Arbeidsmarkteffecten van ICT-investeringen en robotkapitaal

Co-auteur: Theo Smid

De arbeidsmarktimplicaties van nieuwe technologieën staan de laatste jaren weer volop in de belangstelling. De discussie is vanuit de VS nieuw leven ingeblazen naar aanleiding van enkele wetenschappelijke publicaties waaruit blijkt dat lonen en werkgelegenheid in met name het middensegment onder druk zijn komen te staan als gevolg van nieuwe technologieën, zoals ICT en robotisering (zie Autor, 2015 voor een overzicht). Ook in Nederland is de discussie inmiddels breed gestart. In die discussie zijn twee geluiden te horen (zie Ter Weel, 2015 voor een overzicht).

Enerzijds is er een stroming die de negatieve gevolgen van nieuwe technologieën benadrukt. De snelheid en het gemak waarmee machines banen kunnen vervangen zou enorm zijn toegenomen door de steeds krachtigere processoren, de inzet van robots en kunstmatige intelligentie (zie bijvoorbeeld Ford, 2015; Brynjolfsson en McAfee, 2014). Brynjolfsson en McAfee (2014) wijzen er bovendien op dat de digitalisering zo snel gaat dat de arbeidsmarkt op een nooit eerder vertoonde manier zal worden ontregeld. In deze visie ligt massawerkloosheid op de loer, zal de inkomensongelijkheid sterk toenemen en wordt een beeld geschapen waarin de mens de strijd van de machines aan het verliezen is. Voorbeelden zijn gemakkelijk te geven: zelfrijdende auto’s vervangen vrachtwagenchauffeurs, Airbnb zal de hotelbranche wegvagen, Uber neemt de taxibranche over en de pacbot vervangt magazijnmedewerkers. Een veelgeciteerde studie van Frey en Osborne uit 2013 stelt dat 47% van de 702 onderzochte banen in de komende twee decennia zeer gevoelig zijn voor automatisering. Ook de politiek heeft al eerder zorgen geuit over ‘technologische werkloosheid’. Vicepremier Asscher stelde in een speech uit 2014[1]: “Het is […] helemaal niet zo vanzelfsprekend dat we zomaar terugkeren naar de lage werkloosheid van voor de crisis. Vroeger dachten we door de vergrijzing iedereen heel hard nodig te zullen hebben op de arbeidsmarkt. Nu begint het tot ons door te dringen dat er misschien juist veel werkgelegenheid kan verdwijnen. Door de snelle opkomst van robots en andere technologie kan de toekomst er drastisch anders uit gaan zien dan het heden.” Deze visie krijgt ook bijval van DNB, waar directeur Job Swank onlangs nog zei dat hij de indruk heeft dat er door nieuwe technologische vooruitgang minder werknemers nodig zijn.[2] Asscher stelt ook dat de opkomst van de robot en de digitale economie niet één op één te vergelijken zijn met eerdere perioden van technologische vooruitgang.

Onder economen domineert anderzijds vooral het beeld dat technologische vooruitgang van alle tijden is en altijd voor nieuwe banen en welvaart heeft gezorgd (zie bijvoorbeeld WRR, 2015; Ter Weel, 2015). Doorbraaktechnologieën zoals de introductie van de stoommachine in de achttiende eeuw, de lopende band begin twintigste eeuw, de computerchip en internet hebben allemaal geleid tot flinke schokken op de arbeidsmarkt en vragen aanzienlijke aanpassingen in de samenstelling van de werkgelegenheid. Maar uiteindelijk zijn er slechts weinig aanwijzingen dat technologische ontwikkeling heeft geleid tot langdurige structurele werkloosheid (De Jong en Luiten van Zanden, 2015). Ook een recente studie van Graetz en Micheals (2015) laat voor een groep OECD-landen zien dat investeringen in industriële robots heeft gezorgd voor een groei van de productiviteit en de economie. Het Rathenau Instituut (2015) stelt bovendien dat landen die vroegtijdig hebben ingespeeld op technologieën de transitie naar een nieuwe samenstelling van de arbeidsmarkt sneller en minder pijnlijk hebben weten te doorlopen. Tot slot wijst Went (2015) op de term ‘chronocentrisme’ in het debat: mensen denken altijd dat de ontwikkelingen nu sneller gaan dan ooit en dat de gevolgen hiervan nu dus ook anders zouden zijn dan die uit het verleden.

De beleidsdiscussie wordt ook sterk beïnvloed door het beeld dat iemand heeft van de arbeidsmarkteffecten van nieuwe technologieën. Daarbij gaat het niet om de vraag of de ontwikkeling van nieuwe technologieën op zichzelf iets is wat zou moeten worden beïnvloed, maar wel hoe een samenleving dient om te gaan met het aanpassingsproces. Ook economen met een optimistische visie zijn van mening dat niet alle groepen in dezelfde mate profiteren van technologische ontwikkeling (zie bijvoorbeeld Autor, 2015 en Van den Berge en Ter Weel, 2015). Freeman (2015) stelt dat de baten van technologische vooruitgang voor het overgrote deel zullen neerslaan bij de kapitaalbezitters, waardoor de inkomensongelijkheid sterk zal toenemen. De vraag is hoe sterk de beleidsreactie zal moeten zijn. Dienen beleidsinterventies zich te beperken tot het borgen van de privacy van burgers en het stimuleren van bijvoorbeeld scholing, omscholing en mobiliteit? Of moet er serieus worden nagedacht over een basisinkomen voor iedereen, omdat een steeds kleinere elite nog maar in staat is om de baten van nieuwe technologieën naar zich toe te trekken? In de laatste paragraaf komen we op deze specifieke beleidsvragen nog terug.

We kiezen in deze studie bovenal voor een empirische benadering. We zullen daarom maar beperkt speculeren over de mogelijke effecten van nieuwe technologieën waarvoor we geen data beschikbaar hebben (met uitzondering van paragraaf 8). Wel kiezen we voor een nieuwe insteek ten opzichte van bestaande empirische studies, door ons vooral te richten op de arbeidsdynamische effecten van nieuwe technologieën. We gaan daarmee een stap verder dan studies die zich enkel richten op standcijfers, zoals de hoogte van de werkloosheid of het aantal banen op een bepaald moment. De dynamiek op de arbeidsmarkt is namelijk groter dan veel mensen denken. Zo nam het aantal werklozen in 2014 maar mondjesmaat af met 45 duizend personen. Het aantal ontslagen en nieuw gecreëerde banen lag echter een stuk hoger en bedroeg respectievelijk 480 duizend en 520 duizend personen.

Het is juist belangrijk om de effecten van nieuwe technologieën te koppelen aan deze dynamiek, aangezien arbeidsmarkten wellicht veel beter in staan zijn om zich aan te passen aan technologische schokken en er juist nieuwe werkgelegenheid ontstaat waarvan we eerder nog geen weet hadden. In de jaren tachtig konden we ons nog moeilijk voorstellen dat er ooit beroepen zoals webdesigners, app-ontwikkelaars, interaction designers, database- en zoekmachinemarketeers zouden bestaan. Maar ook de aard van beroepen verandert. Een accountant had vroeger vooral de taak de financiële administratie te controleren. Door automatische facturering en slimme ICT-toepassingen is hij een steeds beperkter deel van zijn tijd kwijt met administratief werk en besteedt hij meer tijd aan klantadvies en acquisitie. Om een goed beeld te krijgen van de effecten van technologieën op de dynamiek van de arbeidsmarkt, zullen we informatie over investeringen in ICT en investeringen in industriële robots gebruiken en koppelen aan het aantal ontslagen en aannames binnen de Nederlandse economie. Voor zover wij weten is dit de eerste studie die arbeidsmarktstromen koppelt aan investeringsdata in technologieën.

Een belangrijk voorbehoud bij onze studie is dat we zijn genoodzaakt ex ante een sectorindeling te maken naar opleidingscategorie. Helaas ontbreekt namelijk informatie over het opleidingsniveau van de personen die worden ontslagen vanuit werk of die vanuit de WW een baan vinden. Wellicht dat dit punt bij vervolgonderzoek kan worden ondervangen. Een tweede voorbehoud is dat we alleen maar beschikken over informatie over ICT-investeringen en investeringen in industriële robots als proxy voor technologische vernieuwing. Nieuwe technologieën hebben uiteraard betrekking op een veel breder kader, maar dit zijn twee databronnen die voorhanden zijn.

Een andere belangrijke kanttekening is dat we de arbeidsmarkteffecten in Nederland in ons onderzoek koppelen aan investeringsgegevens in twee technologieën, namelijk ICT en industriële robots. Hoewel Artificial Intelligence (AI) hier raakvlakken mee heeft en ook tot uiting kan komen in beide typen kapitaal, zijn nog geen data beschikbaar om de effecten van AI op de arbeidsmarkt te meten. De daadwerkelijke effecten van AI op de arbeidsmarkt blijven dus buiten beschouwing, maar gezien de enorme vlucht die ICT-investeringen hebben genomen door alle lagen van de economie zijn de effecten ervan mogelijk wel indicatief voor wat ons op AI-gebied te wachten staat.

