Digitalisering och

(1)

Digitalisering och

arbetstillfällen

(2)

(3)

Innehåll

Sammanfattning ��5 Inledning ��6 Bakgrund ��7 Vad är automatisering? ��7

Olika metoder ��7 Kompetenspyramiden (Bender och Mörtvik 2018) ��8

Oxford: The future of employment (Frey och Osborne 2013) ��9

Fölster (2014) ��9

Fölster (2015) �� 11

OECD: The Risk of Automation for Jobs in OECD Countries:

A Comparative Analysis (Arntz, Gregory & Zierahn 2016) �� 12 OECD: Automation, skills use and training (Nedelkoska och Quintini 2018) �� 12

McKinsey: A future that works (Manyika et al� 2017) �� 13

Referenser �� 15

(4)

Sammanfattning

Inledningsvis är det viktigt att konstatera att de studier som presenteras gör prognoser av framtiden. Resultaten är således präglade av stor osäkerhet, vilket blir tydligt när en ser till att olika metoder ger vitt skilda resultat. Vidare är det svårt att översätta yrkeskategorier mellan studier och länder, vilket ytterligare stärker argumenten för att resultaten bör användas med försiktighet.

Litteraturens svar om textens huvudsakliga frågeställning sammanfattas nedan , uppdelat i två delfrågor. Svaren bygger helt på den litteratur som undersökts och är därmed begränsade av de svar som ges där.

Hur kommer automatisering att påverka antalet arbetstillfällen inom Kommunals yrkesområden?

För hela svenska arbetsmarknaden gäller att 53 procent (Fölster 2014) eller 8 procent (Nedelkoska och Quintini 2018) av alla arbeten med hög sannolikhet kan komma att automatiseras. Eller att 46 procent av alla arbetsuppgifter har potentialen att automatiseras (Manyika et al. 2017). Sannolikheten för att yrken inom Kommunals yrkesområden kommer att påverkas av automatisering i framtiden tycks därav vara relativt stor. Frågan är dock på vilket sätt de kommer att påverkas, kommer arbetstillfällen att helt försvinna till följd av automatisering?

Kommer arbetsuppgifter att förändras? Kommer arbetstiden att förkortas?

Kommer bemanningen att minska? Tyvärr kan inte de lästa studierna besvara dessa frågor utan de fokuserar på att studera om arbeten eller arbetsuppgifter kan automatiseras och hur sannolikt det är att de sedan automatiseras. Hur och om dessa möjligheter sedan förverkligas beror på en bredd av faktorer såsom kommersiell tillgänglighet, implementeringskostnad, ekonomiska fördelar och arbetsmarknadsdynamik (se t.ex. van der Zande et al. 2018).

Att studierna använder olika yrkeskategorier och att de är svåra att översätta till yrken på svensk arbetsmarknad gör det svårt att direkt koppla resultaten till Kommunals yrkesområden. Men ett exempel på ett resultat som har en relativt tydlig koppling till Kommunal kommer från Fölster (2014). I studien uppskattas att yrken inom vård och omsorg, såsom undersköterska och barnskötare, har 34 procents sannolikhet att automatiseras de kommande två decennierna. Vidare finner Nedelkoska och Quintini (2018) att yrkeskategorin health professionals möter en sannolikhet på 35 procent att automatiseras, vilka svenska yrken som ryms i den kategorin är dock oklart.

Fölster (2015) beräknar att sysselsättningstillväxten i vård- och omsorgssektorn kommer att påverkas positivt med 2 procent på grund av nya arbeten vilka handlar om att ta fram och sälja ny teknik. Det kan tänkas indikera att Kommunals yrkesområden sannolikt inte kommer att växa nämnvärt i antal arbetstillfällen till följd av automatisering.

(5)

6

Digitalisering och arbetstillfällen

Inledning

Den här översikten syftar till att besvara frågeställningen om hur automatisering kommer att påverka antalet arbetstillfällen i Kommunals yrkesområden.

