De belofte van nieuwe technologieën
Een reeks nieuwe technologieën - waaronder universele robots, zelfrijdende
voertuigen, en ‘internet der dingen’ - die zich de afgelopen tien jaar
ontwikkelden, komen sneller naar de markt dan verwacht. Brynjolfsson en
McAfee (2011, 2014), geven op overtuigende wijze aan dat de nieuwe
technologieën de organisatie van de productie zullen verstoren, de aard van
het werk zullen verbeteren en de ervaring van consumenten zal verruimen. Op
het ogenblik merken we weinig van de potentiële productiviteitsverhoging en
horen we des temeer van privacy-schendingen, marktmachtsmisbruik en scheve
inkomensverdeling. Dit essay beschrijft of, en in welke mate, de
technologieën de welvaart blijvend kunnen verhogen en welk beleid nodig is
om de belofte te verzilveren.
De door kunstmatige intelligentie (AI) gestuurde robots zijn goed voor de
productiviteit: ze vervangen arbeid, of ze nemen werktaken op zich die de
(fysieke) mogelijkheden van mensen te boven gaan (Frey and Osborne 2017).
Veel van de nieuwe robots kunnen zonder beveiligingskooi direct naast
mensen werken, en de totale kosten van gebruik zit nu rond de vijf à tien
euro per uur (Bartelsman, 2019). Deze robots zijn geschikt voor het MKB en
kunnen nu ook, dankzij AI, gevoelige taken verrichten zoals het plukken of
snijden van tomaten.
Zelfrijdende auto's spreken al tot de verbeelding sinds de eerste grote
DARPA-uitdaging van 2004, toen geen van de deelnemers aan de autonome
voertuigcompetitie de finish bereikte. In 2013 testte Google (nu Waymo)
autonome auto’s en sindsdien hebben veel concurrenten zich in de strijd
geworpen. De uitrol van niveau 4 zelfrijdende auto’s (met een bestuurder
voor het geval dát) wordt steeds eerder verwacht, nu zelfs in het komend
jaar. Autonoom vervoer van fysieke objecten in de productieketen is voor de
productiviteit wellicht nog belangrijker dan autonoom personenvervoer. In
combinatie met sensoren, mobiele communicatie en AI neemt het aantal
locaties en omstandigheden waar autonoom transport arbeid kan verdringen,
gestaag toe.
Al met al beginnen de AI-technieken zoals ‘generative adversarial networks’
(Creswell at al. 2018) haar vruchten af te werpen. Met behulp van AI kunnen
de marginale kosten van het gebruik van andere kapitaalgoederen omlaag en
hun bezettingsgraad omhoog. Voorts kan de combinatie van AI met de andere
technologieën de complementariteit tussen kapitaal- en kenniswerkers
vergroten, terwijl het de vervanging van werknemers in routinetaken
versnelt. Met AI en datacommunicatie kunnen de productieketens tussen
primaire middelen en finale vraag ook veel efficiënter worden. Deze trends
zijn mooi voor de productiviteit maar beloven niet veel goeds voor de
inkomensverdeling.
Hoe te rijmen met pessimistische macrotrends?
De positieve potentiële effecten van de nieuwe technologieën - een hogere
arbeidsproductiviteit, een hogere bezettingsgraad van kapitaalgoederen en
betere aansluiting van vraag en aanbod - laten zich moeilijk rijmen met de
macro-trends. De productiviteitsgroei is de laatste jaren erg laag in alle
geavanceerde economieën (OECD 2019a) en de loongroei blijft nog verder
achter. De investeringsquote heeft zich niet hersteld tot het niveau van
vóór de crisis, zelfs niet nu de beurswaarderingen van met name
hightechbedrijven stijgen (Gutiérrez en Philippon 2016, 2017).
Tegelijkertijd neemt het arbeidsaandeel in de productie af, terwijl de
winstpercentages lijken toe te nemen (Karabarbounis en Neiman, 2014; de
Loecker en Eeckhout 2017). De top vijf procent van de bedrijven zijn goed
voor het overgrote deel van de totale winst en zijn de enige met een hoge
productiviteitsgroei (Andrews et al., 2016).
