Uusin tutkimus: Robotit eivät viekään työpaikkojamme


Joonas Tuhkuri.

Uusien teknologioiden vaikutusta erityisesti teollisuustyöhön on selvitetty pitkään ja usein ajatuksella, että teknologia syrjäyttää tavallisesti rutiinitöiksi miellettyjä työtehtäviä ja tilalle tulee vaativampia tehtäviä. Uusin tutkimus haastaa käsityksen. Teknologiat eivät tuhoa työpaikkoja vaan johtavat jopa työllisyyden kasvuun.

Joonas Tuhkuri (PhD, MIT) on Berliinissä asuva ekonomisti ja Tukholman yliopiston taloustieteen apulaisprofessori vuodesta 2023. Hänen tutkii teknologiaa, työtä, taitoja ja persoonallisuuksia uudenlaisen laajamittaisen datan avulla.

Tässä artikkelissa Joonas kertoo hiljattain julkaistusta tutkimuksestaan New Evidence on the Effect of Technology on Employment and Skill Demand ja vastaa kysymyksiin työn tulevaisuudesta.

Olit mukana MIT:n, Etlan ja Laboren tutkimuksessa, jossa selvitettiin teknologian vaikutuksia työn ja taitojen kysyntään. Mitä tarkalleen ottaen tutkittiin?

Tutkimus lähti liikkeelle vanhasta kysymyksestä: miten uudet teknologiat, erityisesti teollisuudessa, vaikuttavat työn ja taitojen kysyntään?

Tähän taas liittyy kaksi eri näkökulmaa: miten teknologiat vaikuttavat työpaikkojen määrään ja miten ne vaikuttavat työn laatuun. Taustalla on usein ajatus, että teknologia syrjäyttää tietynlaisia, tavallisesti rutiinitöiksi miellettyjä työtehtäviä ja tilalle tulee vaativampia työtehtäviä. Tämä on osittain totta. Tämän lisäksi usein ajatellaan, että vaativammat työtehtävät vaatisivat korkeasti koulutetumpia työntekijöitä. Yksinkertaistaen skill-biased technological change -teorian mukaan ajatellaan, että jos teollisuusyritys investoi robotteihin tai CNC-koneisiin, henkilöstö vaihtuu ja prosessi ajaa myös tuloerojen kehitystä länsimaissa.

MIT:n, Etlan ja Laboren tutkimus lähti siitä havainnosta, että tuloerot ovat kasvaneet todella paljon, erityisesti Yhdysvalloissa ja Isossa-Britanniassa, mutta jossain määrin myös muissa maissa. Taustalla oli se, että teknologian vaikutuksia ei ole pystytty aiemmin mittaamaan yksittäisen yrityksen tasolla, eikä vaikutusketjua ole tarkasteltu täsmällisesti vaan on pohdittu suurempia trendejä. Halusinkin mitata hyvin tarkasti ja täsmällisesti yritysten tasolla, millaisiin koneisiin tai muihin teknologioihin yritys on investoinut sekä minkälaisia työntekijöitä yrityksessä on.

Aihetta on kuitenkin aika vaikeaa tutkia, koska teknologiaan investoivat yritykset ovat hyvin erilaisia verrattuna yrityksiin, jotka eivät investoi teknologiaan. Vertailtavuuden vuoksi haimme koeasetelmaa, jossa teknologioihin investoivan yrityksen tulisi olla melko samankaltainen kuin yrityksen, joka ei investoi teknologioihin. Saimme tällaisen asetelman aikaiseksi hyödyntämällä ELY-keskuksen jakamia yritystukia.

Tulokset osoittavat, että uudet teknologiat eivät tuhonneet työpaikkoja vaan johtivat jopa työllisyyden kasvuun. Eivätkö robotit siis viekään työpaikkojamme?

Lyhyt vastaus on, että eivät ne vie. Tämä on jossain mielessä yllättäväkin tulos.
Löydösten mukaan tuen saaneessa yrityksessä työllisyys kasvaa merkittävästi verrattuna yritykseen, joka ei saanut tukea. Kuitenkaan työntekijäkompositio ei muutu. Ei siis ole näköpiirissä ilmiötä, jossa robotit veisivät työt, vaikka tutkimuksessa voitiin rajata investoinnit täsmällisesti robotteihin. Työtekijöiden määrä ei vähene, vaan määrä suorastaan kasvaa. Työntekijät eivät myöskään korvaa toisen asteen koulutuksen työntekijöitä, vaan näiden työntekijöiden kysyntä jopa kasvaa. Tämä on ristiriidassa sen kanssa, mitä taloustieteilijät ovat tyypillisesti ajatelleet.

Mistä tämä tulos johtuu?

Selitys on hyvin yksinkertainen. Yritykset ovat pieniä erikoistuneen tuotannon yrityksiä, jotka tekevät korkean lisäarvon erikoistuotantoa. Iso osa teollisuusyrityksistä on tällaisia. Ne voivat toki olla kiinnostuneita kustannusten laskusta, mutta ne tekevät investointeja kuitenkin muista syistä. Esimerkiksi hissi- ja nosturivalmistajat haluavat tehdä parempia tuotteita ja näin kasvattaa markkinaosuuttaan ja saada uusia asiakkaita. Tällöin heille ei ole hyödyllistä korvata työntekijöitä koneilla.

