機器換人會帶來社會動蕩嗎？來自英國工業革命時期的證據

來自專欄 量化歷史研究

這篇文章是錢超峰同學為「量化歷史研究」公眾號寫的推送，轉載已經公眾號同意，拉到底部可以看公眾號簡介。

最近，隨著人工智慧和機器人的大熱，科技領袖們屢屢提出「未來50%的就業會被AI取代」、「三十年後我們都將失業」的警告，技術革新將加劇就業壓力的隱憂越來越成為懸在每一個年輕人之上的達摩克利斯之劍。而且這並不是聳人聽聞，前沿經濟學者已經論證了最近二十年里美國工業機器人的廣泛運用已造成失業率有所提高，特別是在勞動力密集型產業中尤為明顯。

這個發現並不令人驚奇。在傳統社會，統治者拒絕創新的一大理由就是認為先進技術會衝擊舊有就業格局，導致大量失業，從而影響穩定。比如近代中國歷史上關於鐵路的爭議中，保守派大臣就擔憂鐵路興建會使得運河水手和挑擔伙夫無立錐之地，而這群人本就是最不安分的。

這種擔憂不是毫無根據的，不少文獻已經關注到技術革新與社會動蕩的關係。最近一篇來自Bruno Caprettini和Hans-Joachim Voth的工作論文「Rage Against the Machines: Labour-Saving Technology and Unrest in England, 1830-32」，對英國工業革命進程中這一現象進行了考察，發現脫粒機的廣泛利用造成農業工人失業，從而引發斯威暴動（Swing Riots）。

斯威暴動是發生在1830年夏秋季節英格蘭的一場騷亂，主要是在農村地區，在發起暴動的威脅信中常常署名為斯威船長（Captain Swing），因此而得名。和稍早前在城市工業領域發生的「盧德運動」相似，農民（具體而言，處於底層的佃工、短工）因為感受到種種壓力，揭竿而起，在英格蘭大地上破壞了數以百計的農業機器（超過90%是脫粒機，當時最重要的農業機械）。最終，農場主們不得不作出妥協，給予農業工人更好的待遇，這次騷亂才平息下去。

在分析了當時的社會環境之後，作者認為：除了過去聚焦的農村賦稅加重、舊濟貧法面臨廢除、法國革命的影響對暴動的解釋之外，在勞動力市場上，農業勞工面臨數以十萬的拿破崙戰爭退役軍人和農業機械嚴酷競爭，是本次騷亂髮生的關鍵原因。夏秋之際也正好是麥子收割時節，脫粒機的廣泛使用，讓過去以打穀為生的農業短工們季節性失業。作者分析道：雖然同樣是競爭者，但是短工們不可能跟退伍兵哥哥拼個「以卵擊石」，所以他們的仇恨就引向了不會說話的脫粒機。文章因此提出假設：當地脫粒機越多，這種勞動力競爭就越強烈，越有可能引發騷動。

為了檢驗脫粒機的數量對於暴動的影響，作者收集整理了脫粒機廣告信息、斯威暴動的時空分布數據、1821年英國各教區人口調查、聯合國糧農組織（FAO）提供的農業環境數據和其他一些經濟社會數據。其中，作者將報刊廣告中脫粒機出現在各地的頻次作為解釋變數各地脫粒機數量的替代，而各地發生暴動事件次數則是因變數。

在控制人口密度、與大城市的距離、農業就業結構、教區面積等變數後，作者的基準回歸結果顯示：當地使用脫粒機的數量越多，所引發的暴動次數也就越大。在添加了教區的固定效應和將解釋變數限定為農村地區發生的暴動情況後，脫粒機的影響依然顯著。

作者使用FAO提供的小麥產出潛能作為工具變數，來進一步識別因果關係。首先，作者在統計中發現：小麥適種指數高低，與脫粒機數量多少顯著相關。並且，由於19世紀英國農業市場的高度自由化，脫粒機對小麥生產又是如此重要，小麥種植旺盛的地區顯然會有著更大的脫粒機需求。因此，作者選擇該工具變數是站著住腳的。作者建立了2SLS模型及其簡化方程，檢驗了小麥適宜性對於暴動的影響。因為這個作用只能是通過脫粒機的數量來傳導，由此進一步驗證了前述因果推斷的可靠性。

同樣地，作者還進行了一些穩健性檢驗。因為FAO的小麥期望產量是建立在現代農業基礎上的，19世紀還不存在化肥、良種和先進農業管理，所以作者用低投入水平下的產出數據重新進行了2SLS以及簡化方程的檢驗，依然可得到之前的結論。控制空間自相關效應、改用縱火犯數量作為因變數以及將樣本限定在距離新聞點40英里之內，結論也依然成立。

作者用歷史上的事件證明了技術革新可能造成的負面效應，印證了當代對於「AI換人」的擔憂。雖然從長遠看，機器人或人工智慧的應用，勢必將促進經濟社會發展和人類自身的解放，但在短時期內，這也肯定會對一部分勞動力市場衝擊。如果不能未雨綢繆，在發展機器人等技術的同時調整升級勞動力結構，斯威暴動的重演，恐怕也不是危言聳聽。

「量化歷史研究」公眾號由陳志武（耶魯大學終身教授、香港大學馮氏基金講席教授）和龍登高（清華大學社科院經濟研究所教授）及其團隊負責。以嚴肅而又不失活潑的方式，向廣大學界和業界朋友，定期推送有關七大洲五大洋的量化歷史研究經典文獻和前沿文獻。本賬戶同時作為「量化歷史講習班」信息交流平台，向大家及時發送講習班的最新信息和進展。喜歡我們的朋友請搜尋公眾號：QuantitativeHistory。

推薦閱讀：