Lönesättningen i staten Samvariationen mellan lön och bakgrundsfaktorer i staten åren 1995 och 2002

Transkript

1 Lönesättningen i staten Samvariationen mellan lön och bakgrundsfaktorer i staten åren 1995 och 2002

2

3 Innehåll Förord 5 Bakgrund 6 Teoretiska utgångspunkter 7 Tidigare studier 8 Data och studiens upplägg 9 Resultat 10 Vilka faktorer samvarierar med lönen? 10 Vad är förklaringsvärdet av dessa variabler? 11 Hur har löneskillnaden mellan män och kvinnor utvecklats? 12 Referenser 14 Bilaga 1: Tabeller 17 Bilaga 2: Variabelbeskrivning 24 Bilaga 3: Metod och upplägg 25 Dekomponerings metoder 25 Bilaga 4: Jämförelser mellan population och urval 27 Slutnoter 28

4 4

5 Förord Denna rapport, Lönesättningen i staten, beskriver olika faktorers betydelse för lönesättning inom det statliga avtalsområdet. Rapporten är ett resultat av en delstudie som har genomförts i Samarbetsrådets regi. Studien har beretts partsgemensamt inom ramen för tekniska gruppens arbete och har genomförts av Roger Vilhelmsson (Arbetsgivarverket). Samarbetsrådet för det statliga avtalsområdet, är ett partsgemensamt organ med uppgift att underlätta förverkligandet på lokal nivå av sådant som de centrala parterna överenskommit i ramavtalen. Rådet inrättades då centrala parter i juni 2000 slöt Samarbetsavtalet för det statliga avtalsområdet. Samarbetsrådet har också som uppgift att följa upp erfarenheter från den lokala avtalsutvecklingen samt bidra till att erfarenheter sprids. Genom RALS , bilaga 11 Centralt arbete till stöd för den lokala lönebildningen överenskom parterna bl.a. att genomföra partsgemensamma studier av den lokala lönebildningen. Denna studie är den första av tre inom ramen för det arbetet. Den andra delstudien På rätt väg belyser den process som den lokala lönebildningen innebär, den har genomförts av Ulf Perbeck (f.d. förhandlingschef Landstingsförbundet) som ombud för Samarbetsrådet. Den tredje partsgemensamma delstudien bereds av tekniska gruppen och genomförs av Matthew Lindquist (Stockholms universitet) och Roger Vilhelmsson (Arbetsgivarverket). Studien rör sambanden mellan den statliga och den privata lönebildningen. För innehållet i respektive rapport svarar författaren. Samarbetsrådet gm Elisabeth Bjar (Arbetsgivarverket) Kjell Eriksson (SACO-S) Bengt-Erik Falck (SEKO) Johan Tengblad (OFR/S, P och O) Stockholm, april

6 Bakgrund Under 1980-talet hade staten stora problem med att rekrytera och behålla viss typ av arbetskraft. Detta ledde så småningom till en medveten förändring mot en mer individuell lönesättning. I samband med 1990 års avtalsrörelse ersattes det gamla lönegradssystemet med ett mer individuellt differentierat lönesystem. Man gick från att lönesätta tjänster till att lönesätta individer. De centrala löneavtalen har sedan flera år utformats för att möjliggöra en lokal lönebildning. Parterna har varit överens om att en väl fungerande lokal lönebildning är den bästa vägen att åstadkomma löner som tillgodoser såväl de statliga arbetsgivarnas verksamhetskrav som de enskilda arbetstagarnas önskemål. Utifrån denna ståndpunkt har parterna i RALS överenskommit att under avtalsperioden bedriva ett centralt arbete till stöd för lokal lönebildning. Arbetet utgörs bland annat av denna studie som enligt uppdraget skall undersöka vilka de viktigaste faktorerna för lönesättningen i staten är. Det bör betonas att denna studie är en rent statistisk studie och baseras på den statistik som finns tillgänglig. Den partsgemensamma statistik som används är dock unik. Ingen annanstans finner man ett så rikt material samlat för de statligt anställda. Det ska dock påpekas att studien endast kan avgöra vilka faktorer i den partgemensamma statistiken som kan anses vara betydelsefull för vilken lön som sätts. Syftet med studien är att med hjälp av regressionsanalys undersöka hur och i vilken omfattning man kan finna ett samband mellan i data observerbara faktorer och lön. I nästa avsnitt ges några teoretiska utgångspunkter för forskningen kring lönebildningsfrågor. Avsnittet därefter presenterar några av de tidigare empiriska studier som gjorts på området. Detta avsnitt följs av en beskrivning av de data som används och hur studien är upplagd. Slutligen rapporteras studiens resultat. I bilaga presenteras den statistiska metoden, det empiriska upplägget, variablerna samt skattningarna i detalj. 6

7 Teoretiska utgångspunkter I detta avsnitt presenteras några av de mest inflytelserika teorierna för en empirisk analys av löner. 1 Teorin om kompenserande löneskillnader har som utgångspunkt att löneskillnader återspeglar att vissa anställningar skiljer sig åt med avseende på egenskaper som förknippas med ett jobb. Då vissa anställningar är förknippade med bördor eller olika nackdelar som t.ex. svårare arbetsuppgifter och större ansvar eller dålig arbetsmiljö med tunga lyft och stress bör dessa egenskaper kompenseras med en högre lön. 2 Den överlägset mest inflytelserika teorin som används inom den empiriska arbetsmarknadsekonomin är den så kallade humankapitalteorin. 3 Löntagare har alla olika kunskaper, färdigheter och erfarenheter som gör att de presterar olika. Skillnaderna i prestationsförmåga kan antingen vara medfödda eller förvärvade. Det är dessa egenskaper som man brukar kalla för humankapital. Teorin antar att utbildning och arbetslivserfarenhet förbättrar individens produktivitet och ger en premie i form av högre lön. Man brukar tala om utbildningspremiens betydelse för arbetstagaren, arbetsgivaren och samhället. Utbildningspremiens storlek påverkar incitamenten till investering i utbildning och därmed vilka som investerar i utbildning. Premien har betydelse för den sociala strukturen och för kompetensförsörjningen. Ett annat sätt att se på utbildning ges i signaleringsteorin. 4 I denna teori antas inte utbildning höja produktiviteten utan endast ge en signal om att individen har en hög produktivitet. Enligt modellen har individer med hög förmåga i allmänhet lättare att ta sig igenom en utbildning. Vidare är det i modellen kostsamt för arbetsgivaren att skaffa information om en enskild arbetssökandes produktivitet. Därmed är det också optimalt för individer med en högre förmåga att skaffa sig utbildning och för arbetsgivare att anställa högutbildade. För att arbetsgivare skall kunna anställda dessa krävs en högre lön. I litteraturen brukar man urskilja två huvudtyper av diskriminering. Man skiljer mellan så kallad preferensdiskriminering och statistisk diskriminering. Den första typen bygger på att arbetsgivare baserar sitt handlande på sina personliga preferenser eller smak. 5 Detta skulle innebära att arbetsgivare med smak för eller emot en viss grupp skulle differentiera lönen på basis av dessa preferenser. Statistisk diskriminering har sitt ursprung i att arbetsgivaren har bristfällig information om anställdas prestationer och produktivitet. 6 Arbetsgivaren kan ofta bedöma den genomsnittliga produktiviteten hos olika grupper av anställda. Då direkta mått på den individuella arbetsinsatsen saknas kommer en rationell arbetsgivare att ge en lägre lön till individer som tillhör en grupp som har en genomsnittligt lägre produktivitet och detta trots att individen själv eventuellt har en produktivitet vida högre än gruppens. 7