De opzet van onze studie is als volgt. In paragraaf 2 bespreken we kort de belangrijkste bevindingen in de literatuur. In paragraaf 3 bespreken we de onderzoeksopzet en in paragraaf 4 de data en beschrijvende statistieken. Paragraaf 5 presenteert de resultaten van de empirische schattingen. In paragraaf 6 benutten we de resultaten uit paragraaf 5 om twee de effecten van twee scenario’s tot 2020 voor de Nederlandse arbeidsmarkt in kaart te brengen: een basisscenario en een alternatief scenario waarbij de ICT-investeringen twee keer zo snel groeien. Paragraaf 7 vat onze visie van Artificial Intelligence op de arbeidsmarkt samen. In paragraaf 8 formuleren we een aantal aanknopingspunten voor beleidsmakers. Tot slot geven we in paragraaf 9 de belangrijkste conclusies die voortkomen uit deze studie.

[1] Rijksoverheid (2014), Toespraak van minister Asscher tijdens het SZW congres, 29 september 2014.

[2] FD (2015), Nieuwe technologie verdringt arbeid, 7 december 2015.

2.1 De vraagkant van de arbeidsmarkt

2.1.1 Skill-Biased Technical Change

De Skill-Biased Technical Change-theorie (SBTC) stelt dat de impact van technologische verandering op de arbeidsmarkt niet neutraal is, maar in het voordeel van hoogopgeleiden werkt. Het klassieke SBTC-model concentreert zich op het verklaren van loonverschillen tussen twee groepen: hoog- en laagopgeleiden. De reden waarom technologische ontwikkelingen in het voordeel van hoogopgeleiden werken, is dat zij werk doen dat vaker complementair is aan technologische innovaties.

De SBTC-theorie vindt zijn onderbouwing deels in een aantal Amerikaanse studies die de relatie leggen tussen de ontwikkeling van loonverschillen in de twintigste eeuw en de introductie van nieuwe technologieën. Tot de jaren zeventig namen de loonverschillen tussen hoog- en laagopgeleiden in de VS af, maar vanaf het begin van de jaren tachtig vond een omslagpunt plaats waarbij het relatieve loon van hoogopgeleiden begon toe te nemen. De groeiende loonongelijkheid na 1980 valt grofweg samen met de grootschalige introductie van de computer, zodat dit als de meest voor de hand liggende verklaring voor deze groeiende loonongelijkheid wordt gezien. Hoewel er in de literatuur breed wordt gewezen naar de factor technologie als verklaring voor veranderingen in loonverschillen, lijken er ook andere factoren in het spel te zijn, zoals globalisering, de hoogte van het minimumloon en de rol van vakbonden (Card en DiNardo, 2002). Methodologisch zijn deze factoren niet eenvoudig te onderscheiden van technologie.

De SBTC-theorie voorspelt dat technologische verandering uiteindelijk leidt tot skill upgrading: een toename van vaardigheden onder de gehele beroepsbevolking (Kool, 2015). De SBTC-theorie kan echter niet verklaren waarom in de afgelopen twintig tot dertig jaar niet alleen het werkgelegenheidsaandeel van hoogopgeleiden toeneemt, maar ook dat van laagopgeleiden. Dit fenomeen wordt ook wel baanpolarisatie genoemd, omdat het samengaat met een daling van de werkgelegenheid in het middensegment (Goos en Manning, 2007). Dezelfde polarisering zien we terug bij lonen, die aan de bovenkant en onderkant van de inkomensverdeling sterker toenemen dan in het midden. Baanpolarisatie is vrij uitgebreid beschreven voor de VS (Autor et al., 2006; Acemoglu en Autor, 2011; Autor en Dorn, 2013), hoewel meer recente studies laten zien dat dit fenomeen zich ook in Europa voordoet (Michaels et al., 2014; Goos et al., 2014). Figuur 1 is ontleend aan Goos et al. (2014) en laat een duidelijke daling van werkgelegenheid in het middensegment zien.

2.1.2 Het routinemodel

Als belangrijke stap in het verklaren van baanpolarisatie hebben Autor et al. (2003) de SBTC-theorie uitgebreid door vier soorten taken centraal te stellen (figuur 2). Hun aanpassing wordt ook wel het Routine Biased Technical Change (RBTC) of ‘routinemodel’ genoemd. Het routinemodel leent zich een stuk beter om baanpolarisatie te verklaren: routinematig, cognitief werk is, doordat het gemakkelijker in regels is te vangen, steeds meer binnen het bereik van computers gekomen. Analytisch en ongestructureerd werk is veel moeilijker te automatiseren of is complementair aan de computer.

Routinematig werk kan worden gekarakteriseerd als werk dat kan worden gedaan door een machine die een set van expliciet programmeerbare regels volgt. Denk hierbij bijvoorbeeld aan het plaatsen van een autoruit op een auto-frame op een assemblagelijn in een fabriek. Een robotarm in combinatie met visuele software is in staat dit werk over te nemen van een fabrieksarbeider, omdat het een repetitief proces is dat in vooraf gedefinieerde regels kan worden gevangen, en de robotarm bovendien in een omgeving staat die speciaal voor zijn functioneren is ontworpen. Routinematig werk van deze aard is sinds de Industriële Revolutie al grotendeels vervangen door machines. Wat de afgelopen decennia meer binnen het bereik van computers is gekomen, zijn de cognitieve en routinematige taken. Hierbij kan worden gedacht aan administratieve taken, zoals het werk gedaan door boekhouders, telefonisten en receptionisten. Dit type taken is cognitief, maar kan eveneens in een set van regels of procedures worden gevangen, waardoor het vatbaar wordt voor automatisering. De scherpe daling van de kosten van rekencapaciteit zorgt ervoor dat er voor werkgevers een sterke prikkel bestaat om werk in dit domein te automatiseren.

Computers en robots zijn nu nog een stuk slechter in het overnemen van niet-routinematige abstracte taken en ongestructureerde fysieke taken. Abstracte taken vereisen analytische capaciteiten, inschattingsvermogen en creativiteit. Dit zijn taken die veelal worden uitgeoefend door hoogopgeleiden en die complementair zijn aan de computer. De goedkope beschikbaarheid van routinematige inputs in het productieproces vergroot de marginale productiviteit van werknemers die niet-routinematige taken uitvoeren die hieraan complementair zijn. Voorbeelden zijn de advocaat die zijn werk beter kan doen omdat de computer hem assisteert in het snel doorzoeken van juridische documenten of de arts die door een computer wordt geassisteerd in het stellen van de juiste diagnose.

Daarnaast zijn robots nog niet goed in het uitvoeren van niet-routinematig, fysiek werk. Werk dat weinig repetitief is en een groot aanpassingsvermogen vereist, kan moeilijk in procedures en regels worden gevangen, en is daarmee moeilijker te automatiseren. Denk bijvoorbeeld aan de tuinman, wiens werk bestaat uit niet-routinematige handelingen en die constant bezig is zich aan te passen aan zijn omgeving. In dit type werk zijn robots momenteel nog heel slecht en zijn ze meestal ook niet complementair aan menselijke arbeid (Levy en Murnane, 2012). Dit gebrek aan complementariteit betekent echter ook dat het realiseren van productiviteits- en loonstijgingen veel moeilijker is.[3] Aan de andere kant kan de vraag naar ongeschoolde, niet-routinematige arbeid wel in indirecte zin toenemen als gevolg van technologische ontwikkeling. Hooggeschoolden zien hun productiviteit, en hun beloning op de arbeidsmarkt, stijgen door de introductie van nieuwe technologieën. Zij besteden hierdoor meer geld aan persoonlijke diensten, wat weer werkgelegenheid genereert in het laaggeschoolde domein. Autor en Dorn (2013) wijzen op dit samengaan van de groei van laaggeschoolde banen in de persoonlijke dienstverlening met de groei van banen voor hoogopgeleiden.

Frey en Osborne (2013) stellen dat het cognitieve en routinematige werk door technologische vooruitgang de komende decennia verder zal worden geautomatiseerd en dat ook steeds vaker werk binnen het domein van niet-routinematig cognitief en fysiek werk zal kunnen worden geautomatiseerd. De auteurs identificeren drie eigenschappen van taken die gezien de huidige stand van de technologie moeilijk te automatiseren zijn. Deze drie eigenschappen zijn: perceptie en manipulatie, creatieve intelligentie en sociale intelligentie. Op basis van de mate waarin deze eigenschappen terugkomen in verschillende beroepsgroepen berekenen de auteurs de automatiseringskans per beroepsgroep. De conclusie is dat 47% van de 702 soorten banen in de komende twee decennia zeer gevoelig is voor automatisering. Deloitte (2014) projecteerde deze resultaten vorig jaar op de Nederlandse beroepsindeling en kwam tot de inschatting dat hierdoor mogelijk twee tot drie miljoen banen gaan verdwijnen. De grootste impact zal worden gevoeld bij de MBO-beroepen (1,3 miljoen banen), hoewel ook hoger opgeleiden niet vrijuit gaan (0,6 miljoen).

