero e qualificação

Esta subseção investiga como a exposição a robôs afetou o emprego em indústrias e ocupações diferentes, bem como emprego e salários de diferentes trabalhadores. A Figura 8A apresenta estimativas dos efeitos da exposição a robôs sobre emprego em diferentes indústrias. Reportamos estimativas pontuais e intervalos de confiança para duas especificações de diferenças longas análogas às colunas 4 e 5 da Tabela 2 e uma de diferenças empilhadas correspondente à coluna 4 da Tabela 3; a Figura A4 apresenta as especificações análogas sem peso. A Figura 8 mostra que os efeitos dos robôs se concentram na manufatura, como também na Tabela A14, e especialmente nas indústrias fortemente robotizadas: automotiva, plásticos e produtos químicos, produtos de metal, metais básicos, eletrônicos e alimentos e bebidas. Não há efeitos significativos nas demais indústrias manufatureiras. Coerentemente com os efeitos indiretos sobre não comercializáveis discutidos na Seção II.B, encontramos impactos negativos em construção e em comércio varejista e serviços pessoais. Os únicos dois setores com efeitos positivos em algumas especificações são agricultura e educação; e saúde e setor público, embora as estimativas não sejam precisas nem robustas.

A Figura 8B apresenta resultados análogos para emprego por ocupação. Como esperado, os efeitos negativos dos robôs sobre emprego ocorrem sobretudo em ocupações manuais rotineiras e, em particular, em ocupações de colarinho azul, como maquinistas, montadores, movimentadores de materiais e soldadores. Trabalhadores dessas ocupações realizam tarefas automatizadas por robôs industriais; é natural, portanto, que sofram a maior parte do efeito de deslocamento criado pelos robôs. Não estimamos efeitos positivos de emprego em outras ocupações, sugerindo que, ao menos localmente, os ganhos de produtividade do uso de robôs industriais não se traduziram em expansão de emprego em tarefas não automatizadas.

A Figura 9 e a Tabela A29 investigam os efeitos de emprego e salário por gênero. Estimamos impactos negativos para homens e mulheres, maiores para homens. Por exemplo, na especificação-base de diferenças longas, reportada na Figura 9 e na coluna 1 da Tabela A29, o impacto da exposição a robôs sobre a razão emprego-população dos homens é −0,57; para mulheres, −0,34. A Tabela A29 também mostra que a queda de emprego masculino se concentra na manufatura, enquanto a feminina é mais pronunciada fora da manufatura.

A Figura 9 resume os efeitos dos robôs sobre emprego e salários para trabalhadores de diferentes grupos educacionais. Apresentamos estimativas para todos os trabalhadores e, separadamente, homens e mulheres. Observamos efeitos negativos de emprego e salários para homens e mulheres com menos que ensino médio, diploma de ensino médio, alguma faculdade e diploma universitário ou profissional. Surpreende não haver efeito positivo para trabalhadores com mestrado ou doutorado. Uma interpretação é que isso reflete a demanda reduzida do setor não comercializável por esses trabalhadores. Explicação complementar é que, ao contrário de outras tecnologias auxiliadas por computador, robôs industriais não complementam diretamente trabalhadores altamente qualificados.

A Figura 10 investiga o impacto da exposição a robôs sobre a distribuição salarial estimando regressões quantílicas, com a especificação-base da coluna 4 da Tabela 2. Para todos os trabalhadores, estimamos efeitos negativos e significativos abaixo do 35º percentil da distribuição de salários. Entre trabalhadores sem diploma universitário, os efeitos negativos e significativos chegam ao 85º percentil; para trabalhadores com diploma universitário ou mais, concentram-se abaixo do 15º percentil. Esses resultados confirmam que os efeitos negativos dos robôs sobre salários se concentram sobretudo na base e no meio da distribuição.

VI. Estimativas por variável instrumental e implicações locais e agregadas

Nesta seção, reportamos as estimativas por variável instrumental e exploramos suas implicações quantitativas para mudanças locais e agregadas de emprego e salários.

A Figura 9 apresenta efeitos sobre emprego e salários por escolaridade e gênero; a Figura 10, efeitos sobre quantis da distribuição salarial. Os efeitos negativos se concentram em ocupações manuais rotineiras, trabalhadores menos escolarizados e na base e no meio da distribuição salarial.