Studier som undersökt automatiseringens effekter på svensk och internationell arbetsmarknad används för att besvara frågeställningen. Rapporten fokuserar framförallt på konsekvenserna för Kommunals yrkesgrupper och den svenska arbetsmarknaden. En utgångspunkt är den sammanställning som återfinns i rapporten Kompetenspyramiden (Bender och Mörtvik 2018) från Arena Idé.

Där används flera källor för att hitta svar för just Kommunals yrkesområden och svensk arbetsmarknad.

Texten är strukturerad utifrån de rapporter som används för att besvara frågeställningen. Varje rapport och de resultat som rör frågeställningen är presenterade under varsin rubrik.

Rapporten är skriven av Madeleine Ehlin på Kommunals utredningsenhet och ingår i Kommunals projekt om välfärdsteknik.

(6)

Bakgrund

Vad är automatisering?

Automatisering syftar på förändringar i en process som medför att den mer eller mindre går av sig självt (Rundqvist u.å.). Begreppet innefattar därmed digitalisering och digital teknik som leder till att utföranden av arbeten förändras.

Olika metoder

Bender och Mörtvik (2018) lyfter fram att de studier som ofta citeras för deras slutsatser om automatiseringens påverkan på framtidens arbetsmarknad tillämpar, i grova drag, två olika synsätt för att beräkna sina resultat. I en rapport av Frey och Osborne (2013), som beskrivs som ett startskott för en medial debatt om automatisering och arbetsmarknaden (Bender och Mörtvik 2018), görs beräkningar utifrån hela yrken. Fölster (2014) använder samma metod för att undersöka svensk arbetsmarknad. Metoden har kritiserats för att den undersöker just hela yrken vilket, enligt kritikerna, inte reflekterar automatiseringens faktiska påverkan på arbetsmarknaden eftersom yrkens arbetsuppgifter har olika karaktär och därmed olika potential att automatiseras.

Yrken kan även variera i innehåll mellan anställda och platser. Rapporter från OECD och McKinsey tittar på just arbetsuppgifter och arbetsmoment istället för hela yrken (Bender och Mörtvik 2018, SKL 2017). En OECD-rapport av Nedelkoska och Quintini (2018) använder Freys och Osbornes (2013) metod men på ett dataset (PIAAC) som möjliggör en undersökning av individers arbetsuppgifter vilket enligt dem ger en precisare mätning av automatiseringens eventuella effekter.

För utförligare redogörelser för metoderna som används bör rapporternas beskrivningar läsas, samtliga är tillgängliga på internet. Fölster (2014) och Nedelkoska och Quintini (2018) ger en bra bild av metodernas olikheter. Även rapporten Sveriges viktigaste jobb finns i välfärden från SKL (2017) ger en bra överblick av olika rapporters ansatser. Nedan redovisas delar av en översikt från rapporten:

(7)

8

Frey och

Osborne (2013) Fölster (2014) Arntz, Gregory och Zierahn (2016) (OECD)

Nedelkoska och Quintini (2018) (OECD)

Manyika et al�

(2017) (McKinsey) Analysobjekt Yrken Yrken Arbetsuppgifter Arbetsuppgifter Arbetsaktiviteter Ansats Kartläggning av

flaskhalsar och ny teknik� 70 yrken manuellt bedömda�

Statistisk metod för applicering på 702 yrken i O*net databas

Applicering av Frey och Osbornes metod på yrken på svensk arbetsmarknad, översättning till svenska yrkeskoder

Applicering av Frey och Osbornes metod men på arbetsuppgifter istället för hela yrken, genom PIAAC-databas med data på individnivå

Uppdelning av yrken i 2000 aktiviteter ställda i relation till 18 mänskliga förmågor som kan automatiseras i olika grad�

Kompetenspyramiden (Bender och Mörtvik 2018)

Rapporten Kompetenspyramiden innehåller inte en egen studie av

automatisering utan sammanfattar andra studiers resultat och resonemang.

Nedan sammanfattas delar av Bender och Mörtviks (2018) analys av området, som ger en bra ingång till ämnet och de studier som lyfts längre fram.

