טיוטת התזה · נובמבר 2026

סקירת ספרות

2.1 פתיחה

המחקר יושב במפגש של חמש ספרויות שבדרך כלל נכתבות בנפרד: אוטומציה ותעסוקה, מדידת חשיפה ל-AI, ראיות מוקדמות להשפעת AI, חלוקת הכנסות הון, ומימון ציבורי של העברות. התרומה שלו היא לחבר את השלבים במסלול אחד עם אילוצי תקציב מפורשים, ולשאול מה קורה למי שנפלט מעבודה, לא רק לתעסוקה הכוללת.

הסקירה קצרה בכוונה. בכל סעיף: מה הספרות יודעת, ואיך זה נכנס למודל של MacroVision או מוגבל בו. כל מקור נבדק מול עמוד המאמר או המוציא לאור.

2.2 אוטומציה ותעסוקה: הגישה מבוססת המשימות

הספרות המובילה מנתחת טכנולוגיה דרך המשימות שהיא מעבירה מעובדים למכונות, ומראה שאוטומציה יכולה להקטין את הביקוש לעבודה גם כשהיא מעלה פריון.

• משימות שגרתיות. Autor, Levy ו-Murnane (2003) הראו שמחשוב מחליף משימות שגרתיות שניתן לתאר בכללים מפורשים, ומשלים משימות של פתרון בעיות ותקשורת מורכבת. כמעט מחצית מההשפעה נבעה משינוי במשימות בתוך אותם מקצועות.
• הדחקה והשבה. Acemoglu ו-Restrepo (2019) מפרקים את השפעת האוטומציה לאפקט הדחקה, שתמיד מקטין את חלק העבודה בערך המוסף, ולאפקט השבה של משימות חדשות. לפי הפירוק שלהם, האטה בצמיחת התעסוקה בארה"ב בשלושה עשורים נבעה מהאצת ההדחקה ומהחלשת ההשבה.
• ראיות מרובוטים. Acemoglu ו-Restrepo (2020) מוצאים שרובוט תעשייתי נוסף לכל אלף עובדים מוריד את יחס התעסוקה לאוכלוסייה ב-0.2 נקודות אחוז ואת השכר ב-0.42% בשווקי עבודה מקומיים בארה"ב.

• מודלים מאקרו של החלפת עבודה. Berg, Buffie ו-Zanna (2018) מראים שכשהון רובוטי מחליף עבודה, התוצר עולה אבל אי-השוויון גדל, והשכר יכול לרדת לתקופה ארוכה. Benzell, Kotlikoff, LaGarda ו-Sachs (2015) מראים שמכונות שמחליפות עבודה יכולות לפגוע בכל הדורות לאורך זמן, אם אין חלוקה מחדש מתוכננת. Korinek ו-Suh (2024) מתארים את השכר כמרוץ בין אוטומציה לצבירת הון, ובתרחיש שבו כל המשימות מאוטמטות השכר עלול לקרוס. Caselli ו-Manning (2019) מראים שבמגוון רחב של מודלים, טכנולוגיה חדשה שמוזילה את הסחורות שהעובדים קונים מעלה את השכר הממוצע, גם אם חלק מהעובדים מפסידים. זה בדיוק ערוץ המחירים שהמחקר כאן בוחן. Prettner ו-Strulik (2020) מראים שאוטומציה שמונעת על ידי חדשנות מגדילה צמיחה ואי-שוויון יחד, ושמדיניות שמצמצמת את אי-השוויון עלולה להאט את הצמיחה.
• מודלים מבוססי סוכנים. Dosi, Pereira, Roventini ו-Virgillito (2022) מראים במודל רב-ענפי ששאלת האם חדשנות יוצרת אבטלה טכנולוגית מתמשכת תלויה במוסדות שוק העבודה: כשהשכר לא עולה עם הפריון, הייצור והצריכה נפרדים והביקוש חסר.

הקשר למחקר: המודל מציב את אפקט ההדחקה כהנחה (20% אבטלה) ומניח שאין השבה. זה בדיוק העולם שהספרות מזהירה שאינו מובטח, ולכן התזה מציגה אותו כתרחיש קיצון מכוון, לא כתחזית.

2.3 חשיפה של מקצועות ל-AI: מדדים ומגבלותיהם

כל מדדי החשיפה מודדים פוטנציאל טכני ולא אובדן משרות, והמחברים עצמם מדגישים זאת.