De burger voelt de maatschappelijke verstoringen door de platformindustrieën, heeft privacyzorgen over sociale netwerken en kijkt argwanend naar onbelaste superwinsten van de supersterbedrijven.
Ondanks de mogelijkheden van de nieuwe technologieën neemt de onzekerheid
van huishoudens toe en maken mensen in de geïndustrialiseerde landen zich
zorgen over het financiële welzijn van hun nakomelingen (Pew Research
Center, 2019, Global Attitude Survey). De burger voelt de maatschappelijke
verstoringen door de platformindustrieën (bijvoorbeeld vakantieverhuur,
taxivervoer, online detailhandel), heeft privacyzorgen over sociale
netwerken en kijkt argwanend naar onbelaste superwinsten van de supersterbedrijven. Deze zorgen vinden hun weg naar de top van de agenda's van de
beleidsmakers zonder dat er een helder kader is om afwegingen te maken over
diverse voorstellen zoals een hoger minimumloon, basisinkomen, progressievere
inkomstenbelasting, hogere vennootschapsbelasting, belasting op robots, en
beboeten of opsplitsen van de grootste technologiebedrijven. Tegelijkertijd
is er bij beleidsmakers ook bezorgdheid over de lage productiviteitsgroei
en de trage invoering van nieuwe technologieën. Met welk analytisch kader
kunnen er goede beleidsafwegingen gemaakt worden om met de nieuwe
technologie en goede toekomst tegemoet te zien?
Analytisch kader
Traditionele modellen van economische groei, zoals Solow (1958) en Romer
(1989), sloten goed aan bij empirische groei-feiten van de vorige eeuw, de
zogenaamde "Kaldor-feiten" (Kaldor 1961). Jones en Romer (2010) laten zien
dat deze feiten, waaronder bijvoorbeeld een stabiele arbeidsinkomensquote,
niet langer standhouden.
Een nieuw kader dat het traject van digitale technologieën naar
productiviteitsgroei en welvaart goed kan beschrijven heeft enkele
noodzakelijke ingrediënten (zie Bartelsman 2019). De noodzakelijke
ingrediënten zijn immateriële activa en marktdynamiek. Immateriële
kapitaalgoederen verschillen van traditioneel kapitaal doordat er geen
schaarste optreedt in het gebruik: als ik een moker gebruik om een steen
stuk te slaan kan jij de moker niet tegelijkertijd gebruiken, terwijl als
ik een algoritme gebruik om een probleem stuk te slaan, kun jij het
algoritme op elk gewenst moment of gewenste locatie ook gebruiken zonder
dat de ingezette middelen stijgen. Marktdynamiek is nodig om zicht te geven
op mogelijke schaalvergroting waarmee investeerders hun immateriële activa
kunnen laten renderen, maar tegelijkertijd ook om te zorgen dat de winnende
bedrijven niet ongebreideld hun marktmacht kunnen uitoefenen. Een goed
voorbeeld van een model dat in overeenstemming is met de recente macro- en
microtrends en waarmee beleidsanalyse kan worden gedaan is Akcigit en Ates
(2019). Zij wijzen op een afname in de diffusie van kennis tussen
bedrijven, wellicht vanwege toegenomen marktmacht, als verklarende factor.
Nieuw beleid
Trajtenberg (2018) wijst op de urgentie voor nieuw beleid met het oog op AI
en benadrukt de noodzaak van hervormingen in het onderwijs. Verder is er
beleid nodig voor inkomensonzekerheid en sociale inclusie. Wat vooral
belangrijk is, zijn aanpassingen in mededingingsbeleid en randvoorwaarden
die nodig zijn om investeringen in de digitale toekomst te stimuleren en in
goede banen te leiden.
In perfect concurrerende arbeidsmarkten hangt het werkgelegenheidseffect
van nieuwe digitale technologieën af van de vrije keuzes van de werknemers
en is er geen reden voor beleidsinterventie. In de echte wereld leiden
ontwrichtende veranderingen in productieketens tot langdurig baanverlies.
