Om studier av skolsegregation och närliggande områden. Några aspekter och en aktuell studie

Transkript

1 Om studier av skolsegregation och närliggande områden Några aspekter och en aktuell studie

2 2(25) Statistikkonsulterna Jostat & Mr Sample är ett expertföretag i Göteborg som bistår kommuner, myndigheter och företag med kvantitativa undersökningar och statistisk analys. Vi ger stöd i utredningar och uppföljningar.

3 3(25) Innehållsförteckning Inledning... 5 Skolsegregation och närliggande analysområden Inledning Närliggande analysområden Liknande data och liknande metodik... 7 Något om skolsegregation Inledning Vad säger forskningen? Varför är det viktigt att följa upp? Utmaningar avseende metodik Inledning Risker med för mycket eller fel data Modelltänk vid förklarande studier Skoldatas komplexitet Att lära av de bästa Är det seriöst att rangordna kommuner? Sund undersökningsmetodik En aktuell studie Inledning Datamaterialet Segregation på skolnivå Samband mellan skolsegregation och resultat Segregation på kommunnivå Diskussion Teknisk del Bilaga A. Referenser... 25

4 4(25)

5 5(25) Inledning Frågor kring skolsegregation har fått ökad uppmärksamhet under senare år och tas i stor utsträckning upp i forskning, myndighetsrapporter och i den allmänna debatten. Studier av skolsegregation har kopplingar till andra studieområden inom skol- och utbildningssektorn där man analyserar och följer upp kvalitet och likvärdighet. Uppföljningar och analyser inom dessa områden görs i många olika sammanhang och det är troligt att de kommer att ha en fortsatt och ökande betydelse. I denna rapport diskuterar vi kort skolsegregation och några närliggande områden. Dessutom berör vi ett antal aspekter av metodologisk karaktär, som vi tror har bäring på analys- och uppföljningsverksamhet inom skolområdet, men även mer generellt. Rapporten beskriver också en studie med koppling till skolsegregation, som Statistikkonsulterna genomförde under hösten Kvantitativa mått som speglar grad av skolsegregation på kommun- och skolnivå tas fram. I studien introducerar vi ett index för att mäta skolsegregation på kommunnivå ett sk index of dissimilarity. Detta är ett etablerat mått som använts i stor utsträckning vid liknande studier nationellt och internationellt.

6 6(25)

7 7(25) Skolsegregation och närliggande analysområden 1.1 Inledning Att skolsegregation seglat upp som ett aktuellt och omdiskuterat samhällsproblem är inte så konstigt. Frågor som rör ungdomar, deras utbildning och framtidsutsikter är engagerande och viktiga. Att frågor kring skolsegregation är aktuella men också brännbara, torde bero på att skolsegregation kan förmodas ha effekter på elevers studieprestationer och kommande livschanser, men också på att de har en ideologisk laddning. 1.2 Närliggande analysområden I och med kopplingen till studieprestationer kan skolsegregation sägas utgöra en del av ett bredare studieområde inom skol- och utbildningssektorn, rörande utbildningens kvalitet och likvärdighet. Inom detta bredare område kan man nämna uppföljning och analyser av exempelvis: Studieprestationer, betyg Betygsinflation Avhopp från gymnasieskola I sådana sammanhang kan skolsegregation, t.ex. med avseende på etnicitet, föräldrars utbildning eller föräldrars utbildning, tillsammans med andra faktorer användas som förklaringsvariabler. Uppföljning och studier inom dessa områden kan ske på olika nivåer, från väldigt lokala till övergripande riksnivåer. Direktiv avseende sådant kommer ofta från myndigheter. Ett exempel är Skolinspektionens rapport kring sk betygsinflation, dess utveckling och orsaker Liknande data och liknande metodik Karaktäristisk för de nämnda studieområden och liknande är att det ofta använder sig av samma slag av data från lokala data ner till individnivå, via öppna data på skolnivå, till aggregerade på exempelvis riksnivå. Typiskt är också att man i många studier leds till att använda sig av liknande metoder. Om syftet går utöver ren beskrivning och uppföljning hamnar man ofta i sambandsanalyser, där det gäller att mäta hur olika bakgrundsfaktorer påverkar resultatvariabler. Här används sk regressionsmodeller, som är statistiska verktyg för sambandsanalys. Ett konkret exempel på användningsområden där sådan metodik tillämpas är vid utveckling av resursfördelningsmodeller i olika sammanhang. 1 I Skolinspektionens rapport Rättvis och likvärdig betygsättning i grundskolan, 2018, trycker man på vikten av att huvudmän och rektorer följer upp resultat på olika nivåer mellan skolor, klasser och lärare och gör jämförelser mellan betyg och resultat på nationella prov.