• מדד מבוסס יכולות. Felten, Raj ו-Seamans (2021) בנו את AIOE: קישור של עשר אפליקציות AI נפוצות ל-52 יכולות תעסוקתיות ב-O*NET, עם צבירה לענפים ולמחוזות.
• מדד מבוסס משימות למודלי שפה. Eloundou ועמיתיה (2024, Science) מעריכים שכ-19% מהעובדים בארה"ב עשויים לראות לפחות מחצית ממשימותיהם חשופות. הם מגדירים חשיפה בלי להבחין בין השלמה לעבודה לבין החלפתה.
• המדד שבו משתמש המחקר. Gmyrek ועמיתיו (ILO, 2025) מעדכנים את מדד ILO מ-2023 על בסיס כ-30,000 משימות, סקר עובדים ואימות מומחים. עובד אחד מכל ארבעה בעולם נמצא במקצוע עם חשיפה כלשהי, 3.3% בדרגת החשיפה הגבוהה ביותר, ומקצועות הפקידות חשופים ביותר. המחברים מסיקים ששינוי משרות סביר יותר מהיעלמותן.

הקשר למחקר: שלב 194 משתמש במדד ILO כרמת חשיפה בתוך מבחן אינטראקציה, וכלי החשיפה באתר מציג אותו לציבור. המגבלה המשותפת לכל המדדים היא שהם לא מבחינים בין השלמה להחלפה, וזו בדיוק השאלה שהמבחן האמפירי מנסה לענות עליה.

2.4 ראיות מוקדמות להשפעת AI על תעסוקה

הראיות מעורבות: רוב המחקרים לא מוצאים השפעה מצרפית מובהקת, ומחקר אחד מוצא ירידה בתעסוקת צעירים במקצועות חשופים.

הקשר למחקר: הממצא של שלבים 194, 251 ו-270 תואם לרוב הספרות, כולל העבודה האירופית של Albanesi ועמיתיה, שמוצאת בתקופה מוקדמת יותר עלייה ולא ירידה בתעסוקה במקצועות החשופים. מחקר ADP מרמז שהשפעה עשויה להופיע קודם אצל צעירים ובגיוס חדש, וזה סוג ההשפעה שנתוני תעסוקה שנתיים לפי מקצוע לא יזהו.

2.4.1 הראיות מישראל

המחקר הישראלי מתמקד במיפוי חשיפה, אבל העבודה האחרונה של מרכז טאוב כבר מצביעה על שינוי בהרכב המובטלים.

• בנק ישראל (2025). תיבה מדוח בנק ישראל לשנת 2024 מחלקת משלחי יד לתחליפיים, משלימים וניטרליים, ומעריכה שכחמישית מהמועסקים נמצאים במשלחי יד תחליפיים שעלולים לחוות ירידה משמעותית בביקוש.
• מרכז טאוב (2024). Debowy ועמיתיו מוצאים שכ-30% מהעובדים בישראל חשופים באופן שצפוי לשפר את עבודתם, וכ-23% במשרות שעלולות להיפגע. החשיפה גבוהה יותר בקרב נשים ובקרב בעלי השכלה אקדמית.
• מרכז טאוב (2026). Debowy, Epstein ו-Weiss מראים שחלקם של בעלי משלחי יד חשופים מבין המובטלים עלה מ-14%–16% ב-2019–2022 ל-20%–25% ב-2025. לפי המחברים, AI מסביר רק חלק צנוע מהשינוי, ובמקצועות כמו פיתוח תוכנה לפחות מחצית מההשפעה נובעת מאי-התאמה בין עובדים למשרות.

הקשר למחקר: הממצא הישראלי ומחקר ADP מצביעים על אותו דפוס: ההשפעה מופיעה קודם בהרכב המובטלים ובגיוס, לפני שהיא מזיזה את התעסוקה הכוללת לפי מקצוע. שלב 201 של המחקר בדק את הרכב הבלתי מועסקים בישראל לפי משלח היד האחרון (סקר כוח אדם, לוח 5.3) ומצא שפקידים — הקבוצה החשופה ביותר — היו מיוצגים יתר באבטלה עוד לפני כלי AI גנרטיביים: הסיכון היחסי שלהם, בממוצעים דו-שנתיים, עלה מ-1.35 ב-2017–2018 ל-1.60 ב-2021–2022 (שלב 201). ב-2023 הוא ירד ל-1.26 וב-2024 עלה ל-1.42, מעל 2017–2018. הסיכון היחסי של בעלי משלח יד אקדמי עלה מ-0.57 ב-2017 ל-0.83 ב-2024, ובעקביות מאז 2021, בכיוון שמרכז טאוב מתאר (נספח א, שלבים 204 ו-251).