8 Tidigare studier De allra flesta svenska empiriska forskningsstudier som analyserat löner eller löneskillnader har använt modern regressionsanalys. 7 Utgångspunkten för analysen har oftast varit den så kallade humankapitalteorin. Vanligtvis har man använt s.k. Mincerekvationer när man analyserar sambandet mellan humankapital och lön. Denna typ av ekvation inkluderar utbildning oftast i form av antal skolår samt arbetslivserfarenhet i form av ålder och anställningstid. Skattningarna ger ett mått på avkastningen på utbildning och erfarenhet. En överväldigande majoritet av dessa studier har visat att avkastningen på utbildning har sjunkit kraftigt sedan 1960-talet. 8 Det finns dock vissa metodologiska problem när man skattar sambandet mellan antal skolår och lön. För det första kan man inte kontrollera vilken förmåga individerna har. Förmåga påverkar både valet att utbilda sig och möjligheten att tillgodogöra sig utbildning. Därför väljer personer med hög förmåga att utbilda sig i en större utsträckning än andra. Vi får därmed inget svar på hur en normalbegåvad person reagerar på utbildning. Hade vi haft information om förmåga hade vi kunna undvika detta problem. Koefficienten för skolår är övervärderad p.g.a. att man tvingas utelämna information om t.ex. förmåga. För det andra är mätfel i skolårsvariabeln ett problem som gör att koefficienten istället undervärderas. Man vet inte åt vilket håll den totala snedvridande effekten går. 9 Det finns också en litteratur som fokuserar på avkastningen av arbetslivserfarenhet. Några få studier har rapporterat en snabbare lönetillväxt under de första åren av en arbetstagares karriär för att sedan få en flackare löneprofil i slutet av arbetslivet. 10 De allra flesta lönestudier har i någon form analyserat könslöneskillnader. Här finner man entydigt att kvinnor har en sämre avkastning på utbildning och erfarenhet. Det råder dock delade meningar om hur könslönegapet utvecklats över tiden. Vissa undersökningar har visat att könslönegapet tenderat att öka då lönespridningen ökat medan andra menar att allt hänger på vilka yrken och befattningar män och kvinnor befinner sig i. 11 Mycket få studier har analyserat den statliga sektorns lönebildning. I Gustafsson (1976) analyseras könslöneskillnader mellan den privata och den statliga sektorn. Resultaten visade att för män med likvärdig utbildning och ålder är lönen högre i privat än i statlig sektor medan lönen för kvinnor med motsvarande egenskaper är lika eller något lägre i privat sektor. Zetterberg (1994b) visade att lönen för kvinnliga statstjänstemän var högre än för kvinnliga privattjänstemän under och 1980-talet medan det omvända gäller för män. Under 1980-talet utvecklades villkor för lönesättning inom den offentliga sektorn och därefter har lönerna i de bägge sektorerna utvecklats på ett sätt som liknar varandra. Andersson (1997) är en av de få studier som gjort en djupare analys av de statligt anställdas löner. Studien visade bl.a. att befattningsnivå är viktig för könslöneskillnaden. 12 8

9 Data och studiens upplägg I denna studie används partsgemensam lönestatistik från 1995 och Ingen annanstans finns ett så rikt och unikt material samlat för de statligt anställda. En av hörnstenarna i den partsgemensamma individstatistiken är det så kallade TNS-systemet som klassificerar de statliga arbetena i inriktning och svårighetsgrad. 13 I urvalet av individer som totalt inkluderar personer år 1995 och personer år 2002 har samtliga klassificerats enligt TNS-systemet. Urvalet är därmed en selektion i den meningen att endast individer som är klassificerade ingår i de skattningar som presenteras i denna uppsats. Vissa myndigheter förekommer endast i ett av tvärsnittsåren och påverkar möjligheten att göra en adekvat jämförelse av åren. Därför inkluderas endast myndigheter som funnits med både 1995 och En grov jämförelse mellan urval och population visar att urvalet inte nämnvärt skiljer sig mot populationen om en grundmodell skattas (se Bilaga 4). Resultaten i denna studie får därför sägas ha en hög generaliseringsgrad. För att analysera om faktorer i lönestatistiken samvarierar med lönen, används en så kallad regressionsanalys där vi studerar den statistiska samvariationen mellan lön och andra faktorer i den partsgemensamma statistiken. I skattningarna har jag använt månadslön i heltidsekvivalenter (dvs. hänsyn har tagits till arbetsomfattning och lönen är uppräknad till en heltidslön). Vilka faktorer i statistiken kan tänkas samvariera med lönen? I studien har jag använt faktorer som kön, ålder, anställningstid i staten eller på den nuvarande myndigheten, utbildningsnivå, utbildningsinriktning, svårighetsnivå, arbetsområdets inriktning, geografisk region och arbetsomfattning. Samtliga faktorer, lön inkluderat, är registeruppgifter och har en hög tillförlitlighet till skillnad mot studier där variabler anskaffas via enkäter (för en detaljerad beskrivning av variabler och medelvärden som används, se Bilaga 1 och 2). Eftersom många av dessa faktorer påverkar män och kvinnors lön på olika sätt kommer dessa även skattas separat. Utöver detta analyserar vi hur könslönegapet förändras mellan 1995 och Ett vanligt sätt att studera könslönegapet är att använda en s.k. dekomponeringsmetod med vilken man kan dela upp gapet i en statistiskt förklarad del och en statistiskt oförklarad del (för en detaljerad beskrivning av denna metod se Bilaga 3). 9