8 8(25) Längre fram i rapporten ges ett exempel på en enkel sådan analys, där vi studerar hur några variabler kopplade till segregation påverkar skolresultat.

9 9(25) Något om skolsegregation 2.1 Inledning Längre fram i rapporten beskrivs en studie kring skolsegregation där målgruppen är elever i årskurs 9, läsåret 2017/2018. En liknande studie, avseende grundskolan årskurs 1-9, har även genomförts men tas inte upp i denna rapport. I det följande ges några kortfattade kommentarer avseende utredningar och forskning med tonvikt på svenska förhållanden. För övrigt hänvisas till litteraturförteckningen i rapportens slutdel. 2.2 Vad säger forskningen? Med skolsegregation menar man att skolors sammansättning med avseende på elevers familjebakgrund skiljer sig åt. Hur man mäter familjebakgrund kan skilja sig åt mellan olika studier, men vanligtvis beaktar man något eller några av faktorerna föräldrars utbildningsnivå, föräldrars inkomst och etnisk bakgrund. Då man läser utredningar och forskningsartiklar som berör skolsegregation kan man nog konstatera att det finns en allmän samsyn i att denna ökat i Sverige under de senaste tjugo åren. Figur 1 visar aktuella siffror från Skolverket, avseende mellanskolvariation i sk sociodemografiskt index. Figur 1 Mellanskolvariation i sociodemografiskt index, Skolverket Bland orsaker till skolsegregation har man velat se effekter av det svenska skolsystemet, framförallt då det fria skolvalet. En annan förklaring som lyfts fram är att skolsegregationen speglar en ökande boendesegregation. När det gäller skolsegregationens effekter har intresset i första hand rört huruvida denna påverkar studieresultat. Att det finns ett empiriskt samband mellan

10 10(25) skolsegregation och skillnader i resultat mellan skolor är knappast kontroversiellt, utan diskussionen rör snarare orsaksförklaringar. Bland möjliga förklaringar har man fört fram kamrateffekter och lärares förväntningar. Att mellanskolvariation i resultat har ökat under senare år står klart, se figur 2 2. Figur 2 Mellanskolvariation i meritvärde, Skolverket Skolsegregation bidrar ju till att olika samhällsgrupper isoleras från varandra. I diskussionen har det framförts att skolsegregation, förutom att påverka skolans värld, kan bidra till minskad förståelse och tillit mellan samhällsgrupper och på sikt till ökad samhälleliga spänningar. 2.3 Varför är det viktigt att följa upp? Orsaker och effekter av skolsegregation är omdiskuterade. Detta torde delvis bero på att frågan har en ideologisk laddning, som nog är svår att komma ifrån. Dessutom är frågor kring orsakssamband notorisk svåra att helt klarlägga även om man har tillgång till avancerad statistisk metodik och relevanta data. Inte desto mindre så får man nog konstatera att det finns en allmän samsyn i att skolsegregation är ett negativt fenomen ur olika aspekter. Även om det skulle vara så att skolsegregationen minskar över tid på riksnivå, så kan det vara så att stora skillnader kvarstår på olika lokala nivåer och att utvecklingen där kan vara en annan. Det torde därför vara angeläget att fortsätta följa upp och analysera skolsegregationen i förhållande till andra målvariabler både på övergripande och lokala nivåer. 2 I Skolverkets rapport från 2018 mäts skolsegregation och mellanskolvariation i meritvärde med sk variansdekomposition. Detta innebär att man mäter hur stor andel av en total variation, som förklaras av variation mellan skolor.

