Неравенство и автоматизация (Часть 1)
«Нью-Йорк Таймс» вновь решила напугать нас ужасами автоматизации рабочих мест. В прошлый раз газета пыталась убедить неискушенных читателей, что рабочие места являются «святая святых», которой нужно подчинять все экономические решения. Сейчас издание пускает в ход гораздо более основательный аргумент: технологии автоматизации усиливают неравенство.
Для убедительности «Нью-Йорк Таймс» привлекает «тяжелую артиллерию»: маститейшего Дарона Аджемоглу и прекрасного специалиста по теме ИИ в экономике Эрика Бринйолфссона. Давайте подробнее ознакомимся с их позицией и решим, стоит ли начинать бояться технологий.
По мнению Аджемоглу, для экономики отдача от инвестиций в машины и программное обеспечение все еще остаётся неочевидной. Напротив, рост неравенства от этих инвестиций бросается в глаза.
Так ли дела обстоят на самом деле? Поскольку Аджемоглу анализирует экономику США, посмотрим на американскую производительность труда:
Как видим, за прошедшие десятилетия производительность труда продолжала расти. Можно, конечно, посетовать на низкий темп в недавнее время. Но утверждать, что он мог возникнуть потому, что пропал толк от машин и ПО, вряд ли возможно.
Тем не менее, проверим, мог ли рост производительности в последнее 10-летие идти исключительно за счет качества работников. Прямых способов измерить его, конечно, нет. На практике часто используют уровень образования рабочей силы. Действительно, в США с 2011 доля экономически активного населения с высшим образованием выросла на 7,8 п.п., с 35,5% до 43,3%.
Но мог ли рост образованных работников на 0,8% в год сам по себе привести к росту производительности на 1,2%? Маловероятно. Для этого требуется, чтобы производительность людей с высшим образованием была в 2,6 раза выше, чем у людей без него. Рынок зарплат не подтверждает эту гипотезу: работодатель в среднем платит за высшее образование только в 1,7 раз больше.
Еще более интересная картина возникнет, если мы посмотрим на уровень неравенства. Для его оценки возьмем интегральный показатель - коэффициент Джини. Вот его динамика:
Мы увидим, что наиболее значительный рост неравенства произошел с 1979 по 1993, почти на 6 п.п. За следующие 13 лет он вырос еще на 1 п.п., достигнув отметки 41,4 в 2006. И в 2018 он находился точно на таком же уровне.
Если следовать логике Аджемоглу, в 1980-ых США инвестировали уйму денег в машины и ПО, cоздав уровень неравенства, больше характерный для банановых республик. И затем почти прекратили вкладывать капитал в автоматизацию. Но это совершенно противоречит статистике. В 1979-1993 уровень частных инвестиций в оборудование в Штатах колебался в пределах 2,8-3,2% ВВП. И как раз после 1993 он пошел в рост, достигнув в 2019 6,6% ВВП:
Однако Аджемоглу ссылается на свои собственные исследования: в частности, на совместную с Паскуалем Рестрепо работу «Tasks, Automation, and the Rise in US Wage Inequality», опубликованную в июне прошлого года. И утверждает, что, согласно ей, половина, а то и больше роста неравенства зарплат за последние 40 лет обьясняется автоматизацией задач, прежде выполняемых людьми.
Что ж, для того, чтобы оценить обоснованность этого утверждения, нам понадобится погрузиться в детали упомянутой выше научной работы. Она написана весьма обстоятельно и даёт богатую пищу для размышлений.
Итак, в качестве исходных данных для анализ Аджемоглу и Рестрепо берут, с одной стороны, 49 отраслей экономики США, и, с другой, 500 демографических групп населения, которые в этих отраслях работают. Группы формируются по пяти признакам: пол, уровень образования, возрастная когорта, раса/этничность и иммигрантский статус (каждая группа - это уникальная комбинация признаков).
