Datainsamlingsmetod 1. Primärdata

Primär datainsamling av kvalitativ data har delvist skett via semistrukturerade intervjuer med hög grad av standardisering, eftersom ställda frågor kom i specifik och bestämd ordning. I de fallen hade svarande, enhetschefen och verksamhetsutvecklare, stor frihet att utforma svaren vilket innebär en låg grad av strukturering (Patel och Davidson, 2011, s.76). En del av kvalitativ data samlades in genom mejl-korrespondens där frågor skickades till personer insatta i respektive ärende och svar på dessa var dels av kvalitativ karaktär i form av beskrivningar, dels kvantitativ karaktär i form av statistisk data. En ytterligare del av kvalitativ data samlades in genom

webbaserad enkätundersökning där anställda kunde lämna in sina svar, med syfte att förtydliga problemen inom verksamheten, arbetsmiljöproblem, deras delaktighet och möjlighet till

kompetensutveckling, flaskhalsar och annan relevant information. Även i det fallet kom frågorna uppställda i en viss ordning så att bilden av arbetsplatsförhållanden successivt målades upp. Med insamlad information gick det enklare att inse vilken kompletterande fakta kunde mer behövas och dessutom jämföra tidigare insamlad data mot andra synpunkter. Detta ökade graden av studiens objektivitet samt tillförlitlighet, eftersom den kvalitativa data kunde jämföras och valideras. Frågor till enkäten bifogas i bilaga 3, och kategoriserade svar i olika dimensioner i bilaga 4. Enkätsvar från olika svarande följer utlovad konfidentialitet- och anonymitetslöften till deltagarna, men svar från enkäten har nyttjandelov eftersom detta betonats i enkätbeskrivningen. Enkäten i sig besvarades av 4 respondenter fördelade mellan olika arbetsroller.

Två av svarande var läkare, en sjuksköterska och en undersköterska. En tydlig skillnad mellan svaren var att läkarnas svar innehöll mer beskrivning och relevant data, än sjuksköterskans. Sjuksköterskan i sin tur gav utförligare svar än undersköterska. Även synpunkter i svaren var av olika karaktär. Läkarnas svar var mer påpekande, relevanta och fokuserade på väsentliga

förhållanden, medan sköterskorna var mer tillfredsställda och hade inte så många påpekande. Kategorisering av svar utgick från gruppering av liknande svar och kunde sammanställas i ett släktskapdiagram (bilaga 4). Det mest värdefulla informationskälla för ökat förståelse av

verksamhetens delar var mailkorrespondensen med en av enkätsvarande, som i sin arbetsroll var läkare. Läkare hade stort kompetens i förståelse av verksamhetens processer och problem som verksamheten upplever. En del av rapportens påståenden baseras på denna data, vilket anses vara

valid och reliabel på grund av sammanfallande med ledningens uttalanden. En del av åsikter, närmare sagt olika betraktelseperspektiv skilde sig åt vilket bidrog till bättre analys av sekundär data i form av dokument och rutiner, samt processens utformning. Primärdata användes som underlag för att förstå nuläge och forma en processkarta. Sedan en del av primärdata var nödvändig för att förstå vilka produktivitetsmått behövs, medan sekundärdata behövdes för att formulera och analysera erhållna produktivitetsmått.

3.3.2. Sekundärdata

Sekundärdata data har samlats in i form av intern dokumentation och i kvantitativ form genom intern statistik samt tillgång till intern databas Xmetod, innehållande rutiner, metoder, dagliga händelser, rapporter, interna nyheter med mera. Genom inblick i erhållen sekundär data har förståelse för problemområden ökat och detta har i sin tur lett till förtydligande av intervjudata men även nya frågor. Statistisk data behövdes för att kunna förstå förhållanden som påverkar och relaterar till produktivitetsmått. Utöver organisationens dokumentation har sökningar gjorts på internet via Google, Google scholars, digitala vetenskapliga arkivet DIVA och genom Uppsala universitetsbibliotekets databas för att finna användbara vetenskapliga artiklar till formulering av relevanta teorier. Olika begrepp som relaterar till processledning, Lean, röntgen, verksamhet, indikatorer, region Gotland, med mera, har använts för att få relevanta träffar. Via