A. Estimativas por variável instrumental

Usamos a exposição americana a robôs para calcular estimativas 2SLS de βᴸ e βᵂ da equação (13). A Figura A3 mostra a relação de primeira etapa entre a exposição americana, calculada com APRᵁˢᵢ,₍₂₀₀₄,₂₀₀₇₎, e a exposição europeia, calculada com APRᵢ,₍₁₉₉₃,₂₀₀₇₎. A Tabela 7 reporta as estimativas para diferenças longas e os coeficientes e estatísticas F da primeira etapa; a Tabela A33 apresenta as estimativas OLS correspondentes.

Nos modelos-base, colunas 3 e 6 do Painel A, 1990–2007, as estimativas são −0,39, erro-padrão 0,09, para emprego, e −0,77, erro-padrão 0,15, para o logaritmo dos salários por hora. As especificações ponderadas pela população controlam, progressivamente, divisões censitárias, demografia e composição industrial, importações chinesas e empregos rotineiros. Os painéis alternativos confirmam efeitos negativos em 1990–2014, 2000–2007 e 2000–2014. Erros-padrão robustos ajustados para choques industriais correlacionados, nas Tabelas A20, A31 e A32, não diferem sistematicamente dos erros-padrão-base.

B. Magnitudes

As estimativas por variável instrumental quantificam o impacto de um robô adicional por mil trabalhadores sobre emprego e salários locais e agregados.

As estimativas das colunas 3 e 6 do Painel A implicam que a adoção de um robô adicional por mil trabalhadores em uma zona de deslocamento reduz sua razão emprego-população em 0,39 ponto percentual — aproximadamente 1% — e os salários por hora em 0,77%, relativamente às demais zonas. Esses números sugerem que um robô a mais reduz o emprego em cerca de seis trabalhadores na zona afetada, relativamente às outras. Nota 26. As magnitudes são grandes, mas não inverossímeis, pois incluem tanto o efeito direto dos robôs sobre emprego e salários quanto os efeitos indiretos sobre bens não comercializáveis, decorrentes da queda da demanda local após a perda de emprego e renda salarial observada na Seção V.G. Nota 27.

A questão mais desafiadora é em que medida — e se — emprego e salários agregados caem em resposta à adoção de robôs industriais. Como enfatizado na Proposição 3, quando as zonas de deslocamento interagem por meio do comércio e dos mercados de capitais, nossas estimativas IV locais não se traduzem diretamente em efeitos agregados: a adoção de robôs numa zona reduz os custos dos bens consumidos em outras áreas e gera ganhos de renda do capital compartilhados pelas famílias nos Estados Unidos. Para explorar essas implicações agregadas, precisamos fazer hipóteses adicionais sobre os transbordamentos entre zonas; por isso, essas estimativas agregadas exigem ainda mais cautela que os efeitos locais.

Primeiro, supomos que a Proposição 3 oferece uma aproximação confiável dessas interações e usamos as evidências de regressão e informações externas para disciplinar os parâmetros centrais do modelo. Em particular, usamos as equações (9) e (10), que expressam βᴸ e βᵂ em função dos parâmetros estruturais e das participações dos fatores. Com informações sobre as participações dos fatores e sobre σ, λ, α, ρ₀ e γᴹ/γᴸ, resolvemos os valores do inverso da elasticidade-salário da oferta de trabalho, ε, e do inverso da elasticidade da oferta de robôs, η, compatíveis com nossas estimativas IV, β̂ᴸ e β̂ᵂ.

Nota 26. O aumento de um robô por mil trabalhadores entre 1993 e 2007 equivale a 0,6 robô por mil pessoas, ou a 120 mil robôs. As estimativas implicam uma razão emprego-população privada 0,39 ponto percentual menor: aproximadamente seis trabalhadores por robô (≈ 0,0039/0,6 × 1.000), isto é, 756 mil empregos a menos. Usando 1990–2014 e o aumento de 180 mil robôs, a redução é de 720 mil empregos, ou cerca de quatro por robô.

Nota 27. Para comparação, as estimativas de diferenças empilhadas da Tabela A12 para o aumento das importações chinesas implicam queda de cerca de 1 ponto percentual na razão emprego-população: 2,5 vezes a queda de 0,39 ponto percentual associada ao maior uso de robôs industriais.