De uitkomsten uit beide studies lijken echter een overschatting te geven van het daadwerkelijke aantal banen dat op de tocht staat. Frey en Osborne gaan namelijk uit van een vast takenpakket. Het beroep accountant heeft in hun studie een zeer hoge kans om te verdwijnen. In werkelijkheid hoeft het niet zo te gaan; een accountant die minder tijd kwijt is aan het opstellen van de jaarrekening houdt meer tijd over voor andere zaken, zoals het adviseren van de klant. De kans is daarom groot dat via herdefiniëring veel beroepen gewoon blijven bestaan, maar dat het takenpakket verandert. Een recent onderzoek van McKinsey (Chui et al., 2015) maakt precies dit punt. Het concludeert dat weliswaar 45% van de taken kan worden geautomatiseerd, maar dat slechts 5% van de banen door de huidige technologie volledig kan worden geautomatiseerd. In de uitvoering van beroepen zal meer nadruk komen te liggen op menselijke vaardigheden die moeilijk te automatiseren zijn, zoals creativiteit en het aanvoelen van emoties.

2.2 De aanbodkant van de arbeidsmarkt

De voorgaande theorieën gaan vooral in op de complementariteit tussen bepaalde typen arbeid en technologie. Er is echter nog een aantal andere factoren die eveneens van belang zijn in het bepalen van werkgelegenheids- en looneffecten van technologie. Zo hangen looneffecten ook af van aanbodreacties. Als een hogere vraag naar werknemers met bepaalde vaardigheden nieuw arbeidsaanbod uitlokt, dan beperkt dat de opwaartse loondruk, en kan dat deze in extreme gevallen zelfs helemaal teniet doen. De impact op loonverdeling hangt hier dus samen met de mate waarin bepaalde vaardigheden op de arbeidsmarkt aanwezig zijn of door werknemers of toetreders kunnen worden verkregen. In de literatuur zijn extreme voorbeelden te vinden waarbij aanbodreacties dusdanig zijn dat de potentiële loongroei die zou kunnen plaatsvinden geheel teniet wordt gedaan, zoals op de markt voor makelaars in bepaalde Amerikaanse steden (Hsieh en Moretti, 2003). Meer algemeen gesteld: als technologische innovaties leiden tot een grotere vraag naar hoogopgeleiden, dan kan alleen een voldoende snelle onderwijsexpansie voorkomen dat de loonongelijkheid toeneemt.

De Nederlandse econoom en Nobelprijswinnaar Jan Tinbergen verwees naar dit fenomeen als de ‘race tussen technologie en onderwijs’ (Tinbergen, 1974). De in werkelijkheid stijgende loonongelijkheid sinds 1980 –tenminste in de Verenigde Staten– suggereert dat het aanbod van hoogopgeleiden onvoldoende is toegenomen om aan de groeiende vraag te kunnen voldoen. In Nederland is de primaire[4] inkomensongelijkheid sinds de eeuwwisseling eveneens licht gestegen. De ongelijkheid in het besteedbare inkomen –het primaire inkomen verhoogd met uitkeringen en inkomensoverdrachten en verminderd met belastingen en sociale premies– is echter niet toegenomen (Badir, 2015). Daarnaast zijn de afstand tussen het 90^ste en 10^de percentiel van de inkomensverdeling en de afstand tussen het 90^ste en 50^ste percentiel sinds 1980 toegenomen (Ter Weel, 2012). Dus ook in Nederland lijkt de relatieve vraag naar hoogopgeleiden sterker toegenomen dan het aanbod.

[3] Zelfs zonder productiviteitsstijgingen zullen de lonen in de laagproductieve en technologie-arme beroepen op lange termijn wel enigszins in de pas moeten lopen met het gemiddelde huishoudinkomen, om te voorkomen dat werknemers in deze sectoren overstappen naar andere sectoren (Baumol, 1967).

[4] Primair inkomen is het inkomen uit arbeid, inkomen uit eigen onderneming en inkomen uit vermogen.

3.1 Arbeidsmarktdynamiek vaak niet zichtbaar

In de discussie over de effecten van technologie op de arbeidsmarkt wordt vaak gekeken naar de ontwikkeling van het aantal banen in bepaalde kwalificatiesegmenten of de loonaandelen van bepaalde beroepsgroepen in het totaal. De vraag is of de dynamische effecten op de arbeidsmarkt bij deze relatief statische analyses voldoende worden blootgelegd. Dit wordt duidelijk als we kijken naar figuur 3. In 2014 waren 665 duizend personen werkloos en over het hele jaar genomen zijn er ten opzichte van 2013 28 duizend personen bijgekomen. Deze mutatie is echter veel lager dan wanneer we kijken naar de achterliggende dynamiek (zie figuur 3). Over heel 2014 raakten ruwweg 480 duizend personen hun baan kwijt, terwijl er omgekeerd 520 duizend personen vanuit werkloosheid een baan vonden. De dynamiek op de arbeidsmarkt is dus veel hoger dan de mutatie van de werkloosheid doet vermoeden (zie ook figuur 4).

Om de invloed van de stromen op de werkloosheid te begrijpen, wordt ook wel een vergelijking gemaakt met een rij auto’s voor een stoplicht. De lengte van de rij kan groeien, doordat de frequentie waarmee het stoplicht op groen springt (uitstroom) daalt of doordat het aantal auto’s dat aansluit (instroom) op de rij groeit (Elsby et al., 2009). Smith (2011) laat voor het VK zien dat veranderingen in de instroom en uitstroom even belangrijk zijn in het verklaren van de werkloosheid. Elsby et al. (2015) laten aan de hand van Amerikaanse data zien dat vooral veranderingen in de kans op uitstroom schommelingen in het werkloosheidspercentage verklaren. Voor Nederland laten Van Loon et al. (2014) voor de periode 2003-2013 zien dat de instroomkans in werkloosheid aanzienlijk is toegenomen in 2013: zowel de kans op het verliezen van een baan als de instroom van mensen die vanuit de niet-beroepsbevolking op zoek gaan naar werk liggen op een historisch hoog niveau.

Door te focussen op onderliggende arbeidsmarktstromen kan worden aangegeven of werkloosheidsmutaties in een groep sectoren komen doordat technologische ontwikkelingen (waaronder ICT-investeringen en investeringen in AI) zorgen voor een afname of toename van het aantal mensen dat wordt ontslagen dan wel van de snelheid waarmee nieuwe banen worden gecreëerd.

In de huidige literatuur is een dergelijk onderscheid ­voor zover wij weten nog niet gemaakt. Impliciet koppelen we door onze onderzoeksaanpak inzichten over de polarisatiediscussie (Autor et al., 2006; Acemoglu en Autor, 2011; Michaels et al., 2014; Goos et al., 2014) aan de literatuur die kijkt naar de invloed van arbeidsmarktstomen op de werkloosheid. De bestaande literatuur koppelt ICT-investeringen vaak aan loon- of werkgelegenheidsaandelen. Wij slaan een andere weg in door ICT te koppelen aan gegevens over baandynamiek, namelijk de in- en uitstroomgegevens van de WW. Daarnaast voeren we een aparte analyse uit met robotkapitaal.

3.2 Onderzoeksmethodiek: determinanten, vormgeving en hypotheses

Model en variabelen

De verandering in de werkloosheid hangt af van twee factoren: het deel van de werkenden dat zijn baan verliest en de WW instroomt en het deel van de WW’ers dat uit de uitkering stroomt om weer aan het werk te gaan. In technische zin wordt in de literatuur naar deze factoren verwezen als respectievelijk de ontslagratio (separation rate) en de aannameratio (hire rate). We abstraheren van stromen van en naar de niet-beroepsbevolking, omdat hierover op bedrijfstakkenniveau geen gegevens beschikbaar zijn. De ontslagratio (s) meet in onze analyse het aantal personen in sector i dat hun baan verliest (S) gedurende jaar t (en de WW instroomt) in verhouding tot het aantal personen dat werkzaam is in sector i aan het begin van de periode (N):

Bij de groep werkzame personen worden in de CBS-statistieken ook zelfstandigen gerekend die geen recht hebben op een WW-uitkering. Om te corrigeren voor deze groep gebruiken we daarom als proxy het aantal WW-verzekerden in sector i.

De aannameratio meet het aantal personen (H) afkomstig uit sector i dat gedurende jaar t de WW uitstroomt om weer aan het werk te gaan in verhouding tot het totaal aantal WW’ers aan het begin van jaar t.