Författarna lyfter att prognoser om framtidens arbetsmarknad innehåller en variation av slutsatser gällande vilka typer av förändringar som kommer samt hur omfattande de kommer att vara. En del av variationen har att göra med att det används olika forskningsmetoder och data men oavsett är osäkerheten gällande automatiseringens utveckling i framtiden stor (Bender och Mörtvik 2018). Det finns med andra ord anledning att vara försiktig i användningen av olika slutsatser samt att vara medveten om vilka metoder och källor som ligger bakom dem. Skillnaden i resultat mellan Frey och Osborne (2013) och Nedelkoska och Quintini (2018) är ett exempel på detta. Ytterligare en aspekt av automatisering som gör den svår att beräkna är att den inte behöver ha en substituterande effekt utan kan ha en komplementär effekt, det betyder att teknik kan bidra till att göra människor mer produktiva och att efterfrågan på arbetskraft ökar snarare än minskar (Bender och Mörtvik 2018).

Författarnas huvudsakliga poäng handlar om vikten av möjlighet till vidareutbildning för yrkesverksamma då framtiden kommer att medföra förändringar i hur arbeten organiseras och utförs. Vidareutbildning som möjliggör omställningar är viktiga för att förhindra ökade inkomstklyftor och utslagning (Bender och Mörtvik 2018).

I rapporten beskrivs även en rapport från Handelshögskolan i Stockholm i vilken inga prognoser görs utan det presenteras ett analytiskt ramverk som syftar till att beskriva och kategorisera vad som påverkar utvecklingen av automatiseringen (Bender och Mörtvik 2018). Precis som Manyika et al. (2017) i en rapport från McKinsey Global Institute, som presenteras närmare längre fram, menar van der Zande et al. (2018) att kommersiell tillgänglighet, implementeringskostnad, ekonomiska fördelar samt arbetsmarknadsdynamik är faktorer som spelar roll för vad och hur arbetsuppgifter automatiseras (Bender och Mörtvik 2018).

Tillsammans med frågan om metod visar dessa aspekter varför prognoser om framtidens automatisering är komplexa och osäkra.

Källa: SKL (2017), omarbetad tabell, vissa delar är direkt kopierade andra är omskrivna för tydlighet.

(8)

Oxford: The future of employment (Frey och Osborne 2013)

Frey och Osborne (2013), som ofta refereras till som Oxford-studien, finner att 47 procent av amerikanska jobb löper en hög risk att automatiseras de kommande decennierna. De använder den metod som beskrivits ovan där de genom en klassificering av flaskhalsar och kartläggning av yrken mäter hur många jobb som löper olika grader av risk att automatiseras i framtiden. Med flaskhalsar menas arbetsuppgifter som dagens teknik och vetenskap inte kan automatisera och Frey och Osborne (2013) definierar dem som följande färdigheter:

 Perception and manipulation

 Creative intelligence

 Social intelligence

Dessa flaskhalsar operationaliseras till ett antal variabler i forskarnas dataset som sedan används för bedöma möjligheterna för yrken att automatiseras i framtiden. Variablerna är finger dexterity, manual dexterity, cramped work space/awkward positions, originality, fine arts, social perceptiveness, negotiation, persuasion och assisting and caring for others.¹

Studien finner, som tidigare nämnts, att nära hälften av alla anställningar i USA löper en hög risk att automatiseras de kommande två decennierna.

Yrkesområdena som används är svåra att översätta direkt till kategorier som är lämpliga för Kommunal och eftersom Fölster (2014) genomfört en studie som just applicerar metoden på svensk arbetsmarknad med svenska yrkeskoder, vilken beskrivs härnäst, görs ingen närmare presentation av Frey och Osbornes (2013) resultat för olika yrkesområden. Ett intressant resultat från studien är att utbildning-/lönenivå i ett yrke tycks minska sannolikheten för att yrket kommer att automatiseras (Frey och Osborne 2013).

Fölster (2014)

Fölster (2014) applicerar Frey och Osbornes (2013) metod på yrken på svensk arbetsmarknad. Yrkeskoder översätts till svenska motsvarigheter och studien använder samma karaktärisering av arbetsmoment i yrkena. Risken för

automatisering baseras på huruvida yrket kräver de färdigheter som listats ovan (Fölster 2014).

