人工智能、技能和生产力：出租车司机的案例

美国国家经济研究局工作论文系列 人工智能、技能和生产力: 出租车司机 Kyogo金泽Daiji川口仁Shigeoka Yasutora渡边 30612年工作报告http://www.nber.org/papers/w30612 国家经济研究局(NATIONALBUREAUOFECONOMICRESEARCH) 麻萨诸塞州大道1050号马萨诸20塞22州年,1剑0月桥02138 我们感谢足立大辅、费尔南多·阿拉贡、克里希纳·彭达库尔、凯文·施内佩尔、健介丰岛、ft口慎太郎、张洪亮和AASLE的研讨会参与者， 一桥大学、莫纳什大学、NBER日本项目会议、日本大学、大阪大学和西蒙弗雷泽大学的优秀意见和建议。 本文中使用的数据由一家开发AI的匿名科技公司提供。应用。我们没有公司的财务支持或任何其他利益冲突。 这项研究得到了日本科学技术振兴机构（JPMJRX18H3）的资助。 金泽：kanazawa-kyogo@g.ecc.u-tokyo.ac.jp，川口：kawaguchi@e.u-tokyo.ac.jp，重冈：hitoshi_shigeoka@sfu.ca，渡边：yasutora.watanabe@gmail.com景色 本文表达的是作者的观点，并不一定反映国家的观点经济研究局。 至少有一位合著者披露了与此相关的其他关系 研究。更多信息可在线获取http://www.nber.org/papers/w30612.ack 分发NBER工作文件供讨论和评论之用。他们没有同行评审或接受NBER董事会的评审 NBER的官方出版物。 ©2022年由金泽京吾、川口大司、重冈仁和渡边康彻。都版权。短段文字，不超过两段，可以引用，没有 明确许可，前提是对来源给予全部信用，包括©通知。 人工智能、技能和生产力：出租车司机的案例金泽京吾、川口大司、重冈仁、渡边康彻 美国国家经济研究局工作论文30612号 2022年10月 冻胶。J22、J24L92R41 摘要 我们研究了人工智能（AI）对出租车背景下生产力的影响 司机。我们研究的人工智能通过建议路线来帮助司机找到客户预计需求将很高。我们发现人工智能通过缩短 巡航时间，这种收益只归功于低技能司机，从而缩小了生产力 高技能和低技能司机之间的差距增加了14%。结果表明，人工智能对人类的影响劳动力比工作流离失所的故事更微妙和复杂，这是主要焦点 现有的研究。 Kyogo金泽仁Shigeoka 经济部门 7-3-1Hongo村,Bunkyo-ku 东京113-8654 日本 kanazawa-kyogo@g.ecc.u-tokyo.ac.jp Daiji川口 经济部门 西蒙弗雷泽大学 8888大学驱动器,WMC4653 本拿比,公元前V5A1s6和国家经济研究局hitoshi_shigeoka@sfu.ca 东京大学Yasutora渡边 研究生院经济学 Hongo村7-3-1,Bunkyo-ku 日本东京。113-0033 经济部门东京大学日本 kawaguchi@e.u-tokyo.ac.jpYasutora.Watanabe@gmail.com 1介绍 人工情报(AI)有的潜在的来大大重塑就业(即- jolfsson等艾尔。2018).的分配后果的人工智能可以是从根本上不同的 从那些的过去的技术,这样的作为它和机器人技术,哪一个是被认为是来是技能增加和不平等增强。1而过去的技术有取代的肾阳, 齿和手册任务的低技能工人,人工智能五月取代非常规认知任务的典型的高技能工人(韦伯2020). 之前作品在的劳动力市场后果的人工智能焦点主要是在工作位移在occupations-identifying的类型的职业那是更多的暴露和取代, 能力通过人工智能。2来更好的理解的影响的人工智能在的劳动市场,然而,的 基本因素来考虑是如何生产力,哪一个戏剧一个至关重要的角色在determin- 荷兰国际集团(ing)就业和工资,是影响通过人工智能。