Aktiver Javascript i din nettleser for en bedre opplevelse på regjeringen.no

NOU 2018: 2

Fremtidige kompetansebehov I— Kunnskapsgrunnlaget

Til innholdsfortegnelse

5 Kompetansebehov på lang sikt – trender og indikasjoner

I dette kapitlet ser vi nærmere på kompetansebehovet på lengre sikt, med en tidshorisont inntil rundt 25 år frem i tid. I tråd med mandatet har utvalget tatt utgangspunkt i fremskrivninger og scenarioanalyser. Dette er vanlige metoder som kan gi nyttig grunnlag for å reflektere over utviklingen fremover og hvilke konsekvenser dette vil få for kompetansebehovene.

Utvalget presenterer resultater fra fremskrivninger av tilbud og etterspørsel etter arbeidskraft som SSB har gjort med modellene MOSART og MODAG på oppdrag fra flere departementer. Se rapportvedlegget for mer utfyllende beskrivelser av modellene. Fremskrivninger er en beregning av en fremtidig utvikling, basert på gitte forutsetninger. Hensikten er å studere hvordan en videreføring av eksisterende trender og utviklingstrekk vil påvirke tilbud og etterspørsel for ulike typer arbeidskraft. En fordel med disse fremskrivningsmodellene er at de er konsistente og inkluderer viktige utviklingstrekk som påvirker tilbud av og etterspørsel etter ulike utdanningstyper.

Fremskrivningene er basert på de trendene som vi har observert, eller som legges inn som ekstra antagelser i modellen. Fremskrivninger gir dermed en nyttig referansebane, som utgangspunkt for å diskutere fremtidige kompetansebehov. Fremskrivningene inkluderer ikke endringer som foreløpig har hatt lite gjennomslag i tilbud og etterspørsel, eller nye endringer som vil skje fremover.

Vi omtaler også to modeller som SSB har utviklet for å fremskrive tilbud av og etterspørsel etter bestemte utdanningsgrupper, LÆRERMOD og HELSEMOD. I tillegg ser vi på en modell utviklet av KS til å fremskrive årsverksbehovet i kommunesektoren for i underkant av tretti yrker, gitt befolkningsutviklingen.

Fremskrivninger av gapet mellom tilbud og etterspørsel etter ulike typer arbeidskraft er ikke prognoser. Prognoser har som formål å treffe og er ofte mer kortsiktige, slik som SSBs konjunkturanalyser. Fremskrivninger viser derimot konsekvensene av at eksisterende trender forlenges, men uten å ta hensyn til at fremtidige ubalanser vil kunne bli korrigert. I motsetning til værmeldingen, som i seg selv ikke påvirker været, vil fremskrivninger av slike ubalanser kunne påvirke fremtidig adferd blant enkeltindivider eller beslutningsmyndigheter, som til dels vil kunne motvirke fremskrevne ubalanser.

SSB gjør noen skiftberegninger for å belyse hvordan endringer i enkelte forutsetninger endrer resultatene (Gjefsen mfl. 2014; Gunnes og Knudsen 2015). For å kunne studere virkningene av andre endringer som skjer, er det nyttig å også bruke andre metoder. Innen fremtidstenkning (foresight) argumenteres det for at de mer tradisjonelle fremskrivningene avspeiler et «fortidens tyranni», som ikke får med seg omstilling, innovasjon og teknologiske skifter. I foresight-litteraturen argumenteres det for at i en verden som fremtrer som stadig mer kompleks, der endringer skjer raskt og rammebetingelsene skifter, er det et voksende behov for nye virkemidler innen planlegging, politikkutvikling og endringsledelse. Scenariometodikk er en av flere alternative metoder innen fremtidstenkning (Øverland 2016; Bjørnstad mfl. 2016).

Vi gjengir til slutt i kapitlet resultater fra scenarioanalyser gjennomført av Samfunnsøkonomisk analyse, og som tar utgangspunkt i SSBs fremskrivninger.

5.1 Fremskrivninger

Fremskrivningene som presenteres bygger på hovedalternativet (også kalt mellomalternativet) i SSBs befolkningsfremskrivninger. Figur 5.1 viser befolkningsendringen fra 2016 til 2035, som er tallgrunnlaget brukt i SSBs nyeste utdanningsfremskrivninger (Dapi mfl. 2016). Det er betydelig usikkerhet om befolkningsutviklingen, særlig på grunn av usikkerhet om netto innvandring, men også på grunn av usikkerhet knyttet til fremtidige fødselstall.

At andelen eldre øker er en av de sikre trendene fremover. Det skyldes at levealderen stadig øker og at det er store kull som i årene fremover blir en del av den eldre befolkningen. I SSBs befolkningsfremskrivninger øker andelen av befolkningen som er 70 år eller eldre fra 11 prosent i 2016 til 16 prosent i 2035. Denne utviklingen legger, isolert sett, press på helse- og omsorgstjenestene fremover. Figur 5.1 gir også relevant informasjon om kompetansebehovene på andre områder.

Antall barn og unge er med å bestemme hvor mange barnehagelærere og grunnskolelærere som det er behov for. Størrelsen på kullene som går ut av videregående opplæring og kullene i 20-årene vil være viktig for tilgangen på nye studenter til høyere utdanning. Nye befolkningsfremskrivninger publiseres i juni 2018 .

Figur 5.1 Befolkningens sammensetning etter kjønn og ettårig alder 1. januar 2016 og fremskrevet til 2035

Figur 5.1 Befolkningens sammensetning etter kjønn og ettårig alder 1. januar 2016 og fremskrevet til 2035

Merknad: Hovedalternativet i fremskrivningene (Tønnessen mfl. 2016) er lagt til grunn.

Kilde: Tallgrunnlag fra SSBs kildetabeller 10211 og 11167.

5.1.1 SSBs fremskrivninger av utdanningsbehovet med MODAG og MOSART

SSB har i lang tid publisert fremskrivninger som viser tilbud av og etterspørsel etter ulike typer arbeidskraft. I dette avsnittet går vi gjennom hovedresultatene fra de siste fremskrivningene, presentert i Dapi mfl. (2016). Se rapportens metodevedlegg for en mer detaljert gjennomgang.

Basert på forutsetninger om blant annet utviklingen i internasjonal økonomi, petroleumsvirksomheten og finanspolitikken, beregner SSB fremtidig etterspørsel etter arbeidskraft i Norges hovednæringer ved hjelp av den empiriske makroøkonomiske modellen MODAG. Innen hver næring fordeles etterspørselen på fem utdanningsnivåer ved å videreføre historiske trender i sysselsettingen for de ulike utdanningsnivåene. Så brytes etterspørselen ned på ulike fagfelt med utgangspunkt i historiske utviklingstrender i sysselsettingsandelene.

SSB bruker modellen MOSART for å beregne fremtidig tilbud av arbeidskraft med utgangspunkt i forutsetninger om yrkesdeltakelsen, observerte utdanningsvalg og forventet utvikling i befolkningens sammensetning. Beregningene av fremtidige utdanningsvalg baserer seg på en videreføring av utdanningsvalgene i perioden 2009–2014. Dette innebærer at endringer i utdanningsvalg etter dette, for eksempel som følge av oljeprisfall eller endrede inntaksregler, ikke vil slå ut i fremskrivningene.

SSB bruker utdanning som mål på type arbeidskraft, fremfor yrke, og argumenterer at utdanning måler ferdigheter mer presist enn yrke (Cappelen mfl. 2013). SSB har god informasjon om utdanningsbakgrunnen til befolkningen, bortsett fra for innvandrere. I registerdataene mangler det utdanningsopplysninger for rundt 1 av 4 innvandrere som er 16 år eller eldre. Dette er en vesentlig feilkilde i fremskrivningene av befolkningens og arbeidsstyrkens utdanningsnivå .

SSB legger til grunn at forskjellene i arbeidsledigheten for de ulike utdanningsnivåene i stor grad følger forskjellene vi har hatt i ledigheten de siste tiårene, se figur 5.2. I tråd med historiske forskjeller forventer SSB at arbeidsledigheten vil være tydelig høyere for arbeidskraft med grunnskoleutdanning eller studieforberedende videregående opplæring enn for arbeidskraft som har fullført enten fag- og yrkesopplæring eller en universitets- eller høyskoleutdanning. SSB antar videre at det blir en nedgang i antall jobber som ikke stiller formelle utdanningskrav, og at dette vil føre til at arbeidsledigheten for arbeidskraft som ikke har fullført en utdanning utover studieforberedende videregående opplæring blir høyere i fremskrivningsperioden enn den har vært historisk (Dapi mfl. 2016).

Figur 5.2 Andel arbeidsledige, etter høyeste fullførte utdanning. Statistikk 1996–2013, deretter fremskrivninger frem til 2035

Figur 5.2 Andel arbeidsledige, etter høyeste fullførte utdanning. Statistikk 1996–2013, deretter fremskrivninger frem til 2035

Merknad: Se presise definisjoner på utdanningsgruppene i SSBs rapport. Se også rapport fra Prosjekt fremtidige kompetansebehov (2015 boks 3) om klassifiseringer bakover i tid.

Kilde: SSBs nyeste fremskrivningsrapport (Dapi mfl. 2016).

Figur 5.3 viser SSBs fremskrivninger av tilbud av og etterspørsel etter arbeidskraft, inndelt etter utdanningsnivå. Dette er hovedresultatene i SSBs rapport. Siden yngre årskull tar høyere utdanning i større grad enn eldre årskull, vil det over tid føre til en utdanningsheving i befolkningen og arbeidsstyrken. Teknologisk endring er en viktig faktor som påvirker etterspørselen etter ulike typer arbeidskraft. I fremskrivningene antar SSB at teknologisk fremgang bidrar til å øke etterspørselen etter arbeidskraft med høyere utdanning, og dempe etterspørselen etter arbeidskraft med grunnskoleutdanning eller videregående studieforberedende utdanning.