Для каждой группы авторы подсчитывают долю оплаты труда, приходившуюся в 1980 на рутинные специальности. Под рутинными специальностями Аджемоглу и Рестрепо понимают 33% из числа всех позиций, на которых доля рутинных операций - как ручных, так и когнитивных - наиболее высока. Фактор «рутинности» является очень важным. Во-первых, среди многочисленных упрощений, характерных для экономического моделирования, используется одно очень важное: авторы исходят из того, что автоматизация происходит только в рутинных специальностях и ни в каких других. Во-вторых - забегая вперед - связь между автоматизацией и динамикой зарплат будет найдена только при учете доли «рутинной» занятости в каждой демографической группе.
Но пока вернемся к отраслевым данным. Если мы хотим измерить эффект от автоматизации, то в первую очередь встает вопрос: как оценить, насколько сильно она продвинулась? Для этого Аджемоглу и Рестрепо применяют два подхода. Первый - изменение доли труда в валовом доходе отрасли, которая не может быть объяснена изменением цен на факторы производства. Логика понятна: чем больше капитала и чем меньше труда стала использовать отрасль - тем больше работников были заменены машинами и алгоритмами.
Второй подход более специализирован. Авторы рассчитывают степень внедрения промышленных роботов, долю добавленной стоимости, приходящуюся на специализированное оборудование и на программное обеспечение, и формируют на основе этих данных сводный индекс автоматизации.
На графике ниже представлены результаты обоих подходов. Синие столбики - первый подход, оранжевые - второй.
На что здесь стоит обратить внимание? Во-первых, отрасли, в которых произошло наиболее сильное сокращение доли «рутинного» труда. Это горнодобыча, трубопроводный, ж/д и авиатранспорт, химическая промышленность, переработка угля и нефти, металлургия. Мягко говоря, далеко не самые очевидные кандидаты на максимальную автоматизацию.
Что объединяет эти отрасли? За исключением авиатранспорта, они представляют собой околосырьевой бизнес, зависимый от колебаний цен на продукцию и международной торговли. Напротив, неторгуемые отрасли концентрируются в противоположном конце графика, некоторые из них даже увеличили долю труда в добавленной стоимости.
Во-вторых, два подхода демонстрируют весьма различные результаты для одних и тех же отраслей. При подгонке коэффициентов для сводного индекса автоматизации Аджемоглу и Рестрепо смогли достичь только 50% объясняемой дисперсии для снижения доли труда. В топ отраслей по росту индекса автоматизации попали автомобилестроение, ИТ, пищевая промышленность, производство резиновых и пластмассовых изделий и юридические услуги. Единственное совпадение с первым подходом - металлургия. Надо сказать, что этот список выглядит уже более похожим на лидеров автоматизации.
На данном этапе существенным выводом является то, что снижение доли труда в добавленной стоимости отрасли коррелирует как со снижением зарплат на «рутинных позициях», так и со снижением количества таких рабочих мест. Вывод хотя и ожидаемый, но статистическая связь на удивление слабая: R^2 составляет всего 12%.
Следующий график не очень хорошо читается, но он важен как раз для понимания того, откуда взялся рост неравенства с 1980. На графике показана связь средней зарплаты (для демографической группы) и степени автоматизации рутинных позиций за 1980-2016. Если приглядеться, самые малооплачиваемые группы подверглись среднему давлению автоматизации. Группы со средней зарплатой сконцентрированы вверху графика, где интенсивность автоматизации наиболее высока. И дальше с ростом средней зарплаты интенсивность автоматизации быстро падает. Те, кто зарабатывал в 1980 больше всех, оказались практически ей не затронуты. Обратите внимание на желтые кружки внизу графика - они обозначают группы с поствузовской степенью, которым автоматизация оказалась не страшна:
Как видим, сокращение рутинного труда затронуло в первую очередь пресловутый «средний класс» и вызвало поляризацию, то есть то самое неравенство. Для тех, кому оказался не по зубам «гранит науки», влияние автоматизации видно невооруженным глазом. См. левую панель на графике ниже, где по вертикали показано изменение реальной заработной платы:
Правая панель, показывающая изменение зарплат демографических групп в 1950-1980, призвана показать, что речь не идёт о каких-то фундаментальных трендах. В этом периоде зарплаты росли вне особой зависимости от (будущей) автоматизации. Но это разительное отличие поднимает вопрос, который авторы деликатно обходят стороной: а что же изменилось в 1980-ых?