此外,过去的研究隐式地假设那所有工人在的占领是统一影响通过人工智能,失踪实质性的 职能上非均质性的技能为的任务那可以是取代通过人工智能。3 来填满的差距,我们研究的影响的人工智能在生产力在不同的工人技能 在的上下文的出租车驱动程序。出租车司机是一个理想的情况下来回答这的问题。首先,一个工人的个人生产力是很容易测量通过的长度的时间它需要来抓 客户;每一个司机作品独立和有相当大的自由裁量权作为来如何他们 找到客户。我们的数据显示那在一个一半的司机的工作时间是专门来搜索为(和的剩下的来携带)的客户,不包括断裂。因此,客户 搜索是在的大多数重要的任务为出租车驱动程序。第二,的工作环境的 出租车司机提供了一个清洁设置来研究生产力,因为所有司机工作在一个非常类似的设置;出租车司机利用的相同资本,负责的相同价格,和脸的 相同输入价格。 的特定的人工智能我们研究是被称为“人工智能纳维。”哪一个帮助司机找到客户当一个出租车是巡航。的人工智能建议路线基于在预测需求来最大化的概率, 能力的捕捉的客户,鉴于的当前的的位置。因此,这人工智能是预期来改善的生产力的司机通过减少搜索时间。这类型的人工智能,哪一个增加 1例如,奥特等艾尔。(2003);Bartel等艾尔。(2007);阿西莫格鲁和雷斯特雷波(2020,2022). 2这些研究是基于在一个基于任务的模型的技术和劳动(阿西莫格鲁和雷斯特雷波2018), 在哪里每一个占领由的各种各样的任务和自动化发生在的任务的水平。在这框架, 一个占领在哪一个一个高比例的任务可以是取代通过人工智能是被认为是高度暴露来人工智能 (例如,法尔顿等艾尔。(2018,2019);弗兰克等艾尔。(2019);韦伯(2020);Alekseeva等艾尔。(2021).) 3的只有例外,来我们的的知识,是Grennan和本月的(2020)研究中,哪一个文档那 安全分析师谁封面股票那是更多的暴露来人工智能是更多的可能来离开的职业,和 准确的分析师是甚至更多的可能来做所以。的主要的区别是那我们研究的影响在生产力。 的精度的预测任务从的模式的数据使用机学习技术, 是广泛使用在真正的业务设置(Agrawal等艾尔。2018,2019).4需求预测过程的预测未来客户需求是一个的许多现有的预测任务。来 的程度上那这需求预测技能是一个重要的组件的出租车司机的技能集,的影响的人工智能在生产力五月不同通过司机的技能。 我们的经验策略比较的危害率的发现客户当人工智能是转在和当它是转从在的相同驱动程序。来地址的潜在的内生性 的的时机的人工智能使用情况,我们控制为丰富的集的固定影响(菲)来账户为潜在的需求,即病房里,和date-hour菲斯。我们的识别的假设,因此,是 那把在的人工智能是拟随机后控制为这些细粒度的集的菲斯,和我们经验演示的有效性的这假设。在另外,我们使用的下降 位置的的以前的客户作为一个仪器为的司机的决定来转在人工智能,假设那的客户的目的地选择是外生来的司机,和那的 学位的(联合国)熟悉的的下降位置是相关与的司机的决定来转在人工智能那次助攻在发现客户。 我们找到那人工智能提高了的生产力的出租车司机通过缩短的搜索时间通过5%,在平均水平。估计与和没有4收益率类似的结果,让人安心那 的内生性的人工智能使用是不一个严重的担忧,鉴于的丰富的集的固定效果。重要的是,的生产力获得是集中在低技能驱动程序;的影响在 低技能司机,在哪里技能是定义通过以前的开车的性能,是7%,而的影响在高技能司机是近零或甚至负(虽然不统计 重要的)。作为一个结果,的人工智能纽约湾海峡的生产力差距之间的高和低技能 司机通过关于14%.这些结果表明那的人工智能是一个替代为工人技能,在至少在这上下文。 我们的结果有影响为的分配后果的人工智能。大多数现存的研究显示那人工智能技术主要伤害高技能职业,作为一个人工智能替代品为任务那需要的类型的技能那高技能工人拥有(见,例如,韦伯 2020).