2.5 חלוקה, בעלות על הון ואי-שוויון בעושר

הספרות עברה משאלת השכר לשאלת מי מחזיק בהון: אוטומציה מעלה את התשואה על עושר, ולכן החלוקה תלויה במי שמחזיק בנכסים.

• תשואה על עושר. Moll, Rachel ו-Restrepo (2022) מזהים מנגנון שבו אוטומציה מגדילה אי-שוויון דרך העלאת התשואה על עושר. הצד השני של אותו מנגנון הוא שכר קפוא והכנסות קפואות בתחתית ההתפלגות.
• המאקרו של AI. Acemoglu (2025) מעריך שהשפעת ה-AI על הפריון הכולל בעשור הקרוב תהיה צנועה (פחות מ-0.7%), ושהיא צפויה להגדיל את הפער בין הכנסה מהון להכנסה מעבודה. עלייה של 25% בפריון, הנמוכה ברשת, גדולה בהרבה מההערכה הזו.
• פיצוי ומדיניות. Korinek ו-Stiglitz (2019) מבחינים בין שני ערוצי אי-שוויון: העודף לממציאים ושינויי מחירי גורמי ייצור. לטענתם, בתנאים סבירים אפשר להטיל מסים שאינם מעוותים כדי לפצות את המפסידים.

• ביקוש וחוב. Mian, Straub ו-Sufi (2021) מראים שכשהעושר מתרכז והחוב של משקי הבית גדל, הביקוש בעתיד נחלש. Kaplan, Moll ו-Violante (2018) מראים שכשמשקי הבית שונים זה מזה בנזילות, ההשפעה של מדיניות על הצריכה עוברת בעיקר דרך הכנסה ותעסוקה ולא דרך הריבית. במודל כאן, בגרסה שבה הביקוש קובע את התוצר, הערוץ הזה פועל דרך ההשקעה: שפל השקעות בזמן שהאבטלה עולה מוריד את השימור לשליש מהמקרים, והמשכה מעלה אותו (שלבים 273–279).

הקשר למחקר: שלב 72 ואילך מפצלים משקי בית לפי עבודה, חוב ובעלות על הון, בדיוק כפי שהספרות מצביעה. במפרט המרכזי בעלי ההון מסיימים מעל מסלול הבקרה בחציון של 43%, העובדים שנשארו ב-29%, ומאבדי העבודה קרוב אליו (+3% ו-+4%). זה עקבי עם המנגנון של Moll ועמיתיו, אבל אינו מאמת אותו: הוא נובע מהנחות המודל.

2.6 מימון: הכנסה בסיסית, מס על אוטומציה, חוב ודפלציה

הספרות מסכימה שהמימון הוא הצוואר הצר, אבל נוטה לנתח אותו במנותק מהשפעת המחירים והחוב.

