XiaoMi-AI文件搜索系统
World File Search SystemRestrepo
企业和总经济中的资本技能互补性
摘要我们在多部门框架中研究了具有特定于公司的多因素生产功能并允许公司特定于公司特定的因子价格楔形的互补性。我们根据跨因素的替代弹性，跨公司和部门的替代弹性以及因素强度来表征技能溢价对资本设备价格的弹性。使用法国数据，我们提供了这些公司级弹性的可靠识别。结合了这些要素，我们提供了总资本技能互补性的首次识别，该互补性允许在公司，行业和总体水平上无观察到的生产率的无观察能力偏见。我们发现，在经济和统计上具有重要程度的总资本技能互补性，但是仅这种力量就不足以产生对数据中观察到的高技能工人的相对需求的全面增加。技能促进技术变革没有体现在资本设备中。关键词：资本技能互补性，资本设备，收入不平等，技能溢价，Cresh本文是该中心贸易计划的一部分。经济绩效中心由经济和社会研究委员会资助。我们感谢Julieta Caunedo，Jonathan Dingel，Erik Hurst，Ezra Oberfield，Elena Pastorino，Pascual Restrepo，Felix Tintelnot，Giovanni Violante和许多研讨会参与者，以获取有用的评论。该项目受益于Topaze项目的资金（ANR-18-CE26-0009）。10.34724/casd）。由于Casd -Center d'Acces Securise Aux Donnees提供的安全环境，可以访问法国机密数据（参考
将专利与工人级数据联系起来的证据
∗ We are grateful to Daron Acemoglu, Philippe Aghion, David Autor, Effi Benmelech, Nicholas Bloom, Carter Braxton, Julieta Caunedo, Martin Beraja, Carola Frydman, Tarek Hassan, David Hemous, Anders Humlum, Nir Jaimovich, David Lagakos, Joseba Martinez, Michael Peters, Pascual Restrepo, Jonathan Rothbaum, Miao Ben Zhang, along with seminar participants at University of Amsterdam, BI-SHoF Conference, Boston University, CIREQ Macroeconomics Conference, Columbia GSB, FIRS, Johns Hopkins, HKUST, Labor and Finance Group, NBER (EFG, PRMP, LS, PIE), Macro-Finance Society, MIT Sloan,密歇根州立大学，赖斯大学，罗切斯特大学，伦敦大学学院经济动态学会，伊利诺伊大学乌尔巴纳·尚特阿布恩大学，多伦多大学，多伦多大学，UZH Automation，Tsinghua PBC，WFA，WFA和沃顿大学的UZH工作室，以进行宝贵的讨论和反馈。我们感谢Carter Braxton，Will Cong和Jonathan Rothbaum慷慨地共享代码。Huben Liu提供了出色的研究支持。该论文先前曾以“技术，特定的人力资本和劳动力流离失所：将专利与职业联系起来的证据”标题。The Census Bureau has reviewed this data product to ensure appropriate access, use, and disclosure avoidance protection of the confidential source data used to produce this product (Data Management System (DMS) number: P-7503840, Disclosure Review Board (DRB) approval numbers: CBDRB-FY21-POP001-0176, CBDRB- FY22-SEHSD003-006, CBDRB-FY22-SEHSD003-023，CBDRB-FY22-SEHSD003-028，CBDRB-FY23-SEHSD003-0350，CBDRB-FY23-SEHSD003-0003-064）。
海军航空站联合预备基地 (NASJRB) WILLOW GROVE 修复咨询委员会 (RAB) 会议记录