Figur 5.3 Fremskrevet tilbud (heltrukken) og etterspørsel (stiplet) etter arbeidskraft, antall personer, etter høyeste fullførte utdanning

Figur 5.3 Fremskrevet tilbud (heltrukken) og etterspørsel (stiplet) etter arbeidskraft, antall personer, etter høyeste fullførte utdanning

Merknad: Fagskole er slått sammen med videregående opplæring i SSBs fremskrivninger. Se ellers presise definisjoner på utdanningsgruppene i SSBs rapport. Ulik håndtering av hvordan gruppene er klassifisert etter utdanningsnivå bakover i tid har gjort at SSB har måttet justere tilbudstallene ned eller opp mot etterspørselstallene, se rapport fra Prosjekt fremtidige kompetansebehov (2015 boks 3).

Kilde: SSBs nyeste fremskrivningsrapport (Dapi mfl. 2016).

Fremskrevet tilbud av arbeidskraft med høyere utdanning er større enn fremskrevet etterspørsel. Fremskrivningene viser dermed et overskudd av arbeidskraft med høyere utdanning i 2035. Som vist i figur 5.2 legger SSB likevel til grunn at personer med høyere utdanning vil fortsette å ha relativt lav arbeidsledighet, i tråd med utviklingen vi har sett hittil. Én mulig tolkning av resultatene er dermed at noen arbeidstakere med høyere utdanning i fremtiden vil utkonkurrere arbeidskraft med lavere utdanning i jobber som i fremskrivningene er antatt å gå til arbeidstakere med mindre utdanning. Fremskrivningene kan samtidig tyde på hardere kamp om de mest relevante jobbene for arbeidskraft med høyere utdanning .

En utfordring i fremskrivninger av etterspørselen etter arbeidskraft er at mange arbeidsoppgaver kan utføres av arbeidstakere med ulike typer utdanning. Når en arbeidstaker med lav utdanning slutter, vil arbeidsgiver i mange tilfeller foretrekke å ansette en ny arbeidstaker med høy utdanning. Hvis det er god tilgang på arbeidskraft med høy og relevant utdanning, slik at arbeidsgiverne får tak i slike kandidater, kan det føre til at etterspørselen etter arbeidskraft med høy utdanning øker mer enn fremskrivningene viser .

Et i utgangspunktet overraskende resultat er at verken tilbudet eller etterspørselen i antall personer faller for gruppen med grunnskole og uoppgitt utdanning frem mot 2035. Resultatet henger sammen med økt etterspørsel i fremskrivningene etter arbeidskraft innen private tjenestenæringer. Resultatet henger også sammen med at antall sysselsatte med uoppgitt utdanning har økt det siste tiåret på grunn av innvandrere som har fullført utdanningen i utlandet og som ikke har registrert utdanningen i Norge. I fremskrivningene blir denne utviklingen videreført fremover. SSB har gjennomført spørreundersøkelser, sist i 2011/2012, for å redusere antallet med uoppgitt utdanning (Steinkellner og Holseter 2013), men samtidig innebærer ny innvandring også tilgang på flere personer med uoppgitt utdanning.

Selv om tilbudet øker mer enn etterspørselen for arbeidstakere med bachelorutdanning samlet sett, er det store forskjeller mellom ulike typer bachelorutdanning. SSB har delt inn fremskrivningene i enkelte fagfelt, som viser mangel både på arbeidskraft med pedagogikk- og lærerutdanning og arbeidskraft med pleie- og omsorgsutdanning. Dette er arbeidstakere som det kan være vanskelig å erstatte med andre utdanningsgrupper, slik at konsekvensene av en mangel på disse utdanningsgruppene kan bli mer alvorlige.

Etterspørselsberegningene for arbeidskraft med pleie- og omsorgsutdanning er basert på en forutsetning om at bruken av arbeidskraft følger den demografiske utviklingen i form av økende antall eldre og derfor økende pleiebehov. Dersom kvaliteten på tjenestene skal øke, vil det kreve ytterligere økning i bruken av helsepersonell, med mindre økt kvalitet oppnås med høyere produktivitet eller bedre organisering.

En utfordring er at fremskrivningene med modellene MOSART og MODAG gjøres uavhengig av hverandre. I virkeligheten vil det være en dynamikk i arbeidsmarkedet som ikke fremgår av fremskrivningsresultatene. Bjørnstad mfl. (2015) fremhever at når det oppstår ubalanser mellom tilbud og etterspørsel av arbeidskraft, vil flere likevektskapende mekanismer settes i gang. Virksomhetene vil se seg om etter annen type arbeidskraft, hvis de ikke får tak i akkurat den arbeidskraften det er knapphet på, eller de vil vurdere å investere i kapital som erstatter arbeidskraft. En løsning er også å kjøpe inn tjenestene eller produktene fremfor å produsere dem selv. Lønnsdannelsen vil kunne tilpasse seg og fremskynde substitusjon mellom ulike typer arbeidskraft eller mellom arbeidskraft og kapital og (importert) produktinnsats. Videre vil enkeltindivider i realiteten følge med på arbeidsmarkedets signaler, og myndighetene vil kunne øke eller redusere utdanningsbevilgningene.

Bjørnstad mfl. (2015) peker også på at arbeidsmigrasjonen mellom de nordiske landene reagerer raskt på misforhold mellom tilbud og etterspørsel. De kaller innvandringen en «joker» i å oppnå et balansert arbeidsmarked. Samtidig peker de på at Norge er et attraktivt land for arbeidskraft med relativt lav kompetanse, men at det ikke nødvendigvis er slik for arbeidskraft med høy eller spesialisert kompetanse.

5.1.1.1 Velferdsstatens kompetansebehov: Modellene LÆRERMOD og HELSEMOD

SSB har utviklet spesifikke fremskrivningsmodeller, LÆRERMOD og HELSEMOD, for ulike lærer- og helseutdanningsgrupper. Dette er utdanningsgrupper som skal møte «velferdsstatens kompetansebehov». Modellene er nærmere beskrevet i rapportens metodevedlegg. LÆRERMOD og HELSEMOD inkluderer bare lærer- eller helseutdanningsgrupper, og ikke hele befolkningen, i motsetning til MODAG og MOSART. Beregningene med HELSEMOD og LÆRERMOD er for årsverk, ikke antall personer. LÆRERMOD og HELSEMOD er relativt enkle og transparente modeller, som i stor grad tar utgangspunkt i statistikk i et gitt år. I tillegg legges befolkningsfremskrivningene til grunn for beregningene av etterspørselen.

Gruppene i LÆRERMOD og HELSEMOD er inndelt etter utdanning, ikke yrke. Det betyr at en fremskrevet mangel på utdanningsgruppen grunnskolelærere i grunnskolen vil utgjøre en del av, men ikke hele, den totale fremskrevne mangelen på denne utdanningsgruppen (Gunnes 2017). Hvor stor andel av mangelen det utgjør bestemmes av prosentandelen grunnskolelærerutdannede som jobber i grunnskolen i startåret for beregningene. Mange med lærerutdanning jobber utenfor sektoren. I 2015-fremskrivningene med LÆRERMOD er det eksempelvis lagt til grunn fra statistikkgrunnlaget at i underkant av 70 prosent av grunnskolelærerutdannede jobber i grunnskolen. De øvrige jobber enten i andre deler av sektoren, eller utenfor sektoren.

Fremskrivninger for lærerutdanningene

LÆRERMOD bygger på faktiske tall og tar dermed ikke med endringer som gjelder etter siste år med tilgjengelig statistikkgrunnlag. Den nye omgjøringen av lærerutdanningen til en masterutdanning er ikke innarbeidet i SSBs lærerfremskrivninger, heller ikke innføring av karakterkrav 4 i matematikk for å komme inn på studiet eller den nye normen for lærertetthet i grunnskolen.

SSB fremskrev i 2015 en mangel på grunnskolelærerutdannede på rundt 3 800 årsverk og et overskudd på rundt 18 300 årsverk barnehagelærerutdannede i år 2040. Året etter beregnet SSB effekten, isolert sett, av å legge inn de nye befolkningsfremskrivningene fra 2016. Mangelen på grunnskolelærer-utdannede ble da redusert, til rundt 2 600 årsverk i 2040. Overskuddet på barnehagelærerutdannede økte til rundt 18 900 årsverk i 2040 (Gunnes og Knudsen 2015 og 2016).

SSB fremhever at et overskudd på barnehagelærere gir rom for å øke barnehagelærertettheten. Selv om antall barnehagelærere har steget betraktelig, har antall barn i barnehage også steget, slik at barnehagelærertettheten ikke har steget så langt (Gunnes 2017). Det er først fra 2020 at fremskrivningene viser et solid overskudd på barnehagelærere. SSB forklarer videre at et fremskrevet underskudd på grunnskolelærere i LÆRERMOD ikke betyr at skoleklasser blir stående uten noen bak kateteret. Et eventuelt underskudd kan dekkes ved bruk av lærere uten formell kompetanse, eller av andre typer lærere som det er overskudd av.

Personer som ikke har en av de ulike typene lærerutdanningene inngår ikke i LÆRERMOD. Parallelt med at en del grunnskolelærerutdannede jobber utenfor grunnskolen, jobber det en del uten formell kvalifisering som lærere i grunnskolen. Ifølge Sjaastad mfl. (2016) var det blant de 62 000 personene som hadde hovedstilling i undervisning i grunnskolen i 2015 rundt 3 700 som ikke hadde formell kvalifisering som lærere, det vil si rundt 6 prosent.