10 Resultat I detta avsnitt ges en sammanfattning av resultaten från regressionsanalysen som presenteras i Bilaga 1. De resultat som kommenteras är samtliga statistiskt säkerhetsställda om ingenting annat anges. Vilka faktorer samvarierar med lönen? Av erfarenhet vet man att högre utbildning och längre arbetslivserfarenhet påverkar lönen positivt. Man vet dock inte i vilken omfattning dessa faktorer påverkar lönen. Kan vi i statistiken finna andra viktiga faktorer som samvarierar lönen? Har faktorernas betydelse förändrats över tiden? Har införandet av individuell lönesättning medfört någon märkbar förändring? För att undersöka dessa frågor skattar jag löneregressioner för både 1995 och Från resultaten av regressionsanalysen framgår att ålder och antalet arbetade år i staten har små, men statistiskt säkerhetsställd, positiva effekter på lönen. Ett ytterligare år i statlig tjänst eller total ålder ger vardera ca 0,5 procentenheter högre lön. En introduktion av en kvadratisk variabel för anställningstid visar att effekten inte är linjär utan avtar ju längre man varit i statlig tjänst. Effektens styrka förändras inte mellan åren och det finns ingen statistiskt säkerhetsställd skillnad i effekt mellan könen. Vidare har antalet år på den nuvarande myndigheten en mycket svag negativ effekt på lönen men effekten planar ut med tiden. En tänkbar förklaring är att man ökar sin lön som mest när man byter jobb (dvs. att personer som stannat en kort tid på en myndighet i genomsnitt tjänar mer pengar än de som stannat en längre tid vilket kan förklaras av att de senare i mindre utsträckning byter jobb). Enligt RALS löneprinciper skall varken ålder eller anställningstid vara lönegrundande. Således är det inte särskilt överraskande att effekten av dessa faktorer är svag och att de förklarar mindre av variationen i lön år 2002 än år Istället tillhör mer befattningsrelaterade egenskaper som ansvar och svårighetsgrad de grundläggande lönekriterierna som anges i RALS. Därför är det inte heller särskilt konstigt att just svårighetsnivå är den faktor i statistiken varmed man kan förklara störst andel av variation i lön. Det finns grupper av variabler i skattningarna. Dessa tolkas utifrån en referenskategori. Variablerna för de fem svårighetsnivåerna har den lägsta svårighetsnivån 5 (t.ex. arbetsuppgifter med biträdande karaktär) som referenskategori (dvs. den nivå varmed de andra nivåerna jämförs) och den högsta nivån är svårighetsnivå 1 (t.ex. en avdelningschef eller en kvalificerad expert). Svårighetsnivå 1-5 motsvaras av TNS-nivå 3-7 (se detaljerad variabelbeskrivning i Bilaga 2). År 2002 är avkastningen på respektive svårighetsnivå jämfört med den lägsta svårighetsnivån statistiskt signifikant högre än under Signifikanstest visar dock att det inte finns någon statistiskt säkerhetsställd skillnad mellan män och kvinnor år En anställd på den högsta svårighetsnivån 1 oavsett kön har ca 65 procent högre lön än en anställd på den lägsta svårighetsnivån 5 (t.ex. ett biträde)

11 En anställd på svårighetsnivå 2 (t.ex. specialister och enhetschefer), svårighetsnivå 3 (t.ex. kvalificerade handläggare) och svårighetsnivå 4 (t.ex. kvalificerade assistenter) har 42, 23 respektive 8 procent högre lön än anställd på den lägsta svårighetsnivån. År 2002 har avkastningen för en anställning med högre svårighetsnivå ökat jämfört med en anställning på den lägsta svårighetsnivån. Spridningen mellan olika svårighetsnivåer har därmed ökat. En tänkbar förklaring är att det är mer accepterat att ansvarfulla och komplicerade arbetsuppgifter är bättre betalda än mer rutinbetonade arbeten. Inom gruppen kvinnor som skattas separat är spridningen större än den är inom gruppen män. En kvinna som innehar en position med högsta svårighetsnivå tjänar 74 procent mer än en kvinna på den lägsta nivån, allt annat lika (bland män är siffran 70 procent). Enligt den statistiska analysen är svårighetsnivå den faktor i statistiken som har störst betydelse för lönen. Arbetsområdets inriktning är naturligtvis av betydelse för lönen. Har man t.ex. ett jobb med inriktning mot trafik och kommunikation får man ca 23 procent högre lön än om man jobbar i kontorsserviceyrken. Lägst betalt har arbetstagare som jobbar med kulturinriktade frågor. Avkastningen på de olika utbildningsnivåerna följer ett förväntat mönster. Ju högre utbildningsnivå desto högre blir lönen. Enligt RALS skall inte utbildning i sig vara lönegrundande. En anledning till att personer med hög utbildning har en hög lön är att man befinner sig på befattningar med en högre svårighetsgrad. Skattningarna visar att om hänsyn tas till andra egenskaper som att högutbildade också befinner sig på höga positioner, så kommer dock en person med en forskarexamen att tjäna 20 procent högre än en person som endast har en grundskoleutbildning (referenskategori). Skillnaden i avkastning mellan den högsta och lägsta utbildningsnivån har ökat. Även här är ökningen relativt större för kvinnor än för män. För kvinnliga forskarutbildade är lönen 23 procent högre jämfört med grundskoleutbildade kvinnor år Motsvarande siffra var 18,9 procent år1995. Bland utbildningsinriktningar är humanistisk inriktning den som ger lägst betalt. Vad är förklaringsvärdet av dessa variabler? Hur stor andel av variationen i lön förklaras av dessa faktorer? Regressionsanalysen visar att icke-lönegrundande faktorer som geografisk region, ålder och anställningstid endast förklarar några få procent av variationen i lön, medan svårighetsnivån är den faktor i statistiken som utan jämförelse förklarar den allra största delen av variation i lön. Faktorerna i den partsgemensamma statistiken förklarar dock allt mindre av variationen i lön. Allt mer förklaras av faktorer som inte finns tillgängliga i den partsgemensamma statistiken. Enligt Figur 1 nedan faller förklaringsvärdet av faktorerna i statistiken från i genomsnitt 75 procent till nivåer strax under 70 procent. Det är först och främst hos män som variablerna i denna studie minskat i förklaringsvärde. Även hos kvinnor har förklaringsvärdet minskat, men inte i lika stor utsträckning som hos män. 11

12 Figur 1: Samtliga faktorer i den partsgemensamma statistiken och dess förklaringsvärde uppdelat på kön Andelen av variation i lön som förklaras av samtliga variabler ,7 74,8 67,2 Män Kvinnor 69, Anmärkning: Figurens staplar visar den så kallade förklaringsgraden som erhålls vid regressionsanalys. Förklaringsgraden mäter hur stor andel av variationen i lön som statistiskt kan förklaras av variationen i de förklarande variablerna. I regressionsanalysen inkluderades ålder, anställningstid, utbildningsnivå och inriktning, svårighetsnivå, arbetsområdets inriktning, geografisk region och arbetsomfattning som förklarande variabler. Skattningar är gjorda separat för män och kvinnor förklarade dessa faktorer en relativt större andel av lönen hos män än hos kvinnor. Gemensamt förklarade faktorerna nästan 76 procent av all variation i lönen för män år Hos kvinnor låg motsvarande förklaringsgrad på ca 75 procent. År 2002 är förhållandet det omvända. För kvinnor har andelen som går att förklara med variablerna i den partsgemensamma statistiken sjunkit till 70 procent. För män har den sjunkit något mer och ligger 2002 på 67 procent. Att dessa faktorer har fått en minskad betydelse skulle kunna tolkas som att den individuella lönesättningen slagit igenom i en större utsträckning de senaste åren. Denna tolkning stöds dessutom av att det är de icke-lönegrundande faktorerna såsom ålder och anställningstid som sjunkit mest i betydelse enligt regressionsanalysen. Hur har löneskillnaden mellan män och kvinnor utvecklats? Jämför vi individer som i statistiken har samma egenskaper och samma typ av jobb tjänar kvinnor endast 91,8 procent av vad männen gör år Skillnaden minskar över tiden och är 95,5 procent Den skillnad som återstår när vi jämfört individer med samma ålder, anställningstid, utbildningsnivå och inriktning, svårighetsnivå, arbetsområdets inriktning, arbetsomfattning och region är 8,2 % och 4,6 % för 1995 respektive Kvinnor och män sorteras ofta till olika myndigheter som kan ha olika lönesättning. En osaklig löneskillnad i jämställdhetslagens mening är endast aktuell om en man och en kvinna jobbar för samma arbetsgivare. I traditionell statistisk analys finns dock inte tillräckligt med variation i övriga förklarande variabler på myndighetsnivå för att en traditionell analys skall vara möjlig. Det finns dock studier som funnit en lägre oförklarad löneskillnad

