Oppgrader til nyeste versjon av Internet eksplorer for best mulig visning av siden. Klikk her for for å skjule denne meldingen
Ikke pålogget
{{session.user.firstName}} {{session.user.lastName}}
Du har tilgang til Idunn gjennom , & {{sessionPartyGroup.name}}

Robotene er allerede her. En empirisk vurdering av automatisering og endringer i yrkessammensetningen i det norske arbeidsmarkedet

The robots are already here. An empirical assessment of automation and changes in the occupational composition of the Norwegian labour market

Master i samfunnsøkonomisk analyse, Økonomisk institutt, Universitetet i Oslo

Denne artikkelen estimerer sammenhengen mellom automatiseringssannsynlighetene, konstruert av Frey og Osborne, og endringen i sysselsettingen i 348 norske yrker. Ved å se på tidsperioden 2009–2016, finner jeg en negativ og signifikant sammenheng mellom endringen i yrkessammensetning og automatisering. Dette forholdet er sterkere for kvinner og sysselsatte med mellomlang utdanning. Artikkelen viser at automatisering av yrker finner sted, og at kommende teknologi kan ha en større arbeidsbesparende effekt enn før. Jeg finner også bevis som støtter det faktum at vi står overfor en omstilling og ikke en arbeidsløs fremtid.

Nøkkelord: automatisering, yrkessammensetning

This article estimates the relationship between automation probabilities constructed by Frey and Osborne and employment share within 348 Norwegian occupations. When considering the time period 2009–2016, I find a negative and significant correlation between the change in occupational employment and automation. This relationship is stronger for women and individuals with secondary education. My study shows that the threat of automation is real, and that upcoming technology could have a bigger labour-saving effect than before. I find also evidence supporting the fact that we are facing a restructured rather than a jobless future.

Keywords: automation, occupational composition

Innledning

Det har vært enorme fremskritt innen automatisering, robotisering og kunstig intelligens1. Selv om tidligere år har vist at automatisering har bidratt til økt produktivitet og skapt nye arbeidsplasser, er det mange som nå er bekymret over at en del jobber kan bli erstattet av roboter. Nyhetsmagasinet The Economist skrev en artikkel i 2014 om at en ny automatiseringsbølge er på vei, og påpekte at vi snart kunne stå overfor massiv arbeidsledighet. Både antall roboter og antall oppgaver de kan utføre øker i raskt tempo. I 2009 lanserte Google en selvkjørende bil, mens Watson, en av IBMs kognitive teknologier, slo de beste menneskelige deltakerne i et amerikansk quizshow «Jeopardy» i 2011. I 2016 viste Watson at den også kunne gjøre komplekse kognitive oppgaver slik som å diagnostisere kreft og anbefale behandlinger. Det bekymringsfulle aspektet ved dagens teknologiske fremskritt er at de er eksponentielt raskere og har et langt større omfang enn det vi har vært vitne til i tidligere industrielle revolusjoner. I år 2019 virker det lettere å svare på spørsmålet om hva maskiner ikke kan gjøre enn å svare på spørsmålet om hva de kan gjøre.

Frykten for at teknologien vil overta jobber som utføres av mennesker er ikke et nytt fenomen. På 1800-tallet var ludditene, den mest kjente teknologiske motstandsbevegelsen, bekymret for endringene som fulgte med den industrielle revolusjonen. De fryktet at deres ferdigheter ikke lenger ville bli etterspurt, og ødela tekstilmaskiner som en form for protest. I 1930 uttrykte Keynes bekymring ved å skrive «We are being afflicted with a new disease of which some readers may not yet have heard the name, but of which they will hear a great deal in the years to come – namely, technological unemployment,» men alle som har fryktet teknologisk arbeidsledighet har tatt feil. Autor (2015) forklarer at både kommentatorer og eksperter pleier å legge vekt på at jobber blir erstattet av maskiner, men glemmer de jobbene som ikke kan erstattes. Disse jobbene blir ofte mer produktive grunnet den nye teknologien, noe som fører til flere ansatte.

Automatisering fører til endringer i tilbuds- og etterspørselsfaktorer. På tilbudssiden har ny teknologi gjort at privatpersoner kan tilby varer og tjenester gjennom digitale plattformer da kostnadene ved å nå et stort marked har falt kraftig. Dette refereres ofte til som delingsøkonomi, der Airbnb og Uber er noen av de mest kjente eksemplene. Hvis delingsøkonomien fortsetter å vokse, vil trolig andelen selvstendig næringsdrivende og frilansere også vokse. Fast ansettelse slik vi kjenner det i dag kan bli mindre vanlig, og koblingen mellom arbeidstaker og bedrift kan bli løsere (Bekkelund 2018).