Om empirisch te onderzoeken of sprake is van een relatie tussen arbeidsmarktstromen en investeringen in nieuwe technologie, koppelen we informatie over de aanname- en ontslagratio aan de volumeontwikkeling van de toegevoegde waarde (Y). Deze benaderingswijze heeft veel overeenkomsten met de Wet van Okun (zie Gordon, 2010) en de Wet van Verdoorn (zie Klinger en Weber, 2014), waarbij respectievelijk de werkloosheidsmutatie en de werkgelegenheidsmutatie worden gerelateerd aan de ontwikkeling van het BBP-volume. Ook uit onderzoek door onder anderen Elsby et al. (2009), Fujita and Ramey (2009), Smith (2011) en Van Loon et al. (2014) blijkt dat de ontslagratio een anticyclisch verloop kent.

Om de effecten van investeringen in technologie te meten, volgen we Michaels et al. (2014) en gebruiken we kapitaaldiensten als variabele. Hierbij kan onderscheid worden gemaakt tussen de bijdrage van ICT-kapitaaldiensten (kantoorapparatuur, computers, ICT-apparatuur en software) en die van overige kapitaaldiensten (machines, transportmiddelen en onroerend goed). Het begrip kapitaaldiensten is gedetailleerd uitgewerkt door Jorgenson en Griliches (1967). Bij kapitaaldiensten wordt -in tegenstelling tot bij de kapitaalgoederenvoorraad- rekening gehouden met de verschillende levensduur van kapitaalgoederen. Naarmate een kapitaalgoed een kortere levensduur heeft, moet er sneller worden afgeschreven en moeten investeringskosten sneller worden terugverdiend. Dit leidt tot hogere gebruikskosten van kapitaal. Investeringen in een gebouw hebben een veel langere terugverdientijd dan investeringen in computers en robots. Als alternatieve variabele om investeringen in technologie te meten, gebruiken we data op sectoraal niveau over investeringen in robotisering (zie Graetz en Michaels, 2015 voor gebruik van dezelfde data in een empirische analyse). Hierbij kijken we zowel naar het gebruik van industriële robots als naar het gebruik van robots in de dienstensector. Michaels et al. (2014) gebruiken ook niet-ICT-kapitaaldiensten als variabele in hun schattingen. Er is echter sprake van multicollineariteit tussen toegevoegde waarde en niet-ICT-kapitaaldiensten. Een directe correlatie tussen de eerste verschillen van beide variabelen laat een R² noteren die hoger is dan 80%. Als gevolg van deze multicollineariteit zien we tekens en effecten sterk verspringen. We kiezen er daarom voor om niet-ICT-kapitaal uit de empirische analyse weg te laten.

Tot slot nemen we als controlevariabele de ontwikkeling van het aantal vacatures (V) in verhouding tot het aantal werklozen (WW) mee als krapte-indicator. In de matchingsmodellen gebaseerd op het werk van Pissarides (zie voor een overzicht Petrongolo en Pissarides, 2001) wordt de aannameratio voor verschillende sectoren geschat op basis van de ontwikkeling van deze krapte-indicator in combinatie met tijd- en sectorspecifieke fixed effects (zie Mukoyama et al., 2014; Erken et al., 2015).

Op basis van het bovenstaande komen we tot de volgende twee empirische vergelijkingen:

Resumerend staat in vergelijking (3) en (4) log voor natuurlijk logaritme, i staat voor sector en t voor jaar. De symbolen s en h staan respectievelijk voor de ontslag- en aannameratio (zie vergelijkingen (1) en (2)). Y representeert het BBP-volume (constante prijzen van 2010), ICT staat voor ICT-kapitaaldiensten, VAC is het aantal vacatures (ultimo standcijfer), WW betreft het aantal WW’ers (ultimo standcijfer). In schattingsvarianten waarin we robotdata als proxy voor technologische vooruitgang gebruiken, substitueren we de variabele robotkapitaalgoederen (RC) voor de variabele ICT-kapitaal (ICT).

Sectorindeling en hypotheses

Een volgende stap is om sectoren in te delen in verschillende kwalificatiegroepen: laagopgeleid, middelbaar opgeleid en hoger opgeleid. Deze indeling maken we vooraf voor individuele sectoren door te kijken naar opleidingsaandelen per sector. We laten publieke sectoren (overheidsdiensten en onderwijs) buiten beschouwing. We classificeren een sector als hoogopgeleid wanneer deze voor meer dan 40% uit hoogopgeleiden bestaat en als laagopgeleid wanneer deze voor meer dan 40% uit laagopgeleiden bestaat. De overige sectoren worden geclassificeerd als middelbaar opgeleid. Hiermee krijgen we de meest realistische afspiegeling van het aantal werkzame personen per kwalificatiegroep over de gehele economie. Alleen de omvang van de groep hoger opgeleiden heeft een iets hoger aandeel dan het macrogemiddelde, omdat de relatieve grote sector zakelijke dienstverlening in de categorie hoogopgeleid wordt meegenomen. Helaas kunnen we deze sector niet verder desaggregeren. Uiteindelijk komen we tot de volgende drie groepen sectoren waarvoor we vergelijkingen (3) en (4) afzonderlijk kunnen schatten.

Op basis van onze onderzoeksopzet en de bevindingen uit de literatuur kunnen we tot slot zes hypotheses afleiden die we empirisch gaan toetsen:

1. Voor de groep laaggeschoolde sectoren verwachten we een negatief effect of geen effect van investeringen in ICT en robots op de kans dat personen worden ontslagen (i.e. de ontslagratio). Uit de literatuur blijkt immers dat de vraag naar laaggeschoold werk is toegenomen en dat dit niet gemakkelijk kan worden vervangen door computers. Denk hierbij aan de bediening in een restaurant of postbodes, die voorlopig nog niet kunnen worden vervangen door technologie.
2. Voor de groep laaggeschoolde sectoren verwachten we een positief effect of geen effect van investeringen in ICT en robots op de kans dat personen worden aangenomen (i.e. de aannameratio). Persoonlijke dienstverlening maakt steeds meer gebruik van ICT, waardoor de productiviteit toeneemt en ook de kans dat extra werkgelegenheid wordt gecreëerd. Denk aan bediening in de horeca die met zogenoemde Personal Digital Assistant (PDA) tegenwoordig bestellingen doorgeven aan de bar en keuken.
3. Voor de groep middelbaar geschoolde sectoren verwachten we een positief effect van investeringen in ICT en robots op de kans dat personen worden ontslagen (i.e. de ontslagratio). Middelbaar opgeleiden zijn vaker werkzaam in beroepen met een routinematig karakter, waarvan taken gemakkelijker in een set van regels zijn te vangen en daardoor eerder een kandidaat voor automatisering zijn.
4. Voor de groep middelbaar geschoolde sectoren verwachten we een negatief effect van investeringen in ICT en robots op de kans dat personen worden aangenomen (i.e. de aannameratio). Dit vanwege het substitutie-effect dat voor deze groep uitgaat van ICT.
5. Voor de groep hooggeschoolde sectoren verwachten we een negatief effect van investeringen in ICT en robots op de kans dat personen worden ontslagen (i.e. de ontslagratio). Uit literatuur over Skilled-Biased Technical Change en baanpolarisatie blijkt dat opleiding en technologie hand in hand gaan. De inzet van ICT in hoogopgeleide beroepen verhoogt de productiviteit van werknemers.
6. Voor de groep hooggeschoolde sectoren verwachten we een positief effect van investeringen in ICT en robots op de kans dat personen worden aangenomen (i.e. de aannameratio). Dit omdat het werk van hoogopgeleiden complementair is aan ICT.

Voor onze empirische schattingen hebben we verschillende bronnen met verschillende sectorindelingen aan elkaar moeten koppelen. Data voor de ontslag- en aannameratio zijn gebaseerd op data van het UWV voor 69 sectoren over de periode 1999-2014. We hebben gegevens over het aantal personen dat zich aan het eind van het jaar in de WW bevindt, de instroom gedurende het jaar en de uitstroom gedurende het jaar. Ook hebben we gegevens over het aantal WW-gerechtigden per sector. Hier vallen zelfstandigen dus buiten (mits ze naast hun onderneming een baan in loondienst hebben), waardoor we een zuiverder beeld van de ontslagratio krijgen dan wanneer we het aantal ontslagen berekenen ten opzichte van het aantal werkzame personen.

Data over ICT-kapitaaldiensten zijn afkomstig uit de EUKLEMS-database (zie www.euklems.net). De EUKLEMS database (Timmer et al., 2009) bevat jaardata over inputs (arbeid, kapitaal), output en prijzen voor alle EU-lidstaten op sectorniveau. Voor Nederland zijn gegevens beschikbaar voor 31 sectoren over de periode 1988-2010. Data voor vacatures zijn afkomstig van het CBS op twee digit bedrijfstakkenniveau voor de periode 1999-2014. Data over toegevoegde waarde zijn afkomstig uit de EUKLEMS-database en van het CBS.