• עיצוב מדינת הרווחה. Guner, Kaygusuz ו-Ventura (2023) מוצאים במודל מחזור חיים שהכנסה בסיסית אוניברסלית אינה משפרת את המערכת הקיימת בארה"ב, ומס הכנסה שלילי כן משפר אותה.
• מבחני הכנסה וחיסכון. Hubbard, Skinner ו-Zeldes (1995) מראים שמבחני נכסים בתוכניות רווחה מרתיעים חיסכון של משקי בית עם הכנסה נמוכה. הקיזוז של הקצבה מול הדיבידנדים במודל כאן הוא מבחן הכנסה כזה, בשיעור של 100%.
• עלות הכנסה בסיסית. Hoynes ו-Rothstein (2019) מראים שהכנסה בסיסית מספיק גדולה כדי להגדיל העברות למשפחות בעלות הכנסה נמוכה תהיה יקרה מאוד, ושהיא מפנה חלק גדול מהכסף למעמד הביניים.
• מס על רובוטים. Guerreiro, Rebelo ו-Teles (2022) מוצאים שכדאי למסות רובוטים רק כל עוד הדור הנוכחי של עובדים שגרתיים, שכבר לא יכולים לעבור מקצוע, עדיין עובד. כשהם פורשים, המס האופטימלי יורד לאפס. Costinot ו-Werning (2023) מגיעים, בנוסחאות של סטטיסטיקות מספיקות, למס צנוע על רובוטים שיכול לקטון ככל שהאוטומציה מתקדמת. Thuemmel (2023) מוצא שרוב התועלת מגיעה מרפורמה במס ההכנסה, ומס ייעודי על רובוטים מוסיף מעט. Acemoglu, Manera ו-Restrepo (2020) מראים שמערכת המס בארה"ב מעדיפה הון על פני עבודה ודוחפת לאוטומציה מוגזמת. כולם שואלים איך למסות; המחקר כאן שואל כמה מהרווח בהישג יד המס, ומה הממשלה עושה בהכנסות.
• חוב נומינלי בעולם של מחירים יורדים. Fisher (1933) הראה שכשהמחירים יורדים, הנטל הריאלי של חוב קבוע בערכו הנומינלי עולה. Doepke ו-Schneider (2006) ו-Auclert (2019) מראים ששינויים ברמת המחירים מחלקים מחדש עושר בין מלווים ללווים, ושלחלוקה הזו יש השפעה מצרפית כשלמפסידים ולמרוויחים נטיות צריכה שונות.
• דפלציה "טובה" ו"רעה". Atkeson ו-Kehoe (2004) לא מוצאים קשר בין דפלציה לשפל מחוץ לשנות השלושים, ו-Borio ועמיתיו (2015) מוצאים שהנזק קשור בעיקר לירידה במחירי נכסים ולא במחירי סחורות. Bordo ו-Filardo (2005) מבחינים היסטורית בין דפלציה "טובה", שמקורה בפריון, לבין דפלציה "רעה", שמקורה בביקוש. דפלציה שנובעת מעליית פריון אינה בהכרח מזיקה למשק כולו; השאלה כאן היא מי נפגע ממנה.
• מרחב פיסקלי. Blanchard (2019) מראה שכשהריבית נמוכה משיעור הצמיחה, לחוב ציבורי עשויה לא להיות עלות פיסקלית, אבל מזהיר מפני פרמיית סיכון שעולה עם החוב. במפרט המרכזי יש פרמיית סיכון מוטלת, לא נאמדת (שלב 268).
• כללים פיסקליים וסעיפי מילוט. Guerguil, Mandon ו-Tapsoba (2016) מוצאים שכללים פיסקליים גמישים, למשל כללים שמנטרלים את המחזור העסקי, קשורים למדיניות פחות פרו-מחזורית, ושסעיפי מילוט לבדם לא קשורים לשינוי כזה. במחקר כאן הכלל התקציבי הוא אחד הגורמים החזקים: היטל רווחים שמגיב לתקרת החוב משנה את השימור מ-49% ל-64%.
• הכנסה בסיסית בשיווי משקל. Daruich ו-Fernández (2024) מוצאים שהכנסה בסיסית יוצרת הפסדי רווחה גדולים בטווח הארוך, בעיקר דרך השקעה נמוכה יותר של הורים בהון האנושי של ילדיהם. המודל כאן לא כולל את הערוץ הזה.
• הכנסה בסיסית במודל עם ביקוש. Nikiforos, Steinbaum ו-Zezza (2017) משתמשים במודל המאקרו-אקונומטרי של מכון לוי, שבו הביקוש קובע את התוצר, ומוצאים שהעברות במזומן הממומנות בחוב מגדילות את התוצר; כשהן ממומנות במס, ההשפעה קטנה ונובעת רק מחלוקה מחדש של ההכנסה.
• גמישות בסיס המס והשקעה שמגיבה למס. בסיס מס החברות מגיב לשיעור המס: Gruber ו-Rauh (2007) אומדים גמישות של כ-0.2 בארצות הברית, ו-Dwenger ו-Steiner (2012) כ-0.5–0.6 בגרמניה. גם ההשקעה מגיבה למס: Zwick ו-Mahon (2017) אומדים גמישות של 1.6 לרכיב המס בעלות ההון, מעל הטווח של 0.5–1 שסיכמו Hassett ו-Hubbard (2002). שלבים 301 ו-304 משתמשים באומדנים האלה כדי לתת להיטל עלות, ומוצאים שתרומתו מתאפסת רק בגמישות שחיקה של כ-2.4.
• עקומת השכר. השכר יורד כשהאבטלה המקומית גבוהה. Blanchflower ו-Oswald (2005) מוצאים גמישות של כ-0.1, ומטא-אנליזה של Nijkamp ו-Poot (2005) מגיעה לכ-0.07. אלה אומדנים בין אזורים, ושלבים 302 ו-304 מחילים אותם על עלייה מצרפית באבטלה, כהנחה.
• מי נהנה מסבסוד דיור. Gibbons ו-Manning (2006) מוצאים שבין 60% לשני שלישים מהקיצוץ בסבסוד שכר הדירה בבריטניה נפל על בעלי הדירות. זה הבסיס לבדיקת הרגישות שבה בעלי הדירות גובים חלק מהקצבאות כשכר דירה גבוה יותר.
• מודלים חשבונאיים. Godley ו-Lavoie (2007) מפתחים מודלים שבהם כל זרם כספי מקורו ויעדו מוגדרים. המודל כאן בנוי באותו היגיון. במפרט המרכזי ההיצע קובע את התוצר, ובגרסה חלופית הביקוש.