Fölster (2014) landar i att 53 procent av alla anställda i Sverige kan komma att ersättas av digital teknik de kommande 20 åren, vilket motsvarar 2,5 miljoner jobb. 109 yrkeskoder (SSYK 1996) används i rapportern och flera är relevanta för Kommunal. Nedan sammanfattas beräkningar av yrkesområden som Kommunal till någon grad organiserar.²

1 Faktorerna presenteras på engelska för att undvika missvisande översättningar�

2 En översättningsnyckel från SCB (SSYK 96 till SSYK 2012) för Kommunals yrken används

(9)

10

Yrkeskod Sannolikheten att yrken tas över av datorer under de kommande 20 åren (%)

Antal jobb på den svenska arbetsmarknaden där arbetsuppgifterna kan tas över av datorer de

kommande 20 åren 921 medhjälpare inom jordbruk,

trädgård, skogsbruk och fiske 95,0 3 137

915 renhållnings- och

återvinningsarbetare 93,0 8 898

913 köks- och restaurangbiträden 88,6 57 165

512 storhushålls- och restaurangpersonal 88,4 52 947

832 fordonsförare 80,1 79 169

712 byggnads- och anläggningsarbetare 73,0 60 791

515 säkerhetspersonal 65,4 21 852

912 städare m.fl. 64,4 46 355

612 djuruppfödare och djurskötare 63,4 4 985

613 växtodlare och djuruppfödare,

blandad drift 63,4 2 935

713 byggnadshantverkare 49,5 46 934

513 vård- och omsorgspersonal 34,1 173 019

346 behandlingsassistenter,

fritidsledare m.fl. 11,2 3 785

Från Fölster (2014), urval ur och omarbetning av tabeller på s. 12-15.

Observera att breda yrkeskategorier används vilket medför att kategorierna även kan innefatta arbeten som inte organiseras av Kommunal. T.ex. används koden 832 för fordonsförare istället för den mer specifika 8322 för busschaufför osv.

Det innebär att skattningarna bör läsas med försiktighet.

Den markerade raden, 513 vård- och omsorgspersonal, är i hög grad relevant för Kommunal då den innefattar Kommunals yrkesgrupper i äldreomsorgen, hälso- och sjukvård, funktionshinder samt förskola och skola. Kategorin står därmed för en stor andel av Kommunals medlemmar. Enligt Fölsters (2014) beräkningar är sannolikheten att yrkena tas över av datorer 34,1 procent. Vidare kan 173 019 jobb i kategorin tas över av datorer. Enligt rapporten är det den yrkesgrupp som kommer att påverkas näst mest i absoluta tal, efter försäljare, detaljhandel;

demonstratörer m.fl.

Precis som Frey och Osborne (2013) menar Fölster (2014) att yrken med lägre utbildningskrav har en högre sannolikhet att automatiseras än yrken med högre utbildningskrav. Vidare tycks yrken med högre utbildningskrav kunna gynnas av automatisering då det kan bidra till produktivitet. Fölster (2014) lyfter dock att detta är en generalisering och att det finns många undantag, som exempel nämns att personliga tränare löper mindre risk att automatiseras än biomedicinska analytiker.

Värt att notera är att Fölster (2014) behövt översätta amerikanska yrkeskoder i två steg till svenska, då det inte finns en direkt översättning mellan systemen.

Därmed finns det anledning att vara försiktig i tolkningen av resultaten.

(10)

Fölster (2015)

Fölster (2015) undersöker i en uppföljande rapport hur utvecklingen sett ut mellan 2006-2011 gällande automatisering och arbetstillfällen samt var ”de nya jobben” finns. Där presenteras att förändringar under den studerade perioden är i linje med de slutsatser som drogs i den första rapporten, d.v.s. att utvecklingen skett i ungefär den takt som uppskattats för de kommande 20 åren.