Edellä mainittu tutkimus tehtiin suomalaisten teollisuusyritysten kontekstissa. Ovatko tutkimustulokset yleistettävissä globaalisti?

Aihetta on tutkittu tällä tarkkuudella vasta vähän, minkä vuoksi varmoja vastauksia on vielä vaikea antaa. Tässä on kaksi mahdollisuutta. Joko tutkimustulokseni ovat erilaisia sen takia, että onnistuimme mittaamaan ilmiötä täsmällisesti Suomen kontekstissa. Tällöin, jos tekisimme yhtä täsmällisen tutkimuksen muualla, olisivat tulokset samanlaisia. Toisaalta voi olla niin, että tulokset ovat erilaisia, koska puhutaan erityyppisestä teollisuudesta.

Todennäköisesti kyse on molemmista. Massatuotanto ei ole yhtä yleinen toimintamalli vaan suurin osa lisäarvoteollisuudesta syntyy laadukkaista korkean lisäarvon tuotteista. Korkean lisäarvon teollisuudessa automaatiolla saavutettavat suorat kustannushyödyt ovat mahdollisesti jo monin paikoin hyödynnetty. Kuitenkin esimerkiksi kehittyvissä maissa ja osassa Yhdysvaltoja on vielä paljon massateollisuutta.

Voimme ajatella, että tulokset yleistyvät globaalisti sen näköiseen teollisuuteen, mitä olemme tässä tutkimuksessa tutkineet. Tulokset eivät kuitenkaan yleisty matalamman lisäarvon tuotantoon, kuten sellun tai sokerin tuotantoon.

Mitä tämä tulos tarkoittaa laajemmin yhteiskunnille ja esimerkiksi työllisyyspolitiikan suunnittelulle?
Yksi tähän liittyvä keskustelu on nk. robottivero. On käyty keskustelua siitä, tulisiko robotteja verottaa sen vuoksi, että ne ovat haitallisia työntekijöille. Näiden tutkimustulosten perusteella robottivero ei kuitenkaan näytä välttämättä kannattavalta idealta, ainakaan työntekijöiden suojelemisen kannalta. Näyttää siltä, että työntekijöiden tilanne paranee robotteihin investoivissa yrityksissä.

Suomessa ELY-keskuksen tuki on ikään kuin negatiivinen robottivero eli robottituki, jolla näyttää olevan positiivisia vaikutuksia työllisyyteen. Emme ole tehneet virallista kustannushyötyanalyysia, mutta tällaisella tutkimuksella voimme tuottaa oikeita politiikkavaihtoehtoja, joilla on konkreettinen vaikutusennuste ja hinta.

Osana väitöskirjaasi tutkit, mitä tapahtuu lapsille ja nuorille amerikkalaisilla paikkakunnilla, joista teollisuustyöpaikat ovat kadonneet. Mitä olet saanut selville?

Tyypillisesti tällaisissa tutkimuksissa keskitytään keski-ikäisten työntekijöiden sopeutumiseen ja uudelleenkouluttamiseen. Mielestäni isompi kysymys on se, miten alueiden lapsille käy. Tämä tarjoaa näkyvyyttä työn tulevaisuuteen pidemmällä aikavälillä, kun perinteinen asetelma mahdollistaa tarkastelun noin 10–15 vuoden päähän.

Tutkimuksessani tarkastelin paikkakuntia, joista teollisuustyöpaikkoja on kadonnut ja vertasin niitä samanlaisin paikkakuntiin, joista näin ei ollut käynyt. Asetelma tutkimuksen taustalla on Kiinan kaupan avautuminen 2000-luvun alussa, joka aiheutti tehdastyöpaikkojen katoa tietyiltä paikkakunnilta enemmän kuin toisilta.

Yllättävä tulos oli se, että nuoret kouluttautuivat enemmän paikkakunnilla, joilla meni huonosti. Nuoriso siis reagoi työpaikkojen katoamiseen kouluttautumalla enemmän. Yhdysvaltojen kontekstissa se tarkoitti, että yhä useampi nuori kävi lukion loppuun ja jatkoi erityisesti ammattikorkeakoulutasoisiin tutkintoihin.

Talousteorian näkökulmasta tulos ei ole yllättävä: matalan koulutustason työpaikkojen puuttuessa nuoret vastasivat tarjontaan kouluttautumalla enemmän. Halu kouluttautua, eli siis kysyntä, oli olemassa. Paikkakunnan koulutuspalveluista on tietenkin kiinni, toteutuuko polku koulutukseen.

Tehdastyöpaikoista keskustellaan paljon, mutta entä toimistotyöpaikat? Millä tavalla uudet teknologiat tulevaisuudessa vaikuttavat niihin?

Jakaisin tämän historiaan ja tulevaisuuteen. Toimistoissa teknologiat ovat nähtävästi syrjäyttäneet työpaikkoja ja lisänneet taitovaatimuksia historiassa. Tämä tarkoittaa sitä, että moni vähemmän koulutusta vaativa työ on kadonnut digitalisaation seurauksena. Tästä on esimerkkinä vaikkapa 1980-luvun automaatio pankkisektorilla, joka vähensi perinteisiä assistentin tehtäviä.