De onderhandelingspositie van werknemers in arbeidsmarkten met zulke
ontwrichtende veranderingen zal sterk verzwakken. Bovendien kunnen nieuwe
technologieën de inkomensongelijkheid vergroten. Ten slotte wordt de
arbeidsmarktstatus van werknemers steeds diverser, mede doordat technologie
veranderingen teweegbrengt in de kosten en baten tussen werken in
loondienst en werken als zelfstandige. Hierom zou sociaal beleid erop
gericht moeten zijn alle werkenden voldoende bescherming en verzekering te
bieden, ongeacht hun arbeidsmarktstatus.
Een zeer duur middel voor onvoorwaardelijke bescherming is het basisinkomen
(zie bijvoorbeeld Saez en Pikkety 2013). Efficiëntere vormen van sociale
zekerheid zijn doorgaans afhankelijk van de (recente) arbeidsmarktstatus en
vergen aandacht voor een goede classificatie van arbeidsmarktstatus en
controle op schijnzelfstandigheid. Risicospreiding op basis van andere
kenmerken dan arbeidsmarktstatus zou een win-win opleveren. Zo zou een
werkloosheidsverzekering kunnen afhangen van locatie- in plaats van
baangebonden factoren. Evenzo zouden ziekteverzuimverzekeringen of
onderwijs- of opleidingsbudgetten kunnen worden geformuleerd op basis van
beroep en niet op basis van arbeidscontract. De opleiding van werkenden,
een cruciaal onderdeel van de 'race tussen technologie en onderwijs'
(Tinbergen, 1975; Heckman 2019), zou in dit geval niet langer afhankelijk
zijn van een werkgever die vooral bezig is met het vervangen van werknemers
door machines.
Wat het onderwijs betreft, zijn de belangrijkste beleidsvragen voor wie,
welk type onderwijs en hoe kunnen we onderwijs het beste organiseren? Omdat
de afschrijving op onderwijs versneld wordt door nieuwe technologieën is er
meer behoeft aan onderwijs voor oudere werkenden. De aandacht naar
bèta/technisch onderwijs lijkt doorgeschoten in een wereld waar de meest
geavanceerde bedrijven vooral multidisciplinaire teams vragen met een
steeds grotere rol voor alfa en gamma opgeleiden. Naarmate de technologie
vordert, worden de programmeurs vervangen door code-bots, en wordt de
belangrijkste vaardigheid de vaardigheid om vaardigheden te verwerven. Ten
slotte moet het onderwijssysteem aangepast worden zodat het bij stijgende
welvaart een groter aandeel van ons inkomen inneemt. Dit vereist een beter
evenwicht tussen publieke en private bekostiging en tussen vraag en aanbod.
Met inzicht in het rendement van onderwijs en de cumulatieve effecten van
de verwerving van vaardigheden in een vroeg stadium (Heckman 2009) is een
heroverweging van ons aanbodgestuurd systeem evident.
Stimulering innovatie
Het beleid ter stimulering van innovatie moet vooral gericht zijn op het
voorkomen van toenemende marktconcentratie, misbruik van marktmacht, en
belastingontwijking. Op basis van het eerder besproken economische kader,
zullen bedrijfsinvesteringen in innovatieve activiteiten vooral afhangen
van de verwachting dat succesvolle innovatie zal leiden tot een toename van
het marktaandeel en van de winst. Ook kunnen complementaire publieke
investeringen helpen om private investeringen te stimuleren zonder dat ze
leiden tot grote marktconcentratie. Verder, zeker op terreinen van
productie dichtbij het publieke domein, zoals (ouderen)zorg of onderwijs,
kan de overheid gericht zelf investeren en private investeringen
aanwakkeren. Het specifieke beleid om dynamische concurrentie te stimuleren
zal per technologie en per markt verschillen, maar we geven enkele
voorbeelden.
De platforms van nu zijn het moderne equivalent van de bazaars of middeleeuwse Europese markten met ‘charters’ of oorkondes.