Com esses parâmetros, calculamos as implicações agregadas dos robôs a partir do modelo. As escolhas são: (1) σ = 1, elasticidade de substituição entre indústrias; (2) λ = 5, elasticidade de substituição entre variedades comercializáveis; (3) sᴸ = 0,9916, participação-base do trabalho na produção de tarefas, implícita no número de robôs nas indústrias dos Estados Unidos em 1993; (4) α = 0,67, que, junto com sᴸ, gera participação inicial do trabalho de aproximadamente dois terços em todas as zonas; (5) φ = 0,25, compatível com 18% do emprego no setor comercializável ou manufatureiro; (6) ρ₀ = 0,3, o que implica redução de custos de cerca de 30% com a adoção de robôs; (7) γᴹ/γᴸ = 3, de modo que um robô, em tarefas automatizadas, realiza em média o trabalho de três pessoas; e (8) ω = 0,02, consistente com propensão marginal a consumir lazer de 10%.

Dados esses valores, as equações (9) e (10) produzem η = 0,79 e ε = 0,17. A estimativa de η implica oferta de robôs bastante inelástica na economia local, limitando os ganhos de produtividade e gerando rendas maiores para integradores e produtores de robôs. Se os serviços locais de robôs combinarem equipamento robótico de oferta elástica com serviços de integradores de oferta predominantemente inelástica, a estimativa equivale a uma participação de aproximadamente 0,44 para o componente inelástico dos serviços dos integradores. Como os integradores locais respondem por cerca de 0,75 do custo total, aproximadamente dois terços de seus serviços seriam fornecidos de modo inelástico à economia local. A estimativa de ε, por sua vez, implica resposta elástica da oferta de trabalho, em linha com as elasticidades de Frisch “macro” consistentes com os movimentos observados de curto prazo de salários e emprego.

Nota 28. Nas Proposições 2 e 3, os autores simplificam a exposição ao considerar v₀ = 0, o que implica sᴸ = 1; as expressões mais gerais das Proposições A2 e A6 esclarecem o papel de sᴸ.

Nota 29. A produtividade relativa de três é compatível com estudos de engenharia e estimativas posteriores: robôs podem mover seis vezes mais caixas, soldar três vezes mais, assentar tijolos seis vezes mais e montar smartphones nove vezes mais rápido que humanos, conforme as fontes citadas pelos autores.

Usando essas estimativas de parâmetros, calculamos os efeitos agregados de avanços na tecnologia robótica. Prevê-se que um robô adicional por mil trabalhadores reduza os salários agregados em 0,42% e a razão emprego-população agregada em 0,2 ponto percentual — ou 400 mil empregos. De modo equivalente, um robô a mais reduz o emprego em 3,3 trabalhadores. Nota 30. Com esses parâmetros, cerca de dois terços da queda da demanda por trabalho numa zona exposta decorrem da contração do setor não comercializável. O resultado é compatível com as quedas de emprego em construção, varejo e serviços pessoais documentadas na Seção V.G: a manufatura responde por 0,16 dos 0,45 pontos de queda na razão emprego-população por robô adicional por mil trabalhadores; o restante decorre dos não comercializáveis.

O modelo também implica aumento de 0,33% na produtividade do setor comercializável, ganho de renda do capital de 1,87% e aumento de 136% no uso de robôs industriais. Esta última estimativa se aproxima do aumento de 139% no estoque de robôs observado no período. A Tabela A34 varia σ, λ, ρ₀, γᴹ/γᴸ e ω e mostra que os valores implícitos de η e ε, bem como os efeitos agregados resultantes, não são muito sensíveis a variações razoáveis.

VII. Observações finais

A disseminação de robôs, inteligência artificial e outras tecnologias de automação suscitou preocupações sobre o futuro dos empregos e dos salários. Ainda assim, havia relativamente pouco trabalho sobre os efeitos de equilíbrio de novas tecnologias de automação, especialmente de robôs. Neste artigo, investigamos os efeitos dos robôs industriais sobre os mercados de trabalho locais dos Estados Unidos. Robôs — e tecnologias de automação em geral — deslocam trabalhadores de tarefas que antes executavam; portanto, devem ter efeitos muito diferentes no mercado de trabalho daqueles do aprofundamento geral do capital e de outros tipos de mudança tecnológica, como as tecnologias que aumentam fatores. É isso que encontramos empiricamente.