Gegevens over robotinvesteringen zijn afkomstig van de International Federation of Robotics (IFR). De IFR meet het aantal geleverde robots voor individuele landen, sectoren en jaren. Zij hanteert hierbij ISO-definities om robots te definiëren.[5] Haar definitie verwijst naar een industriële robot als: “een automatisch gecontroleerde, herprogrammeerbare, voor meer doeleinden te gebruiken robot die wordt ingezet voor industriële toepassingen”. Daarnaast bestaan er ook dienstenrobots die taken uitvoeren voor mensen of machines buiten het domein van industriële toepassingen. Over dienstenrobots heeft de IFR echter geen data beschikbaar op het jaar-land-sectorniveau.

Er is voor Nederland op sectorniveau data over geleverde robots beschikbaar voor de periode 2004-2014. Een volgende stap is om robotinvesteringen om te zetten in een robotkapitaalgoederenvoorraad met behulp van de zogenoemde perpetual inventory method (PIM), waarbij we uitgaan van een vaste afschrijvingsvoet van 10% (zie Graetz en Michaels, 2015). Een nadeel van de berekeningswijze van robotkapitaal is dat kwaliteitsverbeteringen van de robots in de data wellicht onvoldoende worden meegenomen. Graetz en Michaels voeren daarom ook robuustheidsanalyses uit waarbij ze toetsen of robotkapitaaldiensten (analoog aan onze maatstaf voor ICT-kapitaaldiensten) dezelfde uitkomsten genereren als de robotkapitaalgoederenvoorraad. Ze concluderen dat dit het geval is.

De koppeling van UWV-data met de EUKLEMS-database zorgt uiteindelijk voor gegevens voor twintig sectoren (zie tabel 1) over een periode van twaalf jaar (1999-2010). Robotdata zijn voor sectoren pas vanaf 2004 beschikbaar, maar lopen zoals gezegd wel door tot 2014, waardoor we een analyse kunnen maken over recentere jaren. Hierbij koppelen we de robotdata met CBS-gegevens over toegevoegde waarde in volumes. Uiteindelijk levert de koppeling een dataset op voor negen sectoren over een periode van elf jaar.

Beschrijvende statistiek

Het belang van de twintig sectoren in het BBP loopt nogal uiteen. De postsector maakte in 2014 slechts 0,3% uit van het totale BBP. Andere sectoren, zoals de detailhandel en zakelijke diensten, maken een aanzienlijk groter gedeelte uit van de totale toegevoegde waarde. Daarnaast zijn er de afgelopen twintig jaar de nodige verschuivingen geweest in het belang van sectoren in de totale economie. De sector ICT-dienstverlening heeft zijn aandeel in de totale toegevoegde waarde bijvoorbeeld behoorlijk zien toenemen, terwijl het belang van de bouw en verschillende delen van de industrie is afgenomen.

[5] ISO 8373:2012(en) Robots and robotic devices — Vocabulary.

Bij werkgelegenheid zien we eveneens verschuivingen optreden. Sectoren die de afgelopen twintig jaar zijn gegroeid voor wat betreft het aandeel in de totale toegevoegde waarde, zien vaak ook hun aandeel in de werkgelegenheid toenemen. Uitzonderingen zijn er ook. De groothandel zag zijn aandeel in de toegevoegde waarde toenemen, maar het aandeel in de werkgelegenheid licht krimpen. De sterkste werkgelegenheidsgroei vond de afgelopen twee decennia plaats in de hoogopgeleide sectoren. Het aantal werkzame personen nam daar tussen 1995 en 2014 met 40% toe. Ter vergelijking: het aantal werkzame personen in de laagopgeleide groep bleef min of meer gelijk, terwijl de werkgelegenheid in de groep middelbaar opgeleiden met 15% toenam. Dit beeld sluit aan bij de bestaande literatuur over Skill-Biased Technical Change en baanpolarisatie.

In dit hoofdstuk bespreken we de resultaten van onze empirische schattingen. We zullen de resultaten vooral op hoofdlijnen bespreken, te beginnen met de effecten van ICT op de arbeidsmarkt.

5.1 ICT-kapitaal

In tabel 2 staan de schattingsresultaten waarbij we hebben gekeken naar de effecten van ICT-kapitaal op de aanname- en ontslagratio. Hieronder bespreken we separaat per opleidingscategorie de belangrijkste uitkomsten.

Laagopgeleid

Ten eerste laten de schattingsresultaten zien dat er een significant positief effect is van investeringen in ICT op de werkgelegenheidsdynamiek in sectoren die we kunnen karakteriseren als laaggeschoold (zoals de horeca en de post). ICT remt het aantal ontslagen (in verhouding tot het aantal werknemers) en zij zorgt ook voor meer aannames (in verhouding tot het aantal werklozen). Deze complementariteit is in overeenstemming met recente inzichten dat de vraag naar persoonlijke dienstverlening een vlucht neemt. Om concrete voorbeelden te noemen. De PDA bij bedienend personeel in de horeca verhoogt hun productiviteit per uur en zorgt op termijn voor extra werkgelegenheid. De toename van het aantal webwinkels zorgt weliswaar voor een daling van de vraag naar personeel in de detailhandel, maar zorgt tegelijkertijd voor een grotere vraag naar bezorgers van postpakketten. Onze conclusie is in lijn met de inzichten uit de zogenoemde ‘polarisatieliteratuur’ die stelt dat de vraag naar persoonlijke dienstverlening is toegenomen en nieuwe technologieën, zoals ICT, niet ten koste gaan van de werkgelegenheid aan de onderkant van de arbeidsmarkt. Onze resultaten bevestigen dat het oude beeld dat ICT en computers laaggekwalificeerde arbeid vervangen (zogenoemde ‘Skill-Biased Technical Change’) niet langer opgeld doet.

Middelbaar

Bij de groep sectoren die zich kenmerken door een groot aandeel middelbaar gekwalificeerde arbeid zien we dat ICT-investeren positief samenhangen met het aantal ontslagen. Hier is dus sprake van substitutie van banen door ICT. Denk bijvoorbeeld aan administratief werk dat in steeds hogere mate wordt vervangen door computers en nieuwe applicaties. Tegelijkertijd zien we dat ICT in dit segment óók zorgt voor meer aannames in deze groep en kennelijk nieuwe banen creëert op middelbaar niveau, zoals webdesigners, systeembeheerders en onderhoudsmonteurs van machines. Concluderend kunnen we voor de middelbare groep stellen dat vooral de arbeidsmarktdynamiek in totaliteit is toegenomen. Dit nuanceert het beeld dat ICT louter banen vernietigt in het middensegment.

Hoogopgeleid

Voor de groep sectoren die zich kenmerken als hoger opgeleid vinden we geen significant verband tussen ICT-investeringen en het aantal ontslagen of aannames. Dit kan komen doordat de effecten van ICT per sector in deze groep zeer uiteenlopen, waardoor er geen eenduidig significant effect wordt gemeten voor de gehele groep. Hoewel de schattingen voor individuele sectoren door het lage aantal waarnemingen onbetrouwbaar zijn, hebben we wel indicaties dat ICT-investeringen voor bijvoorbeeld de financiële dienstverlening een negatief effect lijken te hebben op het aantal aannames en dat deze juist het aantal ontslagen hebben versneld (zie tabel 3).[6]

Denk bijvoorbeeld aan de grote hoeveelheid front office-activiteiten die zijn vervangen door elektronisch bankieren. Tegelijkertijd zien we bij bijvoorbeeld de ICT-sector dat ICT-investeringen het aantal ontslagen lijkt te hebben geremd en in de zakelijke dienstverlening dat ICT-investeringen voor extra banen heeft gezorgd. Nogmaals: deze uitkomsten voor individuele sectoren zijn met zeer veel onzekerheid omgeven en het is af te raden hieraan te harde conclusies te verbinden. De indicatieve tegengestelde effecten verklaren evenwel waarom we geen harde effecten vinden van ICT-technologie in de groep hoger opgeleid.

[6] Mogelijk spelen behalve het effect van ICT ook andere macro-economische trends een rol in de daling van het aantal aannames en de stijging van het aantal ontslagen (bijvoorbeeld ingrepen in de bankensector, een verhoogd kostenbewustzijn). Voor deze effecten –die specifiek gaan over de periode na 2008– is niet apart gecontroleerd. Het kan dus zijn dat de variabele ICT-investeringen een deel van dit effect oppikken.

5.2 Robotkapitaal

Naast ICT-investeringen hebben we gegevens over het aantal industriële robots dat is aangeschaft door bedrijven. Hierbij kijken we naar de effecten van investeringen in robotkapitaal op het aantal ontslagen en aannames voor het totale aantal sectoren waarvoor data beschikbaar zijn. We maken geen verdere opsplitsing naar opleidingscategorie, zoals we dat wel bij ICT-kapitaal hebben gedaan. Dit doen we om twee redenen. Ten eerste hebben we op basis van de databeschikbaarheid te weinig sectoren om een verdere opsplitsing naar opleidingscluster te maken. Daardoor blijven te weinig observaties per opleidingscategorie over om robuuste schattingen mee te doen. Ten tweede hebben robotinvesteringen betrekking op industriële robots, waardoor sprake is van een zeer sterke vertekening in de richting van de industrie. Het is daarom niet zinvol een verdere opdeling te maken.