Digitalisering kan öka efterfrågan på arbetskraft genom att det kan behövas arbetskraft som tar fram tekniken, arbetskraft som säljer digitaliserade tjänster eller som säljer produkter/tjänster som påverkas indirekt av digitalisering eller att efterfrågan på arbetskraft ökar som en effekt av högre inkomster och lägre priser på varor och tjänster. De två första effekterna slås i Fölsters analys ihop till en kategori; digitalarbetare. Studien visar att inkomsteffekten och följdeffekter av digitalisering gett ökad efterfrågan på arbetskraft men att dessa effekter inte ensamt kompenserar för arbetstillfällen som försvinner på grund av automatisering (Fölster 2015).

Fölsters beräkningar för Kommunals yrkesområden

Yrken och uppskattade effekter av digitalisering på sysselsättningstillväxt (%)

Yrkeskoder Automati-

sering Digital-

arbetare Inkomsteffekt 921 medhjälpare inom jordbruk, trädgård,

skogsbruk och fiske -20 2 4

915 renhållnings- och återvinningsarbetare -20 3 6

913 köks- och restaurangbiträden -15 15 7

512 storhushålls- och restaurangpersonal -19 2 2

832 fordonsförare -17 5 2

712 byggnads- och anläggningsarbetare -15 7 10

515 säkerhetspersonal -14 8 6

912 städare m.fl. -14 2 9

612 djuruppfödare och djurskötare -13 2 9

613 växtodlare och djuruppfödare, blandad drift -13 2 9

713 byggnadshantverkare -10 5 7

513 vård- och omsorgspersonal -7 1 1

346 behandlingsassistenter, fritidsledare m.fl. -2 2 7

Från Fölster (2015), urval ur och omarbetning av tabell på s. 19-21.

Den faktiska sysselsättningstillväxten 2006-2011 samt förväntad sysselsättningstillväxt går att se i originaltabellen i rapporten. De tre

kategorierna automatisering, digitalarbete och inkomsteffekt återges eftersom de är relevanta för frågeställningen om hur automatisering kommer att påverka arbetstillfällen i Kommunals yrkesområden.

Vård- och omsorgspersonal är återigen markerad eftersom kategorin utgör en stor andel av Kommunals medlemmar. Automatisering beräknas bidra till att

(11)

12

Skillnaden mellan den procentsats som presenterades i rapporten från 2014 och den i tabellen ovan är att den första beskriver en uppskattad risk för automatisering av yrket inom 20 år medan den andra beskriver uppskattad effekt av automatisering på sysselsättningstillväxten i yrket.

OECD: The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis (Arntz, Gregory & Zierahn 2016)

Arntz, Gregory och Zierahn (2016) utmanar Frey och Osbornes (2013) fynd genom att använda Survey of Adult Skills (PIAAC) som visar på att det finns en stor variation av arbetsuppgifter inom yrkesgrupper och att ta med detta i beräkningen påverkar resultatet på ett betydande vis. D.v.s. om arbetsuppgifter undersöks istället för yrken förändras resultatet drastiskt. Arntz, Gregory och Zierahn (2016) finner att 9 procent av anställningar i USA riskerar att försvinna som en följd av automatisering, jämfört med Frey och Osbornes (2013)

47 procent. I Sverige uppskattas att 7 procent av alla anställningar med stor sannolikhet (>70 procent) kommer att automatiseras.

OECD: Automation, skills use and training (Nedelkoska och Quintini 2018)

Nedelkoska och Quintini (2018) bygger vidare på Arntz, Gregory och Zierahn (2016) och använder också PIAAC för att kontrollera för variationen av arbetsuppgifter i yrkesgrupper. De finner att 14 procent av alla arbeten i OECD- länderna med stor sannolikhet (>70 procent) kommer att automatiseras.

32 procent av alla arbeten kommer med 50-70 procents sannolikhet att automatiseras, vilket indikerar att dessa yrken på något sätt kommer att möta betydande förändringar i hur de utförs.

Nedelkoska och Quintini (2018) uppskattar att 8 procent av alla arbeten i Sverige med stor sannolikhet (>70 procent) kommer att automatiseras. Vilket är en uppenbart lägre siffra än den som Fölster (2014) kommer fram till med hjälp av Freys och Osbornes (2013) metod.