13 I Figur 2 kan vi se hur de faktiska löneskillnaderna har minskat under de senaste åren. Figur 2: Det totala gapets storlek uppdelat på en del som kan förklaras av faktorer i statistiken och en del som inte kan förklaras dessa Statistiskt oförklarad Statistiskt förklarad Löneskillnad i procent ,2 9,5 10 4, Anmärkning: Figurens staplar beskriver den totala löneskillnaden i procent. Den totala andelen delas upp i två delar. Den undre delen visar den andel av löneskillnaden som kan förklaras med hjälp av de variabler som finns tillgänglig i den partsgemensamma statistiken. Den övre delen är den andel som inte kan förklaras av information som finns tillgängliga i statistiken utan förklaras av andra faktorer. Vidare kan man slå fast att den statistiskt förklarade lönedifferentialens andel (dvs. den del av skillnaden som man kan förklara med hjälp av faktorer i den partsgemensamma statistiken) har ökat och den statistiskt oförklarade lönedifferentialens andel (del av den faktiska skillnaden som beror på faktorer som inte finns med i statistiken) har minskat. Skillnaden mellan mäns och kvinnors observerbara egenskaper och hur dessa belönas har minskat. Andelen kvinnor med hög utbildning och på befattningar med en högre svårighetsnivå har t.ex. ökat medan motsvarande andel bland männen har minskat. Detta är en källa till att löneskillnaden minskat. Skillnaden i de icke-observerbara egenskaperna och hur dessa belönas har också minskat. I ramavtalet anges vissa löneprinciper. Ansvar, arbetsuppgifternas svårighetsgrad är exempel på faktorer som vi kan observera i den unika partsgemensamma statistiken medan andra löneprinciper som arbetstagarens skicklighet och resultat i förhållande till verksamhetens mål icke är observerbara i statistiken. Eftersom den statistiskt oförklarade lönedifferentialen är den del som minskat mest så har skillnaderna i de ickeobserverbara egenskaperna och hur dessa belönas minskat ännu mer än skillnaden i de egenskaper vi observerar i data. En möjlig tolkning är att den individuella lönesättningen och det individuella lönesamtalet gör löneskillnader mer synliga. Kan det vara så att faktorer som t.ex. skicklighet i förhållande till verksamhetens mål studeras noggrannare? 13

14 Referenser Aigner, D. & Cain, G. (1977), Statistical Theories of Discrimination in Labor Markets, Industrial and Labor Relations Review, 30, s Albrecht, J., Edin, P-A., Sundström, M. and S. Vroman (1997), "Kvinnors och mäns löner och förvärvsavbrottens betydelse" i Kvinnor och mäns loner varför så olika?, Persson, I. & Wadensjö, E. (Red.), Fritzes. Andersson, P. (1997), Lönens bestämningsfaktorer och oförklarade löneskillnader 1995, stencil, Arbetsgivarverket. Arai, M. & Thoursie, A. (1997), Individ- och yrkesskillnader mellan kvinnor och män: Hur påverkar de lönen?, i Kvinnors och mäns löner varför så olika?, Persson, I. & Wadensjö, E. (Red.), SOU 1997:136, Stockholm: Fritzes. Arrow, K. (1972), Models of Job Discrimination och Some Mathematical Models of Race in the Labor Market, i Racial Discrimination in Economic Life, Pascal, A.H. (Red.), Lexington Books. Asplund, R., Barth, E., Smith, N. & Wadensjö, E. (1996), The Male-Female Wage Gap in the Nordic Countries i Wage Differentials in the Nordic Countries. Westergård-Nielsen, N. (Red.) i The Nordic Labour Markets in the 1990 s Part 1. Wadensjö, E. (Red.). Amsterdam: North-Holland. Becker, G.S. (1957), The Economics of Discrimination. Chicago: The University of Chicago Press.. Becker, G.S. (1962), Investment in Human Capital: A Theoretical Analysis, Journal of Political Economy, 70, s Björklund, A. (1986), A Comment on the Wage Structure and the Functioning of the Labor Market, i Siven, C-H. (Red.), Unemployment in Europe: Analysis and Policy Issues. Timbro. Brown, R.S., Moon, M. & Soloth, B.S. (1980), Incorporating Occupational Attainment in Studies of Male-Female Earnings Differentials, Journal of Human Resources, 15(1), s Blau, F.D. & Kahn, L.M. (1992), The Gender Earnings Gap: Learning From International Comparisons, American Economic Review, 82(2), s Blau, F.D. & Kahn, L.M. (1995), The Gender Earnings Gap: Some International Evidence, i Freeman, R & Katz, L. (Red.), Differences in Changes in Wage Structures, Chicago: The University of Chicago Press. Blau, F.D. & Kahn, L.M. (1996), Wage Structure and Gender Earnings Differentials: An International Comparison, Economica, 63, s. S29-S62. Blau, F.D. & Kahn, L.M. (1997), Swimming Upstream: Trends in the Gender Wage Differential in the 1980s, Journal of Labor Economics, 15(1), s