SSB peker med referanse til St.meld. nr. 53 (1989–90) på at det ikke alltid har vært en bekymring for underskudd av grunnskolelærere og viser til at første del av 1980-tallet i stedet var preget av bekymring for læreroverskudd. Tidlig på 1980-tallet var avgangen til pensjon for grunnskolelærere lav, samtidig som lave fødselsrater på 1970-tallet reduserte størrelsen på elevkullene. I første del av 1980-tallet kunne det være vanskelig å finne jobb for lærerutdannede. Men senere sank søkingen til lærerutdanningene og departementet uttrykte en bekymring for at store kull med grunnskolelærere utdannet i 1960- og 70-årene nærmet seg pensjonsalder. SSB skriver at denne situasjonen dannet grunnlag for etableringen av LÆRERMOD (Gunnes 2017).

I et dokumentasjonsnotat fra november 2017 går SSB gjennom resultatene fra tidligere beregninger med LÆRERMOD. SSB konkluderer med at høyere studenttall, lavere fruktbarhet og en mulig høyere gjennomføringsprosent «eliminerer mer eller mindre de beregnede underskuddene» av grunnskolelærere som ble fremskrevet tidligere (Gunnes 2017: 21). I tillegg peker SSB på at et fremskrevet overskudd av faglærere og lærere med praktisk-pedagogisk utdanning eventuelt kan dekke et underskudd blant grunnskolelærerne, selv om de bare er formelt kvalifisert til å jobbe i grunnskolen fra og med femte trinn.

Fremskrivninger for helseutdanningene

SSBs siste fremskrivning for ulike typer helsepersonell ble gjennomført i 2012 (Roksvaag og Texmon 2012b).1 Beregningene viser at det er de store gruppene sykepleiere og helsefagarbeidere som det i størst grad blir underskudd på mot slutten av fremskrivningsperioden. SSB skriver at lavt studentopptak i kombinasjon med at en høy andel av sykepleierne er 50 år eller eldre gjør at det forventes moderat vekst i tilbudet for gruppen. Samtidig er det forventet svært høy etterspørselsvekst for sykepleierne fremover i tråd med en økning i antall eldre i befolkningen. En viktig faktor som bidrar til underdekningen av helsefagarbeidere er at over halvparten i denne gruppen var over 50 år i 2010, som innebærer sterk aldersrelatert avgang i årene fremover.

SSB har gjort alternative beregninger for arbeidstilbudet av ulike typer helsepersonell ved å enten endre opptaket til utdanning eller øke avtalt arbeidstid. I de alternative banene der kandidatproduksjonen av henholdsvis helsefagarbeidere og sykepleiere er satt 20 prosent høyere i 2035 enn i referansebanen, er det fremdeles et underskudd av begge utdanningsgrupper i 2035. Det samme gjelder dersom den gjennomsnittlige arbeidstiden for hver av utdanningsgruppene økes med 10 prosent. I begge disse alternative beregningene oppstår imidlertid det beregnede underskuddet på sykepleiere betydelig senere i fremskrivningsperioden enn i referansebanen (Roksvaag og Texmon 2012b).

SSB sammenligner den faktiske utviklingen i etterspørselen etter helse- og sosialpersonell i perioden 2000–2014 med fremskrivninger som ble publisert i 2002 (Stølen mfl. 2002 og 2016). SSB har da sammenlignet prosentvis vekst i den faktiske sysselsettingen av ulike typer helsepersonell med fremskrivningene. SSB forklarer at tolkningen blir vanskeliggjort ved at den faktiske sysselsettingsutviklingen påvirkes både av tilbud og etterspørsel.

For sykepleiere finner SSB godt samsvar mellom den observerte veksten i sysselsettingen fra 2000 til 2014 på 50 prosent og fremskrivningene utarbeidet i 2002. I fremskrivningene ble det forutsatt at etterspørselen etter sykepleiere ville øke mer enn den demografiske utviklingen i brukergruppene tilsa, og det viser også den faktiske utviklingen. Den sterke sysselsettingsveksten for sykepleiere henger sammen med ekspansjon i pleie- og omsorgssektoren, men særlig at innsatsen av sykepleiere har økt på bekostning av blant annet helsefagarbeidere.

For helsefagarbeidere og andre med tilsvarende utdanning på videregående nivå, som er den andre store gruppen med helsepersonell, har sysselsettingen fra 2000 til 2014 utviklet seg svakere enn fremskrivningene fra 2002 skulle tilsi. Mangel på formelt kvalifisert arbeidskraft har ført til at bruken av ufaglærte har blitt opprettholdt, selv om det er vært tydelige målsetninger om å redusere andelen mer enn det som er observert.

SSB konkluderer at uten tilgangen på utenlandsk arbeidskraft ville norsk helsevesen stått overfor betydelig større bemanningsproblemer enn det man har hatt så langt (Stølen mfl. 2016). Også fremover vil tilgangen på innvandrere med helse- og sosialfaglig utdanning være viktig for å dekke personellbehovene i helse- og omsorgssektoren.

5.1.2 KS’ fremskrivninger for yrker i kommunesektoren

KS beregner det fremtidige rekrutteringsbehovet i kommunesektoren på nasjonalt nivå ti år frem i tid. KS definerer kommunesektoren som kommunal og fylkeskommunal forvaltning. Mens SSB fremskriver etterspørselen etter utdanningsgrupper, gjør KS beregninger for yrker. Disse blir ikke publisert, men Kompetansebehovsutvalget har fått levert beregninger fra KS for 29 yrker2 for perioden 2017–2027, se tabell 1.4 i rapportens tabellvedlegg. Beregningene viser hvor mange årsverk som er nødvendig for å opprettholde dagens nivå på kommunale tjenester, gitt en forventet vekst i antall brukere på grunn av den demografiske utviklingen. Ifølge KS’ beregninger øker årsverksbehovet for sykepleiere med 28 prosent, fra 22 649 årsverk i 2017 til 29 066 årsverk i 2027, og årsverksbehovet for fagarbeidere innen helse/sosial/omsorg øker med 26 prosent, fra 47 026 årsverk i 2017 til 59 462 i 2027.

Fordelingen av årsverk innen sektoren fremskrives basert på den nåværende fordelingen. Det betyr for eksempel at på grunn av en høy andel ufaglærte innen helse/pleie/omsorg i dag, fremskrives en høy andel ufaglærte i sektoren ti år frem i tid også. Beregningene er imidlertid ikke rent mekaniske. KS har gjort beregninger ut fra hva de anser som realistisk. I modellen er det lagt inn antagelser om høyere stillingsstørrelse for yrker som har hatt en økning i stillingsstørrelse de senere årene, ny bemanningsnorm på skolenivå, økt kompetanse for lærere og økt bemanning for å løse fremtidige klimaendringer.

KS publiserer beregninger for arbeidskraftsbehovet for syv regioner, i form av anslag på antall årsverk som vil kreves frem mot 2026 for å kunne tilby de samme tjenestene som i dag, gitt befolkningsutviklingen til brukergruppen. Resultatene illustrert i figur 5.4 viser at behovet for årsverk øker med ulik takt i de syv regionene. Disse fremskrivningene skiller ikke mellom eksisterende ansatte og nyrekruttering, men viser hvor mange årsverk som kreves totalt hvert år for å tilby de samme tjenestene som i dag, tatt hensyn til forventet endring i antall brukere. Fremskrivningene viser dermed ikke hvor mange nye ansatte som må rekrutteres. I Agder fører økt antall brukere til at det kreves en økning i antall årsverk på 14 prosent frem mot 2026 for å kunne tilby de samme tjenestene som i dag. I regionen som består av Hedmark og Oppland i figur 5.4 er denne økningen bare 6 prosent, og i den nordlige regionen er den 7 prosent.

Figur 5.4 Fremskrevet vekst i antall årsverk for å kunne tilby samme tjenester i kommunesektoren som i dag

Figur 5.4 Fremskrevet vekst i antall årsverk for å kunne tilby samme tjenester i kommunesektoren som i dag

Kilde: KS’ rekrutteringsmodell (KS 2016b).

Boks 5.1 Nasjonal bemanningsmodell for spesialisthelsetjenesten

De regionale helseforetakene har utviklet en nasjonal bemanningsmodell for spesialisthelsetjenesten, basert på en fremskrivningsmodell fra Helse Vest.

Fremtidig kompetansebeholdning i spesialisthelsetjenesten beregnes fra beholdningen av personell i basisåret, forventet tilgang og avgang, samt modifiserende faktorer. Beregningene bygger på data fra regionenes personalsystemer og legestillingsregisteret som baserer seg på rapportering fra regionene. I tillegg gjøres demografiske fremskrivninger knyttet til diagnosegrupper som fordeles på ulike typer av tjenester og hvor tjenesten ytes, for eksempel somatikk og psykisk helsevern.

Bemanningsmodellen er i utgangspunktet laget for å utvikle strategier basert på scenariometodikk, som så benyttes for å bidra til å sette inn de tiltak som vil være nødvendige for å dekke fremtidige personell- og kompetansebehov i spesialisthelsetjenesten. Modellen kan brukes til å illustrere konsekvenser for personellbehovet ut fra ulike forutsetninger om kompetansesammensetning og oppgavefordeling.

KS har også beregnet rekrutteringsbehovet per år, gitt befolkningsutviklingen i brukergruppene og ulike typer turnover inkludert pensjon. KS finner at en times ekstra arbeid per uke av de deltidsansatte vil redusere rekrutteringsbehovet med 4 400 ansatte per år. En økning i gjennomsnittlig stillingsstørrelse fra 80 til 90 prosent vil redusere rekrutteringsbehovet med rundt 35 000 ansatte per år, mens en økning i gjennomsnittlig stillingsstørrelse til 95 prosent vil redusere rekrutteringsbehovet med rundt 58 000 ansatte per år (KS 2017b3).