Трактовка Аджемоглу и Рестрепо заключается в том, что «до 1980 не было значительного прогресса в технологиях автоматизации». Опять же, никаких эмпирических свидетельств в пользу такой трактовки они не предоставляют. Ну хорошо, пускай мы сузим трактовку термина ”automation”: в английском он подразумевает использование самоуправляемых машин. Даже в этом случае технологии автоматизации массово внедрялись задолго до 1980. Английская Вики хорошо освещает тему:
«В 1920-ых электрификация значительно увеличила производительность на фабриках… Контроллеры, способные делать рассчитанные изменения в ответ на отклонение от заданного параметра, в отличие от включения-выключения, начали появляться в 1930-ых. Контроллеры позволили обрабатывающей промышленности продолжить показывать рост производительности, замещая падающий вклад от электрификации производств.
...До автоматизации многие химические продукты делались партиями. В 1930, с учетом широкого распространения инструментов и началом использования контроллеров, основатель «Dow Chemical Co.» призывал к непрерывному производству.
Производство стирольных пластиков, «Dow Chemical Co.», 1942…В 1959 нефтеперерабатывающий завод ”Texaco” в Порт-Артуре стал первым химическим производством, использующим цифровой контроль. Перевод фабрик на цифровой контроль стал быстро рапространяться в 1970-ых по мере того, как падали цены на компьютерное оборудование.
...Металлообрабатывающие станки были автоматизированы в 1950-ых с помощью числового программного управления, используя перфоленту.»
Тут можно спорить о том, что современный масштаб автоматизации несопоставим с первыми шагами, которые делались до 1980. Хорошо. Но если не зацикливаться на узкой трактовке автоматизации, то у нас всё равно остаётся огромный эффект от механизации труда в обоих периодах. Механизации, которая точно так же замещала трудовые задачи и целые профессии. И которая точно так же концентрировалась на рутинных задачах: хрестоматийный пример - копание земли, где экскаватор заменяет целый отряд рабочих.
Телефонистки подверглись массовому замещению автоматическими системами в 1930-1940-ых
Были ли замещенные задачи в 1950-80? Да, были. Причем, ориентируясь на темпы роста факторной производительности, таких замещенных задач было куда больше, чем в 1980-2016. Почему же на это так не реагировали зарплаты и концентрация неравенства? Мало того, реакция была совершенно противоположной: и в 1930-е, и в 1940-е, и (менее интенсивно) в 1950-70-е неравенство сокращалось.
Пока это так и останется необъясненным. Более того, немного позднее мы еще раз коснемся странностей, возникающих при временном сопоставлении обнаруженных закономерностей.
Вернемся к неравной динамике зарплат. Вновь обратим внимание на то, что группы с поствузовской степенью, находящиеся на самых высоких «стартовых» условиях в 1980, еще больше оторвались от менее образованных слоев. Напротив, группы с образованием ниже среднего оказались на самом дне графика - для многих за 36 лет реальная зарплата сократилась.
Отнормировав эти результаты на отраслевую динамику занятости, авторы получили, что автоматизация рутинных позиций, посчитанная через долю труда в валовом выпуске, объясняет 55% дисперсии в зарплатах. Посчитанная через сводный индекс автоматизации - 52%. Это достаточно высокие - хотя и оставляющие место для альтернативных объяснений - показатели.
В качестве альтернативного объяснения напрашивается влияние импорта. Но данные не подтверждают эту гипотезу: доля импорта в промежуточном спросе отрасли объясняет только 9% дисперсии. Cтепень конкуренции с импортом из Китая в отрасли вообще не показывает связи с динамикой зарплат. Не обнаруживается связи и с динамикой членства в профсоюзах, а также другими экономическими и социальными показателями.