15 Edin, P-A. & Holmlund, B. (1995), The Wage Structure: The Rise and Fall of Solidarity Wage Policy?, i Freeman, R. & Katz, L. (Red.), Differences and Changes in Wage Structures, Chicago: The University of Chicago Press. Edin, P-A. & Richardson, K. (1992), Swimming with the Tide: Solidarity Wage Policy and the Gender Earnings Gap, Working Paper 1999:3, I, IFAU, Uppsala. Edin, P-A. & Richardson, K. (1999), Solidarisk lönepolitik, lönespridning och löneskillnader mellan män och kvinnor, Forskningsrapport 1999:2, IFAU, Uppsala. le Grand, C. (1994), Löneskillnader i Sverige: Förändring av nuvarande struktur i Vardagens villkor. Fritzell, J. & Lundberg, O. (Red.), Stockholm: Brombergs. le Grand, C. (1997), Kön, lön och yrke yrkessegregering och lönediskriminering mellan män och kvinnor, i Kvinnors och mäns löner - varför så olika?, Persson, I. & Wadensjö, E. (Red.), SOU1997: 136. Stockholm: Fritzes. le Grand, C., Szulkin, R. & Tåhlin, M. (2001), Lönestrukturens förändring i Sverige, i Välfärd och arbete i arbetslöshetens årtionde., Fritzell. J., Gähler, M. & Lundberg, O. (Red.) Kommittén Välfärdsbokslut, SOU 2001:53, Stockholm: Fritzes. Granqvist, L. (1997), Sidoförmåner - skillnader mellan kvinnor och män, i Kvinnors och mäns löner - varför så olika?, Persson, I. & Wadensjö, E. (Red.), SOU 1997:136, Stockholm: Fritzes. Gustafsson, S (1976), Lönebildning och lönestruktur inom den statliga sektorn, IUI, Stockholm. Hultin. M. & Szulkin R. (1997), Chefernas kön och de anställdas lön - en studie av könsdiskriminering på svenska arbetsplatser, i Kvinnors och mäns löner - varför så olika?, Persson, I. & Wadensjö, E. (Red.), SOU 1997: 136, Stockholm: Fritzes. Isacsson, G. (1999), Estimates of Returns to Education in Sweden from a Large Sample of Twins, stencil, Institutet för social forskning, Stockholms universitet. Jonung, C. (1993), Yrkessegregering på arbetsmarknaden, i Kvinnors arbetsmarknad på talet återtågets årtionde?, Ds 1993:8, Stockholm: Arbetsmarknadsdepartementet. Jonung, C. (1996), Ecnomic Theories of Occupational Segregation by Sex Implications for Change over Time, i Gender Specific Occupational Segregation. Beckman, P. (Red.). Nurnberg: Institute für Arbeitsmarkt- und Berufsforschung. Jonung, C. (1997), Yrkessegregering mellan kvinnor och män, i Glastak och glasväggar? Den könssegregerade arbetsmarknaden, Persson, I. & Wadensjö, E. (Red.), SOU 1997: 137. Stockholm: Fritzes. Juhn, C., Murphy, K.M. & Pierce, B. (1991), Accounting for the Slowdown in Black-White Wage Convergence, I Kosters, M.H. (Red.), Workers and Their Wages, Washington: AEI Press. Juhn, C., Murphy, K.M. & Pierce, B. (1993), Wage Inequality and the Rise in Returns to Skill, Journal of Political Economy, 101(3), s

16 Lundahl, M. & Wadensjö, E. (1984), Unequal Treatment. A Study in the Neo-Classical Theory of Discrimination. New York: New York Univerisity Press. Löfström, Å. (1989), Diskriminering på svenska arbetsmarknaden, Umeå Economic Studies No. 196,Universitet. Löfström, Å. (1993), Ju fler kvinnor desto lägre lön, Umeå Economic Studies, 1993:323. Meyersson, E.M. & Petersen, T. (1997), Är kvinnor utsatta för lönediskriminering?, Ekonomisk Debatt, 25(1), s Meyersson-Milgrom, E., Petersen, T. & Snartland, V. (2001), Equal Pay for Equal Work? Evidence from Sweden and a Comparison with Norway and the U.S., Scandinavian Journal of Economics, 103(4), s Oaxaca, R.L. (1973), Male-Female Wage Differentials in Urban Labor Markets, International Economic Review, 14:4, s Palme, M.O. & Wright, R.E. (1992), Gender Discrimination and Compensating Differentials in Sweden, Applied Economics, 24, s Palme, M.O. & Wright, R.E. (1998), Changes in the Rate of Return to Education in Sweden , Applied Economics, 30 (12), s Phelps, E. (1972), The Statistical Theory of Racism and Sexism, American Economic Review, 62, s Spence, M. (1973), Job Market Signaling, Quarterly Journal of Economics, 87, s SCB (1996) MIS 1996:1 och SCB (2000) MIS 2000:1 SOU (1997a), Kvinnor och mäns loner varför så olika?, SOU 1997:136, Stockholm: Fritzes. SOU (1997b), Glastak och glasväggar? Den könssegregerade arbetsmarknaden, SOU 1997:137, Stockholm: Fritzes. Säve-Söderbergh, J. (2002), Are Women Asking for Too Low Wages. Gender Wage Differentials and Individual Wage Bargaining, stencil, Institutet för Social forskning, Stockholms universitet. Wadensjö, E. (1997), Arbetsinkomster för kvinnor med högre utbildning, i Kvinnors och mäns löner - varför så olika?, Persson, I. & Wadensjö, E. (Red.), SOU 1997: 136, Stockholm: Fritzes. Zetterberg, J (1990), Essays on Inter-Sectoral Wage Differentials, Nationalekonomiska instititutionen, Uppsala universitet. Zetterberg, J (1994a), Avkastning på utbildningar i privat och offentlig sektor, Arbetsrapport 125, Fackföreningsrörelsens Institut för Ekonomisk Forskning. Zetterberg, J (1994b), Effects of Changed Wage Setting Conditions on Male-Female Wage Differentials in the Swedish Public Sector, Public Administration Quarterly, 18, s

17 Bilaga 1: Tabeller Tabell 1: Medelvärden och standardavvikelser 1995 och 2002 Variabler Alla Män Kvinnor Alla Män Kvinnor Månadslön i heltidsekviva lens (5 119) (5 693) (3 650) (7 241) (7 879) (5 979) Logaritmen av lönen 9,710 9,793 9,616 10,019 10,091 9,945 (0,258) (0,272) (0,204) (0,273) (0,283) (0,242) Ålder 44,666 44,469 44,894 46,706 46,816 46,593 (10,107) (10,186) (10,010) (10,364) (10,223) (10,506) Anställningstid i staten 16,862 16,919 16,797 17,262 17,660 16,846 (11,458) (11,377) (11,549) (12,236) (11,865) (12,596) Anställningstid på myndig- 13,804 14,662 12,816 11,221 10,845 11,609 het (15,480) (17,886) (12,062) (10,316) (9,980) (10,637) Arbetar heltid 0,85 0,94 0,73 0,87 0,94 0,81 Forskarutbildning 0,079 0,115 0,037 0,080 0,109 0,049 Eftergymnasial 0,446 0,507 0,379 0,505 0,531 0,479 Gymnasial 0,373 0,297 0,461 0,334 0,287 0,384 Förgymnasial 0,102 0,081 0,122 0,081 0,073 0,088 Generell inriktning 0,151 0,115 0,192 0,137 0,112 0,163 Humanistisk 0,057 0,050 0,064 0,046 0,037 0,057 Samhällsvetenskaplig 0,371 0,245 0,514 0,400 0,276 0,528 Naturvetenskaplig 0,421 0,590 0,230 0,417 0,575 0,252 Svårighetsnivå1* 0,041 0,065 0,013 0,031 0,046 0,015 Svårighetsnivå2* 0,131 0,182 0,073 0,145 0,189 0,099 Svårighetsnivå3* 0,281 0,307 0,245 0,375 0,377 0,373 Svårighetsnivå4* 0,301 0,256 0,354 0,297 0,241 0,358 Svårighetsnivå5* 0,246 0,190 0,315 0,152 0,147 0,155 17