5.2 Scenarioanalyser med SSBs fremskrivninger som referansebane

I dette delkapitlet skal vi se på to scenarioanalyser gjennomført av Samfunnsøkonomisk analyse på oppdrag fra Kunnskapsdepartementets Prosjekt om fremtidige kompetansebehov, og rapportert i Bjørnstad mfl. (2015 og 2016).4 Vi omtaler også en tredje scenarioanalyse som Samfunnsøkonomisk analyse nylig har utarbeidet for Helsedirektoratet (Eggen mfl. 2018). Samfunnsøkonomisk analyse har valgt å bruke SSBs fremskrivninger som en referanselinje for scenarioene, noe som ikke er vanlig fremgangsmåte i slike analyser.

Scenarioene viser at justeringer i hvordan etterspørselen etter arbeidskraft fordeler seg etter næring fremover og et skifte i noen sentrale forutsetninger kan gi store utslag i hvilken type arbeidskraft som etterspørres. I scenarioanalysene gjøres flere endringer i tallgrunnlaget samtidig, mens i SSBs skiftberegninger (Gjefsen mfl. 2014; Gunnes og Knudsen 2015) endres enkeltstående forutsetninger en av gangen. Man kan derfor argumentere for at enkle skiftberegninger er mer transparente enn scenarioanalyser. Bjørnstad mfl. (2016) forklarer at scenarioanalyser kan brukes som drøftingsgrunnlag og for å ta strategiske grep dersom deler av scenariofortellingene realiseres.

Utgangspunktet for en scenarioanalyse er endringskrefter som er viktige for kompetansebehovene, men der det er usikkert på hvilken måte kompetansebehovene vil endres. Scenarioene behøver ikke være de mest sannsynlige fremtidsbildene, men må vise mulige utviklinger og endringskrefter det er grunn til å være spesielt oppmerksom på. Ulike endringskrefter ble diskutert på et arbeidsverksted med deltakelse fra relevante aktører og kunnskapsmiljøer (Bjørnstad mfl. 2015 og 2016). Dialogen gjennom slike fremtidsverksteder er i seg selv verdifull. Det gjør forskjellige parter og aktører i stand til å diskutere mulige fremtidige endringer i sentrale forutsetninger, sannsynligheten for at de inntreffer, samt gir bedre forståelse for hvilke endringer i kompetansebehov som følger av dette.

Scenarioanalyse 1

I 2015 utviklet Bjørnstad mfl. fire scenarioer med utgangspunkt i de to endringskreftene (1) robotisering og (2) omstilling fra petroleumsnæringen, som vist i figur 5.5. Roboter er enten «overalt» eller begrenset til vareproduksjon og industri (loddrett akse). Enten bygger næringslivet videre på kompetansen som er utviklet rundt petroleumsvirksomheten, eller så overtar andre næringsgrener og eksportnæringer som IKT, arkitektur og design (vannrett akse).

Figur 5.5 beskriver de fire scenarioene. I scenarioet Grønn industri omstiller Norge seg fra petroleum til grønn industri, og robotene gjør mange oppgaver i industrien og annen vareproduksjon. I scenarioet Helseinnovasjon gjenspeiler «innovasjon» at det er roboter overalt, og ordet «helse» gjenspeiler en stor helsesektor. I scenarioet Techlandet viser «tech» til at også her er det roboter overalt, i tillegg til at nye eksportrettede næringer vokser frem. I scenarioet Smarte byer har begrenset automatisering sammen med store behov innen helse og omsorg tvunget frem offentlig-privat samarbeid innen infrastruktur, sentralisering og effektivisering.

Figur 5.5 Scenarioer med ulike antagelser om robotisering og omstilling

Figur 5.5 Scenarioer med ulike antagelser om robotisering og omstilling

Kilde: Bjørnstad mfl. (2015, figur 7).

Figur 5.6 viser virkningene for utvalgte næringer, målt som prosentpoengs avvik fra SSBs fremskrivninger av etterspørselen etter arbeidskraft fordelt på næringer fra 2013. Avvikene skyldes følgende sammenhenger :

Figur 5.6 Avvik fra SSBs fremskrivninger i prosentpoeng, næringsfordelt etterspørsel etter arbeidskraft i 2030. Scenarioer med ulike antagelser om robotisering og omstilling

Figur 5.6 Avvik fra SSBs fremskrivninger i prosentpoeng, næringsfordelt etterspørsel etter arbeidskraft i 2030. Scenarioer med ulike antagelser om robotisering og omstilling

Merknad: Resultatene sammenlignes med SSBs fremskrivninger i Cappelen mfl. (2013).

Kilde: Bjørnstad mfl. (2015, figur 8).

Figur 5.7 Avvik fra SSBs fremskrivninger i etterspørsel etter ulike typer arbeidskraft i 2030, antall personer. Scenarioer med ulike antagelser om robotisering og omstilling

Figur 5.7 Avvik fra SSBs fremskrivninger i etterspørsel etter ulike typer arbeidskraft i 2030, antall personer. Scenarioer med ulike antagelser om robotisering og omstilling

Merknad: Resultatene sammenlignes med SSBs fremskrivninger i Cappelen mfl. (2013).

Kilde: Bjørnstad mfl. (2015). Tallgrunnlag tilgjengeliggjort fra Samfunnsøkonomisk analyse.

  • Når roboter er «overalt», fører det til mindre etterspørsel etter arbeidskraft i offentlig sektor, varehandel og bygg og anlegg.

  • Når omstilling skjer ved hjelp av kompetanse fra petroleumsnæringen, fører det til høyere etterspørsel etter arbeidskraft til produksjon av verkstedprodukter, skip og oljeplattformer. Motsatt blir etterspørselen etter arbeidskraft i denne næringen lavere hvis i stedet nye eksportrettede næringer vokser frem.

  • Etterspørselen etter arbeidskraft i annen privat tjenesteproduksjon oppjusteres i alle fire scenarioer, men av ulike grunner. Annen privat tjenesteproduksjon domineres både av høyt utdannet arbeidskraft og av arbeidskraft med lite utdanning. I scenarioene med begrenset robotisering skyldes oppjusteringen større arbeidskraftsbehov og økt arbeidsinnvandring. I scenarioene der roboter er overalt skyldes oppjusteringen i stedet et voksende marked for teknologiutviklere.

Figur 5.7 viser avvik fra SSBs fremskrivninger i etterspørselen etter ulike typer arbeidskraft i 2030, målt i antall personer. Avvikene kan i hovedtrekk forklares slik:

  • Ny teknologi antas å kreve relativt flere høyt utdannede til å betjene og utvikle teknologien. Når robotene er «overalt» er det lavere etterspørsel etter arbeidskraft som har grunnskole eller videregående opplæring som høyeste fullførte utdanning.

  • Etterspørselen etter arbeidskraft med grunnskole eller videregående opplæring er høyest der innvandringen er størst.

  • I scenarioet der både roboter er overalt og nye eksportnæringer vokser frem, trengs det arbeidskraft med spisskompetanse innen nye områder. Her vokser etterspørselen etter master-/ph.d.-utdannede aller mest og særlig (ikke illustrert) etterspørselen etter sivilingeniører og andre realfagsutdannede.

Scenarioanalyse 2

I 2016 utviklet Bjørnstad mfl. fire nye scenarioer med utgangspunkt i de to endringskreftene (1) svekkelse/styrking av den norske modellen og (2) hvorvidt det er enighet om en forpliktende og ambisiøs klimaavtale, se figur 5.8. Bjørnstad mfl. antar at hvorvidt det er enighet om en forpliktende og ambisiøs klimaavtale eller ikke påvirker hvordan markedet for klimateknologi utvikler seg. Den «norske modellen» er i analysen særlig knyttet til koordinering av lønnsdannelsen og små lønnsforskjeller.

Figur 5.8 Scenarioer med ulike antagelser om klimaavtale og norsk modell

Figur 5.8 Scenarioer med ulike antagelser om klimaavtale og norsk modell

Kilde: Bjørnstad mfl. (2016, figur 5.1).

Figur 5.8 beskriver de fire scenarioene. I scenarioet Grønt mangfold er det enighet om en klimaavtale og det er store lønnsforskjeller, mangfold og ulikhet. I scenarioet Forpliktende Norge er det enighet om en forpliktende klimaavtale og det er en styrking av den norske modellen. I scenarioet Frie Norge er det, helt motsatt, ikke enighet om en klimaavtale og den norske modellen svekkes. I scenarioet Produktive Norge er det styrkingen av den norske modellen som gir navnet «produktiv».

Figur 5.9 viser virkningene for utvalgte næringer, målt som prosentpoengs avvik fra SSBs fremskrivninger av etterspørselen etter arbeidskraft fordelt på næringer fra 2013. Avvikene skyldes følgende sammenhenger :

Figur 5.9 Avvik fra SSBs fremskrivninger i prosentpoeng, næringsfordelt etterspørsel etter arbeidskraft i 2030. Scenarioer med ulike antagelser om klimaavtale og norsk modell

Figur 5.9 Avvik fra SSBs fremskrivninger i prosentpoeng, næringsfordelt etterspørsel etter arbeidskraft i 2030. Scenarioer med ulike antagelser om klimaavtale og norsk modell

Merknad: Resultatene sammenlignes med SSBs fremskrivninger i Cappelen mfl. (2013).

Kilde: Bjørnstad mfl. (2016, figur 6.1).

  • Etterspørselen etter arbeidskraft justeres opp i de to scenarioene med styrket norsk modell, siden det antas at det da er en aktiv stat som regulerer mange samfunnsområder og som leverer en rekke tjenester til befolkningen. Det er motsatt i de to scenarioene med svekket norsk modell, der flere offentlige tjenester er privatisert.