På etterspørselssiden viser Nedelkoska og Quintini (2018) at risikoen for automatisering av jobber vil avta jo høyere utdanningen, ferdighetene og lønnen forbundet med jobben er. Det tyder på at teknologiske endringer øker den relative etterspørselen etter høyt kvalifisert arbeidskraft. Dette kan føre til høyere andel sysselsatte i jobber med høye kvalifikasjonskrav, og større lønnsforskjeller mellom arbeidstakere med ulike kvalifikasjoner. Mange trekker også frem at det i fremtiden vil være behov for yrker der kreativ problemløsning står sentralt. Deming (2017) viser blant annet at i yrker som krever gode matematikkunnskaper, men ikke høy sosial kompetanse, har sysselsettingen falt betydelig og lønnsveksten vært lav. Samtidig finner han at etterspørselen etter arbeidskraft i yrker som krever både matematikkunnskaper og sosial kompetanse, har økt. Siden sosiale ferdigheter er vanskeligere å erstatte med maskiner, tyder det på at disse ferdighetene vil bli relativt sett viktigere enn tekniske ferdigheter.

Denne artikkelen bidrar til den pågående debatten om hvordan automatisering påvirker sysselsettingen gjennom endret etterspørsel av arbeidskraft. Jeg vil fokusere på forholdet mellom automatisering og endringen i sysselsettingen i yrker fra Standard for yrkesklassifisering, som er den norske standarden for kategorisering av yrker. Hovedspørsmålet i denne artikkelen er om sysselsettingen i yrker som har stor sannsynlighet for å bli automatisert, faller over tid. Til dette formålet vil jeg bruke sannsynligheter konstruert av Frey og Osborne (2017), og på denne måten vurdere om de kan brukes som grove tilnærminger for å forutsi fremtiden til ulike yrker.

Det finnes tidligere arbeider som har sett på om automatisering er en trussel i Norge. Pajarinen, Rouvinen og Ekeland (2015) konverterte automatiseringssannsynlighetene konstruert av Frey og Osborne (2017) til norske yrker, og anslo at 33 prosent av alle jobbene har en høy risiko for å bli automatisert de neste 10–20 årene. Fölster (2018) undersøkte hvor stor andel av de jobbene som ble borte mellom 2009 og 2014 som skyldtes automatisering, og konkluderte med at denne andelen var mellom 8–9 prosent. Mitt bidrag er å se på forholdet mellom automatisering og yrkessammensetning i Norge mellom 2009 og 2016 og analysere hvilke grupper som har vært mest utsatt basert på kjønn og utdanning. Dette er en av de første studiene som tester hvor forutsigbare automatiseringssannsynlighetene konstruert av Frey og Osborne (2017) er, og den første omfattende studien, så vidt jeg vet, som viser hvordan disse sannsynlighetene er relatert til yrkessammensetningen i Norge.

Automatiseringssannsynlighets- og sysselsettingsdata

Frey og Osborne (2017) konstruerte sannsynligheter i to steg. Først valgte de 70 ut av 702 yrker som de betraktet som enten helt automatiserbare eller ikke automatiserbare i det hele tatt. Deretter, ved å bruke en probabilistisk funksjon, satte de en automatiseringssannsynlighet for alle yrker. Forfatterne fokuserte på effekten av automatisering på de yrkene som eksisterte i 2010, og deres analyse er dermed begrenset til substitusjonseffekten av fremtidig teknologi. Metoden som ble brukt, ignorerte både at innholdet i yrkesoppgavene og at yrkessammensetningen var i stadig endring. I tillegg tok den ikke hensyn til de sosiale kreftene som kan bremse opp teknologiske fremskritt. Til tross for dette er automatiseringssannsynlighetene nyttige for å få kvalitativ og kvantitativ forståelse av hvordan teknologien vil påvirke fremtidig yrkesstruktur. De bør imidlertid betraktes som tilnærminger, og ikke nøyaktige sannheter.

Pajarinen mfl. (2015) konverterte automatiseringssannsynlighetene konstruert av Frey og Osborne (2017) til norske yrker. Disse sannsynlighetene ble koblet opp mot mitt datasett, noe som ga meg en automatiseringssannsynlighet i 348 yrker. I figur 1 er alle yrkene sortert i 10 grupper, avhengig av sannsynligheten. Den første gruppen består av yrker med automatiseringssannsynlighet mellom 0,001 og 0,099; den andre gruppen består av yrker med automatiseringssannsynlighet mellom 0,1 og 0,199, og så videre. Den vertikale aksen måler andelen yrker som tilhører en bestemt automatiseringssannsynlighetsgruppe. I figuren kan vi se polarisering av yrker, med høyest antall yrker i første og siste gruppe. Der er 78 yrker som har en liten risiko for å bli utsatt for automatisering. Antall yrker som har høy risiko for å bli utsatt for automatisering, er 50. Dette betyr at en relativt stor del av yrkene er ganske skjermet fra eller ganske truet av automatisering.

Figur 1.

Fordelingen av yrker over sannsynligheten for automatisering

Fra Frischsenteret har jeg individdata som gir oss informasjon om sysselsettingsnivået i disse 348 yrkene. Datagrunnlaget til denne analysen er koblede individdata fra ulike registre som administreres av Statistisk sentralbyrå (SSB). En av de viktigste kildene til informasjon om yrkesstrukturen i Norge er SSBs lønnsstatistikk. Dette er en årlig undersøkelse der et representativt utvalg i privat sektor og hele offentlig sektor er pålagt å innrapportere individinformasjon om sine ansatte i perioden september-oktober i det aktuelle året. Fra denne statistikken har vi informasjon om de ansattes yrke, lønn, faste- og variable tillegg, samt antall ansatte og bedriftens næringskode.