Проверяя статистическую надежность полученных выводов, авторы дробят демографические группы по региональному признаку и получают уменьшение влияния фактора автоматизации. Если в национальном масштабе коэффициент составляет -1,32 (сокращение рутинного труда на 10% ведет к уменьшению зарплат на 13%), то на детализированных по регионам данных коэффициент уже -1,07. Само по себе это не говорит о более точной оценке: миграция из одного региона в другой в поисках более высокой зарплаты дала бы точно такой же эффект.
Но проблема обнаруживается в еще одном тесте. Здесь авторы делят исследуемый период на два отрезка: 1980-2000 и 2000-2016. И проверяют, работает ли зависимость в каждом из них. Во втором отрезке доля объясненной дисперсии сопоставима с ранее полученной величиной и составляет 47%. А вот на первом отрезке она падает до слабенького 21%.
И здесь самое время вспомнить про то, как развивалась степень неравенства в США. Как я писал выше, основной рост неравенства пришелся на период 1979-1993. А в 2006-2016 степень неравенства практически не изменилась. Другими словами, полученные авторами выводы имеют весьма низкую объяснительную силу как раз на самом ключевом с точки зрения неравенства отрезке.
Выше я приводил коэффициент Джини для всего населения США. Аджемоглу и Рестрепо фокусируются на неравенстве зарплат, т. е. теоретически на выводы могут повлиять разнообразные демографические факторы (например, старение населения). Но, судя по графику ниже, динамика неравенства зарплат вполне сопоставима с динамикой общего неравенства:
Уровень образования, как было видно на предыдущих графиках, в значительной степени определяет динамику зарплат. Львиная доля «расхождения» между ними пришлась как раз на период 1980-2000, в котором модель Аджемоглу и Рестрепо объясняет только незначительную долю результата. И вслед за вопросом «что изменилось в 1980?», который мы задавали выше, мы можем добавить еще один: «что изменилось в 2000?»
К сожалению, и на этот вопрос ответа пока нет. Зато авторы пробуют расширить свою модель, включив в нее «эффект замещения». Суть его в том, что работники, вытесненные автоматизацией с рутинных позиций, начинают конкурировать с другими группами за остающиеся рабочие места. Это приводит к тому, что зарплаты в пострадавших профессиях сокращаются не так сильно - и одновременно появляется понижательное давление в зарплатах, не затронутых автоматизацией. Другими словами, неравенство сглаживается по сравнению с первоначальной моделью.
В результате объясняемая автоматизацией дисперсия немного падает, до 48%. Соотношение смоделированной и фактической динамики зарплат показано на графике ниже. Мы видим, что результаты для сильно пострадавших от автоматизации групп хорошо объясняются моделью (левый нижний угол), но для остальных групп разброс довольно силён:
Это был заключительный расчет работы Аджемоглу и Рестрепо. Давайте теперь обсудим общие особенности и ограничения их подхода, чтобы понимать, насколько сильные аргументы в дискуссии о неравенстве он даёт.
Во-первых, как и большинство работ, использующих макроэкономические данные, этот подход теряет в точности из-за использования агрегированных данных. Причем здесь агрегация двойная: с одной стороны, данные отдельных компаний агрегируются по отраслям, а с другой - зарплаты работников агрегируются в демографические группы. Например, оцените такое допущение: авторы исходят из того, что в рамках одной отрасли все рутинные профессии, от уборщицы до бухгалтера, автоматизируются с одним и тем же темпом
Однако больше всего вопросов вызывает агрегирование работников. Аджемоглу и Рестрепо постулируют, что демографические группы «специализируются» на профессиях с той или иной степенью рутинной работы. Причем, чтобы был обнаружен эффект, они должны не просто специализироваться на рутинных профессиях - но на рутинных профессиях в тех отраслях, в которых растет автоматизация.