  • Næringene bygg og anlegg og annen privat tjenesteyting ansetter mange med lavere kompetanse. Etterspørsel etter arbeidskraft til disse næringene er større i scenarioene der lønnsforskjellene er større. I ett av scenarioene med små lønnsforskjeller bygges imidlertid petroleumssektoren sakte ned, som gjør at leverandørvirksomhetene fremdeles etterspør mye arbeidskraft (annen privat tjenesteyting).

Figur 5.10 viser avvik fra SSBs fremskrivninger i etterspørsel etter ulike typer arbeidskraft i 2030, målt i antall personer. Avvikene kan i hovedtrekk forklares slik:

Figur 5.10 Avvik fra SSBs fremskrivninger i etterspørsel etter ulike typer arbeidskraft i 2030, antall personer. Scenarioer med ulike antagelser om klimaavtale og norsk modell

Figur 5.10 Avvik fra SSBs fremskrivninger i etterspørsel etter ulike typer arbeidskraft i 2030, antall personer. Scenarioer med ulike antagelser om klimaavtale og norsk modell

Merknad: Resultatene sammenlignes med SSBs fremskrivninger i Cappelen mfl. (2013).

Kilde: Bjørnstad mfl. (2016). Tallgrunnlag tilgjengeliggjort fra Samfunnsøkonomisk analyse.

  • Små lønnsforskjeller i scenarioene med styrket norsk modell gjør arbeidskraft uten høyere utdanning relativt dyr, som igjen bidrar til økte investeringer i teknologi og maskiner, for å erstatte den relativt dyre arbeidskraften uten høyere utdanning.

  • Etterspørselen etter arbeidskraft med grunnskole eller uoppgitt utdanning eller videregående studieforberedende er størst i de to scenarioene med større lønnsforskjeller og minst i de to scenarioene med små lønnsforskjeller.

  • Omstillingen mot et mer miljøvennlig næringsliv skaper etterspørsel etter arbeidskraft med fag- og yrkesopplæring til blant annet kraftkrevende industri, sjøfart og produksjon av elektrisk kraft.

Samfunnsøkonomisk analyse (Bjørnstad mfl. 2016; Eggen og Røtnes 2017) har i ulike rapporter gjort koblinger mellom utdanning og yrke i fremskrivninger på aggregert nivå. Eggen og Røtnes (2017) legger til grunn en raskere innfasing av ny teknologi i alle deler av det norske arbeidsmarkedet, og antar da at «akademikerandelen» i arbeidsstyrken vil vokse raskere enn det SSBs fremskrivninger viser. Eggen og Røtnes forventer, gitt den raskere innfasingen av ny teknologi, økt bruk av arbeidskraft med høyere utdanning i hele næringslivet og at denne typen arbeidskraft sprer seg på flere næringer. Eksempelvis øker etterspørselen etter arbeidskraft med samfunnsvitenskapelig utdanning, samtidig som etterspørselen etter sysselsatte i samfunnsvitenskapelige yrker faller. De forventer altså at bruken av personer med samfunnsvitenskapelig utdanning brer om seg i flere yrker.

Scenarioanalyse 3

Samfunnsøkonomisk analyse (Eggen mfl. 2018) har nylig utviklet en scenarioanalyse for fremtidens etterspørsel etter helsepersonell, på oppdrag fra Helsedirektoratet. På bakgrunn av et arbeidsverksted høsten 2017 ble det utviklet fire scenarioer med utgangspunkt i to endringskrefter, 1) graden av teknologi i offentlig sektor og 2) hvorvidt den offentlige satsingen på helse og omsorg øker eller ikke, se figur 5.11. Scenarioene er tallfestet med utgangspunkt i SSBs nyeste fremskrivninger (Dapi mfl. 2016).

Figur 5.11 Scenarioer med ulike antagelser om teknologibruk og grad av offentlig satsing på helse og omsorg

Figur 5.11 Scenarioer med ulike antagelser om teknologibruk og grad av offentlig satsing på helse og omsorg

Kilde: Eggen mfl. (2018).

Figur 5.11 beskriver de fire scenarioene. I scenarioet Konkurransedyktig velferd øker den offentlige satsingen på helse og omsorg, samtidig som all tilgjengelig teknologi som kan spare arbeid og fremme velferd tas i bruk. I Effektivitetssamfunnet tar både privat og offentlig sektor i bruk arbeidsbesparende teknologiske løsninger, mens den offentlige satsingen på helse og omsorg forblir uendret og det er i stedet et voksende privat marked for husholdningsrettede tjenester. I Trygghet fremfor alt øker den offentlige satsingen på helse og omsorg, men det er barrierer for å ta i bruk tilgjengelige teknologiske løsninger og helse- og omsorgstjenester skal tilbys der folk bor. I Livsstil på eget ansvar er den offentlige satsingen på helse og omsorg begrenset, og det er økt sosial ulikhet. I dette scenarioet har man ikke klart å utnytte teknologiske løsninger i offentlig forvaltning, mens den sterke teknologiske utviklingen har fortsatt i det private næringslivet.

Utviklingen i næringsstrukturen frem mot 2040 skyldes følgende sammenhenger:

  • Etterspørselen etter arbeidskraft i offentlig sektor øker frem mot 2040 i scenarioene med økt offentlig satsing på helse og omsorg, og reduseres i scenarioene med uendret offentlig satsing på helse og omsorg, sammenlignet med 2016.

  • Etterspørselen etter arbeidskraft i annen privat tjenesteyting øker frem mot 2040 i alle scenarioene, sammenlignet med 2016, med betydelig mer i de to scenarioene med uendret offentlig satsing på helse og omsorg.

Utviklingen i etterspørselen etter ulike typer arbeidskraft mot 2040 kan oppsummeres slik:

  • Veksten i etterspørselen etter helsepersonell, samlet sett, er sterkest i de to scenarioene der det er økt offentlig satsing på helse og omsorg. Av disse to scenarioene er etterspørselsveksten sterkest i scenarioet med lite bruk av teknologi i offentlig sektor.

  • I scenarioet med økt bruk av teknologi i offentlig sektor, men uendret offentlig satsing på helse og omsorg, benyttes teknologiske løsninger for å redusere behovet for en rekke yrker innen helse og omsorg – både yrker som kan automatiseres nesten helt og yrkesgrupper som helsefagarbeidere, sykepleiere og leger. I dette scenarioet brukes teknologi for diagnostisering og vil i stor grad erstatte kirurger. I scenarioet med økt bruk av teknologi i offentlig sektor og økt offentlig satsing på helse og omsorg, blir det i større grad et samarbeid mellom leger og teknologiske løsninger.

  • I scenarioene med mer teknologi i offentlig sektor er andelen sysselsatte med universitets- og høyskoleutdanning høyere frem mot 2040, sammenlignet med 2016 og sammenlignet med de to andre scenarioene frem mot 2040.

  • I alle scenarioene reduseres andelen sysselsatte med grunnskoleutdanning frem mot 2040, sammenlignet med 2016, men andelen reduseres mest for scenarioene med mer teknologi i offentlig sektor.

Et fellestrekk mellom Scenarioanalyse 1, 2 og 3 er at økt bruk av teknologi gir økt etterspørsel etter høyt utdannet arbeidskraft.

5.3 Digitalisering og automatisering

Digitalisering innebærer at arbeidsoppgaver og tjenester endres. Endringene i arbeidsoppgavene skjer på tvers av utdanningsnivåene til arbeidstakerne og fører til at yrker får et annet innhold og andre kompetansekrav, ikke nødvendigvis at yrkene forsvinner. Digitalisering ventes å få store konsekvenser for kompetansebehovene fremover. Etter hvert som oppgavene blir stadig mer komplekse, og digitaliseringen omfatter stadig flere yrker og oppgaver, vil trolig tverrfaglig samarbeid, sosial og emosjonell kompetanse kunne bli viktigere. Dette er drøftet av Ludvigsen-utvalget (NOU 2014: 7; NOU 2015: 8).

Digitalisering er nødvendig for å sikre omstilling og lønnsom drift (se for eksempel Abelia 2017). Digitale omstillinger vil kreve nye kompetanser både hos ledere og ansatte. Digitaliseringen kan gi stadig nye oppgaver og utfordringer til eksisterende yrkesgrupper, blant annet til juristene, politiet og sikkerhetsmyndighetene, for å jobbe med problemstillinger knyttet til personvern, etiske spørsmål og overvåking. Et eksempel er hvem som har ansvaret ved ulykker som forårsakes av selvkjørende biler. Digitaliseringen kan også skape helt nye yrker, som applikasjonsprogrammerere .

Boks 5.2 «21st century skills»

«In the past, education was about teaching people something. Now, it’s about making sure that students develop a reliable compass and the navigation skills to find their own way through an increasingly uncertain, volatile and ambiguous world [...] The dilemma of educators is that the skills that are easiest to teach and easiest to test, are also the skills that are easiest to digitise, automate and outsource.» (OECD 2017f:3)

I sitatet over beskriver OECD at lærernes rolle har endret seg og at dagens ungdom vokser opp i omgivelser som krever nye ferdigheter. Gjennom begrepet «21st century skills» er det gjort et forsøk på å definere typer av egenskaper og kompetanser som trengs i en mindre forutsigbar verden, og hvor omstilling og digitalisering berører alle deler av arbeidslivet.

En studie fra USA viser at etterspørselen etter personer med gode matematikkunnskaper, men uten gode sosiale ferdigheter, har sunket fra 1980 og frem til i dag (Deming 2015). I samme tidsperiode har etterspørselen økt etter tilsvarende gode matematikkunnskaper kombinert med gode sosiale ferdigheter. Deming konkluderer med at dette til dels er en konsekvens av at avansert matematikk kan automatiseres, mens dette i liten grad er tilfelle med sosiale ferdigheter.