Voor autonome voertuigen zijn er grote kansen in de Europese Unie. In
tegenstelling tot de Verenigde Staten, waar hoofdzakelijk wordt
geïnvesteerd in technologieën die volledig in het voertuig zijn ingebed,
kan in de EU met publiek-private samenwerking een technologie-intensieve
transportsysteem ontstaan. De Europese strategie voor coöperatief
intelligente vervoerssystemen (C-ITS) aangevuld door overheidsinvesteringen
in sensoren in de openbare ruimte, denk aan verkeersborden en -signalen die
hun positie kenbaar maken, kan de vorming van een open transportmarkt
bespoedigen. Het Amerikaanse systeem leidt tot een dynamiek van
"winner-takes-all" en de mogelijkheid van eeuwige grid-lock door
privé-voertuigen die 24/7 op zoek zijn naar parkeerplekken.
Een andere technologie-cluster wordt gevormd door platformdiensten die de
vraag- en aanbodzijde van een markt met elkaar verbinden. We zien nu
platforms voor deelgebruik (vakantieverhuur, autodelen), goederenbezorging
(boeken, levensmiddelen of maaltijden) en diensten (taxiservice,
hotelboeking, arbeidskrachten). De platforms van nu zijn het moderne equivalent
van de bazaars of middeleeuwse Europese markten met ‘charters’ of oorkondes.
In Europa is het de traditie om markten te zien als openbare ruimtes.
Historisch waren de markten goed gereguleerd. De openingstijden en de
locatie van de markt waren gecoördineerd en concurrerende marktplekken
werden verboden waardoor handelsvolume en liquiditeit van de markt werden
gegarandeerd. Maten en gewichten, de echtheid van munten, en de handhaving
van orde werd door de autoriteiten gehandhaafd waardoor de markten tot
bloei konden komen. Ten slotte werd de huur die de markteigenaar (in de
middeleeuwen meestal een lokale landheer) kon innen begrensd door
concurrentie van geografisch aangrenzende markten.
Aanpak macht platformbedrijven
De beleidsoplossing voor de macht van platformbedrijven moet de bron van
het probleem aangrijpen: eigendom van en controle over historische
transactiegegevens. In principe geeft de GDPR van de EU de
transactiepartners het recht om hun eigen gegevens in machine-leesbare vorm
op te vragen. Het is echter de totale verzameling van dergelijke gegevens
van alle transactiepartners die door AI-analyse nog meer marktmacht brengt.
Dit geeft twee mogelijkheden: in de eerste plaats zouden lokale
autoriteiten met regelgevende macht, bijvoorbeeld op het gebied van
vervoersdiensten, hun vergunningen voor het platform afhankelijk kunnen
maken van de voorwaarde dat alle transactiegegevens moeten worden gedeeld
(op een manier die de privacy beschermt) door alle concurrenten. Om de
externe effecten van het netwerk aan de gebruikerszijde tegen te gaan, moet
het berichtenprotocol van het platform open zijn, zodat elke bestuurder
elke passagier kan ontmoeten, ongeacht welke concurrerende app wordt
gebruikt, welk vervoermiddel wordt gekozen, of welk analyse- en
betalingsplatform de ritten verwerkt en coördineert. Op deze manier wordt
de vervoersmarkt meer een middeleeuwse markt, met niet-discriminerende
toegang van kopers tot verkopers en vice versa. Met deze beleidsaanpassing
komt er niet alleen concurrentie tussen transportmiddelaanbieders maar komt
er ook concurrentie tussen de platformbedrijven, waarbij sommige beter zijn
dan andere in het voorspellen en regisseren van chauffeurs naar de juiste
locaties, of sommige beter in het ontwerpen van gebruiksvriendelijke apps
en betalingssystemen. De platforms zullen dus concurreren op kwaliteit en
op hun aandeel in de marge (de wig tussen de prijs van de dienstverlening
tussen de reiziger en de transportmiddel aanbieder). Hoewel het voor een
bepaalde lokale overheid moeilijk kan zijn om zo'n systeem op eigen houtje
op te zetten wanneer ze geconfronteerd worden met grote internationale
platforms en hun advocaten, zou een consortium van steden in staat moeten
zijn om de beleidsuitdaging aan te gaan.