相反,我们显示那在一个职业,一个人工智能可以潜在的好处低收入熟练的工人而不影响高技能工人多。而这两个结果点出 艾未未的潜在的来狭窄的的差距之间的高和低技能工人,我们的结果建议 一个不同的通道通过哪一个的生产力差距五月是减少了。总的来说,我们的情况下表明那的影响的人工智能在人类劳动是更多的细致入微的和复杂的比一个工作更换的故事。 4“当前的一代的人工智能提供了工具为预测和小其他的。”(Agrawal等艾尔。2018,p。 133). 的当然,这是一个情况下研究中,和我们的发现说话只有来的情况下的出租车驱动程序 。 尽管如此,来的程度上那的核心技能的一个工作涉及到一个预测任务从的模式的数据,和的人工智能提高了的精度的这预测的任务,我们的结果五月也是适用的来这样的的职业。为的例子,人工智能那评论合同为不寻常的 条款和人工智能那检测细胞在恶性肿瘤可能改善的生产力 的低技能律师助理和低技能病理学家,分别更多的比那些的他们的高技能同行。 2背景和数据 2.1设置 我们研究出租车司机在横滨的城市,哪一个是相邻来东京。横滨城市有一个人口的3.77百万,的第二个最大在日本后东京。与一个区域的435公里2(约7次的区域的曼哈顿),横滨城市是划分成18病房。作为 的12月2019,在那里是8,842注册出租车司机工作为taxi-operating公司在的的城市。请注意那在线ride-hailing服务(例如,超级和抓住)是不允许在日本在我们的样本时期。 的相同价格时间表适用于来大多数出租车在的的城市。的票价是的总和的的固定负责为的第一个2公里(JPY740;JPY140是约1美元)和的变量负责 后的第一个2公里,哪一个是确定通过距离和时间,作为在其他通常设置 的出租车交通工具。出租车司机在我们的数据工作为taxi-operating公司,和他们是支付一个固定百分比的的票价他们收集(通常是之间的45和60%基于在我们的 面试与一个随机集的司机),与一个保证基线工资所以那他们将不工作下面最低工资。司机做不承担任何变量成本(包括气体)。 2.2人工智能纳维 人工智能纳,发达通过一个科技公司,是设计来帮助司机找到客户当的 出租车是巡航。使用一个机器学习技术,人工智能纳的需求预测能力是基于在最近开车记录在横滨的城市。 更多的具体地说,当转,人工智能纳维建议路线为出租车司机来最大化 的概率那一个出租车将抓的客户,鉴于的位置的的出租车。因此,人工智能是预期来改善的生产力的出租车司机通过减少巡航时间。数字A1 显示一个快照的人工智能纳维当它是转上。人工智能纳维显示的建议路线 在绿色与一个红色的箭头,鉴于一个出租车的当前的的位置,和红色的点表明的位置与潜在的客户。 我们更喜欢搜索时间作为一个生产力测量在传统的结果(例如,每天 销售或小时工作),因为现有的研究在出租车司机,这样的作为卡默勒等艾尔。 (1997),演示那出租车司机五月选择的小时工作根据在他们的生产力(例如,有针对性的收入)和因此,这样的行为反应五月污染 的测量的生产力。同时,作为提到上图中,更多的比一个一半(57.96% 从我们的数据,不包括休息时间)的一个司机的工作时间是专门来巡航,和因此改善的效率的搜索活动是至关重要的为驱动程序。最后,减少搜索 时间是的直接客观的的这特定的人工智能。 2.3数据 ≈ 我们的数据是提供通过的科技公司那发达人工智能纳维。来收集场数据,的公司提供人工智能纳维来约500出租车司机(6%)工作为taxi-operating 公司在横滨城市为免费的在的期的12月3来31,2019(29天)。出租车 司机谁参加了在这免费的试验收到了没有奖励或点球为使用或不使用的的应用程序。因此,它是完全向上来的自由裁量权的出租车司机是否和 如何经常来使用它。在另外,我们有数据为的期两个个月之前的免费的试验(例如,10月和11月2019),哪一个我们使用来构造司机的技能基于在他们的生产力在这pre-period。不幸的是