In tabel 4 staan de schattingsresultaten. Robotkapitaal heeft een statistisch verwaarloosbaar effect op de ontslagratio. Dit betekent dat de inzet van industriële robots niet heeft gezorgd voor substitutie van banen in de sectoren waar robots zijn aangeschaft en ingezet in het productieproces. Bij de aannameratio zien we echter wel een positief effect van robotkapitaal. Dit betekent dat de inzet van robots nieuwe banen heeft gecreëerd, zij het dat dit effect statistisch niet heel sterk is. De effecten van toegevoegde waarde en de krapte-indicator laten de verwachte tekens zien en een statistisch significant effect bij zowel de ontslagratio als de aannameratio.

In deze paragraaf gaan we verder met de schattingsresultaten van paragraaf 5 om te komen tot voorspellingen van de werkgelegenheid. Het is in deze paragraaf niet ons doel om de economische structuur voor Nederland op een heel exacte wijze te voorspellen. Om dat doel te bereiken, zouden we ook andere economische modellen gebruiken dan de modellen die we in paragraaf 5 hebben ontwikkeld. Hiermee proberen we te bekijken hoe de samenstelling van de sectoren qua werkgelegenheid aangrijpt bij verschillende scenario’s van technologische ontwikkeling (in dit geval ICT-investeringen).

Op deze wijze krijgen we een veel concreter beeld van de gevolgen van een versnelling in ICT-investeringen voor diverse sectoren. Een voorbehoud is echter op zijn plaats. Het beeld uit de scenarioanalyse berust volledig op de veronderstellingen die we gebruiken. Deze veronderstellingen hebben we getracht zo realistisch mogelijk in te schatten op basis van correlaties die wij observeren. Voor de transparantie en reproduceerbaarheid van het onderzoek leggen we geen ‘expert opinion’ in onze veronderstellingen, maar leunen we uitsluitend op voorspellingen gemaakt door het model. Het is goed om te benadrukken dat de uitkomsten van onze scenarioanalyse met veel onzekerheid zijn omgeven en dat onze analyse enkel is bedoeld om een algemeen beeld te krijgen van de impact van technologieën op basis van wat we nu weten.

6.1 Het basisscenario

We beginnen met een basisscenario voor de ontwikkeling van de werkgelegenheid voor de komende zes jaar (de periode 2015-2020). We gebruiken formules 3 en 4 van paragraaf 3.2 om een toekomstige voorspelling te doen voor de aannameratio en de ontslagratio per sector i. Om voorspellingen voor de aanname- en ontslagratio te kunnen doen, zullen we eerst een veronderstelling moeten maken voor de volgende vier variabelen: de toegevoegde waarde in een sector, de ontwikkeling van ICT-kapitaaldiensten (ICT-investeringen), het aantal vacatures en het aantal mensen met een WW-uitkering (WW’ers). De toegevoegde waarde, vacatures en WW’ers voorspellen we aan de hand van de lineaire relatie tussen de groeivoet van deze variabelen en de groeivoet van het BBP over de periode 1999-2014.[7] Omdat we voor de periode 2015-2020 beschikken over een groeiraming van het BBP, kunnen we aan de hand hiervan op sectorniveau een voorspelling maken voor de toegevoegde waarde, vacatures en WW’ers. In een enkel geval wijken we van deze methode af, bijvoorbeeld wanneer het lineaire verband tussen BBP-groei en de toegevoegde waarde of vacaturegraad zeer zwak is of wanneer er sprake is van een trendbreuk. In dergelijke gevallen extrapoleren we de variabele op basis van de trend die wij waarnemen (bijvoorbeeld door het niveau vlak te houden of te laten terugkeren naar een historisch gemiddelde). De voorspelling van ICT-kapitaaldiensten doen we door deze variabele te extrapoleren op basis van een lineaire, logaritmische of exponentiële trend. De reden waarom we voor deze methode kiezen, is dat ICT-kapitaaldiensten zich meestal slecht laten voorspellen door BBP-groei in een sector, maar vaak wel een duidelijke trend laten zien. In tabel 5 staan de veronderstellingen van alle determinanten uit ons basisscenario per sector weergegeven. Dat wil zeggen: de gemiddelde jaarlijkse groeivoeten van de toegevoegde waarde en ICT-investeringen, en het gemiddelde niveau van de krapte-indicator.

[7] Het gaat hier om een best fit van de volgende lineaire relatie: y=a+bx, waarbij y staat voor de betreffende te schatten variabele en x voor de groeivoet van het BBP.

Na het bepalen van de basispaden voor toegevoegde waarde, vacatures, WW’ers en ICT-kapitaaldiensten kunnen we voorspellingen gaan doen voor de aanname- en de ontslagratio per sector i. Zoals gezegd, gebruiken we hiervoor formules 3 en 4 van paragraaf 3.2. De aannameratio en de ontslagratio van de financiële sector en de ICT-sector schatten we in een aparte regressie, omdat we voor deze sectoren aanwijzingen hebben dat het effect van ICT-investeringen afwijkt van andere hoogopgeleide sectoren, in de zin dat ICT-investeringen in de financiële dienstverlening leiden tot minder aannames en meer ontslagen (zie Tabel 3).

De door ons geschatte toekomstige aannameratio (h) en ontslagratio (s) gebruiken we om voorspellingen te doen voor de toekomstige ontwikkeling van de werkgelegenheid (hier ook wel WW-verzekerden genoemd). Figuur 9 geeft weer hoe de samenhang is tussen de groep WW’ers, WW-verzekerden (WWV) en de aanname- en ontslagratio. In iedere periode raakt een deel van de groep WW-verzekerden zijn baan kwijt en belandt het in de WW (ontslagen). Daar staat tegenover dat een deel van de WW’ers uitstroomt naar werk (aannames). Daarnaast is er instroom in de groep WW-verzekerden vanuit de niet-beroepsbevolking, denk aan een pas afgestudeerde die aan het werk gaat. Ook heeft de groep WW-verzekerden te maken met uitstroom naar de niet-beroepsbevolking, zoals mensen die met pensioen gaan.

De dynamische verbanden zoals geschetst in figuur 9 gebruiken we om een voorspelling te doen van de ontwikkeling van het aantal WW-verzekerden (WWV). De omvang van het aantal WW-verzekerden schatten we aan de hand van formule 5. We beschikken over voorspellingen van de aannameratio (h) en de ontslagratio (s) per sector i. Deze relateren we aan de groep WW-verzekerden per sector i aan het begin van de periode. Hierbij willen we wel het volgende voorbehoud maken: in onze voorspelling van de ontslagratio zit impliciet een voorspelling van het aantal WW-verzekerden verwerkt (de ontslagratio staat immers voor het aantal ontslagen in periode t gedeeld door het aantal WWV in periode t-1). Idealiter zouden we voor onze voorspelling van WW-verzekerden een feedback loop opnemen met de ontslagratio, waar dezelfde variabele in zit. Dit doen we omwille van de complexiteit van het model echter niet. Zoals eerder aangegeven, heeft de groep WW-verzekerden naast aannames en ontslagen ook te maken met in- en uitstroom naar de niet-beroepsbevolking. We corrigeren voor de omvang van deze stromen met behulp van een correctiefactor die eveneens is gebaseerd op het historische gemiddelde (γi).

Voorspellingen werkgelegenheid in basisscenario

In ons basisscenario stijgt de werkgelegenheid –hier gemeten als het aantal WW-verzekerden– tussen 2014 en 2020 met gemiddeld 0,5% per jaar (zie figuur 10). In het hoogopgeleide segment groeit de werkgelegenheid de komende jaren fors in de ICT-sector. Daarentegen krimpt de werkgelegenheid in de financiële dienstverlening fors in dit segment. Per saldo weegt de krimp in de financiële dienstverlening echter minder zwaar, wat ervoor zorgt dat de werkgelegenheid in het hoogopgeleide segment tot en met 2020 toeneemt.

In het cluster middelbaar opgeleid stijgt de werkgelegenheid de komende jaren naar verwachting eveneens, doordat er binnen de zorg, de detailhandel en het transport veel banen bijkomen (figuur 11). Tot slot verwachten we in het laagopgeleide segment de komende jaren een stijging van de werkgelegenheid. Hoewel we verwachten dat er tussen 2014 en 2020 veel banen zullen verdwijnen in de postsector (-15 duizend), staat hier een flinke stijging van circa 28 duizend tegenover in de horeca. De samenstelling van de werkgelegenheid naar opleidingssegmenten verandert nauwelijks op basis van de verwachte ontwikkelingen in het basisscenario.