internetsökningar samlades in viktig dokumentation som innehöll information om

verksamhetsmål för region Gotland och som relaterade till olika hållbarhetsaspekter, inklusive sjukvården. Den teori som hämtats från böcker, kompendium och föreläsningar är sådan som användes under utbildningens gång, men även annan litteratur utlånad via bibliotekets digitala tjänster har använts. Informationen erhållen via mejl i form av bifogad dokumentation var av kvantitativ karaktär och innehöll statistik.

3.4. Dataanalys

Dataanalys utgår ifrån flera kombinerade principer, verktyg och arbetssätt för att optimera rapportens beskrivning och analys av avdelningens nuläge och framtida behov. Som en bas används förbättringsmodellen DASIAS (Diagnosing, Analysing, Solving, Improving, Anchoring,

Studying) som i grund och botten bör ses som en processförändringsmodell (Isaksson, 2021b,

Tabell 2: Från att förstå till att leda hållbar utveckling med DASIAS (Källa: Isaksson, 2021-03-16)

DASIAS Förstå Definiera Mäta Kommunicera Leda HU

Diagnosing Ohållbarhet Intressenter Processmodeller Avgränsa Hållbarhetseffekt Pareto y-värden variation, trend med mål Potential Möjligheter Driva frågan Analysing y=f(x1, ..xn) 10M Processanalys Viktiga delprocesser, x och M Hur y påverkas av orsaker Förbättringsområden Leda orsaksanalys

Solving Lösningar till problem; Innov. process (prod.)

Nuläge, nyläge och plan för realisering Förändring av y och x-värden Möjlighetsstudie Förbättrings- projekt Leda sense making av förbättring Improving Förbättrings-projekt Mål, tidplan, kostnadsbudget, risker

Projektresultat Informera internt och externt (styrgrupp)

Projektledning

Anchoring Vad som behöver förändras Ledningssystem Ansvar; nyckeltal; kultur Förändring av y och x samt M

Beskriva förbättring Leda

förankring och överföring till organisation Studying Har org. förstått

förbättring?

Single och double loop learning Förbättrings-processen Kommunicera förbättringsprocess Leda HU inom valt område

Kvalitativ och kvantitativ data utgör en bas för analys av problemområdet. Insamling av data i olika former samt teoretiskt underlag ger möjlighet att skapa en nulägesbild av verksamheten och presentera möjligheter att förbättra genom lämpliga indikatorer. Dataanalysen kommer

presenteras med hjälp av DASIAS modellen som genomsyrar dels resultatavsnitt, dels

efterföljande avsnitt. Anledning till detta är att DAS stegen kan utvecklas genom metoden och befintliga underlag, medan efterföljande stegen i modellen hamnar utanför ramen av denna fallstudie. Trots det kommer det presenteras ett underlag för de sista tre stegen i modellen så att dessa kan användas av ledningen för att beakta förbättring-, förankring- och studeringsfasen som möjligheter till verksamhetsförändringsmodell. Under resultat kommer det presenteras DAS-stegen. De första diagnos-analys-lösning stegen kommer användas för att systematiskt

presentera resultat och besvara respektive frågeställning formulerad under avsnitt 1.3 Syfte och frågeställningar. Till detta används kvalitativ och kvantitativt insamlad data, samt i vis mån teoretiska referenser, för att besvara respektive frågeställning genom att följa och tillämpa stegen i tabell 2. Detta innebär att strukturen för resultatredovisning bör följa arbetssättet enligt nedan:

1. Diagnos – nuläge av prestandan för valda y-värden beskrivs med förklaring till