For å vurdere forholdet mellom automatisering og endring i yrkesstrukturen, tar jeg utgangspunkt i årene 2009 og 2016. Jeg begrenser datasettet mitt til arbeidsstyrken, slik at det bare inkluderer personer i aldersgruppen 15-74. I tillegg beholder jeg bare individer som tjener mer enn dobbelt så mye som grunnbeløpet2 i det aktuelle året. Min avhengige variabel er sysselsettingsvekst i et yrke, definert ved denne brøken:

De mest og minst utsatte yrkesgruppene

Figur 2.

Endring i sysselsettingsandel i yrkesgrupper i perioden 2009–2016, sortert etter automatiseringssannsynlighetene fra venstre til høyre

For å si noe om hvordan automatiseringen henger sammen med sysselsettingsendringer, har jeg i første omgang aggregert alle yrkene i ni større yrkesgrupper. Videre er de sortert etter sannsynligheten for å bli automatisert, med lavest sannsynlighet til venstre og høyest sannsynlighet til høyre. Deretter har jeg beregnet sysselsettingsveksten i hver yrkesgruppe, slik det er beskrevet over. Resultatene presenteres i figur 2. Yrkesgrupper med lav risiko for automatisering har hatt en gjennomsnittlig positiv endring i sysselsettingsandelen, mens yrkesgrupper med høy risiko for automatisering har hatt en gjennomsnittlig negativ endring i sysselsettingsandelen. Administrative ledere og politikere er den sikreste yrkesgruppen, med en automatiseringssannsynlighet på 0,12. Den mest utsatte yrkesgruppen er kontor- og kundeserviceyrker, med en gjennomsnittlige automatiseringssannsynlighet på hele 0,71.

Tabell 1.

De største yrkene innen de to sikreste og de to mest risikable yrkesgruppene

YrkesgruppeYrkeAutomatiserings-
sannsynlighet
Antall arbeidstakere i 2016Endring i sysselsettingsandel 2009–2016 (%)
1. Administrative ledere og politikereAdministrerende direktører0,08735 5040,22
Varehandelssjefer0,1627 489– 0,06
 Andre administrerende ledere0,35521 6710,39
 2. Akademiske yrkerGrunnskolelærere0,08770 498– 0,28
Førskolelærere0,07929 3770,07
 Spesialsykepleiere0,00925 872-0,12
 4. Kontor- og kundeserviceyrkerKontormedarbeidere0,9752 043– 1,04
Lagermedarbeidere og material-forvaltere0,85730 273– 0,23
 Regnskapsmedarbeidere0,9717 168– 0,29
 8. Prosess- og maskinoperatører, transportarbeidere mv.Lastebil- og trailersjåfører0,4122 652– 0,09
Operatører innen næringsmiddelproduksjon0,81619 853– 0,10
 Anleggsmaskinførere0,89218 235– 0,08

Figur 2 viser den gjennomsnittlige sysselsettingsveksten og den gjennomsnittlige automatiseringssannsynligheten, men innen hver yrkesgruppe finnes det både trygge og utsatte yrker, og yrker i vekst og reduksjon. Det er interessant å se hvilke yrker som står bak de observerte sysselsettingsendringene i figuren, men det finnes ingen enkel måte for å gjøre dette. Jeg velger å fokusere på de tre største3 yrkene i de sikreste yrkesgruppene 1 og 2, og i de mest risikable yrkesgruppene 8 og 4. Tabell 1 viser både automatiseringssannsynligheten og nedgangen i sysselsettingen i perioden 2009-2016 for disse yrkene. Som nevnt i Pajarinen mfl. (2015), er jobber innen ledelse, utdanning og helse for øyeblikket trygge fra automatisering. De har lave sannsynligheter, og enten positiv eller relativt liten negativ endring i sysselsettingsandelen. Samtidig er kontor- og maskinoperatøryrkene svært utsatt for automatisering, noe som også vises i dataene.

Yrkespolarisering

Flere forfattere har hevdet at teknologisk arbeidsledighet har ført til mer polariserte arbeidsmarkeder i mange land. Studier for USA (Autor, Katz & Kearney 2006, 2008) og for Storbritannia (Goos & Manning 2007) har vist at det er sysselsettingsvekst i både høylønns- og lavlønnsyrker, mens det er nedgang i sysselsetting i mellomlønnede yrker. Goos, Manning og Salomons (2014) finner bevis på yrkespolarisering i 16 EU-land, inkludert Norge, i tidsperioden 1993–2010. Også OECD (2017) finner at Norge mellom 1995 og 2015 har hatt en polarisering i arbeidsmarkedet, der sysselsettingsandelen har falt i mellomlønnede yrker relativt til lavt og høyt lønnede.