Nota 30. Os efeitos agregados são semelhantes ao usar a estimativa IV de 1990–2014 do Painel C da Tabela 7: η = 1 e ε = 0,39; um robô adicional por mil trabalhadores reduz emprego em 0,15 ponto percentual e salários por hora em 0,67%, e o aumento de 180 mil robôs implica 420 mil empregos a menos e salários 1% menores.

Focalizamos a variação na adoção de robôs originada na fronteira tecnológica, aproximada pelas tendências de economias mais avançadas que os Estados Unidos em tecnologia robótica — em parte porque suas trajetórias demográficas criaram maior demanda por automação. A estratégia elimina das mudanças entre indústrias americanas os avanços robóticos vindos do exterior. Com ela e com zonas de deslocamento como aproximação dos mercados locais, estimamos efeitos negativos robustos dos robôs sobre emprego e salários.

As zonas mais expostas após 1990 seguiam tendências semelhantes às demais antes de 1990. O impacto dos robôs é distinto e não correlacionado com a prevalência de empregos rotineiros, importações da China e do México, terceirização internacional, capital de TI e aprofundamento de capital. Coerentemente com a teoria, avanços robóticos têm efeitos muito diferentes de TI e do aprofundamento geral de capital. Cada robô adicional por mil trabalhadores reduz a razão emprego-população local em 0,39 ponto percentual e os salários em aproximadamente 0,77%; como a adoção produz benefícios para outras zonas por ligações comerciais, os efeitos agregados são menores: 0,2 ponto percentual na razão emprego-população e 0,42% nos salários.

Ainda há relativamente poucos robôs na economia americana, de modo que as perdas atribuídas a eles eram limitadas até então: queda agregada de 0,2 ponto percentual, ou cerca de 400 mil empregos. Contudo, se a robótica avançar como especialistas preveem nas duas décadas seguintes, as consequências agregadas podem crescer. No cenário agressivo do BCG (2015), o estoque mundial de robôs quadruplicaria até 2025: 5,25 robôs a mais por mil trabalhadores nos Estados Unidos, implicando queda de 1 ponto percentual na razão emprego-população e crescimento salarial 2 pontos percentuais menor entre 2015 e 2025. O cenário conservador, com aumento inferior a três vezes, implica queda de 0,6 ponto percentual e crescimento salarial 1% menor. Qualquer extrapolação deve reconhecer a incerteza e a possibilidade de que efeitos de equilíbrio geral via tecnologia surjam lentamente e que emprego e salários reajam de modo diferente quando os robôs se difundirem amplamente.

Vemos este artigo como um primeiro passo para estudar as implicações de diferentes tecnologias no mercado de trabalho. Em contraste com a presunção usual nas discussões econômicas, tecnologias de automação e de não automação têm impactos distintos; diferentes ondas de automação podem trazer consequências diferentes, conforme o equilíbrio entre os efeitos de deslocamento e de produtividade. A próxima década provavelmente verá grandes avanços em inteligência artificial, aprendizado de máquina, tecnologias de comunicação e novas tecnologias de manufatura, incluindo realidade aumentada e design modular. Saber se essas tecnologias elevarão demanda de trabalho, emprego e salários é uma questão aberta e importante, que requer investigação por várias abordagens.

Referências

As referências abaixo são reproduzidas no idioma bibliográfico da publicação original.

Acemoglu, Daron, Philippe Aghion, Claire Lelarge, John Van Reenen e Fabrizio Zilibotti. 2007. “Technology, Information and the Decentralization of the Firm.” Q. J.E. 122 (4): 1759–99.

Acemoglu, Daron e David Autor. 2011. “Skills, Tasks and Technologies: Implications for Employment and Earnings.” Em Handbook of Labor Economics, v. 4B, org. David Card e Orley Ashenfelter, 1043–171. Amsterdam: North-Holland.

Acemoglu, Daron, David Autor, David Dorn, Gordon H. Hanson e Brendan Price. 2016. “Import Competition and the Great US Employment Sag of the 2000s.” J. Labor Econ. 34 (S1): S141–S198.

Acemoglu, Daron, David Autor e David Lyle. 2004. “Women, War, and Wages: The Effect of Female Labor Supply on the Wage Structure at Midcentury.” J.P.E. 112 (3): 497–551.

Acemoglu, Daron e Pascual Restrepo. 2018a. “Demographics and Automation.” Working Paper n. 24421, NBER, Cambridge, MA.

———. 2018b. “Modeling Automation.” American Economic Association Papers and Proceedings 108: 48–53.