OECD (2017f) trekker frem en rekke kompetanser i kategorien «21st century skills»: Kreativitet, innovasjon, kommunikasjon, samarbeid, evne til å ta avgjørelser, sosiale ferdigheter, tverrkulturell kompetanse, kompetanse innen informasjons- og kommunikasjonsteknologi, kompetanse med betydning for deltakelse i samfunnslivet, mediekunnskap, kritisk tenkning, lære å lære og problemløsning. Dette er ferdigheter som OECD mener har fått større betydning og som kommer til å være viktige i årene fremover.

Automatisering, ofte omtalt som robotisering, innebærer at arbeidsoppgaver tidligere utført av menneskelig arbeidskraft helt eller delvis overtas av maskiner og andre teknologiske løsninger. Når produksjon kan utføres med færre ansatte, frigjøres arbeidskraft til å løse andre oppgaver. Maskiner blir stadig mer integrert i samfunnet, og gjør at arbeidsprosesser kan effektiviseres, kvalitetssikres, moderniseres og forbedres.

I YS’ Arbeidslivsbarometer 2017 blir et utvalg arbeidstakere i alderen 18–67 år spurt om de ser for seg at noen av de nåværende arbeidsoppgavene kan utføres digitalt eller av en maskin, se figur 5.12. Arbeidstakerne tar ikke stilling til hvor lang tid det eventuelt vil ta før oppgavene kan utføres digitalt eller av en maskin. Andelen som svarer nei på spørsmålet har sunket fra nær 68 prosent i 2016-undersøkelsen til rundt 57 prosent i 2017-undersøkelsen. Fremdeles er det en nokså høy andel som mener at ingen av de nåværende arbeidsoppgavene kan utføres digitalt eller av en maskin.

Figur 5.12 Arbeidstakernes vurdering av om nåværende arbeidsoppgaver kan utføres digitalt eller av en maskin. 2016 og 2017

Figur 5.12 Arbeidstakernes vurdering av om nåværende arbeidsoppgaver kan utføres digitalt eller av en maskin. 2016 og 2017

Merknad: 3 042 personer svarte på undersøkelsen i 2017, som utgjør 34 prosent av bruttoutvalget. 2 917 personer svarte på undersøkelsen i 2016-undersøkelsen, som utgjør 52 prosent av bruttoutvalget det året. Blanke svar er fjernet før prosentandelene er beregnet.

Kilde: YS’ Arbeidslivsbarometer (Nygaard mfl. 2016; Steen mfl. 2017). Tallgrunnlag tilgjengeliggjort fra YS.

Figur 5.13 viser at arbeidstakere innen bransjen bank/forsikring/finans i langt større grad enn andre ser for seg at noen av deres nåværende arbeidsoppgaver kan utføres digitalt eller av en maskin. Det er i tråd med den kraftige omstillingen som finner sted i stillingsutlysningene i denne næringen. Tall fra FINN Jobbindeks, en halvårlig kartlegging av stillingsannonser på finn.no, viser at antallet utlyste teknologistillinger innen bank, forsikring og finans nesten har doblet seg fra 2015 til 2017 (FINN 2017) .

Figur 5.13 Arbeidstakernes vurdering av om nåværende arbeidsoppgaver kan utføres digitalt eller av en maskin, innen ulike bransjer. 2017

Figur 5.13 Arbeidstakernes vurdering av om nåværende arbeidsoppgaver kan utføres digitalt eller av en maskin, innen ulike bransjer. 2017

Merknad: 3 042 personer svarte på undersøkelsen i 2017, som utgjør 34 prosent av bruttoutvalget 2 899 personer svarte på spørsmålet i figuren etter at blanke svar er fjernet. Steen mfl. (2017: 42) bruker begrepet «bransje», basert på en inndeling Kantar TNS anvender, som de forklarer at har viktige fellestrekk med SSBs næringsgrupperinger.

Kilde: YS’ Arbeidslivsbarometer (Steen mfl. 2017). Tallgrunnlag tilgjengeliggjort fra YS.

Figur 5.14 er mer fininndelt og viser at det særlig er arbeidstakere som jobber innen pleie- og omsorgstjenester, sosialtjenester/barnevern eller barnehage/skole/undervisning som svarer «nei» på spørsmålet om de tror noen av nåværende arbeidsoppgaver kan utføres digitalt eller av en maskin. Innen bank/forsikring/finans, forretningsmessig service/tjenesteyting, offentlig sentralforvaltning/myndighet og transport/samferdsel er det derimot under halvparten av arbeidstakerne som tror at de nåværende arbeidsoppgavene ikke kan utføres digitalt .

Figur 5.14 Andel arbeidstakere som vurderer at nåværende arbeidsoppgaver ikke kan utføres digitalt eller av en maskin, innen ulike bransjer. 2017

Figur 5.14 Andel arbeidstakere som vurderer at nåværende arbeidsoppgaver ikke kan utføres digitalt eller av en maskin, innen ulike bransjer. 2017

Merknad: 3 042 personer svarte på undersøkelsen i 2017, som utgjør 34 prosent av bruttoutvalget. Figuren er basert på 2 953 svar. Se merknaden til figur 5.13 om begrepet «bransje». Bransjer med svært få svar er utelatt.

Kilde: YS’ Arbeidslivsbarometer (Steen mfl. 2017). Tallgrunnlag tilgjengeliggjort fra YS.

I NHOs Kompetansebarometer 2017 blir NHO-bedrifter som har digitalisert eller planlegger å digitalisere prosesser eller arbeidsoppgaver spurt hvordan de tror dette vil endre behovet for arbeidskraft. Undersøkelsen viser at bedriftene regner med en viss vridning i etterspørselen etter arbeidskraft. Behovet for arbeidskraft med fag- og yrkesopplæring, fagskoleutdanning, bachelornivå eller masternivå forventes å bli større, og behovet for arbeidskraft med grunnskole eller videregående studieforberedende forventes å bli mindre, som følge av digitalisering/automatisering. Samtidig oppgir minst 6 av 10 spurte NHO-bedrifter på tvers av utdanningsnivåene at de vil ha «samme behov» for utdanningsnivået de neste fem årene. NIFU, som gjennomfører undersøkelsen for NHO, skriver at dette resultatet kan ha flere årsaker. Det kan bety at bedriftene ikke ser for seg at arbeidsplasser vil forsvinne, eller eventuelt at nye arbeidsoppgaver vil oppstå når andre arbeidsoppgaver automatiseres (Rørstad mfl. 2017) .

Figur 5.15 Endringer i behov blant NHO-bedrifter neste fem år som følge av digitalisering/automatisering, etter utdanningsgrupper

Figur 5.15 Endringer i behov blant NHO-bedrifter neste fem år som følge av digitalisering/automatisering, etter utdanningsgrupper

Merknad: Spørsmålsformuleringen er: «Vil digitalisering/automatisering føre til at bedriften får større eller mindre behov for følgende fagkompetanser de neste fem årene?». 3 403 bedrifter har svart på spørsmålet. Figuren viser ikke svarene for doktorgradsnivå, fordi en del bedrifter svarte at de ville ha mindre behov de neste fem årene, til tross for at de ikke hadde denne type arbeidskraft i dag. Dermed ble det vanskelig å tolke svarene.

Kilde: NHOs kompetansebarometer, gjennomført av NIFU (Rørstad mfl. 2017).

En mye omtalt studie av Frey og Osborne (2013) ser på hvor «utsatt» ulike yrker er for automatisering. Pajarinen mfl. (2015) har anvendt disse resultatene på norske data, og kommer frem til at 1 av 3 jobber har kjerneoppgaver som er særlig utsatt for automatisering de neste 10–20 årene. Studiene beregner eksplisitte sannsynligheter for at ulike yrker blir automatisert. Som Bye og Næsheim (2016) peker på, må de nok trolig tolkes mer som en rangering av hvilke yrker som vil være mest utsatt for automatisering.

Figur 5.16 Risiko for automatisering av jobber i ulike OECD-land

Figur 5.16 Risiko for automatisering av jobber i ulike OECD-land

Kilde: Nedelkoska og Quintini (2018).

Tilsvarende beregninger er gjort for USA, Sverige og Finland (Frey og Osborne 2013; Fölster 2014; Pajarinen og Rouvinen 2014). Pajarinen mfl. (2015) fremhever at forskjeller i resultatene på tvers av landene reflekterer forskjeller i yrkesstrukturen. Norge og Finland får lignende resultater, med rundt 1 av 3 jobber utsatt for automatisering. Sverige får lignende resultater som USA, med rundt 1 av 2 jobber utsatt for automatisering.

Yrkesgrupper med lav beregnet sannsynlighet for automatisering inkluderer blant annet spesialister i pedagogikk, psykologer, spesialsykepleiere, rådgivere innen kompetanseutvikling, sivilingeniører innen eksempelvis kjemi eller elektronikk, programvareutviklere, geistlige yrker, tannleger, ambulansepersonell og grunnskolelærere. Eksempler på yrkesgrupper med høy beregnet sannsynlighet for automatisering er telefon- og nettselgere, regnskapsførere, butikkmedarbeidere og kontormedarbeidere (Pajarinen mfl. 2015). I kapittel 4 så vi at yrkesgrupper som butikk- og salgsarbeid og kontorarbeid allerede i dag har høy bruttoledighet sammenlignet med anslått mangel på arbeidskraft.