Действительно ли существует такая специализация на «рутине»? Статья не отвечает на этот вопрос. Но, сделав это допущение, мы сталкиваемся с труднообъяснимыми статистическими артефактами. Например, верхний квинтиль - 20% (по занятости) групп, которые испытали наиболее сильное влияние автоматизации - на 99,3% (!) состоит из мужчин. Почему самую рутинную работу доверяют только мужикам, понять невозможно.
Более того, статья фиксирует своё внимание на единственной временной точке: 1980 год. То, какой была демографическая отраслевая структура в этом году, и определяет выводы всей работы.
Но предполагать, что «рутинность» профессии человека по состоянию на 1980 год определила его карьерные рамки на 36 лет вперед - это сомнительное допущение. Более того, в этой работе Э. Аталай и др. доказывают, что даже в рамках одной профессии содержание задач кардинально поменялось между 1960 и 2000 годами. В том числе и с точки зрения рутинности: согласно выводам, такие изменения имеют статистическую связь с динамикой неравенства в зарплатах. Поскольку Асемоглу и Рестрепо определяли рутинность профессий в 1980-ых по их характеристикам из современной базы данных О*NET, это поднимает вопрос об адекватности их методологии.
Даже если мы оставим за скобками изменяющееся содержание профессий, у нас не исчезнут гораздо более фундаментальные проблемы. Пускай автоматизация оказывает понижательное давление на зарплаты и занятость в определенных специальностях. Однако - как и подразумевают авторы в расширенной модели - это не должно мешать переходу на новые специальности.
Ни пол, ни раса, ни страна рождения, ни возраст не выглядят характеристиками, которые закрывают возможность работы на нерутинных позициях. И даже образование человека не «отлито в граните»: наоборот, это инструмент, предназначенный для обучения востребованным экономикой профессией.
То есть речь не может идти о закреплении неравенства: дискриминация по полу, расе, иммиграционному признаку и возрасту при приеме на работу запрещена законодательно. Соблюдается этот запрет неидеально - но в этом случае «переводить стрелки» на автоматизацию вряд ли корректно: корень проблемы лежит в другой плоскости. Добавим, что принадлежность к той или иной возрастной группе - сам по себе динамически меняющийся признак, то есть человек в течение жизни «путешествует» из одной демографической группы в другую.
Если в теории демография не препятствует перемещению людей с рутинных позиций на нерутинные, а законодательство худо-бедно эту свободу закрепляет, мы вправе ожидать свободного перетока рабочей силы из автоматизируемых областей туда, где автоматизация ей не угрожает. Это вытекает из либерально-рыночной модели экономики. Но это лишь грубое приближение: на самом деле для работодателей важны навыки работников, определяемые образованием и предыдущим опытом. Другими словами, качественные характеристики.
Именно навыки - а не пол, не раса, не страна рождения и не возраст - в первую очередь определяют спрос на работников и, как следствие, динамику их заработной платы. Именно навыки и формируют специализацию на тех или иных профессиях. Именно применение навыков заменяется машинами и алгоритмами в процессе автоматизации. И с этой точки зрения работа Аджемоглу и Рестрепо пытается найти связи где-то очень-очень вдалеке от того, где эти связи реально существуют.
Как водится, ищут там, где светло, а не там, где потеряли: данные по демографическим характеристикам легко доступны и объективны, в то время как надежную массовую статистику по обладанию навыками собрать крайне сложно. Упомянутая выше работа Э. Аталая анализировала 4,2 млн. газетных объявлений о вакансиях. И в ней получился взгляд со стороны рабочих мест, а не со стороны работников. Пока соответствующих данных нет, говорить о надежных и объективных выводах по влиянию автоматизации на зарплаты преждевременно.
Попытка объяснить динамику неравенства только с одной стороны, со стороны спроса (автоматизации в отраслях экономики) ведет к почти абсурдному выводу: автоматизация - это плохо, надо оставить все попытки заменить однообразный труд машинами. Но ситуация будет выглядеть совсем по-иному, когда мы добавим к рассмотрению сторону предложения: те самые навыки и их носителей.