6.2 ICT-scenario

Het basisscenario is vooral van belang om ons alternatieve scenario tegen af te zetten. In dit alternatieve ICT-scenario ligt de groeivoet van investeringen in ICT-kapitaaldiensten over de periode 2015-2020 in elk jaar twee keer zo hoog als in het basispad.[8] De voorspelling met betrekking tot de andere onderliggende variabelen (toegevoegde waarde en de krapte-indicator) blijft hetzelfde als in het basisscenario. In het alternatieve scenario krijgen we een ander beeld van de ontwikkeling van de aanname- en ontslagratio per sector, dat dus volledig is toe te schrijven aan een hogere groeivoet van ICT-kapitaaldiensten. We gebruiken de eerder genoemde formule 5 om een alternatieve voorspelling te doen voor de werkgelegenheid (WW-verzekerden).

Voorspellingen werkgelegenheid in ICT-scenario

De werkgelegenheid groeit de komende zes jaar iets harder in het scenario van hoge ICT-investeringen dan in het basisscenario (figuur 12). De verschillen zijn echter klein. In 2020 zijn er naar schatting 7.350.000 WW-verzekerden, zo’n 120 duizend meer dan in ons het basisscenario. Extra ICT-investeringen leiden dus per saldo tot meer werkgelegenheid in onze schattingen. Vooral in de zakelijke dienstverlening, de horeca en ICT zien we het werkgelegenheidsaandeel toenemen onder invloed van extra ICT-investeringen (figuur 13).

[8] Gezien de sterke groei van ICT-investeringen en de sterke ICT-intensiteit in het basispad van de ICT-sector zelf kiezen we voor een tragere oploop van ICT-investeringen in het alternatieve scenario dan de gebruikelijke vermenigvuldiging met een factor 2. In dat geval is namelijk zelfs sprake van een negatieve ontwikkeling van het aantal WW’ers. We gaan in het alternatieve scenario uit van een gemiddelde groeivoet van ICT-investeringen van 6,7% per jaar over de periode 2014-2020, terwijl de groeivoet in het basisscenario 5,7% bedraagt.

Beleidsmakers zullen moeten nadenken over manieren waarop ze de toekomstige arbeidsmarkt kunnen helpen vormgeven. Onderwijs kan ervoor zorgen dat de arbeidsmarkt zich sneller aan technologische vernieuwing aanpast. Deels zal dit vanzelf gaan doordat jongeren met kansrijkere opleidingen toetreden en werknemers met verouderde vaardigheden uittreden. Maar de technologische ontwikkelingen gaan zo snel dat cohortvervanging alleen niet voldoende is om aan de veranderende vraag naar vaardigheden te voldoen. Werknemers zullen meer dan vroeger tijdens hun loopbaan moeten investeren in hun kennis, en dat geldt in het bijzonder voor mensen die werkzaam zijn in middelbaar geschoolde, routinematige beroepen die de komende decennia onder invloed van technologie dreigen te verdwijnen. Omscholing kan hierbij een goed instrument zijn, maar komt waarschijnlijk onvoldoende op de markt tot stand (Van den Berge en Ter Weel, 2015). Het gevolg is dat onvoldoende wordt geïnvesteerd in onderwijs. Met behulp van scholingsvouchers of belastingvoordelen kan de overheid proberen rendabele investeringen toch tot stand te laten komen. Naast omscholing kan ook worden gedacht aan investeringen in werk-naar-werk-trajecten en re-integratie. Volgens een recent advies van de SER (2015) vervullen werk-naar-werk-trajecten een nuttige rol in het effectief naar ander werk begeleiden, maar hebben de projecten nog wel onvoldoende bereik. Eenmaal in de werkloosheid plaatst het UWV een werkzoekende vrijwel nooit in een re-integratie- of scholingstraject. Ook hier valt dus veel winst te behalen.

Wie werkloos dreigt te worden en niet via omscholing de stap naar het hogere segment kan maken, dreigt af te zakken naar de onderkant van de arbeidsmarkt. Daar zal het aanbod van arbeid gaan toenemen, wat het toch al doet door arbeidsmigratie en de toestroom van vluchtelingen. Een kleine geruststelling is dat uit ons onderzoek blijkt dat technologische vernieuwing ook werkgelegenheid in het lagere segment zal creëren. De lonen zullen in het lagere segment wel meer onder druk komen te staan door het toenemende aanbod van arbeid. Daar komt bij dat middelbaar opgeleiden de lager opgeleiden in toenemende mate zullen beconcurreren om banen (neerwaartse verdringing). De overheid kan de pijn zoveel mogelijk verzachten door de werkgelegenheidsgroei in het lagere segment te stimuleren via lagere lasten op arbeid.

De tendens naar baanpolarisatie zal zich de komende decennia voortzetten. Een cruciale vraag is bij wie de winsten terechtkomen die worden behaald door de inzet van ICT en andere arbeidsbesparende technologieën. In zoverre die vooral bij kapitaalbezitters terechtkomt, dreigt een groeiende ongelijkheid, omdat inkomen uit kapitaal ongelijker is verdeeld dan inkomen uit arbeid. In een extreem scenario zou een nieuw economisch feodalisme kunnen ontstaan waarbij de kapitaalbezitters de macht over economie en maatschappij in handen hebben (Freeman, 2015). Herverdeling kan een instrument zijn om de groeiende ongelijkheid tegen te gaan, en men zou zelfs kunnen denken aan een basisinkomen dat bestaanszekerheid garandeert. Maar dergelijke maatregelen zijn moeilijker vol te houden naarmate kapitaalbezitters meer politieke en economische macht vergaren. Daarom pleit onder andere de WRR (2015) voor een aanpak waarbij werknemers mede-bezitter worden van dezelfde technologieën die hen dreigen te verdringen, en zodoende meer richting kunnen geven aan hun eigen positie op de arbeidsmarkt.

In deze studie hebben we empirische onderzocht hoe investeringen in nieuwe technologieën (i.e. ICT en industriële robots) de dynamische processen op arbeidsmarkten in Nederland hebben beïnvloed over de periode 1999-2014. Die dynamische processen bestaan uit twee zijdes van één medaille: de hoeveelheid ontslagen (in verhouding tot het aantal werkenden) en de hoeveelheid baanvinders (in verhouding tot het aantal werklozen). Om aan te geven hoe sterk die arbeidsmarktdynamiek is: het aantal werklozen nam in 2014 maar mondjesmaat af met 45 duizend personen, terwijl het aantal ontslagen en aannames in hetzelfde jaar lag op respectievelijk 480 duizend en 520 duizend personen. En het is juist belangrijk om de effecten van nieuwe technologieën te koppelen aan deze dynamische processen, aangezien arbeidsmarkten wellicht veel beter in staat zijn om zich aan te passen aan technologische schokken en om nieuwe werkgelegenheid te genereren dan velen denken.

Empirische effecten ICT-investeringen

Onze resultaten laten zien dat ICT-investeringen een significant positief effect hebben op de werkgelegenheidsdynamiek in sectoren die worden gekenmerkt door een hoog aandeel laaggeschoolden (bijvoorbeeld de horeca en de post). ICT remt het aantal ontslagen en zorgt tegelijkertijd voor meer aannames. Deze complementariteit is in overeenstemming met recente inzichten dat de vraag naar (veelal laagopgeleide) persoonlijke dienstverlening groeit.

Bij de groep sectoren die worden gekenmerkt door een groot aandeel middelbaar gekwalificeerde arbeid zien we dat ICT-investeringen juist positief samenhangen met het aantal ontslagen. Hier is dus sprake van substitutie van banen door ICT. Denk bijvoorbeeld aan administratief werk dat in steeds hogere mate wordt vervangen door computers en nieuwe applicaties. Tegelijkertijd zien we dat ICT in dit segment óók zorgt voor meer aannames in deze groep en kennelijk nieuwe banen creëert op middelbaar niveau. Concluderend kan voor de middelbare groep gesteld worden dat vooral de arbeidsmarktdynamiek in totaliteit dus is toegenomen. Dit nuanceert het beeld dat ICT louter banen vernietigt in het middensegment.

Voor de groep hoogopgeleide sectoren ontstaat een diffuus beeld, omdat de effecten van ICT per sector in deze groep zeer uiteenlopen. Hoewel de schattingen voor individuele sectoren door het lage aantal waarnemingen onbetrouwbaar zijn, hebben we wel indicaties dat ICT-investeringen voor bijvoorbeeld de sector financiële dienstverlening een sterk negatief effect lijkt te hebben op het aantal aannames en juist het aantal ontslagen heeft versneld (zie tabel 3). In de ICT-sector zien we juist het omgekeerde: ICT remt het aantal ontslagen en zorgt ook voor extra aannames.

Empirische effecten investeringen in robots

Behalve naar investeringen in ICT hebben we gekeken naar de effecten van investeringen in industriële robots op de arbeidsmarktdynamiek voor een groep van elf sectoren. Uit onze schattingen blijkt dat robotkapitaal een statistisch verwaarloosbaar effect heeft op het aantal ontslagen. Dit betekent dat we er geen bewijs voor vinden dat de inzet van industriële robots in Nederlandse sectoren heeft gezorgd voor de vernietiging van banen. Bij het aantal aannames zien we een statistisch significant effect van robotkapitaal. Dit betekent dat de inzet van robots nieuwe banen heeft gecreëerd, zij het dat het effect statistisch vrij zwak is.