הקשר למחקר: המחקר מראה שתי גרסאות של ההיגיון של Fisher. האחת פרטית: תשלומי דיור נומינליים לא יורדים עם המחירים, בעוד שהקצבה צמודה למחיר הסחורות, ולכן שוכרים ובעלי משכנתא נפגעים. השנייה פיסקלית: החיסכון יוצא מבסיס המס, הריבית על החוב הציבורי לא יורדת, ומה שנשאר לקצבאות מצטמק. במפרט המרכזי שתיהן פועלות: גלגול הפריון לשכר מוריד את ההכנסות בכנקודת תוצר, ודפלציה פוגעת בנוסף בשוכרים ובבעלי משכנתא דרך תשלומי דיור נומינליים. הגרסה הפרטית מותנית: באינפלציה של 2% או כששכר הדירה צמוד למחירים, היא נעלמת (שלבים 272, 278 ו-281). מודלים עם ביקוש ומודלים מבוססי סוכנים כבר בחנו הכנסה בסיסית ואוטומציה (Nikiforos ועמיתיו; Dosi ועמיתיו). מה שנוסף כאן הוא שאלה כמותית צרה יותר: איזו עליית פריון ואיזו תגובת מס דרושות כדי שקצבה תשמור על מאבדי העבודה בתוך תקרת חוב, כשתשלומי הדיור והחוב נומינליים.

2.7 הפער שהמחקר ממלא

הספרות בודקת כל חוליה בנפרד; המחקר מחבר אותן במסלול אחד עם אילוצי תקציב מפורשים.