Tidligere stilte forskere spørsmål om hva maskinene kan gjøre, senere ble spørsmålet endret til hva maskinene ikke kan gjøre (Nedelkoska og Quintini 2018). Dette reflekteres i Frey og Osbornes (2013) tilnærming. Analysen til Frey og Osborne bygger på antagelser om hva som er flaskehalser («bottlenecks») eller bremser i automatiseringen. Flaskehalsene i Frey og Osbornes analyse knytter seg blant annet til hvorvidt kjerneoppgavene som er beskrevet for yrkene krever koordinerte og raske bevegelser, kreativ eller sosial intelligens. Sosial intelligens er i analysen knyttet til å gi hjelp og omsorg til andre, så vel som evnen til forhandling og overtalelse. Den teknologiske utviklingen de siste årene, blant annet innen kirurgi, utfordrer kanskje allerede noen av flaskehalsene som er lagt til grunn. Slike endringer i flaskehalser vil føre til at andre yrker står i fare for å automatiseres. I nyere tid er det eksempler på at roboter har blitt brukt som substitutter for menneskelige egenskaper og omsorg, som robotpsykologen Ellie eller robotkosedyr i behandling av eldre. Det er uklart om slike eksempler fra psykologi eller eldreomsorg vil utfordre antakelsen om at sosial intelligens ikke kan overtas av maskiner eller om dette forblir enkeltstående eksempler.

Innen helse- og omsorgssektoren kan velferdsteknologi bidra til bedre tjenester og økt trygghet både for brukere og deres pårørende (Helsedirektoratet 2017). Hjemmetjenestene, med sensorteknologi og andre hjelpemidler, gjør at eldre kan bo lenger hjemme og demper behovet for sykehjem eller institusjoner. Dette gir konsekvenser for kompetansebehov. Videre kan maskiner innen helsevesenet skåne helsepersonell ved blant annet å ta over arbeidsoppgaver som å ta røntgenbilder. Teknologiske løsninger kan potensielt i fremtiden gi et bedre liv til pasienter ved å stille raskere og sikrere diagnoser. I 2016 flyttet IBMs Watson-teknologi inn i Innovasjonsparken ved Oslo Cancer Cluster for å gi en plattform til å bruke teknologien i forskningsprosjekter. Innovasjonsdirektøren i IBM forklarer at Watson kan læres opp. Dette er et eksempel på kunstig intelligens. Watson har mulighet til å tilegne seg den enorme mengden forskning som finnes innen medisin, som legene bare vil rekke å lese deler av. IBMs innovasjonsdirektør uttaler at Watson aldri vil bli en lege, men at formålet er at Watson kan være en assistent til legen (TV2 2016) . Teknologiske løsninger og kunstig intelligens skaper store forventninger og muligheter. Samtidig er det store utfordringer blant annet knyttet til håndtering av sensitive data og ivaretakelse av personvernet.

Bjørnstad mfl. (2015) skriver at utfallet av digitalisering og robotisering er usikkert både som følge av teknologisk usikkerhet og ikke minst samfunnets evne og vilje til å utnytte teknologien. Pajarinen mfl. (2015) peker på at metoden Frey og Osborne bruker ignorerer samfunnskrefter som kan bremse teknologiske fremskritt.

Fölster (2018) viser til beregningen til Pajarinen mfl. (2015), og legger til spørsmålet: «But how many new jobs are created?» Fölster har kombinert ekspertvurderinger med en statistisk analyse av dynamikken i det norske arbeidsmarkedet i senere år for å vurdere nettoeffekten av automatisering og jobbskaping. Han finner at de nye jobbene som skapes blant annet fylles av de som utvikler ny digital teknologi, som kjører IKT-systemer eller som produserer og leverer tjenester som digitaliseringen gjør mulig. Ifølge analysen har 30 000 nye jobber oppstått over femårsperioden 2009–2014, som følge av digitaliseringen. Jobbene fylles ikke bare av digitale eksperter. Eksempelvis har netthandel ført til flere budjobber.

Fölster (2018) peker videre på at økte inntekter også øker etterspørselen etter noen arbeidsintensive tjenester. Blant annet har antall bygningsarbeidere økt, så vel som antallet innen andre personlige tjenester. Samlet sett antyder analysen at 46 000 nye jobber har oppstått over femårsperioden 2009–2014 som følge av økte inntekter. Sysselsetting i antall personer er ifølge Fölsters analyse konstant frem mot 2040, gitt netto antall jobber som antas å automatiseres og forventet underliggende økonomisk vekst.

Et vanskelig punkt ved analyser av jobbskaping knyttet til digitalisering, er at samlet jobbskaping i stor grad følger utviklingen i samlet etterspørsel i økonomien. Siden finanskrisen i 2008–2009 har mange land slitt med at samlet etterspørsel er for lav, og noen økonomer frykter at dette vil være et mer vedvarende problem også i årene fremover (se for eksempel Summers (2016)). Holden (2017) argumenterer for at den teknologiske utviklingen trolig vil øke risikoen for at samlet etterspørsel kan bli for lav. Nye vekstnæringer innen informasjonsteknologi og tjenesteyting har lavere investeringsbehov enn gårsdagens vekstnæringer i industrien, samtidig som den teknologiske utviklingen trolig fører til økt inntektsulikhet og dermed til økt sparing. Både lavere investeringer og økt sparing vil innebære at samlet etterspørsel i økonomien reduseres, og det vil i så fall dempe tilgangen på nye jobber.

Nedelkoska og Quintini (2018) har estimert risikoen for automatisering i 32 OECD-land. De tar utgangspunkt i flaskehalsene fra Frey og Osborne (2013), men bruker PIAAC-data til å se på variasjoner i oppgavene som gjøres på jobben, se tabell 5.1.

Tabell 5.1 PIAAC-variabler som samsvarer med flaskehalser i Frey og Osborne

Flaskehals

PIAAC-variabel

Beskrivelse av variabel

Oppfatning, håndtering (perception, manipulation)

Fingerferdighet (finger dexterity)

Hvor ofte – bruk av ferdighet eller presisjon med hender eller fingre?

Kreativ intelligens

Enkel problemløsning

Hvor ofte – relativt enkle problemer som ikke krever mer enn 5 minutter for å finne en god løsning?

Kompleks problemløsning

Problemløsning – komplekse problemer som tar minst 30 minutter tenketid for å finne en god løsning?

Sosial intelligens

Undervisning

Hvor ofte – instruere, lære opp eller undervise personer, individuelt eller i grupper?

Rådgiving

Hvor ofte – gi råd til personer?

Planlegge for andre

Hvor ofte – planlegge aktiviteter for andre?

Kommunisere

Hvor ofte – dele arbeidsrelatert informasjon med medarbeidere?

Forhandle

Hvor ofte – forhandle med personer enten innenfor eller utenfor virksomheten eller organisasjonen?

Påvirke

Hvor ofte – overtale eller påvirke personer?

Selge

Hvor ofte – selge et produkt eller selge en tjeneste?

Kilde: Nedelkoska og Quintini (2018).

Nedelkoska og Quintini (2018) finner at mindre enn 14 prosent av alle jobber på tvers av de 32 landene er svært «automatiserbare», det vil si at beregnet sannsynlighet for automatisering er over 70 prosent. Ytterligere 32 prosent av jobbene har en sannsynlighet for automatisering mellom 50 og 70 prosent. Nedelkoska og Quintini forklarer at dette er jobber som antagelig både inkluderer en rekke oppgaver som kan automatiseres og en del oppgaver som ikke så lett lar seg automatisere. De antar at oppgavene som er ikke-automatiserbare vil bli mer fremtredende eller suppleres med liknende ikke-automatiserbare oppgaver.

Sammenlignet med Frey og Osbornes studie, finner Nedelkoska og Quintini dermed at en langt lavere andel jobber har høy risiko for å automatiseres. De forklarer forskjellen med at mye informasjon går tapt i Frey og Osbornes studie som følge av større grad av aggregering av yrker.

Nedelkoska og Quintini understreker at beregningene viser til teknologiske muligheter, og ikke sier noe om hvor raskt det skjer eller hvor sannsynlig det er at teknologien implementeres. Implementering kan blant annet avhenge av reguleringer, arbeidskraftkostnader og holdninger til automatisering.

Nedelkoska og Quintini finner at automatisering i hovedsak påvirker industrien og jordbruk, selv om mange tjenester, som post, transport og mattjenester er svært automatiserbare. De finner ikke støtte for hypotesen om at automatisering har begynt å påvirke jobber som krever høyere utdanning. De finner heller ikke støtte for at automatiseringen vil være polariserende. De finner en nokså monoton nedgang i automatiseringsrisikoen som en funksjon av oppnådd utdanning og timelønn. Analysen tyder videre på at det er langt mer sannsynlig at automatisering fører til ungdomsledighet enn tidlig pensjonering. Forfatterne finner at sannsynligheten for å delta i opplæring på jobben eller utenfor jobben er betydelig lavere blant arbeidstakere i jobber som risikerer å automatiseres.

Analysen viser stor variasjon på tvers av land. 1 av 3 jobber i Slovakia er svært automatiserbare, mens dette bare gjelder 6 prosent av jobbene i Norge. Mer generelt er jobbene i anglosaksiske, nordiske land og Nederland mindre automatiserbare enn jobbene i østeuropeiske land, søreuropeiske land, Tyskland, Chile og Japan. Nedelkoska og Quintini (2018) argumenterer for at rangeringen av land er sikrere enn akkurat hvor automatiserbare jobbene i de ulike landene er. Forskjellene mellom land forklares i hovedsak ved at landene bruker ulike yrkessammensetninger innen næringer og at arbeid organiseres på ulike måter. Nedelkoska og Quintini (2018) har særskilt studert Tyskland og Storbritannia med utgangspunkt i nasjonale data. Analysen viser at analytiske og sosiale ferdigheter har blitt mer vanlig i arbeidsmarkedet og at yrker som allerede utførte slike oppgaver har vokst i antall. Antallet mer fysisk krevende yrker er derimot redusert.