18 Tabell 1 fortsätter Tillverkning och underlhåll 0,099 0,177 0,010 0,078 0,137 0,016 Teknisk- och ADB verksamhet 0,092 0,130 0,049 0,100 0,142 0,050 Forskning och utbildning 0,203 0,250 0,149 0,191 0,218 0,164 Juridiskt och allmänt utredning 0,175 0,131 0,225 0,212 0,166 0,258 Bevakning, räddning, militär 0,031 0,041 0,019 0,034 0,046 0,022 Hälsovård och hälsoskydd 0,035 0,033 0,037 0,039 0,036 0,043 Personal och arbetsförmedling Sekreterar- och kontorsservice Kultur och informations arbete Ekonomiförvaltn. och revision 0,026 0,013 0,041 0,027 0,014 0,041 0,094 0,038 0,159 0,076 0,032 0,121 0,038 0,028 0,050 0,043 0,030 0,056 0,172 0,108 0,246 0,160 0,115 0,207 Trafik och kommunikation 0,030 0,047 0,010 0,036 0,053 0,018 Södra Sverige 0,218 0,235 0,198 0,191 0,204 0,178 Mellersta Sverige 0,337 0,334 0,337 0,356 0,357 0,355 Norra Sverige 0,160 0,177 0,143 0,164 0,181 0,146 Stockholms län 0,285 0,254 0,322 0,289 0,258 0,321 Andel män och kvinnor 0,54 0,46 0,51 0,49 Antal observationer Anmärkning: Standardavvikelser anges i parentes. * Svårighetsnivå1 (inkluderar t. ex. avdelningschefer och kvalificerade experter), Svårighetsnivå2 (inkluderar t. ex. specialister och enhetschefer), Svårighetsnivå3 (inkluderar t.ex. kvalificerade handläggare), Svårighetsnivå4 (inkluderar t.ex. kvalificerade assistenter) samt Svårighetsnivå5 som också är referenskategori varmed de andra variablerna jämförs (inkluderar t. ex. individer med arbetsuppgifter av biträdande art). 18

19 Tabell 2: Löneekvationer (logaritmerad lön i heltidsekvivalenter) och humankapital Konstant 9,503*** 9,508*** 9,257*** 9,858*** 9,856*** 9,567*** Kvinna *** -0,180*** -0,114*** *** -0,142*** -0,100*** Ålder 0,006*** 0,006*** 0,006*** 0,005*** 0,005*** 0,005*** Anställningstid i staten 0,002*** 0,002*** 0,005*** 0,002*** 0,003*** 0,006*** Anställningstid i staten 2 /100-0,002*** -0,002*** -0,006*** -0,008*** -0,011*** -0,012*** Anställningstid på myndighet -0, ,001*** -0,003*** -0,003*** Anställningstid på myndighet 2 /100-0,0007*** 0,001*** 0,008*** 0,006*** Forskarutbildning 0,578*** Eftergymnasial 0,339*** Gymnasial 0,103*** 0,595*** 0,375*** 0,118*** Förgymnasial Referenskategorin varmed de andra kategorierna jämförs och tolkas Referenskategorin varmed de andra kategorierna jämförs och tolkas Samhällsvetenskaplig -0,020*** Naturvetenskaplig -0,038*** Humanistisk -0,091*** -0,024*** -0,042*** -0,123*** Allmän inriktning Referenskategorin varmed de andra kategorierna jämförs och tolkas Referenskategorin varmed de andra kategorierna jämförs och tolkas R 2 0,187 0,188 0,520 0,098 0,099 0,412 Antal observationer Anm: Standardfel anges i parentes. *** Signifikant på 1 procentnivån, ** signifikant på 5 procentnivån och * signifikant på 10 procentnivån. För gruppen av variabler som beskriver den högsta utbildningsnivån är referensen med vilka dessa jämförs de som endast har förgymnasial utbildningsnivå. Motsvarande referens för utbildningsinriktning är allmän inriktning. Interaktionsvariabler jämförs med allmän och humanistisk inriktning med högst gymnasial utbildning. 19

20 Löneekvationer (log lön i heltidsekvivalenter) och kompenserande- Tabell 3: faktorer Konstant 9,722*** 9,576*** 9,477*** 9,999*** 9,806*** 9,717*** Kvinna *** -0,165*** -0,054*** *** -0,134*** -0,060*** Arbetar heltid 0,041*** 0,049*** 0,013*** 0,042*** 0,050*** 0,026*** Stockholms län 0,101*** 0,093*** 0,053*** 0,146*** 0,135*** 0,080*** Södra Sverige 0,025*** 0,013*** 0,004*** 0,036*** 0,015*** 0,000*** Mellersta Sverige -0,010*** 0,001 0,010*** 0,017*** 0,013*** 0,005*** Norra Sverige Referenskategorin varmed de andra kategorierna jämförs och tolkas Referenskategorin varmed de andra kategorierna jämförs och tolkas Tillverkning och underhåll 0,000 0,023*** 0,055 0,042*** ADB och tekniskt arbete 0,157*** 0,025*** 0,244*** 0,079*** Forskning och utbildning 0,254*** 0,025*** 0,307*** 0,050*** Juridiskt- och utredning arbete 0,183*** 0,005*** 0,232*** 0,023*** Bevakning, räddning, militär 0,024*** 0,013*** 0,075*** 0,037*** Hälsovård och hälsoskydd 0,193*** -0,014*** 0,127*** -0,008*** Personal och arbetsförmedling 0,190*** 0,018*** 0,234*** 0,038*** Kultur och informations arbete 0,126*** -0,051*** 0,137*** -0,055*** Ekonomiförvaltn. Och revision 0,092*** 0,003*** 0,137*** 0,010*** Trafik och kommunikation 0,214*** 0,197*** 0,236*** 0,204*** Sekreterar- och kontorsservice Referenskategorin varmed de andra kategorierna jämförs och tolkas Referenskategorin varmed de andra kategorierna jämförs och tolkas 20

21 Tabell 3 fortsätter Svårighetsnivå1 0,787*** Svårighetsnivå2 0,525*** Svårighetsnivå3 0,291*** Svårighetsnivå4 0,102*** 0,829*** 0,557*** 0,295*** 0,098*** Svårighetsnivå5 Referenskategorin varmed de andra kategorierna jämförs och tolkas Referenskategorin varmed de andra kategorierna jämförs och tolkas R 2 0,148 0,266 0,741 0,118 0,233 0,664 Antal observationer Anm: Standardfel anges i parentes. *** Signifikant på 1 procentnivån, ** signifikant på 5 procentnivån och * signifikant på 10 procentnivån. Svårighetsnivå1 (inkluderar t. ex. avdelningschefer och kvalificerade experter), Svårighetsnivå2 (inkluderar t. ex. specialister och enhetschefer), Svårighetsnivå3 (inkluderar t.ex. kvalificerade handläggare), Svårighetsnivå4 (inkluderar t.ex. kvalificerade assistenter) samt Svårighetsnivå5 som är referenskategori varmed de andra variablerna jämförs (inkluderar t. ex. individer med arbetsuppgifter av biträdande art).för gruppen av variabler som beskriver svårighetsnivå är referensen med vilka dessa jämförs de som är Svårighetsnivå5. Motsvarande referens för gruppen av variabler som uttrycker yrkes- och befattningsområde är de individer som är sekreterare eller inom kontorsservice. 21