Willow Grove 海军看守站点办公室 Willow Grove 海军看守站点办公室 Bill Gildea-Walker* 霍舍姆镇经理 Tom Ames 霍舍姆土地重建局 (HLRA) Mike Shinton HLRA Larry Burns HLRA Mike Pickel** 霍舍姆水务和污水管理局 (HWSA)/RAB 成员 Toby Kessler Gilmore and Associates, Inc.（HWSA 顾问） Laura Restrepo 美国参议员 Fetterman 的办公室 Ashley Conaway 宾夕法尼亚州参议员 Frank Farry 的办公室 Alex Myers** 宾夕法尼亚州众议员 Melissa Cerrato 的办公室/RAB 成员 Hope Grosse** Buxmont 安全用水联盟/RAB 成员 Joanne Stanton** Buxmont 安全用水联盟/RAB 成员 Tracy Carluccio 特拉华河流守护者网络 Ed Rodgers 特拉华河流守护者网络 Joseph McGrath** RAB 成员 Samantha Slaff** 成员RAB Alan McPeak** RAB 成员 Rick Newsome** RAB 成员 Danette Richards** RAB 成员 Ellen Zschunke Horsham Council Elect John Jackson 州众议员 Maria Collett 办公室 Carl Meixsell 公众成员 Denise Boecklen 公众成员 Michael Treacy 公众成员 Guido Fetta 公众成员 Eric White Montrose Environmental Seth Winkleman 公众成员 Steve Moss DLA Piper Lesley Chuang DLA Piper Mark Higgins Haley & Aldrich John Bartos Haley & Aldrich 电话呼叫者 1 公众成员 电话呼叫者 2 公众成员 电话呼叫者 3 公众成员 Mike P. 公众成员 Beth 公众成员 KL 公众成员
垄断市场中的人工智能采用 Joshua S. Gans...
虽然经济学中已经探讨了有关人工智能采用的某些主题，包括其在劳动力替代中的作用（Acemoglu & Restrepo (2018)）以及在潜在地促进勾结（Calvano 等人(2020)），但很少有人关注人工智能的最新发展将如何影响企业的“核心”业务。也就是说，人工智能的采用将如何改变企业的价格和数量决策？通常，技术变化通过流程创新（降低生产的边际成本，从而降低价格和扩大数量）或产品创新（改善需求，从而导致价格上涨，数量含义不明确）来影响这些决策。绝大多数情况下，采用此类创新被认为对企业和消费者都有利，尽管也有例外（Bryan & Williams (2021)）。AI 采用的某些方面确实会对企业产生影响，例如标准创新。但从本质上讲，最近的 AI 发展是预测统计的进步——允许企业生成和使用以前无法获得的信息（参见 Agrawal 等人(2019)）。对于此类创新，采用的回报和对消费者福利的影响并不一定是简单的。在这里，我们探讨了一类典型的预测，这些预测 (a) 对大多数公司都有价值，并且 (b) 对这些公司做出的价格和数量决策有明确的影响。我们研究公司需求的预测。通过使用机器学习等 AI 方法收集更大的消费者数据集和更复杂的多特征需求预测模型，未来，公司可能能够在做出关键价格和数量决策之前准确、更提前地预测需求。这促使我们研究信息的改善将如何影响企业行为的理论。本文探讨了从不确定需求转向确定需求对单一垄断企业的影响。1 探索这一问题的技术挑战不是在采用人工智能后对价格和数量结果进行建模——这些结果沿着通常的教科书思路进行——而是在采用人工智能之前对这些选择进行建模。具体而言，正如几十年前所指出的那样（Mills (1959)），当面临需求不确定性时，企业的价格和数量选择变得具有挑战性，并且不会像教科书那样陷入单一维度。此外，不同的公司面临的信息环境也不同，这取决于相对于需求揭示的决策时机以及需求预测的时间范围。这引发了许多案例和场景，必须对其进行分析，才能全面了解人工智能的采用对公司选择的影响。
企业 AI 态势的缺失环节