De beleidsoplossing voor de macht van platformbedrijven moet de bron van het probleem aangrijpen: eigendom van en controle over historische transactiegegevens.
Als het platform geen lokale regelgevende instantie kent, is een EU-brede
aanpak nodig. Op basis van het GDPR moet ervoor worden gezorgd dat de
platforms hun historische gegevens op niet-discriminerende wijze
toegankelijk maken aan anderen. Het vinden van een wettelijke route om een
open protocol voor de uitwisseling van berichten tussen koper en verkoper
op het platform af te dwingen, kan een grotere uitdaging zijn, maar is een
noodzakelijk onderdeel van de beleidsoplossing.
Een platform-type waarbij het ingewikkelder is om goede regelgeving te
ontwikkelen is de zogenaamde tweezijdige markt. In deze markten handelen
kopers en verkopers niet rechtstreeks met elkaar, maar hebben beide
partijen interactie met het platform. Op zo’n platform verkopen consumenten
hun aandacht (eyeballs) aan het platform in ruil voor inhoud, zoals nieuws,
entertainment of andere informatie, terwijl bedrijven hun advertenties
willen plaatsen (ze kopen eyeballs) in ruil voor geld dat ze aan het
platform geven. Dergelijke markten bestaan al meer dan een eeuw, in de vorm
van kranten-, radio- en televisie-met-reclame. Wat nieuw is, is dat het
platform nu historische transactiegegevens kan verzamelen van beide kanten
van de markt. De enorme toename van (het aandeel van) de reclame-inkomsten
die naar deze platformen vloeien, bewijst de efficiëntie van hun
bedrijfsvoering ten opzichte van de oude media. Soortgelijke
marktverstoringen vinden plaats in andere platforms die toegang hebben tot
privé-gegevens, zoals internet-verbonden huishoudelijke apparaten of
mobiele-gebaseerde betalingsverwerkers.
Op deze markten is er een wisselwerking tussen de kwestie van privacy en de
kwestie van de (eigendom van) de economische waarde van historische
transactiegegevens. Het GDPR werd vooral ontwikkeld wegens privacy en ging
niet rechtstreeks in op de toekomstige verdeling van de economische waarde
van gegevens van transacties tussen de drie betrokken partijen. Oplossingen
zijn op het ogenblik niet direct voorhanden, maar sommige recente
beleidsmaatregelen kunnen in de goede richting wijzen. In de financiële
sector biedt de EU-betalingsdienstenrichtlijn (PSD2) bankklanten de
mogelijkheid om derden toegang te verlenen tot historische
betalingsinformatie, waardoor het monopolie van de banken op deze
informatie wordt doorbroken. Een soortgelijke benadering van andere
waardevolle gegevensopslag zou kunnen worden overwogen. Een andere
mogelijkheid is het toestaan van ‘microbetaling’-contracten, zodat een
consument die gebruik maakt van een dienst dat gegevens verzamelt, een
(kleine) prijs kan vragen voor het toekomstige gebruik van deze gegevens.
Hoewel de betalingsstromen voor een individu klein kunnen zijn, zullen de
economische ‘rents’ die door platforms met marktmacht kunnen worden geïnd,
aanzienlijk worden verlaagd.
Tot slot kijken we naar manieren om investeringen te verhogen in sectoren
waarin de overheid een grote rol speelt of waarin de overheid
maatschappelijke kansen ziet, zoals ouderenzorg of hoger onderwijs. In deze
sectoren is het lastig voor private bedrijven om te investeren omdat de
omvang van de toekomstige markt en de mogelijkheid om daarin een positie te
verwerven voor private bedrijven erg moeilijk is in te schatten. Anders dan
bij een platformmarkt waar bedrijven gokken dat hun superieure technologie
gaat leiden tot een groot marktaandeel, wordt gevreesd dat er ondanks
superieure technologie weinig kans is om de zittende partijen (of de
overheid) te verdringen. Een oplossing kan gevonden worden in een
technologische prijsvraag, waarin nu al een toekomstige markt van een
bepaalde omvang wordt beloofd aan een bedrijf dat aan technische
voorwaarden voldoet op een toekomstige datum. Zeker in richtingen waarheen
de overheid innovatie en nieuwe technologie wil sturen, kan vooruitgang geholpen
worden door dit soort innovatie-instrumenten.