Rapporten undersöker även vilka yrken som riskerar att automatiseras.

Författarna finner att det är främst yrken som inte kräver utbildning som löper störst risk att automatiseras. Sedan följer yrken som kräver viss utbildning och som i regel består av att interagera med maskiner, i t.ex. tillverkningssektorn.

De yrken med lägst risk är de som kräver hög utbildning och mycket social interaktion, kreativitet, problemlösning samt omsorg av andra. Det medför att omsorgspersonal befinner sig i denna låg-sannolikhets kategori. Nedelkoska och Quintini (2018) skriver att sannolikheten, bortsett från ett par undantag såsom omsorgsarbetare, för automatisering av ett yrke tycks vara en funktion av skill-level där yrken som kräver en hög skill-level är mindre troliga att automatiseras än yrken som kräver en lägre skill-level. I redovisningen av den uppskattade sannolikheten i procent för automatisering av yrken framgår följande skattningar³ för yrken som är relaterade till Kommunals yrkesområden:

3 Mean probability of automation by occupation

(12)

Yrken i Nedelkoska och Quintini

(2018) Uppskattad sannolikhet för

automatisering av arbetsuppgifter

Food preparation assistants 0,64

Cleaners and helpers 0,59

Agricultural, forestry and fishery

labourers 0,57

Personal service workers 0,54

Protective services workers 0,44

Personal care workers 0,42

Health professionals 0,35

Teaching professionals 0,28

Tyvärr finns det inte siffror uppdelat på yrken för Sverige och vidare är det svårt att säga i vilken utsträckning yrkeskategorierna innehåller arbetsuppgifter som överensstämmer med arbetsuppgifter vanliga inom Kommunals yrkesområden.

Men siffrorna redovisas eftersom det är vad som finns att hämta i rapporten.

McKinsey: A future that works (Manyika et al� 2017)

Manyika et al. (2017) studerar vilka yrken som helt kan komma att automatiseras och i vilken utsträckning aktiviteter inom andra yrken kan automatiseras med existerande teknologi. De finner att mindre än 5 procent av de studerade yrkena kan automatiseras till 100 procent. Runt 60 procent av de studerade yrkena består av minst 30 procent aktiviteter som kan automatiseras med existerande teknologi.

Manyika et al. (2017) kommer fram till detta genom att studera 2 000 arbetsaktiviteter från 800 yrken och uppskatta hur mycket tid som läggs på dem samt den tekniska möjligheten (och rimligheten) i att automatisera dem med hjälp av existerande teknologi. Arbetsaktiviteterna bröts ned till 18 mänskliga förmågor som används för att utföra olika arbetsaktiviteter.

Möjligheten att automatisera dem samt i vilken grad dessa behövs för att utföra särskilda aktiviteter låg sedan till grund för beräkningarna. Datan hämtas från O*NET (precis som Oxford-studien) och US Bureau of Labor Statistics eller motsvarande för andra länder. Rapporten täcker 46 länder.

Utöver rapporten finns ett onlineverktyg med data för olika länder.⁴Den kan användas för att hitta det som är intressant för Kommunal. Arbeten i Sverige har en potential att automatiseras på 46 procent, vilket representerar 2,1 miljoner anställda. Nedan redovisas resultaten för samtliga sektorer som redovisas i verktyget, de sektorer som är tydligast kopplade till något av Kommunals yrkesområden är markerade med rosa i tabellen på nästa sida:

(13)

14

Sektorer Andel av arbetet som har potentialen att

automatiseras (%)

Antalet anställda som po- tentialen för automatisering

representerar Health care and social

assistance 37 282 100

Manufacturing 62 423 800

Administrative support

and government 40 216 200

Educational services 30 140 400

Retail trade 51 230 500

Professional, scientific and

technical services 36 108 800

Construction 55 150 200

Accomodation and food

services 61 155 700

Transportation and

warehousing 65 114 100

Information 34 52 400

Wholesale trade 48 72 700

Finance and insurance 40 44 000

Agriculture, forestry, fishing

and hunting 54 50 300

Other services (exkl� offent-

liga tjänster) 44 35 600

Real estate and rental and

leasing 42 31 600

Arts, entertainment and

recreation 36 14 800

Mining 60 18 700

Utilities 44 7 000

Management of companies

and enterprises 37 305

Källa: McKinsey Global Institute

Tyvärr är det inte möjligt att bryta ner sektorerna på mer specifika yrkesområden och yrken.