מקורות

1. Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13–58. doi:10.1093/epolic/eiae042
2. Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. (2022). Artificial intelligence and jobs: Evidence from online vacancies. Journal of Labor Economics, 40(S1), S293–S340. doi:10.1086/718327
3. Acemoglu, D., Manera, A., & Restrepo, P. (2020). Does the US tax code favor automation? Brookings Papers on Economic Activity, 2020(1), 231–300. doi:10.1353/eca.2020.0003
4. Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3–30. doi:10.1257/jep.33.2.3
5. Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy, 128(6), 2188–2244. doi:10.1086/705716
6. Albanesi, S., Dias da Silva, A., Jimeno, J. F., Lamo, A., & Wabitsch, A. (2025). New technologies and jobs in Europe. Economic Policy, 40(121), 71–139. doi:10.1093/epolic/eiae058
7. Atkeson, A., & Kehoe, P. J. (2004). Deflation and depression: Is there an empirical link? American Economic Review, 94(2), 99–103. doi:10.1257/0002828041301588
8. Auclert, A. (2019). Monetary policy and the redistribution channel. American Economic Review, 109(6), 2333–2367. doi:10.1257/aer.20160137
9. Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. Quarterly Journal of Economics, 118(4), 1279–1333. doi:10.1162/003355303322552801
10. Bank of Israel (2025). ההשפעה הצפויה של בינה מלאכותית יוצרת על העובדים: השלכות על המדיניות בשוק העבודה. Box in the Bank of Israel Annual Report 2024. link
11. Benzell, S. G., Kotlikoff, L. J., LaGarda, G., & Sachs, J. D. (2015). Robots are us: Some economics of human replacement. NBER Working Paper 20941. link
12. Berg, A., Buffie, E. F., & Zanna, L.-F. (2018). Should we fear the robot revolution? (The correct answer is yes). Journal of Monetary Economics, 97, 117–148. doi:10.1016/j.jmoneco.2018.05.014
13. Blanchard, O. (2019). Public debt and low interest rates. American Economic Review, 109(4), 1197–1229. doi:10.1257/aer.109.4.1197
14. Blanchflower, D. G., & Oswald, A. J. (2005). The wage curve reloaded. NBER Working Paper 11338. link
15. Bordo, M., & Filardo, A. (2005). Deflation and monetary policy in a historical perspective: Remembering the past or being condemned to repeat it? Economic Policy, 20(44), 800–844. doi:10.1111/j.1468-0327.2005.00151.x
16. Borio, C., Erdem, M., Filardo, A., & Hofmann, B. (2015). The costs of deflations: A historical perspective. BIS Quarterly Review, March 2015. link
17. Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab. link
18. Caselli, F., & Manning, A. (2019). Robot arithmetic: New technology and wages. American Economic Review: Insights, 1(1), 1–12. doi:10.1257/aeri.20170036
19. Costinot, A., & Werning, I. (2023). Robots, trade, and Luddism: A sufficient statistic approach to optimal technology regulation. Review of Economic Studies, 90(5), 2261–2291. doi:10.1093/restud/rdac076
20. Daruich, D., & Fernández, R. (2024). Universal basic income: A dynamic assessment. American Economic Review, 114(1), 38–88. doi:10.1257/aer.20221099
21. Davis, S. J., & von Wachter, T. (2011). Recessions and the costs of job loss. Brookings Papers on Economic Activity, Fall 2011, 1–72. doi:10.1353/eca.2011.0016
22. Debowy, M., Epstein, G. S., Bental, B., Weiss, A., & Weinreb, A. (2024). Artificial intelligence and the Israeli labor market. Taub Center Policy Paper 06.2024. link
23. Debowy, M., Epstein, G. S., & Weiss, A. (2026). How artificial intelligence changed the composition of the unemployed in Israel. Taub Center. link
24. Doepke, M., & Schneider, M. (2006). Inflation and the redistribution of nominal wealth. Journal of Political Economy, 114(6), 1069–1097. doi:10.1086/508379
25. Dosi, G., Pereira, M. C., Roventini, A., & Virgillito, M. E. (2022). Technological paradigms, labour creation and destruction in a multi-sector agent-based model. Research Policy, 51(10), 104565. doi:10.1016/j.respol.2022.104565
26. Dwenger, N., & Steiner, V. (2012). Profit taxation and the elasticity of the corporate income tax base: Evidence from German corporate tax return data. National Tax Journal, 65(1), 118–150. doi:10.17310/ntj.2012.1.05
27. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. doi:10.1126/science.adj0998
28. Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence. Strategic Management Journal, 42(12), 2195–2217. doi:10.1002/smj.3286
29. Fisher, I. (1933). The debt-deflation theory of great depressions. Econometrica, 1(4), 337–357. jstor:1907338