Ved å bruke samme tilnærming som Goos mfl. (2014), deler jeg yrker i lav-, mellom- og høylønnsyrker og ser på endringen i sysselsettingsandeler. Jeg bruker data om gjennomsnittlig månedslønn, der tillegg og bonuser ikke er tatt med. I mitt datasett spenner lavlønnsyrker fra 23 575 NOK til 37 094 NOK, mellomlønnsyrker varierer fra 37 198 NOK til 47 479 NOK, og høylønnsyrker går fra 47 490 NOK til 100 500 NOK.

Figur 3.

Sysselsettingsandel i lav-, mellom- og høylønnsyrker i 2009 og 2016

Figur 3 viser at sysselsettingsandelen har gått ned i lav- og mellomlønnsyrker og økt i høylønnsyrker. Dette indikerer at etterspørselen skifter til fordel for mer utdannede arbeidstakere, kjent som ferdighetsbasert teknologisk endring. Dette står i kontrast til andre studier, som finner at endringen i sysselsettingsandelen er positiv for lav- og høylønnsyrker og negativ for mellomlønnede yrker. Ifølge disse studiene erstatter teknologien arbeidskraft i rutinemessige oppgaver, kjent som rutinebasert teknologisk endring. Asplund, Barth, Lundborg og Nilsen (2011) viser at det var yrkespolarisering i Norge mellom 1997–2006, og begrunner det med rutinebasert teknologisk endring. Noen år senere påpeker Autor (2014) at yrkespolarisering ikke kan fortsette for alltid, noe som gjenspeiles i figur 3. Han skriver at mange mellomlønnede yrker er utsatt for automatisering, men han argumenterer også for at mange av disse jobbene krever en blanding av oppgaver med ulike ferdighetsnivåer. Ifølge han vil nedgangen i mange av mellomlønnede yrker stoppe opp i fremtiden. Autor (2014) gir ikke noe estimat på når dette vil skje, men Figur 3 gir en indikasjon på at nedgangen i sysselsettingen i mellomlønnsyrker er mindre enn for lavlønnsyrker. Man kan konkludere med at yrkespolarisering avtar i Norge, og at ferdighetsbasert teknologisk endring ser ut til å dominere igjen.

Resultater

For å svare på spørsmålet om det er en negativ sammenheng mellom sannsynligheten for at et yrke kan bli automatisert og sysselsettingen i yrket, spesifiserer jeg en log-lineær regresjonsligning:

endring i sysselsetting i yrket x = Α + Βautoprobx + εx

hvor endring i sysselsetting i et yrke er definert som   autoprob er automatiseringssannsynlighetene konstruert av Frey & Osborne (2017) og x angir et yrke. Resultatene fra regresjonen presenteres i tabell 2.

Tabell 2.

Korrelasjoner mellom automatiseringssannsynligheter og sysselsettingsvekst i norske yrker

AlleMennKvinnerLav utdanningMellomlang
utdanning
Høyere utdanning
autoprob-0,317*** (0,0408)-0,269***
(0,0589)
-0,360***
(0,0411)
-0,213***
(0,0756)
-0,288***
(0,0515)
-0,0411
(0,0523)
konstantledd0,198*** (0,0247)0,158***
(0,0352)
0,232***
(0,0272)
0,00832
(0,0467)
0,133***
(0,0320)
0,234***
(0,0306)
N348347345346344343
R20,1870,1110,2540,0550,1310,003

Tabellnote: Regresjonene er vektet med yrkesstørrelsene i 2009. Robuste standardfeil i parentes. *** p < 0,01, ** p < 0,05, * p < 0,1.

Første kolonne i tabell 2 viser at det er et negativt forhold mellom automatisering og sysselsettingsvekst i et yrke. Dette betyr at en høy automatiseringssannsynlighet i et yrke er knyttet til nedgang i sysselsettingen i samme yrke. Selv om vi ikke kan trekke noen konklusjon om årsakssammenheng fra dette, er det fortsatt interessant å se på tolkningen av koeffisienten. Siden automatiseringssannsynligheten er definert mellom 0 og 1, er det ikke fornuftig å snakke om én enhets økning i risiko for automatisering (autoprob). I stedet vil jeg fokusere på en økning på 10 prosentpoeng. Koeffisienten -0,317 forteller oss at en økning i automatiseringssannsynligheten på 10 prosentpoeng i automatiseringssannsynligheten henger sammen med en 3,17 prosents reduksjon i sysselsettingsveksten.