Наша либерально-рыночная модель экономики говорит нам: как только появляется расслоение, появляются избыточные доходы в какой-то части рынка - рынок стремится сгладить перекос, нарастив предложение и конкуренцию в этой части. Спрос на определенные трудовые навыки - не исключение. Высокие зарплаты должны были стимулировать спрос на соответствующее образование, спрос на образование - порождать расширение образовательных институтов и программ.
Рыночное равновесие в нашем случае не может быть достигнуто за короткий срок: например, получение степени бакалавра занимает почти 4 года, создание учебных заведений «с нуля» тоже занимает годы. Еще сложнее вопрос с практическим опытом: доля новичков, которых предприятие может позволить себе стажировать в реальном деле, невелика по сравнению с общим числом сотрудников.
Эти объективные обстоятельства могут препятствовать сглаживанию неравенства, даже если речь идёт об отрезке в несколько десятилетий. Но ключевой вопрос: насколько эти обстоятельства действительно объективны и непреодолимы и насколько они являются следствием неоправданной ригидности, устаревших социальных норм, законодательных препятствий и технологического консерватизма институтов?
Благодаря фундаментальным трудам Томы Пикетти мы знаем, что рост неравенства чаще объясняется несправедливыми социально-политическими институтами, чем работой «невидимой руки рынка». Автоматизация труда - как раз процесс, главным образом мотивируемый экономическими факторами. И напротив, на стороне предложения мы видим массу искусственных ограничений, сдерживающих переток рабочей силы в более привлекательные области.
Возьмем высшее образование. В США оно постоянно критикуется за элитарность и неадекватность современным реалиям рынка труда. «Это такая бизнес-модель… Во многом [высшее образование] стало вершиной институционального неравенства», - пишет исследователь Энтони Карневале. По его мнению, университеты «погрязли в гонке за престижем и деньгами». Вузы меряются друг с другом степенью эксклюзивности, а эксклюзивность определяется тем, скольким абитуриентам вуз отказал в поступлении. Чем больше людей, нуждающихся в навыках, проигнорировано - тем лучше. Согласитесь, не самая практичная схема.
Эксклюзивность выливается и в запретительно высокую стоимость обучения. США находятся на второй строчке в мире по этой метрике, уступая только карликовому Люксембургу. Образовательный кредит позволяет сплавить эту проблему куда-то в будущее - но не снимает ее полностью.
Особенно если мы учтем, что полученный диплом далеко не всегда превращается в высокооплачиваемую работу по специальности. В последнее десятилетие порядка 44% выпускников вузов работали на позициях, где высшее образование не требуется:
Работодатели, со своей стороны, тоже не удовлетворены качеством образования. Не более половины опрошенных в ходе недавнего исследования AAC&U считают, что выпускники очень хорошо подготовлены по ключевым навыкам. О слабой подготовке знают и сами выпускники: 53% из них не стали даже пытаться устраиваться на стартовую позицию по специальности, так как посчитали себя недостаточно квалифицированными.
И в то же время образовательная система не хочет и не умеет меняться к лучшему. Из-за высокой зарегулированности отрасли создание каких-то альтернативных конкурирующих подходов очень затруднено. Еще больше мешают укоренившиеся за два века представления о том, что «так и должно быть» и «другого быть не может». Но, пожалуй, самое удивительное заключается в том, что работодатели, вынужденные мучиться от недостатков высшего образования не меньше, чем работники, всё больше возводят дипломы в культ.
Наличие высшего образования всё чаще становится обязательным требованием для позиции - несмотря на то, что раньше такого требования не было, и что многие из нынешних работников на этой позиции прекрасно обходятся без диплома. Сейчас 65% вакансий в США требуют вузовской «корочки» при том, что высшее образование есть только у трети населения.