Tutkijat ovat yksimielisiä siitä, että on hyvin vaikeaa ennustaa tulevaisuutta tässä suhteessa. Esimerkiksi sitä, miten tekoäly ja uudemmat digitaaliset teknologiat vaikuttavat täsmälleen työn ja taitojen kysyntään, on hyvin epävarmaa ennustaa.

Asiaa voisi lähestyä sen kautta, että tekoäly on pohjimmiltaan ennusteknologia: saamme datan perusteella parempia ennusteita. Kenen työtä paremmat ennusteet parantavat ja kenen työn ne saattavat viedä? Moni asiantuntijatyö todennäköisesti hyötyy tekoälystä, sillä mitä paremmin saamme tietoa asioista, sitä parempia päätöksiä voimme tehdä. Sen sijaan moni sellainen työ, jossa on koottu dataa ja ennusteita, voidaan automatisoida.

Olit aikanaan Elinkeinoelämän tutkimuslaitoksessa Etlassa kehittämässä nk. nowcastingtoimintaa. Mitä se tarkoittaa?

Ideanamme oli selvittää, miten talousennusteita voidaan parantaa big datan kautta. Nowcastingilla viitataan siihen, että ennustetaan nykyhetkeä eikä niinkään pohdita sitä, mitä tapahtuu tulevaisuudessa. Eli ei forecasting vaan nowcasting.

Perinteisesti yhteiskunnallinen data on saatavissa viiveellä. Esimerkiksi työttömyystietoja selvitetään kyselyillä, joiden tulosten käsittelyyn tilastokeskuksilla menee aikaa. Käytännössä rakensimme ennustemallin, jonka tarkoituksena on saada reaaliaikaista tietoa maailmasta Google-datan ja nykyään muunkin datan avulla.

Toinen asia big datassa reaaliaikaisuuden lisäksi on uusien asioiden mittaaminen. Täsmälleen tämä tarkoittaa sitä, että saamme vaikkapa Googlen hakudatalla tietoa esimerkiksi siitä, kuinka moni on hakenut työttömyyskorvausta netissä. Hakudata nykyhetken työttömyyden lisäksi kertoo myös tulevaisuuden työttömyydestä, sillä ihmisillä voi olla tiedossa työttömäksi jääminen jo paljon ennen työsuhteen varsinaista päättymistä. Ennuste perustuu siihen tietoon, että ihmiset ovat hakeneet enemmän tietoa työttömyydestä, tarkalleen esimerkiksi työttömyyskorvauksista. Näillä ennusteilla saadaan tietoa talouden kehityssuunnasta. Suomen ja Euroopan kontekstissa tällaisella metodilla päästään ainakin kolmen kuukauden päähän tulevaisuuteen, mutta parhaimmillaan on mahdollista ennustaa kehityksiä jopa puoli vuotta eteenpäin.

Missä muussa kuvatun kaltaista big datan ennustemenetelmää voidaan järkevästi soveltaa?

Ennusteita voidaan tehdä ja makro- ja mikrotasolla. Makrotasolla Etla esimerkiksi rakensi asuntohintojen ennustemallin. Tutkimalla ihmisten hakukäyttäytymistä voidaan melko täsmällisesti ennustaa asuntojen hintojen kehitystä Suomessa. Muita vastaavia asioita voivat olla esimerkiksi ostopäätökset, laivaliikenne tai rekkaliikenne. Sitten on esimerkiksi pakolaiskriisi, viittaan erityisesti vuoden 2015 kriisiin, jossa ihmiset esimerkiksi sodan seurauksena hakivat netissä tietoa uudesta asuinpaikasta. Voimme nähdä jo huomattavasti etukäteen, että ihmiset suunnittelevat liikkeelle lähtemistä.
Jopa kiinnostavampaa on kuitenkin big datan mikrotason tarkastelu. Voimme saada täsmällistä tietoa esimerkiksi jostakin tietystä yrityksestä tai tuotteesta. Voimme myös esimerkiksi hyödyntää suomalaisia rekisteritietoja, kuten reaaliaikaista palkkarekisteriä, ja tarkastella kuinka paljon suomalaiset ovat täsmälleen tienanneet joka kuukausi.

Tämä artikkeli on osa Tampere Conversations 2022 (TC22) -tapahtumaa.

TC22 on uusi keskustelufoorumi, jonka aiheena ovat tällä kertaa digitaalisten teknologioiden uhat ja mahdollisuudet turvallisuudelle, demokratialle ja taloudelle. Tapahtuman järjestävät Tampereen yliopisto, Tampereen kauppakamari, Tampereen kaupunki ja Sitra.

Tampere-talossa 11.–12.8. pidettävän tapahtuman lisäksi TC22-teemoista julkaistaan asiantuntijahaastatteluja ja -kirjoituksia foorumin nettisivuilla.

Tutustu tapahtumaan ja muihin artikkeleihin.

 

Scroll to Top