For at automatiseringssannsynligheten skal øke, må man overvinne visse teknologiske barrierer (Frey & Osborne 2017). Frey og Osborne definerer oppgaver knyttet til oppfatning og manipulering, kreativ intelligens og sosial intelligens som «teknologiske flaskehalser». Det er i dag umulig for datamaskiner eller roboter å overta oppgaver knyttet til disse flaskehalsene på grunn av vanskeligheter med å orientere seg i komplekse omgivelser, utvikle nye og komplekse ideer og reagere intelligent og empatisk rundt andre mennesker. På kort sikt er det dermed ikke sannsynlig at automatiseringssannsynlighetene vil endre seg. Derfor er det mer hensiktsmessig å tolke denne koeffisienten som forskjellen i sysselsettingsveksten mellom to yrker med ulike automatiseringssannsynligheter. En mer hensiktsmessig tolkning er derfor å sammenligne yrker med ulik risiko for å bli automatisert. Dermed er det slik at et yrke med en automatiseringssannsynlighet på 40 prosent (autoprob = 0,4) er assosiert med en sysselsetinngsvekst som er ca 3,17 prosent lavere enn et yrke med en automatiseringssannsynlighet på 30 prosent (autoprob = 0,3) er assosiert med.

Det er også interessant å se på tolkningen av konstantleddet. Vi kan se at det er positivt, noe som tyder på at et yrke med automatiseringssannsynlighet nærme null står overfor en positiv endring i sysselsettingen. Det er vanskelig å gi en klar tolkning av denne effekten siden konstantleddet fanger både befolknings- og sysselsettingsvekst. Ifølge Statistisk sentralbyrå var befolkningen 4 799 252 i 2009 og 5 213 985 i 2016, en økning som er mindre enn selve konstantleddet. Dermed kan man fastslå at konstantleddet fanger også opp sysselsettingsvekst i lav-risiko yrker. Dette resultatet støtter hypotesen om at vi står overfor omstilling snarere enn en arbeidsløs fremtid.

Tabell 2 viser også forholdet mellom automatisering og sysselsettingsvekst i yrker separat for menn og kvinner og for sysselsatte med ulikt utdanningsnivå. Autoprob-koeffisienten er høyere for kvinner, og forteller oss at en endring i automatiseringssannsynligheten på 10 prosentpoeng er knyttet til en større nedgang i sysselsettingen for kvinner enn for menn. Det er ikke noe klart svar på hvorfor dette er tilfellet. En grunn kan være at kvinner er mer mobile mellom yrker. Hvis automatiseringstrusselen i et yrke øker, kan kvinner endre jobb, og de kan gjøre det raskere enn menn. En annen forklaring kan være at kvinner har blitt mer utsatt for automatiseringen, i hvert fall de siste årene. Dette kan begrunnes med at en stor andel kvinner er ansatt som kontormedarbeidere i bank- og finansbransjen, næringer som har hatt en stor nedgang i sysselsettingen i perioden 2009–2016.

Fra tabell 2 kan vi se at sammenhengen mellom automatiseringssannsynligheter og sysselsettingsvekst er høyere for personer med mellomlang utdanning. Heller ikke i dette tilfellet er der noe klart svar på hvorfor det er slik, men resultatet kan igjen forklares ut fra hvilke yrker som har opplevd den største sysselsettingsnedgangen de siste årene. Fra litteraturen er det kjent at personer med mellomlang utdanning vanligvis har jobber med enkle beregnings- og repeterbare oppgaver (Autor & Dorn 2013; Autor, Levy & Murnane 2003; Goos, Manning & Salomons 2009). Siden disse jobbene har blitt utsatt for automatisering de siste årene, er det nettopp personer med mellomlang utdanning som har stått ovenfor en fallende sysselsetting.

Også for lavutdannede personer er det en signifikant og negativ sammenheng mellom automatiseringssannsynligheter og sysselsettingsvekst. Dette betyr at yrker som har relativt sett lavere utdanningskrav også reduseres, men i mindre grad enn rutinemessige jobber. Videre ser vi at der ikke er noen sammenheng mellom automatisering og endring i sysselsettingen for høyt utdannede ansatte. Dette gjenspeiler en større tilpasningsevne til teknologiske endringer blant de høyere utdannede arbeidstakere, og det faktum at de er ansatt i stillinger som består av oppgaver som fortsatt er vanskelige å automatisere.

Konstantleddet er veldig lavt for de med lav utdanning, og ganske høyt for høyt utdannede ansatte. Dette tyder på at sysselsettingen ikke har økt i lav-risiko yrker med ansatte som har lite utdanning. Den har snarere vært fallende. Samtidig har lav-risiko yrker med høyt kvalifiserte ansatte hatt en økende sysselsetting. Grunnet befolkningsvekst og en økning i andelen høyt utdannede, er det igjen vanskelig å gi en klar tolkning av konstantleddet. Ifølge Statistisk sentralbyrå har antall lavutdannede falt med 72 649, antall personer med mellomlang utdanning har falt med 11 033, mens antall personer med høy utdanning har økt med 351 418.4 Det ser dermed ut til at teknologi og høy utdannet arbeidskraft er komplementer, mens teknologi og lavt utdannet arbeidskraft er substitutter. Resultatene viser at det kan være en fordel å ha høyere utdanning i de kommende årene.