* Dit artikel is gebaseerd op Bartelsman, E.J. (te verschijnen) “From New Technology to Aggregate Productivity”, DG ECFIN Discussion Papers, en is
nauw verwant aan Bartelsman, E.J. (2019) “Op weg met nieuwe technologie”.
Referenties:
Acemoglu, D., & Autor, D. (2011).
Chapter 12 - Skills, Tasks and Technologies: Implications for
Employment and Earnings
. In Handbook of Labor Economics: Vol. Volume 4, Part B (pp. 1043–1171).
Acemoglu, D., & Restrepo, P. (2018).
Artificial Intelligence, Automation and Work
,
NBER Working Paper No. 24196. Cambridge MA.
Aghion, P., Jones, B. F., & Jones, C. I. (2017).
Artificial Intelligence and Economic Growth
,
NBER Working Paper No. 23928, Cambridge MA.
Agrawal, A., Gans, J. S., & Goldfarb, A. (2019a). Prediction, Judgment,
and Complexity: A Theory of Decision Making and Artificial Intelligence. In The Economics of Artificial Intelligence: An Agenda. University of
Chicago Press/NBER.
Agrawal, A. K., Gans, J., & Goldfarb, A. (2019b).
The Economics of Artificial Intelligence: An Agenda
. Cambridge MA.
Akcigit, U., & Ates, S. T. (2019a).
Ten Facts on Declining Business Dynamism and Lessons from
Endogenous Growth Theory
,
NBER Working Paper No. 25755. Cambridge MA.
Athey, S. (2019). The Impact of Machine Learning on Economics. In The Economics of Artificial Intelligence: An Agenda. University of
Chicago Press/NBER.
Autor, D., Dorn, D., Katz, L. F., Patterson, C., & Van Reenen, J.
(2017).
Concentrating on the Fall of the Labor Share
. American Economic Review, 107(5), 180–185.
Baltrušaitis, T., Ahuja, C., & Morency, L. (2019).
Multimodal Machine Learning: A Survey and Taxonomy
. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(2), 423–443.
Bartelsman, E. J., (forthcoming) From New Technology to Aggregate
Productivity, DG ECFIN Discussion Papers, Brussels.
Bartelsman, E. J., Gautier, P. A., & De Wind, J. (2016).
Employment Protection, Technology Choice, and Worker Allocation
. International Economic Review, 57(3), 787–826.
Bartelsman, E. J., Hagsten, E., & Polder, M. (2017).
Micro moments database for cross-country analysis of ICT, innovation,
and economic outcomes
. Journal of Economics and Management Strategy.
Bartelsman, E., Lopez-Garcia, P., & Presidente, G. (2018).
Cyclical and Stuctural Variation in Resource Reallocation: Evidence
for Europe
. Tinbergen Institute, Amsterdam.
Bessen, J. (2018).
AI and Jobs: The role of demand
,
NBER Working Paper No. 24235. Cambridge, MA.
Bessen, J., Goos, M., Salomons, A., & van den Berge, W. (2019).
Automatic Reaction: What happens to workers at firms that automate?
CPB, Den Haag.
Brynjolfsson, E., & McAfee, A. (2011).
Race Against The Machine: How the Digital Revolution is Accelerating
Innovation, Driving Productivity, and Irreversibly Transforming
Employment and the Economy
. Digital Frontier Press.
Brynjolfsson, E., & McAfee, A. (2014).
The Second Machine Age: Work, Progress, and Prosperity in a Time of
Brilliant Technologies
(1 edition). W. W. Norton & Company.
Brynjolfsson, E., Rock, D., & Syverson, C. (2017).
Artificial Intelligence and the Modern Productivity Paradox: A
Clash of Expectations and Statistics
,
NBER Working Paper No. 24001. Cambridge, MA.
Brynjolfsson, E., Rock, D., & Syverson, C. (2018).
The Productivity J-Curve: How Intangibles Complement General
Purpose Technologies
,
NBER Working Paper No. 25148. Cambridge, MA.