22 Tabell 4: Löneekvationer uppdelat på män och kvinnor Variabler Män Kvinnor Män Kvinnor Konstant 9,203*** 9,273*** 9,453*** 9,494*** (0,007) Ålder 0,003*** 0,002*** 0,003*** 0,003*** Anställningstid i staten 0,003*** 0,003*** 0,006*** 0,006*** Anställningstid i staten 2 /100-0,004*** -0,003*** -0,013*** -0,013*** Anställningstid på myndighet -0,001*** -0,001*** -0,001*** -0,003*** Anst.tid på myndighet 2 /100 0,002*** 0,001*** 0,002*** 0,006*** Forskarutbildning 0,173*** 0,189*** 0,181*** 0,227*** (0,006) Eftergymnasial 0,092*** 0,109*** 0,113*** 0,145*** Gymnasial 0,028*** 0,022*** 0,023*** 0,031*** Samhällsvetenskaplig 0,000-0,006*** 0,004-0,008*** Naturvetenskaplig 0,005-0,017*** 0,022*** -0,011*** Humanistisk -0,053*** -0,044*** -0,061*** -0,070*** Svårighetsnivå1 0,656*** 0,646*** 0,695*** 0,743*** Svårighetsnivå2 0,428*** 0,426*** 0,452*** 0,470*** Svårighetsnivå3 0,231*** 0,231*** 0,230*** 0,244*** Svårighetsnivå4 0,082*** 0,076*** 0,083*** 0,080*** 22

23 Tabell 4 fortsätter Tillverkning och underhåll 0,078*** 0,009* 0,089*** -0,014*** ADB och tekniskt arbete 0,092*** 0,012*** 0,135*** 0,054*** Forskning och utbildning 0,054*** -0,007*** 0,058*** -0,015*** Juridiskt- och utredning 0,076*** -0,019*** 0,092*** -0,005** arbete Bevakning, räddning, militär 0,059*** 0,012*** 0,066*** 0,058*** Hälsovård och hälsoskydd 0,049*** -0,018*** 0,035* -0,034*** Personal och arbetsförmed- 0,058*** 0,006** 0,072 0,017*** ling (0,006) (0,006) Kultur och informations -0,009* -0,049*** -0,018*** -0,064*** arbete (0,006) Ekonomiförvaltn. Och revi- 0,064*** -0,008*** 0,068*** -0,011*** sion Trafik och kommunikation 0,222*** 0,246*** 0,233*** 0,205*** Stockholms län 0,061*** 0,045*** 0,082*** 0,077*** Södra Sverige 0,006*** 0,003*** 0,004* -0,001 Mellersta Sverige 0,015*** 0,009*** 0,005* 0,010*** Arbetar heltid 0,025*** 0,021*** 0,032*** 0,026*** Antal observationer R 2 0,757 0,748 0,672 0,698 Anmärknkng: Standardfel anges i parentes. *** Signifikant på 1 procentnivån, ** signifikant på 5 procentnivån och * signifikant på 10 procentnivån. Tabell 5: Löneskillnad mellan män och kvinnor för statligt anställda Löneskillnader uppdelat på en statistiskt förklarad och en statistiskt oförklarad del Observerad lönedifferential 0,177 0,145 Förklarad lönedifferential 0,094 0,099 Totalt oförklarad löneskillnad 0,082 0,046 Anmärkning: Löneskillnaderna är skattade på basis av ekvationer där ålder, anställningstid i staten, anställningstid i staten i kvadrat, anställningstid på nuvarande myndighet, utbildningsnivå, svårighetsnivå, arbetsområdets inriktning, region och heltidsindikator. Ett så kallat joint significance test för modellens totala statistiska signifikans godkänns på 1 procent nivån. 23

24 Bilaga 2: Variabelbeskrivning Beroende variabel: Log lön: Logaritmerad månadslön i heltidsekvivalenter. Månadslönen är fast månadslön plus fasta tillägg. Lönen är uppräknad till heltidslön och logaritmerad. Uppgifterna är hämtade från Arbetsgivarverkets partsgemensamma lönestatistik (det gäller alla variabler i nedanstående beskrivning om inte annat anges). Kön och demografiska variabler: Kvinna: Könsdummy som är kodad 1 för kvinna och 0 för man. Ålder: antal år. Arbetslivserfarenhet: Anställningstid i staten: Antal år i statlig tjänst. Kontinuerlig variabel. Anställningstid på myndighet: Antal år på nuvarande myndighet. Arbetstidsomfattning: Arbetar heltid: Dummy för hel- eller deltid. Kodad 1 om heltid och 0 om deltid. Utbildningsnivå: Består av 4 dummy variabler för respektive nivå. Forskarutbildning, Eftergymnasial, Gymnasial och Förgymnasial (referenskategori). Uppgifterna kommer från Utbildningsregistret. Variablerna baseras på koden för Svensk utbildningsnomenklatur (SUN). Koden är uppbyggd av en nivåmodul och en inriktningsmodul (se SCB, 1996 och 2000). Utbildningsinriktning: Består av 4 dummyvariabler för respektive utbildningsinriktning. Humanistisk, Samhällsvetenskaplig, Naturvetenskaplig och Generell inriktning (referenskategori). Svårighetsnivå: Svårighetsnivå1 (inkluderar t. ex. avdelningschefer och kvalificerade experter),svårighetsnivå2 (inkluderar t. ex. specialister och enhetschefer), Svårighetsnivå3 (inkluderar t.ex. kvalificerade handläggare), Svårighetsnivå4 (inkluderar t.ex. kvalificerade assistenter) samt Svårighetsnivå5 som är referenskategori varmed de andra variablerna jämförs (inkluderar t. ex. individer med arbetsuppgifter av biträdande art). Variablerna baseras på TNS-systemets svårighetsgrader (myndighetschefer exkluderade). Arbetsområdes inriktning: Består av 11 dummyvariabler. En för respektive arbetsområde. Tillverkning och underhåll, ADB och teknik, Forskning och utbildning, Juridik- och utredning, Bevakning, räddning, militär, Hälsovård och skydd, Personal och arbetsförmedling, Kultur och information, Ekonomiförvaltning och revision, Trafik och kommunikation samt kontorsservice (referenskategori). Bygger på TNS-systemet. Likartad inriktning grupperas enligt TNS-familj. Dessa baseras på denna indelning. Region: 4 dummyvariabler. Stockholms län, Södra Sverige, Mellersta Sverige och Norra Sverige (referenskategori). 24