Andre mulige faktorer

Finanskrisen i 2008, som på verdensbasis førte til millioner av jobbtap og dårligere arbeidsforhold, sies å ha de verste økonomiske konsekvensene siden den andre verdenskrigen. Denne krisen rammet også Norge, men de skadelige virkningene var ganske beskjedne. Norge opplevde en årlig stagnasjon, definert ved nedgang i BNP, på om lag en prosent og vesentlig lavere arbeidsledighet enn nesten alle sammenlignbare økonomier, med litt over tre prosent arbeidsledighet i 2009 (Grytten & Hunnes 2010). Det samme viser Doppelhofer og Thøgersen (2014), som peker på at Norge var et av de landene som ble minst rammet av krisen. De hevder at dette delvis skyldes vår petroleums- og råvarebaserte forretningsstruktur, og dels en godt tilpasset penge- og finanspolitikk. En bekymring når det gjelder analysen i denne artikkelen, er at finanskrisen og den økende arbeidsledigheten kan ha betydning for resultatene. Siden analysene starter i 2009, og tidligere forskning viser at effektene av finanskrisen var minimale, bør ikke dette ha stor innvirkning på resultatene.

Oljeprisfallet i 2014 kan ha betydning for min analyse siden Norge er avhengig av petroleum for inntekt, eksport og jobber. Olje- og gassutvinning og rørledningstransport utgjorde om lag 21 prosent av Norges BNP i 2013 (Cappelen, Eika & Prestmo 2014). Når det gjelder sysselsetting, har en rapport fra Statistisk sentralbyrå antydet at ca 9 prosent av norske arbeidsplasser var direkte eller indirekte relatert til petroleumsvirksomheten i 2013 (SSB 2016). Rapporten anslår at sysselsettingen knyttet til petroleumsindustrien hadde en nedgang fra 230 000 i 2013 til 205 000 i 2015. Siden denne nedgangen fant sted i tidsperioden jeg ser på, kan oljeprisfallet være årsaken til det negative forholdet mellom automatisering og sysselsettingsvekst i et yrke observert i dataene mine. Ved å ekskludere alle ansatte relatert til utvinning og produksjon av råolje og naturgass, kan vi se i tabell 3 at det sterke forholdet mellom automatiseringssannsynligheter og sysselsetting forblir. Vi kan derfor konkludere med at oljeprisfallet ikke driver mine resultater.

Tabell 3.

Korrelasjoner som utelukker yrkesgrupper som kan påvirke resultatene

AlleIngen oljearbeidereUtelatt stor andel offshore jobberIngen produksjonsmedarbeidere
autoprob-0,317***
(0,0408)
-0,329***
(0,0412)
-0,303***
(0,0482)
-0,264***
(0,0404)
konstantledd0,198***
(0,0247)
0,196***
(0,0245)
0,197***
(0,0254)
0,209***
(0,0259)
N348348290348
R20,1870,1850,1600,142

Tabellnote: Robuste standardfeil i parentes. *** p < 0,01, ** p < 0,05, * p < 0,1.

Utfordringer knyttet til globalisering, spesielt offshoring og import fra Kina, og nedgangen i sysselsettingen har blitt mye omtalt. Funn i litteraturen tyder på at offshoring ikke har noen effekt eller en liten positiv effekt på sysselsetting (Hijzen & Swaim 2007; Wright 2014). Produktivitetsgevinstene fra offshoring ser ut til å være tilstrekkelig store, slik at jobbene som oppstår grunnet høyere produktivitet fullstendig oppveier for de jobbene som mistes ved at visse produksjonsfaser flyttes til utenlandske produksjonssteder. Substitusjonseffekten av offshoring kan imidlertid være korrelert med automatisering og påvirke resultatene mine, og derfor velger jeg å ekskludere kontoryrker, kundeserviceyrker og yrker inne prosess, maskin og transport. Valget falt på disse yrkesgruppene siden Blinder (2009) definerer maskinoperatører og kontorarbeidere som de mest utsatte yrkene for offshoring. Endringen i koeffisienten i kolonne (3) er ganske beskjeden, noe som viser at sammenhengen mellom automatisering og sysselsettingsvekst forblir selv når man utelukker en stor andel av offshore jobber.

Balsvik, Jensen og Salvanes (2015) ser på effekten av import fra Kina i Norge. Ved å bruke data for perioden 1996–2007, finner de en negativ effekt av import fra Kina på produksjonsmedarbeidere i det norske arbeidsmarkedet. For å eliminere denne faktoren som drivkraften bak resultatene mine, velger jeg å ekskludere alle produksjonsmedarbeidere. Koeffisienten i kolonne (4) faller til -0,264. Dette resultatet er som forventet. Produksjonsmedarbeidere ble utsatt for automatisering ganske tidlig, og den negative sammenhengen mellom automatisering og sysselveksten bør være relativt høy for denne gruppen. Selv om koeffisienten faller, er det fortsatt en negativ og signifikant sammenheng mellom sannsynlighetene og endringen i sysselsettingen. Dermed ser det heller ikke ut til at import fra Kina påvirker mine resultater.