Bedömningen görs av författarna att både yrken med höga löner och yrken med låga löner har potentialen att automatiseras. Men trots denna varians i datan finns en trend där skill-level korrelerar negativt med potentialen för automatisering, d.v.s. att ju högre skill-level som krävs för ett yrke desto lägre är potentialen för automatisering och vice versa (Manyika et al. 2017).

I rapporten lyfts även faktorer som påverkar i vilken takt och utsträckning något kan automatiseras. Författarna identifierar fem faktorer: teknisk genomförbarhet, kostnaden för att utveckla och applicera nya lösningar, dynamiken på arbetsmarknaden, ekonomiska fördelar samt social och regleringsmässig acceptans (Manyika et al. 2017). Det bidrar till att belysa att prognoser av automatisering på framtidens arbetsmarknad är komplicerade samt präglade av stor osäkerhet.

(14)

Referenser

Arntz, Melanie, Gregory, Terry & Zierahn, Ulrich. 2016. The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social,

Employment and Migration Working Papers, No. 189, OECD Publishing, Paris.

Bakhshi, Hasan, Downing, Jonathan M., Osborne, Michael A. & Schneider, Philippe. 2017. The future of skills – Employment in 2030. London: Pearson &

Nesta.

Bender, German & Mörtvik, Roger. 2018. Kompetenspyramiden: fler som jobbar ska kunna studera. Stockholm: Arena Idé.

Frey, Carl Benedikt, & Osborne, Michael. 2013. The future of employment: How susceptible are jobs to computerization. Oxford.

Fölster, Stefan. 2014. Vartannat jobb automatiseras inom 20 år: utmaningar för Sverige. Stiftelsen för Strategisk Forskning.

Fölster, Stefan. 2015. De nya jobben i automatiseringens tidevarv. Stiftelsen för Strategisk Forskning.

Manyika, James, Chui, Michael, Miremadi, Mehdi, Bughin, Jacques, George, Katy, Willmott, Paul, & Dewhurst, Martin. 2017. A Future that Works:

Automation, Employment, and Productivity. McKinsey Global Institute.

Nedelkoska, Ljubica & Quintini, Glenda. 2018. Automation, skills use and training. OECD Social, Employment and Migration Working Papers, nr 202.

Paris: OECD.

Rundqvist, Bengt. [u.å.]. Automatisering. Nationalencyklopedin. http://www.

ne.se/uppslagsverk/encyklopedi/lång/automatisering. Hämtad 2018-07-30 SKL. 2017. Sveriges viktigaste jobb finns i välfärden: Rekryteringsrapport 2018. Stockholm: Sveriges Kommuner och Landsting.

van der Zande, Jochem, Teigland, Karoline, Shahryar, Siri & Tiegland, Robin.

2018. The substitution of labor: from technological feasibility to other factors influencing job automation. Stockholm School of Economics Institute for Reasearch.

(15)

Den svenska arbetsmarknaden förändras� Den här rapporten syftar till att besvara frågeställningen om hur automatisering och digitalisering kommer att påverka antalet arbetstillfällen i Kommunals yrkesområden�

Studier som undersökt automatiseringens effekter på svensk och internationell arbetsmarknad används för att besvara frågeställningen�

Rapporten fokuserar framförallt på konsekvenserna för Kommunals yrkesgrupper och den svenska arbetsmarknaden� Rapporten är skriven av Madeleine Ehlin på Kommunals utredningsenhet och ingår i Kommunals projekt om välfärdsteknik�

ART NR 978 91 7479 762 6 DIGITALISERING OCH ARBESTTILLFÄLLEN, RAPPORT KOMMUNAL 2018