———. 2018c. “The Race between Machine and Man: Implications of Technology for Growth, Factor Shares and Employment.” A.E.R. 108 (6): 1488–542.

———. 2019a. “Artificial Intelligence, Automation, and Work.” Em The Economics of Artificial Intelligence: An Agenda, org. Ajay Agrawal, Joshua Gans e Avi Goldfarb, 197–236. Chicago: University of Chicago Press.

———. 2019b. “Automation and New Tasks: How Technology Displaces and Reinstates Labor.” J. Econ. Perspectives 33 (2): 3–30.

Anderson, James. 1979. “A Theoretical Foundation for the Gravity Equation.” A.E.R. 69 (1): 106–60.

Armington, Paul S. 1969. “A Theory of Demand for Products Distinguished by Place of Production.” Staff Papers International Monetary Fund 16 (1): 159–78.

Arntz, Melanie, Terry Gregory e Ulrich Zierahn. 2016. “The Risk of Automation for Jobs in OECD Countries.” OECD Social, Employment and Migration Paper n. 189, Paris.

Autor, David H. e David Dorn. 2013. “The Growth of Low-Skill Service Jobs and the Polarization of the U.S. Labor Market.” A.E.R. 103 (5): 1553–97.

Autor, David H., David Dorn e Gordon H. Hanson. 2013. “The China Syndrome: Local Labor Market Effects of Import Competition in the United States.” A.E.R. 103 (6): 2121–68.

———. 2015. “Untangling Trade and Technology: Evidence from Local Labor Markets.” Economic Journal 125 (584): 621–46.

Autor, David H., Frank Levy e Richard J. Murnane. 2003. “The Skill Content of Recent Technological Change: An Empirical Exploration.” Q. J.E. 118 (4): 1279–333.

Bartel, Ann, Casey Ichniowski e Kathryn Shaw. 2007. “How Does Information Technology Affect Productivity? Plant-Level Comparisons of Product Innovation, Process Improvement, and Worker Skills.” Q. J.E. 122 (4): 1721–58.

Bartik, Timothy J. 1991. Who Benefits from State and Local Economic Development Policies? Kalamazoo, MI: W. E. Upjohn Institute.

BCG (Boston Consulting Group). 2015. “The Robotics Revolution: The Next Great Leap in Manufacturing.” Relatório técnico, Boston Consulting Group.

Beaudry, Paul, Mark Doms e Ethan Lewis. 2006. “Endogenous Skill Bias in Technology Adoption: City-Level Evidence from the IT Revolution.” Working Paper n. 12521, NBER, Cambridge, MA.

Belloni, Alexandre, Victor Chernozhukov e Christian Hansen. 2014. “High-Dimensional Methods and Inference on Structural and Treatment Effects.” J. Econ. Perspectives 28 (2): 29–50.

Bloom, Nicholas, Mirko Draca e John Van Reenen. 2016. “Trade Induced Technical Change? The Impact of Chinese Imports on Innovation, IT and Productivity.” Review of Economic Studies 83 (1): 87–117.

Borusyak, Kirill, Peter Hull e Xavier Jaravel. 2018. “Quasi-experimental Shift-Share Research Designs.” Working Paper n. 24997, NBER, Cambridge, MA.

Brynjolfsson, Erik e Andrew McAfee. 2014. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W. W. Norton.

Caroli, Eve e John Van Reenen. 2001. “Skill Biased Organizational Change? Evidence from a Panel of British and French Establishments.” Q. J.E. 116 (4): 1449–92.

Chetty, Raj, Adam Guren, Day Manoli e Andrea Weber. 2011. “Are Micro and Macro Labor Supply Elasticities Consistent? A Review of Evidence on the Intensive and Extensive Margins.” A.E.R. 101 (3): 471–75.

Curtis, Charlotte. 1983. “Machines vs. Workers.” New York Times, 8 de fevereiro.

Goos, Maarten e Alan Manning. 2007. “Lousy and Lovely Jobs: The Rising Polarization of Work in Britain.” Review of Economics and Statistics 89 (1): 118–33.

Graetz, Georg e Guy Michaels. 2018. “Robots at Work.” Review of Economics and Statistics 100 (5): 753–68.

Feenstra, Robert C. e Gordon H. Hanson. 1999. “The Impact of Outsourcing and High-Technology Capital on Wages: Estimates for the United States, 1979–1990.” Q. J.E. 114 (3): 907–40.