В чем причина? Если говорить прямо, то это лень менеджмента по персоналу. “Многие компании выбирают легкий путь, используя диплом 4-хлетнего колледжа в качестве косвенного признака: «я знаю, что, если у них есть диплом, они смогут пользоваться ”iPad”. Смогут пользоваться «Экселем»»“, - объясняет Манджари Раман из «Harvard Business School». С ней соглашается экономист Брайан Каплан: «Работодатели стали чересчур полагаться на диплом бакалавра как на удобный, хоть и не полностью надежный сигнал того, что у человека есть определенный уровень интеллекта, упорства и коммуникабельности».
Немалую роль здесь сыграла пресловутая автоматизация: HR-менеджеры стали пользоваться программными платформами для массового скрининга кандидатов. Для этих алгоритмов необходимо задать четкие критерии отбора. И образование выглядит как самый очевидный критерий. Не надо долго думать: поставил несколько галочек, откинулся на спинку кресла и отдыхай. Что-нибудь платформа всё равно отыщет.
Есть и фактор асимметричного риска. Если, благодаря интернету, пул потенциальных кандидатов огромен, лучше перестраховаться и заявить требования повыше. А ну как менеджер по персоналу порекомендует человека без диплома, и тот окажется никчемным работником? Придётся отвечать. Зато если менеджер проигнорирует кандидата без диплома, который был бы идеальным сотрудником, никто про это не узнает, и ответственности не будет.
Но пока это были относительно невинные факторы. А есть и более серьезные. Проблема в том, что мы неосознанно стремимся оградить, сегрегировать свой социальный круг, поддерживать определенный уровень его статусности. А образование является очень важным компонентом социального статуса. Эта сторона малозаметна в странах с эгалитарной культурой. Но Соединенные Штаты к таким не относятся.
Байрон Огуст, активист и основатель НКО «Opportunity@Work», даёт нелестную характеристику: «Уровень классовой сегрегации в этой стране прямо сейчас бьёт все рекорды - больше, чем когда бы то ни было. Это реально жесть».
Огуст приводит характерную историю. Один разработчик ПО набирал на работу людей с нетрадиционным карьерным прошлым. Как-то раз команда настолько хорошо справилась с заказом для некой компании, что топ-менеджер-заказчик пригласил программистов на обед, не зная, кто они. И вот в обычной непринужденной беседе топ задаёт вопрос: «А какой колледж ты заканчивал?» Повисает неловкая пауза: колледжей практически никто из приглашенных не кончал. Вся непринужденность как испарилась, и мероприятие завершилось на скомканной ноте. После чего разработчик еще три года не получал заказов от этой компании.
В общем, проблема простирается далеко за рамки экономики и соответствия навыков задачам. Культура решает. Несмотря на все разговоры об инклюзивности, подсознательно менеджерам по персоналу не хочется, чтобы в их компании работал «абы кто». Как уж они потом рационализируют это желание - вопрос второстепенный.
Это не просто праздное предположение: растущая социально-экономическая сегрегация на уровне работодателей подтверждается эмпирическими исследованиями. Этот замечательный обзор анализирует такие сферы, как сети друзей, связи с романтическими партнерами, районы проживания, образовательные учреждения - и везде находит свидетельства растущего разделения между группами с разным уровнем дохода. Более того, та же динамика наблюдается и на уровне фирм: «За последние 40 лет распределение и сегрегация работников означала, что (1) высокооплачиваемые работники теперь все больше работают в высокооплачиваемых фирмах, и (2) работники с высокой зарплатой всё больше работают вместе, в то время как низкооплачиваемые работники сгруппированы в других фирмах и на других местах».
Как показывает работа Ч. Сона и др., изменение неравенства уровня зарплат между фирмами, а не внутри фирм способно объяснить почти всё изменение неравенства отдельных работниковна промежутке 1982-2012. Практически тот же временной отрезок, что у Аджемоглу и Рестрепо - но их «агрегированный» подход не в состоянии увидеть этот эффект. Посмотрим на график:
Вертикальная шкала - изменение реальной заработной платы в логарифмическом измерении. По горизонтали - процентили. Горизонтальные линии означали бы отсутствие изменения в неравенстве. Но мы видим, что у нижних (низкооплачиваемых) процентилей зарплата выросла меньше, чем у высоких процентилей.