30. Gibbons, S., & Manning, A. (2006). The incidence of UK housing benefit: Evidence from the 1990s reforms. Journal of Public Economics, 90(4–5), 799–822. doi:10.1016/j.jpubeco.2005.01.002
31. Gmyrek, P., Berg, J., et al. (2025). Generative AI and jobs: A refined global index of occupational exposure. ILO Working Paper 140. doi:10.54394/HETP0387
32. Godley, W., & Lavoie, M. (2007). Monetary economics: An integrated approach to credit, money, income, production and wealth. Palgrave Macmillan. doi:10.1057/9780230626546
33. Gruber, J., & Rauh, J. (2007). How elastic is the corporate income tax base? In A. J. Auerbach, J. R. Hines & J. Slemrod (Eds.), Taxing corporate income in the 21st century (pp. 140–163). Cambridge University Press. doi:10.1017/CBO9780511510823.011
34. Guerguil, M., Mandon, P., & Tapsoba, R. (2016). Flexible fiscal rules and countercyclical fiscal policy. IMF Working Paper 16/8. doi:10.5089/9781513581460.001
35. Guerreiro, J., Rebelo, S., & Teles, P. (2022). Should robots be taxed? Review of Economic Studies, 89(1), 279–311. doi:10.1093/restud/rdab019
36. Guner, N., Kaygusuz, R., & Ventura, G. (2023). Rethinking the welfare state. Econometrica, 91(6), 2261–2294. doi:10.3982/ECTA19921
37. Hassett, K. A., & Hubbard, R. G. (2002). Tax policy and business investment. In A. J. Auerbach & M. Feldstein (Eds.), Handbook of Public Economics (Vol. 3, pp. 1293–1343). Elsevier. link
38. Hoynes, H., & Rothstein, J. (2019). Universal basic income in the United States and advanced countries. Annual Review of Economics, 11, 929–958. doi:10.1146/annurev-economics-080218-030237
39. Hubbard, R. G., Skinner, J., & Zeldes, S. P. (1995). Precautionary saving and social insurance. Journal of Political Economy, 103(2), 360–399. doi:10.1086/261987
40. Humlum, A., & Vestergaard, E. (2025). Large language models, small labor market effects. NBER Working Paper 33777 (revised 2026 as "Still waters, rapid currents"). link
41. Jacobson, L. S., LaLonde, R. J., & Sullivan, D. G. (1993). Earnings losses of displaced workers. American Economic Review, 83(4), 685–709. link
42. Kaplan, G., Moll, B., & Violante, G. L. (2018). Monetary policy according to HANK. American Economic Review, 108(3), 697–743. doi:10.1257/aer.20160042
43. Korinek, A., & Stiglitz, J. E. (2019). Artificial intelligence and its implications for income distribution and unemployment. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 349–390). University of Chicago Press. link
44. Korinek, A., & Suh, D. (2024). Scenarios for the transition to AGI. NBER Working Paper 32255. link
45. Mian, A., Straub, L., & Sufi, A. (2021). Indebted demand. Quarterly Journal of Economics, 136(4), 2243–2307. doi:10.1093/qje/qjab007
46. Moll, B., Rachel, L., & Restrepo, P. (2022). Uneven growth: Automation's impact on income and wealth inequality. Econometrica, 90(6), 2645–2683. doi:10.3982/ECTA19417
47. Nijkamp, P., & Poot, J. (2005). The last word on the wage curve? Journal of Economic Surveys, 19(3), 421–450. doi:10.1111/j.0950-0804.2005.00254.x
48. Nikiforos, M., Steinbaum, M., & Zezza, G. (2017). Modeling the macroeconomic effects of a universal basic income. Roosevelt Institute. link
49. Prettner, K., & Strulik, H. (2020). Innovation, automation, and inequality: Policy challenges in the race against the machine. Journal of Monetary Economics, 116, 249–265. doi:10.1016/j.jmoneco.2019.10.012
50. Thuemmel, U. (2023). Optimal taxation of robots. Journal of the European Economic Association, 21(3), 1154–1190. doi:10.1093/jeea/jvac062
51. Zwick, E., & Mahon, J. (2017). Tax policy and heterogeneous investment behavior. American Economic Review, 107(1), 217–248. doi:10.1257/aer.20140855
52. Eurostat (2025). National accounts aggregates by industry, up to NACE A*64 (nama_10_a64). link
53. Eurostat (2025). Artificial intelligence by size class of enterprise (isoc_eb_ai). link
54. Eurostat (2026). Employment by sex, age and occupation, ISCO-08 two-digit level (lfsa_egai2d). link
55. ILO (2026). ILOSTAT: Employment by sex and occupation, annual (EMP_TEMP_SEX_OCU_NB_A). link
56. הלשכה המרכזית לסטטיסטיקה (2019–2024). סקר כוח אדם, פרסום שנתי, לוח 5.3: בלתי מועסקים שעבדו ב-12 החודשים האחרונים, לפי משלח יד אחרון (נתוני 2017, 2018, 2021, 2022, 2023, 2024). cbs.gov.il

הפרק כתוב בעברית. טיוטה 3.2 (PDF) · קובץ המקור