Diskusjon og konklusjon

Automatiseringstrusselen er et omdiskutert tema. Noen hevder at vi ikke har noe å være redd for. Andre hevder at den utviklingen vi står overfor nå, er annerledes enn den man har sett tidligere, og at vi i fremtiden vil få massiv arbeidsledighet forårsaket av roboter som tar over et økende antall oppgaver som i dag utføres av mennesker. Vi har sett hvordan roboter slår mennesker i quizshow, hvordan kasserere blir erstattet av maskiner og hvordan en bil kan kjøre uten en fører. Dette er noen av de teknologiske fremskrittene som har skjedd, og nesten ingen kunne forutse at de ville komme. En av de mest bemerkelsesverdige studiene som sier noe om effekten av robotisering på arbeidsmarkedet, er av Frey & Osborne (2017). Denne studien var den første som forsøkte å sette et tall på hvor mange jobber som var i fare for å bli erstattet av teknologi, og fant at 47 prosent av jobbene i USA var utsatt. Pajarinen mfl. (2015) anvendte automatiseringssannsynlighetene til Frey og Osborne på norske yrkesdata, og fant at 33 prosent av jobbene var utsatt for automatisering i Norge. Denne og flere andre studier ser kun på hvor mange jobber som er i fare, men svært få studier har sett på hvordan disse sannsynlighetene er knyttet til faktiske endringer i arbeidsmarkedet. Min studie er derfor en av de første til å måle forholdet mellom automatiseringssannsynlighetene konstruert av Frey og Osborne (2017) og endringen i sysselsettingen i yrker, og den første til å gjøre det i Norge.

I denne studien har jeg analysert forholdet mellom automatisering og sysselsetting i et yrke. Jeg har sett på 348 norske yrker, og brukt automatiseringssannsynligheter konstruert av Frey og Osborne (2013). Mine resultater tyder på at det er en negativ og signifikant sammenheng mellom automatisering og sysselsettingsvekst innenfor et yrke. Yrker med høye sannsynligheter er knyttet til nedgang i sysselsettingen i perioden 2009–2016. Korrelasjonen er omtrent -0,32, noe som indikerer at i fravær av teknologiske barrierer, vil en økning i automatiseringssannsynligheten på 10 prosentpoeng i et yrke være forbundet med 3,2 prosent lavere sysselsettingsvekst i det samme yrket. Denne sammenhengen har vært sterkest for kvinner og individer med mellomlang utdanning.

Kombinasjonen av fallende teknologikostnader og store fremskritt innen databehandling, kunstig intelligens og robotteknologi har ført til at flere frykter betydelige jobbtap og større ulikheter. Politikere diskuterer aktivt hvordan man skal håndtere dette, og både borgerlønn og robotskatt har blitt foreslått som potensielle tiltak. Borgerlønn kan gi et betydelig sikkerhetsnett for alle mennesker, og bidra til lavere ulikheter, mens robotskatt kan øke statens inntekter og bremse opp automatiseringen. Abbott og Bogenschneider (2018) påpeker at høyere arbeidsledighet på grunn av automatisering vil føre til at staten vil miste betydelige skatteinntekter, og de hevder at dagens skattepolitikk må omformes. Fordelen med robotskatt er at pengene fra denne skatten kan brukes til å omskolere arbeidere og utvide utdannings- og helsesektoren, og dermed gi mange sikre arbeidsplasser.

Mine resultater peker på at vi står overfor omstilling snarere enn en arbeidsløs fremtid. Det positive konstantleddet, funnet i nesten alle regresjoner, viser at yrker med lav risiko for å bli automatisert står overfor en økning i sysselsettingen. I tillegg ser det ut til at yrker med lavt-utdannede ansatte i hovedsak forsvinner, mens yrker med høyt-utdannede ansatte ansetter flere. Den sannsynlige utfordringen de neste årene vil være å takle økende ulikhet og sikre tilstrekkelig omskolering, spesielt for lavt kvalifiserte arbeidstakere.

Analysen min viser at automatiseringssannsynlighetene konstruert av Frey og Osborne er korrelert med endringen i sysselsettingen i et yrke. Disse sannsynlighetene kan dermed brukes til å få en idé om hvilke yrker som kommer til å bli automatisert først. Sammenlignet med andre land har Norge færre produksjonsmedarbeidere og færre jobber i privat sektor, men dette gjør det ikke trygt fra automatiseringstrusselen. Det er derfor viktig å forstå at også Norge har blitt utsatt for automatisering og mest sannsynlig vil fortsette å se at arbeidere blir erstattet av kommende teknologiske fremskritt. Robotene er allerede her. Vi må bare sørge for at arbeidstakere er i stand til å jobbe side om side med dem, og ikke konkurrere om jobbene med dem.

Referanser

Abbott, R., & Bogenschneider, B. (2018). Should robots pay taxes: Tax policy in the age of automation. Harvard Law & Policy Review, 12. DOI: https://dx.doi.org/10.2139/ssrn.2932483

Asplund, R., Barth, E., Lundborg, P. & Nilsen, K. M. (2011). Polarization of the Nordic labour markets. Finnish Economic Papers, 24, 87–110.