Livsstilen vår og de sosiale mønstrene endrer seg med økt velstand, økende digitalisering og økte valgmuligheter. Det er neppe noen som savner telefonsentralen, eller lange køer foran innsjekkingsskrankene på flyplassen. Og konsumentene ser ut til å bli stadig mer vant til selvbetjente kasser i matvarebutikkene og levering av matkasser hjemme. Varehandel på nett blir stadig mer populært: I desember 2017 meldte nyhetene om rekordmange pakker i posten, samtidig som flere fysiske butikker må stenge etter svakt resultat. Vi ser også at mange kafé- og restaurantkunder i en travel hverdag tar med seg mat og drikke, for eksempel på vei til eller fra jobb, uten å rekke å sette seg ned.

Implementering av ny teknologi og digitale løsninger avhenger som nevnt ikke bare av hva som lar seg gjøre, men i stor grad også av samfunnets holdninger til og interesse for nye løsninger. Ett eksempel på et tradisjonelt yrke som ikke har forsvunnet, og som ikke forventes å robotiseres i fremtiden heller, er frisører. Et annet tradisjonelt yrke er barberer (SSB 1920), og dette yrket ser ut til å være på vei tilbake. Det vokser frem en rekke barbersalonger i hovedstaden som spesialiserer seg på barbering og skjeggtrimming. Med økt velstand tar stadig flere seg råd til å betale for slike tjenester. Et annet yrke som ser ut til å være på vei tilbake igjen er sykkelbudet. Foodora er et moderne eksempel på det.

Innen tekstilarbeid og grafisk arbeid er mange arbeidsoppgaver effektivisert bort, mens andre oppgaver løses på nye måter. Samtidig som moderne verktøy kan gjøre håndarbeid unødvendig, er det fremdeles etterspørsel etter produkter fremstilt med tradisjonelle teknikker (Samandaji og Fölster 2016). Etterspørselen etter spesiallagde varer og tjenester, kan også drives av ønsket om å signalisere velstand, tilhørighet til en bestemt gruppe eller sosial status.

Det kan se ut til at vi er på vei mot et høydigitalisert samfunn der konsumentene krever personlig service og skreddersydde løsninger i større grad enn tidligere, i takt med den økte velstanden.

5.4 Oppsummering og vurderinger

Dette kapitlet omtaler kompetansebehovene langt frem i tid. Det er et tema der det er mange oppfatninger, men lite sikker kunnskap. Det finnes likevel en rekke analyser som ser på dette saksområdet og vi har sammenfattet de vi vurderer som mest relevante. Vi oppsummerer her noen av de viktigste innsiktene.

  • I drøftingen av langsiktige kompetansebehov har utvalget i tråd med mandatet tatt utgangspunkt i fremskrivninger og scenarioanalyser. Dette er vanlige metoder som kan gi nyttig grunnlag for å reflektere over utviklingen fremover og hvilke konsekvenser dette vil få for kompetansebehovene. Fremskrivningsmodellene inkluderer viktige utviklingstrekk som påvirker tilbud av og etterspørsel etter ulike utdanningstyper. Resultatene er likevel sårbare for den store usikkerheten som ligger i metodevalg, antakelser og generell usikkerhet om fremtiden. Denne usikkerheten taler for betydelig varsomhet ved bruk av fremskrivningene som grunnlag for vurderinger av fremtidige kompetansebehov.

  • Fremskrevet tilgang på arbeidskraft med høyere utdanning vokser samlet sett mer enn etterspørselen. SSB forventer likevel ikke økt arbeidsledighet for arbeidstakere med høyere utdanning. En mulig tolkning er at tøffere konkurranse om jobbene for arbeidskraft med høyere utdanning fører til at en del av arbeidskraften med utdanning på master-/ph.d.-nivå vil få jobber som i fremskrivningene er antatt å gå til arbeidstakere med lavere utdanning. Dette kan tenkes å forplante seg videre, slik at bachelor- og fagskoleutdannede utkonkurrerer arbeidskraft med videregående opplæring, og arbeidskraft med fag- og yrkesopplæring igjen utkonkurrerer arbeidskraft med kun grunnskoleutdanning.

  • En utfordring i fremskrivninger av etterspørselen etter arbeidskraft er at mange arbeidsoppgaver kan utføres av arbeidstakere med ulike typer utdanning. Når en arbeidstaker med lav utdanning slutter, vil arbeidsgiver i mange tilfeller foretrekke å ansette en ny arbeidstaker med høy utdanning. Hvis det er god tilgang på arbeidskraft med høy og relevant utdanning, slik at arbeidsgiverne får tak i slike kandidater, kan det føre til at etterspørselen etter arbeidskraft med høy utdanning øker mer enn fremskrivningene viser. Det sammenpressede lønnssystemet i Norge kan legge til rette for dette.

  • SSB antar at det blir en nedgang i antall jobber som ikke stiller formelle utdanningskrav, og at dette vil føre til at arbeidsledigheten for arbeidskraft som ikke har fullført en utdanning utover studieforberedende videregående opplæring blir høyere i fremskrivningsperioden enn den har vært historisk.

  • SSB har beregnet en fremtidig mangel, samlet sett, på arbeidskraft med videregående fag- og yrkesopplæring. Mangelen kan reduseres ved økt gjennomføring i videregående opplæring, samt kvalifisering av ufaglærte (på arbeidsplassen). Dette kan særlig være aktuelt i helse- og omsorgssektoren.

  • Den demografiske utviklingen innebærer at det blir store behov innen helse- og omsorgssektoren, selv om teknologiske fremskritt og organisatoriske endringer kan bidra til å dempe etterspørselsveksten noe. SSBs siste fremskrivning for helsesektoren, som riktig nok er fem år gammel, viser en betydelig mangel på sykepleiere og helsefagarbeidere. Også for grunnskolelærere viser fremskrivningene en viss mangel på arbeidskraft. Sentrale føringer for bemanning vil øke behovet for arbeidskraft.

  • SSB konkluderer at bemanningsproblemene i norsk helsevesen de siste ti årene ville vært betydelig større uten tilgangen på utenlandsk arbeidskraft. Også fremover vil tilgangen på innvandrere med helse- og sosialfaglig utdanning være viktig for å dekke personellbehovene i helse- og omsorgssektoren.

  • KS beregner hvor mange årsverk som er nødvendig for å opprettholde dagens nivå på kommunale tjenester, gitt en forventet vekst i antall brukere på grunn av den demografiske utviklingen. Resultatene presenteres for syv regioner, og viser at behovet for årsverk øker med ulik takt i ulike deler av landet. I Agder fører økt antall brukere til at det kreves en økning i antall årsverk på 14 prosent frem mot 2026 for å kunne tilby de samme tjenestene som i dag, sammenlignet med bare 6 prosent i Hedmark og Oppland, og 7 prosent i den nordlige regionen.

  • Scenarioanalysene vi omtaler bruker SSBs fremskrivninger som referansebane. Scenarioene viser blant annet at justeringer i hvordan etterspørselen etter arbeidskraft fordeler seg etter næring fremover kan gi store utslag i hvilken type arbeidskraft som etterspørres. Blant annet illustrerer scenarioanalysene hvordan økende grad av robotisering vil kunne medføre større etterspørsel etter personer med høyere utdanning enn det fremskrivningene viser.

  • Digitalisering innebærer at arbeidsoppgavene endres i eksisterende yrker, på tvers av utdanningsnivåene til arbeidstakerne. Det fører til at yrkene får annet innhold og andre kompetansekrav, og ikke nødvendigvis at yrkene forsvinner. Digitalisering endrer oppgaver og tjenester, og dette ventes å få store konsekvenser for kompetansebehovene fremover.

  • Automatisering innebærer at arbeidsoppgaver helt eller delvis erstattes av maskiner og andre teknologiske løsninger. Flere studier undersøker hvor utsatt ulike yrker er for automatisering, basert på en analyse av i hvilken grad arbeidsoppgavene kan automatiseres. Disse studiene legger vekt på at det finnes flaskehalser som bremser automatisering, knyttet til at kjerneoppgaver krever koordinerte og raske bevegelser, kreativ eller sosial intelligens. Yrkesgrupper med lav beregnet sannsynlighet for automatisering er blant annet spesialister i pedagogikk, psykologer, spesialsykepleiere, sivilingeniører innen kjemi, geistlige og grunnskolelærere. Yrkesgrupper med høy sannsynlighet for automatisering inkluderer telefon- og nettselgere, regnskapsførere, butikkmedarbeidere og kontormedarbeidere.

  • En ny analyse av OECD-land tyder på at en lavere andel av jobbene i Norge er utsatt for automatisering, sammenlignet med andre land. Studien finner også høyere arbeidsledighet innen yrker med høy risiko for automatisering.

  • Livsstilen vår og de sosiale mønstrene endrer seg. Det kan se ut til at vi er på vei mot et høydigitalisert samfunn der konsumentene krever personlig service og skreddersydde løsninger i større grad enn tidligere, i takt med den økte velstanden.

Fotnoter

1.

SSB er i dialog med Helsedirektoratet og Helse- og omsorgsdepartementet om videreutvikling av fremskrivninger for helsepersonell. Nye fremskrivninger er ventet i 2019.

2.

En yrkesgruppe er en aggregering av stillingskodene i Hovedtariffavtalen. Et eksempel er at yrkesgruppen «sykepleier» består av sykepleier, spesialsykepleier og klinisk spesialsykepleier.

3.

I KS’ Arbeidsgivermonitor 2017 står det årsverk, ikke ansatte. Her er det korrigert til ansatte i tråd med e-postkorrespondanse med KS.

4.

Analysen i 2015 ble gjennomført av Samfunnsøkonomisk analyse med DAMVAD som underleverandør. Høsten samme år ble DAMVAD overtatt av Samfunnsøkonomisk analyse.

Til toppen
Til dokumentets forside