25 Bilaga 3: Metod och upplägg I denna studie används regressionsanalys för att undersöka sambandet mellan lönen W och de faktorerna X och Z som finns tillgängliga i den partsgemensamma statistiken. lnwit β 0 Xitβ1 Zitβ 2 εit = (1) där är en slumpterm och uttrycker den variation i lönen som modellen inte kan förklara (dvs information vi inte har tillgänglig). Denna studie estimerar två olika ansatser. I den första modellen skattas humankapitalfaktorer. I den andra modellen skattas variabler som utifrån teori skulle kunna beskrivas som kompensation för de attribut ett jobb har. Slutligen skattas en övergripande modell som innehåller bägge faktorer. De första två modellerna estimeras för både män och kvinnor, där endast en dummyvariabel för kön inkluderas. Det finns dock vissa olikheter mellan män och kvinnor som motiverar att dessa skattas separat i vår övergripande modell. Slutligen undersöker jag om löneskillnaderna genom att dela upp skillnaden på en komponent som vi kan förklara och en som inte kan förklaras. Metoden för denna dekomponering finns ingående beskrivet nedan. Dekomponerings metoder Det finns fler sätt att dela upp den observerbara löneskillnaden. Några av dessa dekomponeringsmetoder presenteras nedan. I samtliga av dessa metoder erhålls två komponenter. Den ena komponenten uttrycker den andelen av den faktiska löneskillnaden som kan förklaras med hjälp av observerbar statistik. Den andra komponenten uttrycker den del som inte låter sig förklaras av tillgänglig statistik. Denna del av lönen förklaras av sådant vi inte har information om, men som påverkar lönen. Antag att logaritmen av månadslönen före skatt uttryckt i heltidsekvivalenter för en man i år t kan beskrivas som: ln W it =X it β t +σ t θ it där θ it ~ (0,1) (2) där X it är en vektor av observerbara egenskaper och β t är en okänd parameter som kan tolkas som avkastningen på de observerbara egenskaperna. Låt θ it vara den standardiserade residualen som har konstant varians och medelvärde noll. Vidare är σ t residualens standard avvikelse, dvs. nivån på männens residuallönespridning. Skillnaden mellan den genomsnittliga logaritmerade lönen för män och kvinnor kan då skrivas som en Oaxaca- Blinder dekomponering 16 : lnwm, t ln W f, t ( Xm, t Xf, t) β t σ t( θm, t θ f, t) Xtβt σ t θt = + = + (3) där m, f och betecknar man, kvinna och skillnad mellan man och kvinna respektive. Vänster ledets term visar det observerbara genomsnittliga könslönegapet. Detta gap kan delas upp i en del som förklaras av de observerbara egenskaperna och en del som inte går att förklara med observerbara egenskaper. Den senare kallas ibland lite slarvigt för diskrimineringsdel, men kan lika gärna förklaras av information som inte är tillgänglig för statistikern. Ett annat sätt är den så kallade Oaxaca-Ransom dekomponeringen: 25

26 lnwm, t ln W f, t= Xm( ˆ β m β*) + Xf( β* ˆ β f) + ( Xm Xf) β * (4) Nu delas istället det genomsnittliga observerbara könslönegapet upp i tre delar. De två första termerna är så kallade oförklarade termer dvs. termer som kan hänföras till diskriminering eller sakliga icke-observerbara skillnader. Den första termen brukar tolkas som en skillnad som beror på att män överbetalas och den andra delen beror på att kvinnor underbetalas. Den tredje termen är den del som kan förklaras av skillnader i egenskaper eller annan observerbar information. Ett annat populärt sätt att dela upp lönegapet är med den så kallade Brown-Moon-Zoloth dekomponeringen 17 : lnw J lnw = m, t f, t P X ( ˆ β ˆ β ) + P ( X X ) ˆ β f, j f, j m, j f, j f, j m, j f, j m j= 1 j= 1 J J ln Wm, j( Pˆf, j Pf, j) ln Wm, j( Pm, j Pˆf, j) + + j= 1 j= 1 J (5) där P j,f betecknar den faktiska frekvensen av en viss position j (yrke eller befattning) för en kvinna f. Den första termen tolkas som den oförklarade löneskillnaden inom en viss position j (dvs. estimerade skillnader i koefficienten inom viss position). Den andra termen är en förklarad del som beror på skillnader i observerbara egenskaper i en viss position j. Den tredje termen är en oförklarad term som reflekterar skillnader i hur man har skaffat sig eller hamnat i en viss position j (dvs. val av position som skiljer sig p.g.a. icke-observerbara egenskaper eller segregering). Den sista termen är den del som förklaras av att man väljer olika position, som kan förklaras av observerade egenskaper. Vill man däremot dekomponera förändringen i den genomsnittliga löneskillnaden mellan två grupper och två tidpunkter skall man använda en så kallad Juhn-Murphy-Pierce dekomponering 18 : Gs Gt = ( Xs Xt) β t+ Xs( β s βt) + σ t( θ s θt) = θ s( σ s σ t) (6) Här är det istället förändringen över tid i det genomsnittliga könslönegapet som delas upp i fyra olika termer. Den första termen brukar kallas för observerbar egenskapseffekt där förändringen hänförs till förändringar i observerbara kvalifikationer och egenskaper mellan män och kvinnor. Den andra brukar kallas för observerbar priseffekt där man hänför en del av gapet till förändringar i priser på observerbara egenskaper. Den tredje termen kallas ofta för icke-observerbara egenskapseffekten. Detta är skillnaden i lön som beror på att kvinnor rör sig upp eller ner i residuallönefördelningen för män (dvs. om kvinnor rankas högre eller lägre i den manliga residualfördelningen). Kvinnor kan röra sig upp i den manliga fördelningen om de förbättrar sin nivå av icke-observerbara kvalifikationer relativt män eller om diskriminering minskar med tiden. Det är förändringar i icke-observerbara genomsnittliga egenskaper vid konstant varians). Den sista och fjärde termen kallas ofta för den icke- observerbara priseffekten. Förändringar i den manliga residualfördelningen t kommer att påverka det oförklarliga lönegapet även om kvinnor behåller sin relativa position i den manliga residualfördelningen. Om vi tolkar en förändring i residualspridningen hos män som en ökning i marknadspremien för kvalifikationer så representerar denna en allmän relativ priseffekt. 26

27 Bilaga 4: Jämförelser mellan population och urval Tabell 6: Jämförelse mellan population och urval. Löneekvationer 1995 och Population Urval Population Urval Konstant 9.121*** (0.002) 9.173*** (0.003) 9.372*** (0.003) 9.495*** (0.004) Ålder 0.008*** (0.000) 0.007*** (0.001) 0.008*** (0.000) 0.006*** (0.000) Kvinna *** (0.000) *** (0.001) *** (0.000) *** (0.001) Heltid 0.061*** (0.001) 0.062*** (0.001) 0.064*** (0.001) 0.069*** (0.001) Forskarutbildning 0.530*** (0.001) 0.532*** (0.002) 0.544*** (0.002) 0.543*** (0.003) Eftergymnasial 0.287*** (0.001) 0.298*** (0.001) 0.325*** (0.001) 0.331*** (0.002) Gymnasial 0.079*** (0.001) 0.078*** (0.001) 0.094*** (0.002) 0.090*** (0.002) Ej klassificerad utbildningsnivå 0.265*** (0.005) 0.292*** (0.008) Antal observationer R Anmärkning: I både population och urval finns endast personer som arbetar mindre än 40 procent av heltid. Vidare är endast de frivilliga och obligatoriska medlemmarna som studeras (dvs. försäkringskassor är exkluderade medan affärsverken finns med). Urval refererar till det urval som används i skattningarna. I estimeringarna i tabellen inkluderas endast variabler som vi har information om för samtliga personer. Svårighetsnivå finns därmed inte med eftersom alla individer ej har klassificerats. Observera att en variabel för de som inte har något utbildning klassificerad finns med i populationen. Denna variabel finns inte med i urvalet. Det bör dock påpekas att referenskategorin fortfarande är de som endast har förgymnasialutbildning. Modellerna som helhet och samtliga variabler är enskilt signifikanta. Den enda signifikanta skillnaden mellan population och urval är att könslöneskillnaderna är något överskattade i urvalet. 27