Ford, Martin. 2015. The Rise of the Robots. New York: Basic Books.

Frey, Carl B. e Michael A. Osborne. 2013. “The Future of Employment: How Susceptible Are Jobs to Computerisation?” Working paper, Oxford Martin School, Oxford.

Goldsmith-Pinkham, Paul, Isaac Sorkin e Henry Swift. 2018. “Bartik Instruments: What, When, Why, and How.” Working Paper n. 24408, NBER, Cambridge, MA.

Gregory, Terry, Anna Salomons e Ulrich Zierahn. 2016. “Racing With or Against the Machine? Evidence from Europe.” ZEW Working Paper n. 16-053, Mannheim.

Groover, Mikell, Mitchell Weiss, Roger N. Nagel e Nicholas G. Odrey. 1986. Industrial Robotics: Technology, Programming, and Applications. New York: McGraw-Hill.

Head, Keith e Thierry Mayer. 2014. “Gravity Equations: Workhorse, Toolkit, and Cookbook.” Em Handbook of International Economics, v. 4, org. Gita Gopinath, Elhanan Helpman e Kenneth Rogoff, 131–95. Amsterdam: North-Holland.

IFR (International Federation of Robotics). 2014. “World Robotics: Industrial Robots.” Relatório técnico, Frankfurt.

Imbens, Guido W., Donald B. Rubin e Bruce I. Sacerdote. 2001. “Estimating the Effect of Unearned Income on Labor Earnings, Savings, and Consumption: Evidence from a Survey of Lottery Players.” A.E.R. 91 (4): 778–94.

Jägger, Kirsten. 2016. “EU KLEMS Growth and Productivity Accounts 2016 Release: Description of Methodology and General Notes.” Relatório técnico, Conference Board, New York.

Katz, Lawrence F. e Kevin M. Murphy. 1992. “Changes in Relative Wages, 1963–1987: Supply and Demand Factors.” Q. J.E. 107 (1): 35–78.

Keynes, John Maynard. 1931. “Economic Possibilities for Our Grandchildren.” Em Essays in Persuasion, 358–74. London: Macmillan.

Leigh, Nancey Green e Benjamin R. Kraft. 2018. “Emerging Robotic Regions in the United States: Insights for Regional Economic Evolution.” Regional Studies 52 (6): 804–15.

Li, Guoying. 1985. “Robust Regression.” Em Exploring Data Tables, Trends, and Shapes, org. David C. Hoaglin, Frederick Mosteller e John W. Tukey, 281–343. Hoboken, NJ: Wiley.

McKinsey Global Institute. 2017. “A Future That Works: Automation, Employment, and Productivity.” Relatório técnico, New York.

Michaels, Guy, Ashwini Natraj e John Van Reenen. 2014. “Has ICT Polarized Skill Demand? Evidence from Eleven Countries over Twenty-Five Years.” Review of Economics and Statistics 96 (1): 60–77.

Moretti, Enrico. 2011. “Local Labor Markets.” Em Handbook of Labor Economics, v. 4B, org. Orley Ashenfelter e David Card, 1237–313. Amsterdam: North-Holland.

Oberfield, Ezra e Devesh Raval. 2014. “Micro Data and Macro Technology.” Working Paper n. 20452, NBER, Cambridge, MA.

Ruggles, Steven, Matthew Sobek, Trent Alexander, Catherine A. Fitch, Ronald Goeken, Patricia Kelly Hall, Miriam King e Chad Ronnander. 2010. “Integrated Public Use Microdata Series: Version 3.0 [dataset].” Minneapolis: University of Minnesota.

Simonovska, Ina e Michael E. Waugh. 2014. “The Elasticity of Trade: Estimates and Evidence.” Journal of International Economics 92 (1): 34–50.

Tolbert, Charles M. e Molly Sizer. 1996. “US Commuting Zones and Labor Market Areas: A 1990 Update.” ERS Staff Paper n. AGES-9614, U.S. Department of Agriculture, Washington, DC.

World Bank. 2016. “World Development Report 2016: Digital Dividends.” Relatório, Washington, DC.

Wright, Greg C. 2014. “Revisiting the Employment Impact of Offshoring.” European Economic Review 66: 63–83.

Zeira, Joseph. 1998. “Workers, Machines, and Economic Growth.” Q. J.E. 113 (4): 1091–117.