Resultaten scenario-analyse

We hebben de modeluitkomsten benut om door te rekenen wat extra ICT-investeringen zouden betekenen voor het aantal werklozen en de werkgelegenheid in Nederland (figuur 14). In het scenario waar ICT-investeringen ruwweg twee keer zo hard groeien als in het basisscenario leidt dit tot 120 duizend extra banen in de periode tot 2020. De effecten zijn beperkt, maar netto positief, wat contrasteert met de pessimistische visie dat ICT sterke negatieve gevolgen zou hebben voor de arbeidsmarkt.

In lijn met inzichten in de literatuur over baanpolarisatie slaat de winst van de hogere ICT-investeringen vooral neer bij laagopgeleide en hoogopgeleide sectoren. In die sectoren neemt de werkgelegenheid het meest toe. In de middelbaar opgeleide sectoren heffen de vernietiging van banen en de creatie van banen door ICT elkaar op.

Tot slot laat de scenario-analyse zien dat de effecten ook voor individuele sectoren sterk uiteenlopen. De sterkste negatieve effecten van ICT-investeringen op de arbeidsmarkt zijn zichtbaar in de financiële dienstverlening en in mindere mate de zorg en de detailhandel. Om een voorbeeld te geven: in het scenario van extra ICT-investeringen daalt de werkgelegenheid in de financiële sector met 54 duizend banen; 9 duizend meer dan in het basisscenario (-45 duizend banen). Om het contrast te schetsen met de ‘winnaars’ van ICT-investeringen: in de zakelijke dienstverlening, horeca en ICT-sector zouden extra ICT-investeringen volgens onze berekeningen leiden tot respectievelijk 63 duizend, 30 duizend en 14 duizend extra banen.

Acemoglu, D. en D. Autor (2011), Skills, tasks and technologies: Implications for employment and earnings, in: Ashenfelter en Card (red.) Handbook of Labor Economics, Elsevier vol. 4B, Amsterdam, blz. 1043-1171.

Autor, D.H. en D. Dorn (2013). The growth of low-skill service jobs and the polarization of the US labor market, American Economic Review, 103(5), blz. 1553–97.

Autor, D.H., L.F. Katz en M.S. Kearney (2006), The Polarization of the U.S. Labor Market, AEA Papers and Proceedings, blz. 189-194.

Autor, D.H., F. Levy en R.J. Murnane (2003), The skill content of recent technological change: An empirical exploration, Quarterly Journal of Economics, 118, blz. 1279-1334.

Autor, D.H. (2015), Why Are There Still So Many Jobs? The History and Future of Workplace Automation, Journal of Economic Perspectives, 29(3), blz. 3-30.

Badir, M. (2015), Ongelijkheid in Nederland, Rabobank Special, 7 juli 2015.

Baumol, W.J. (1967), Welfare Economics and the Theory of the State, Cambridge: Harvard University Press.

Berge, W. van den en B. ter Weel (2015), De impact van technologische verandering op de Nederlandse arbeidsmarkt, 1999-2014, in: Went (red.), De robot de baas. De toekomst van werk in het tweede machinetijdperk, Wetenschappelijke Raad voor het Regeringsbeleid, Den Haag.

Brynjolfsson, E., en A. McAfee (2014), The second machine age: work, progress, and prosperity in a time of brilliant technologies, WW Norton & Company.

Card, D. en J. DiNardo (2002), Skill-biased technological change and rising wage inequality: Some problems and puzzles, Journal of Labor Economics, 20(4), blz. 733-783.

Chui, M., J. Manyika en M. Miremadi (2015), Four fundamentals of workplace automation, McKinsey Quarterly, November 2015.

Deloitte (2014), De impact van automatisering op de Nederlandse Arbeidsmarkt, 30 september 2014, Deloitte, Amstelveen.

Elsby, M., R. Michaels en G. Solon(2009), The ins and outs of cyclical unemployment, American Economic Journal: Macroeconomics, 1(1), blz. 84-110.

Elsby, M.W., Hobijn, B., en A. Sahin (2015), On the importance of the participation margin for labor market fluctuations, Journal of Monetary Economics, 72, blz. 64-82.

Erken, H., E. van Loon en W. Verbeek (2015), Mismatch on the Dutch Labour Market in the Great Recession, De Economist, 163(4), blz. 435-459.

Ford, M., 2015, Rise of the robots: Technology and the threat of a jobless future, Basic Books.

Freeman, R. (2015), Wie de robots bezit, bezit de macht, in: B. ter Weel (red.), De match tussen mens en machine, Preadviezen van de Koninklijke Vereniging voor de Staathuishoudkunde, Amsterdam, blz. 135-149.

Frey, C.B. en M.A. Osborne (2013), The Future of employment: How Susceptible Are Jobs to Computerization?, Oxford Martin Publication.

Fujita, S., and G. Ramey (2009), The cyclicality of separation and job-finding rates, International Economic Review, 50(2), pp. 415-430.

Gordon, R.J. (2010), Revisiting and rethinking the business cycle. Okun’s law and productivity innovations, American Economic Review Papers & Proceedings, 100, blz. 11-15.

Good, M. en A. Manning (2007), Lousy and Lovely Jobs: The Rising Polarization of Work in Britain, The Review of Economics and Statistics, 89(1), blz. 118-133.

Goos, M., A. Manning en A. Salomons (2014), Explaining job polarization: Routine-biased technological change and offshoring, American Economic Review, 104(8), blz. 2509-2526.

Graetz, G. en G. Michaels (2015), Robots at Work, CEP Discussion Paper No 1335.

Hsieh, C-T en E. Moretti (2003), Can free entry be inefficient? Fixed commissions and social waste in the real estate industry, Journal of Political Economy, 111(5), blz. 1076-1122.

Jong, H. de en J Luiten van Zanden (2015), Technologische ontwikkeling, economische verandering en de Nederlandse arbeidsmarkt in de twintigste eeuw, in: B. ter Weel (red.), De match tussen mens en machine, Preadviezen van de Koninklijke Vereniging voor de Staathuishoudkunde, Amsterdam, blz. 25-41.

Jorgenson, D.W. en Z. Griliches (1967), The explanation of productivity change, Review of Economic Studies, 34(3), blz. 249-283.

Klinger, S. en E. Weber (2014), On GDP-employment decoupling in Germany, IAB discussion paper no. 21/2014.

Kool, L. (2015), De IT-revolutie en de arbeidsmarkt, in: R. van Est en L. Kool (red.), Werken aan de robotsamenleving, Rathenau Instituut, Den Haag.

Levy, F. en R.J. Murnane (2012), The new division of labor: How computers are creating the next job market, Princeton University Press.

Loon, E. van, B. Loog, A. van der Horst en M. Souren (2014), De oploop van de werkloosheid ontleed, TPE digitaal, 8(1), blz. 65-83.

Maddala, G.S. en S. Wu (1999), A comparative study of unit root tests with panel data and a new simple test, Oxford Bulletin of Economics and statistics, 61(S1), blz. 631-652.

Michaels, G., A. Natraj en J. Van Reenen (2014), Has ICT polarized skill demand? Evidence from eleven countries over twenty-five years, Review of Economics and Statistics, 96(1), blz. 60-77.

Mukoyama, T., C. Patterson en A. Sahin (2014), Job Search Behavior over the Business Cycle, Federal Reserve Bank of New York Staff Report No 689.

Petrongolo, B. and C.A. Pissarides (2001), Looking into the black box: A survey of the matching function, Journal of Economic Literature, blz. 390-431.

Rathenau Instituut (2015), Werken aan de robotsamenleving, Rathenau Instituut, Den Haag

SER (2015), Werkloosheid voorkomen, beperken en goed verzekeren, Advies 15/02, Sociaal-Economische Raad, Den Haag.

Shimer, R., 2012, Reassessing the ins and outs of unemployment, Review of Economic Dynamics, vol. 15(2), blz. 127-48.

Smith, J. (2011), The ins and outs of UK unemployment, The Economic Journal, 121(552), blz. 402-444.

Tinbergen, J. (1974), Substitution of graduate by other labour, Kyklos: international review for social sciences.

Weel, B. ter (2012), Loonongelijkheid in Nederland stijgt, CPB Policy Brief 2012/06, CPB Den Haag.

Weel, B. ter (2015), De match tussen mens en machine, Preadviezen van de Koninklijke Vereniging voor de Staathuishoudkunde, Amsterdam.

Went (2015), Robots: tussen onderschatting en hyperbool, in: B. ter Weel (red.), De match tussen mens en machine, Preadviezen van de Koninklijke Vereniging voor de Staathuishoudkunde, Amsterdam, blz. 63-69.

WRR (2015), De robot de baas. De toekomst van werk in het tweede machinetijdperk, Wetenschappelijke Raad voor het Regeringsbeleid, Den Haag.

Co-author: Theo Smid