Cockburn, I. M., Henderson, R., & Stern, S. (2018).
The Impact of Artificial Intelligence on Innovation
,
NBER Working Paper No. 24449. Cambridge, MA.
Coyle, D. (2017).
Do-it-Yourself Digital: The Production Boundary and the
Productivity Puzzle
(SSRN Scholarly Paper No. ID 2986725).
Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., &
Bharath, A. A. (2018).
Generative Adversarial Networks: An Overview
. IEEE Signal Processing Magazine, 35(1), 53–65.
Deng, L. (2018).
Artificial Intelligence in the Rising Wave of Deep Learning: The
Historical Path and Future Outlook [Perspectives]
. IEEE Signal Processing Magazine, 35(1), 180–177.
Fazeli, N., Oller, M., Wu, J., Wu, Z., Tenenbaum, J. B., & Rodriguez,
A. (2019).
See, feel, act: Hierarchical learning for complex manipulation skills
with multisensory fusion
. Science Robotics, 4(26), eaav3123.
Frey, C. B., & Osborne, M. A. (2017).
The future of employment: How susceptible are jobs to computerisation?
Technological Forecasting and Social Change
, 114, 254–280.
Goldin, C., & Katz, L. F. (1998).
The Origins of Technology-Skill Complementarity
. The Quarterly Journal of Economics, 113(3), 693–732.
Gordon, R. (2016).
The rise and fall of American growth: The US standard of living since
the civil war
. Princeton University Press.
Gutiérrez, G., & Philippon, T. (2016).
Investment-less Growth: An Empirical Investigation
,
NBER Working Paper No. 22897. Cambridge, MA.
Gutiérrez, G., & Philippon, T. (2017).
Declining Competition and Investment in the U.S.
,
NBER Working Paper No. 23583. Cambridge, MA.
Heckman, J. J. (2018).
The Race Between Demand and Supply: Tinbergen’s Pioneering Studies
of Earnings Inequality
,
NBER Working Paper No. 25415. Cambridge, MA.
Hopenhayn, H. A. (1992).
Entry, Exit, and firm Dynamics in Long Run Equilibrium
. Econometrica, 60(5), 1127–1150.
Jones, C. I., & Romer, P. M. (2010).
The New Kaldor Facts: Ideas, Institutions, Population, and Human
Capital
. American Economic Journal: Macroeconomics, 2(1),
224–245.
Kaldor, N. (1961).
Capital Accumulation and Economic Growth
. In F. A. Lutz & D. C. Hague (Eds.),
The Theory of Capital: Proceedings of a Conference held by the
International Economic Association
(pp. 177–222).
Karabarbounis, L., & Neiman, B. (2014).
The Global Decline of the Labor Share
. The Quarterly Journal of Economics, 129(1), 61–103.
Loecker, J. D., & Eeckhout, J. (2017).
The Rise of Market Power and the Macroeconomic Implications
,
NBER Working Paper No. 23687. Cambridge, MA.
McAfee, A., & Brynjolfsson, E. (2018). Machine, Platform, Crowd: Harnassing our Digital Future. W. W.
Norton & Company.
McKinsey & Company. (2013).
Disruptive technologies: Advances that will transform life,
business, and the global economy
.
Minar, M. R., & Naher, J. (2018).
Recent Advances in Deep Learning: An Overview
. ArXiv:1807.08169 [Cs, Stat].
OECD. (2019a).
OECD Compendium of Productivity Indicators 2019
. Parijs.
OECD. (2019b).
OECD Employment Outlook 2019
. Parijs.
O’Mahony, M., & Timmer, M. P. (2009).
Output, Input and Productivity Measures at the Industry Level: The EU
KLEMS Database*
. The Economic Journal, 119(538), F374–F403.
Romer, P. M. (1990). Endogenous Technological Change. The Journal of Political Economy, 98(5), S71–S102.
Solow, R. M. (1956). A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics, 70(1), 65–94.
Trajtenberg, M. (2018).
AI as the next GPT: A Political-Economy Perspective
, NBER Working Paper No. 24245. Cambridge, MA.