人工智能（OECD，2019），尤其是当它与高技能职业结合使用时（Bughin 等人，2018；Pissarides 和 Bughin，2018；Balsmeier 和 Woerter，2019）。在这里，我们假设人工智能有一些相关的就业机会，因为人工智能技术在提供超越自动化效率的好处方面是独一无二的。人工智能突破性创新的例子包括自动驾驶汽车的兴起、ChatGPT 和大流行疫苗的快速发现。事实上，对先前技术的实证研究已经表明，利用技术推出新的成功产品创新的公司可以促进就业。1 最近，Babina 等人。( 2020 ) 关于人工智能的开创性研究得出结论，基于人工智能的产品创新与就业增长呈正相关。我们的贡献在几个方面超越了 Babina 等人。( 2020 )。首先，我们的前提是研究应该避免选择狭窄的范围，例如仅将自动化或仅将创新作为人工智能的来源。相反，我们研究企业如何在人工智能的两种好处之间分配资源。其次，我们对人工智能部署如何影响就业动态的实证分析明确植根于企业对任何一种形式的人工智能进行战略投资的博弈论框架。虽然还存在其他概念框架，但我们的理论允许我们强调企业竞争和人工智能投资组合，这是人工智能采用最终如何影响企业就业的关键驱动因素。2 特别是，我们扩展了 Acemoglu 和 Restrepo (2020) 的任务型模型，以解释基于人工智能的创新收益以及企业之间的寡头竞争。第三，我们的实证检验基于对多个行业和国家的 3,000 多家大公司的全面调查。依赖调查的优势在于，调查可以收集原本无法访问的数据，作为私人信息，例如每种人工智能技术的利用程度，以及其人工智能投资背后的公司战略方向。其他基于调查的人工智能研究，如 Lee 等人的研究。( 2022 )，Rammer 等人。( 2022 ) 或 Czarnitzki 等人。( 2023 ) 也收集了有关所采用的各种 AI 技术的信息。我们的调查内容更丰富，因为它利用了采用 AI 的战略意图类型（创新或效率），并研究了可能受 AI 影响的各种类型的资产（例如资本、劳动力或中间产品）。3 其他关于 AI 和工作水平的研究，例如 Babina 等人。（2020），Damioli 等人。（ 2022 ），Fossen 和 Sorgner （ 2022 ），
人工智能的采用和系统范围的变革
在过去十年中，人工智能 (AI) 已成为一种潜在的通用技术 (Cockburn 等人 (2019))。在机器学习进步的推动下，各个领域的预测成本开始加速下降 (Agrawal 等人 (2018a))。这引发了一些有趣的问题：人工智能将在哪些领域得到采用，以及它对就业和企业的潜在颠覆性影响 (Gans 和 Leigh (2019)、Frey 和 Osborne (2017)、Brynjolfsson 和 McAfee (2017))。到目前为止，我们对人工智能采用的概念主要在任务或决策层面上运作 (例如，Frank 等人 (2019)；Acemoglu 和 Restrepo (2018))。例如，为了预测人工智能对就业的潜在影响，已经进行了大量练习，旨在识别受人工智能威胁的工作、构成威胁的工作的任务以及自动化对工作场所的更普遍影响（Webb（2020）；Brynjolfsson 和 Mitchell（2017）；Brynjolfsson 等人（2018）；Felten 等人（2018））。尽管如此，一些人质疑这种任务级别的关注是否合适。Bresnahan（2020）认为人工智能是一种信息技术，传统上这种技术需要组织重新设计才能全面采用。这在早期 IT 的采用模式中显而易见（Bresnahan 和 Greenstein（1996）；Bresnahan 等人（2002）；Aral 等人（2012）；Dranove 等人（2014））。 Bresnahan (2020) 质疑了可以在任务层面分析 AI 采用情况的观点，而与任务所在的组织环境无关。Bresnahan 将组织的模块化程度确定为 AI 采用的预测指标。当一个组织是非模块化的时，改变一个部分的决策性质（就像采用 AI 时会出现的情况一样）可能需要改变其他地方的决策和实践。他认为，整个非模块化组织都需要进行调整，这可能会阻碍 AI 的采用。相反，Bresnahan 预测 AI 将主要在现有的模块化组织中采用，并且只有在其他组织被重新设计为模块化时，AI 才可能被采用。我们建立了一个模块化在 AI 采用中的作用模型。我们考虑一家公司，其价值来自两个决策（类似于任务）的结果。模块化是指公司从一个决策中获得收益的程度，即使这两个决策没有正确对齐。在基线模型中，决策者不知道外部状态，因此不知道正确的操作。因此，他们选择最有可能正确的操作。无论模块化程度如何，决策者都没有必要进行沟通。他们总是做同样的事，而且通常是正确的，但并非总是正确的。