Синие маркеры - процентили работников. Красные - фирмы, где они были заняты, ранжированные по средней зарплате. Зеленые маркеры показывают, как изменилось неравенство внутри фирмы. Как видим, примерно до 80-го процентиля фирм неравенство внутри фирм снижалось - несмотря на то, что, по мнению Аджемоглу и Рестрепо, автоматизация должна была усилить неравенство между рутинными и нерутинными позициями. Но в реальности этот эффект заметен только в ~10% “топовых“ фирм, и его величина невелика по сравнению с общим ростом зарплат в “топовых“ организациях.
Авторы предлагают две политкорректные гипотезы, объясняющие этот результат. Первая - растущая специализация фирм (аргумент против - растущая рыночная концентрация в США, аргумент за - рост аутсорсинга). Вторая - растущая разница в уровне производительности фирм. Но классовая сегрегация, при всей неполиткорректности этого объяснения, тоже не противоречит наблюдаемой динамике. Хотя подтвердить ее эмпирически гораздо сложнее.
Пока эволюция культуры ждёт математически строгого подтверждения, жизнь весьма наглядно показывает остроту проблемы. Масштабные беспорядки и погромы, случившиеся в 2020 году, максимально чётко показали степень поляризации американского общества, в том числе и по социально-экономической оси. Подводя промежуточный итог вышесказанному, вряд ли именно автоматизацию стоит считать врагом номер один в борьбе с неравенством. Гораздо опаснее «разруха в головах» - культурные установки, активно насаждающие эксклюзивность и элитарность, воспроизводящие и усиливающие неравенство вне зависимости от экономических переменных.
На этом лирическое отступление закончим и вновь свернем на экономическую колею. От вопроса «кто виноват?» стоит перейти к вопросу «что делать?». Как минимум в образовании ответы уже есть: новые образовательные технологии позволяют «перепрыгнуть» через ригидную, зарегулированную, неэффективную нынешнюю систему и повернуться наконец лицом к нуждам экономики. Онлайн-обучение позволяет с минимальными затратами масштабировать получение многих навыков, сделав его доступным всем желающим и более результативным за счет глубокой персонализации. С оффлайн-навыками сложнее - но и здесь можно найти гораздо более дешевые и гибкие альтернативы традиционным образовательным учреждениям.
Эти технологии и альтернативы питают образовательную революцию, центральной темой которой является непрерывное образование - обучение в течение всей жизни человека. На сегодня 92% обучающихся в вузах США моложе 24 лет - и это значит, что у поглощаемых автоматизацией профессий нет реальной возможности получить новую сложную квалификацию. Но как только мы воплощаем в жизнь концепцию непрерывного обучения, базовая предпосылка Аджемоглу и Рестрепо - о «специализации» демографической группы на «бесперспективной» работе - полностью теряет смысл.
Это то, чего не существовало в 1980-2016 и что способно переломить ситуацию с неравенством в близком будущем. Надо всего лишь убедить работодателей в том, что это лучшая альтернатива диплому, полученному до 24-летнего возраста. Конечно, аристократические замашки касты «белых воротничков» победить непросто - но, к счастью, в игру вмешался непредвиденный фактор.
Дефицит рабочих рук, возникший в США в ходе пандемии, приобрёл гигантский масштаб. И это приводит к тому, что работодатели готовы поступиться чрезмерной разборчивостью и архаичными привычками. За последние 2 года число вакансий на стартовые позиции, требующих от претендентов диплом бакалавра, сократилось на 45%. В целом, любые попытки насадить элитарность и эксклюзивность по своей природе неустойчивы - и кризис способен вправить мозги потерявшему адекватность менеджменту.
>> Продолжение: Часть 2 >>
_______________________________________________________________
Друзья, я начал вести канал в Телеграм: Экономика знаний. Подписывайтесь!