Autor, D. H. (2014). Polanyi’s Paradox and the Shape of Employment Growth (Vol. 20485). Cambridge, MA: National Bureau of Economic Research. DOI: https://doi.org/10.3386/w20485

Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29, 3–30. DOI:  https://doi.org/10.1257/jep.29.3.3 

Autor, D. H. & Dorn, D. (2013). The growth of low-skill service jobs and the polarization of the US labor market. American Economic Review, 103, 1553–97. DOI: https://doi.org/10.1257/aer.103.5.1553

Autor, D. H., Katz, L. F. & Kearney, M. S. (2006). The polarization of the US labor market. American Economic Review, 96, 189–194. DOI: https://doi.org/10.1257/000282806777212620

Autor, D. H., Katz, L. F. & Kearney, M. S. (2008). Trends in US wage inequality: Revising the revisionists. The Review of economics and statistics, 90, 300–323. DOI: https://doi.org/10.1162/rest.90.2.300

Autor, D. H., Levy, F. & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly journal of economics, 118, 1279–1333. DOI: https://doi.org/10.1162/003355303322552801

Balsvik, R., Jensen, S. & Salvanes, K.G. (2015). Made in China, sold in Norway: Local labor market effects of an import shock. Journal of Public Economics, 127, 137–144. DOI: https://doi.org/10.1016/j.jpubeco.2014.08.006

Bekkelund, A. S. K. (2018). Det teknologiske arbeidslivet. Civita.

Blinder, A.S. (2009). How many US jobs might be offshorable?. World Economics, 10, 41–78.

Cappelen, Å., Eika, T. & Prestmo, J.B. (2014). Virkninger på norsk økonomi av et kraftig fall i oljeprisen. Økonomiske analyser, 3(2014), 31–41.

Deming, D. J. (2017). The growing importance of social skills in the labor market. The Quarterly Journal of Economics, 132, 1593–1640. DOI: https://doi.org/10.1093/qje/qjx022

Doppelhofer, G.P. &Thøgersen, Ø. (2014). Global uro og norsk idyll: Makroøkonomiske lærdommer og utfordringer etter finanskrisen. Magma – Tidsskrift for økonomi og ledelse, 17, 57–69.

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. DOI: https://doi.org/10.1016/j.techfore.2016.08.019

Goos, M. & Manning, A. (2007). Lousy and lovely jobs: The rising polarization of work in Britain. The review of economics and statistics, 89, 118–133. DOI: https://doi.org/10.1162/rest.89.1.118

Goos, M., Manning, A. & Salomons, A. (2009). Job polarization in Europe. American Economic Review, 99, 58–63. DOI: https://doi.org/10.1257/aer.99.2.58

Goos, M., Manning, A. & Salomons, A. (2014). Explaining job polarization: Routine-biased technological change and offshoring. American Economic Review, 104, 2509–2526. DOI: https://doi.org/10.1257/aer.104.8.2509

Grytten, O. H. & Hunnes, A. (2010). A Chronology of Financial Crises for Norway. NHH Dept. of Economics Discussion Paper No. 13/2010. DOI: https://doi.org/10.2139/ssrn.1620393

Hijzen, A. & Swaim, P. (2007). Does offshoring reduce industry employment?. National Institute Economic Review, 201, 86–96. DOI: https://doi.org/10.1177%2F0027950107083053

Keynes, J. M. (1930). Economic Possibilities for our Grandchildren. Essays in Persuasion. New York, USA: Norton & Co.

OECD (2017), OECD Employment Outlook 2017. OECD Publishing, Paris. DOI: https://doi.org/10.1787/empl_outlook-2017-en

Nedelkoska, L. & Quintini, G. (2018). Automation, Skills Use and Training. Paris: OECD Social Employment and Migration Working Papers, No.202. DOI: https://doi.org/10.1787/2e2f4eea-en

Pajarinen, M., Rouvinen, P. & Ekeland, A. (2015). Computerization and the Future of Jobs in Norway. Hentet fra http://karriere-nt.no/wp-content/uploads/2017/05/Computerization-and-the-Future-of-Jobs-in-Norway-2015.pdf

Wright, G. C. (2014). Revisiting the employment impact of offshoring. European Economic Review, 66, 63–83. DOI: https://doi.org/10.1016/j.euroecorev.2013.11.008

1Artikkelen er en forkortet versjon av en masteroppgave. Den er skrevet med stipend hos Frischsenteret under veiledning av Simen Markussen.
2Grunnbeløpet var 72 881 kroner i 2009 og 92 576 kroner i 2016.
3De største yrkene er definert som yrker med høyest antall arbeidstakere i 2016.
4Det var 1 226 237 lavutdannende (ingen utdanning eller grunnskolenivå) i 2009 og 1 153 588 i 2016, 1 610 944 med mellomlang utdanning (videregående skole-nivå) i 2009 og 1 599 911 i 2016, 1 040 578 høyt utdannede (universitets- og høgskolenivå) i 2009 og 1 391 996 i 2016.

Idunn bruker informasjonskapsler (cookies). Ved å fortsette å bruke nettsiden godtar du dette. Klikk her for mer informasjon