11 11(25) Utmaningar avseende metodik 3.1 Inledning Det är nog inte fel att säga att möjligheterna till olika slag av kvantitativa uppföljningar och analyser förbättrats under de senaste åren, mycket beroende på att mer och mer data av god kvalitet sammanställs och tillgängliggörs från myndighetshåll. Detta gäller inte bara inom skolområdet. I det följande diskuterar vi några aspekter av metodkaraktär, som vi tror är viktiga att beakta vid uppföljningar och analyser. Diskussionen gör inga anspråk på originalitet, men kan sägas argumentera för ett sunt användande av statistik- och undersökningsmetodik. 3.2 Risker med för mycket eller fel data Den ökande tillgången till data inom skolområdet och annan kommunal verksamhet kan vara av godo, men innebär också risker. En uppenbar risk är att man drunknar i data, att man mäter för mätandets skull och att man därmed inte får chans att utvärdera och agera. Att mycket data blivit mer lättillgängligt kan medföra en risk att man använder fel data för ett givet syfte. Annorlunda uttryckt att man låter data styra det man studerar. Här uppstår ett validitetsproblem av större eller mindre omfattning. En lösning är naturligtvis att man blir bättre på att kritisk granska olika data med avseende på definitioner och hur de är framtagna. En annorlunda, och nog bättre, lösning är att man mer explicit utgår från ett upplevt problem och att man startar med att noggrant definiera detta så konkret som möjligt. I ett nästa steg går man vidare med att formulera hypoteser kopplade till problemområdet t.ex. hypoteser kring dess omfattning, var det mest förekommer, vad som är orsaker etc. Genom att vara uppmärksam på hur de uppställda hypoteserna kan göras mätbara, blir det lättare att avgöra om man för prövning kan använda tillgängliga data eller om nya data, kvantitativa eller kvalitativa, måste samlas in på något sätt. Ett arbetssätt för utveckling och kvalitetsförbättring enligt ovan, beskrivs ingående i den sk datateam-metoden (se Schildkamp mfl, 2016). Vi anser att denna metod inte innebär något revolutionerande nytt eftersom den nog kan sägas anknyta till ett etablerat vetenskapligt förhållningssätt. Metoden tillför dock mycket gott genom att den betonar ett systematisk och sunt sätt att använda data för kvalitetsutveckling. 3.3 Modelltänk vid förklarande studier Vid förklarande studier, då man är intresserad av orsakssamband, tillkommer utmaningar utöver de som finns i studier som är mer beskrivande och uppföljande. Förklarande studier är vanligt förekommande inom skolområdet. Man nöjer sig inte med att konstatera att svenska elevers prestationer har sjunkit enligt PISA, att det finns tecken på betygsinflation i grundskolan eller att skolsegregationen ökat. Man vill använda data till att besvara frågor kring orsakssamband.

12 12(25) Som de flesta vet är ett grundläggande problem vid icke-experimentella studier att observerade samband inte är det samma som orsakssamband. Att elever i friskolor genomsnittligt presterar bättre än elever i kommunala skolor behöver inte betyda att de förstnämnda har bättre kvalitet i sitt sätt att förmedla utbildning. Det kan bero på bakomliggande faktorer, som yttrar sig i att elever i de två kategorierna har olika egenskaper från början. Sådana faktorer kan man med statistiska metoder kontrollera för, men en förutsättning är naturligtvis att man har tillgång till relevanta data. Om man inte har tillgång till viktiga sådana data och kunnat kontrollera för dem, måste man förstås vara försiktig då man tolkar observerade korrelationer. Att i dessa sammanhang tillämpa ett modelltänkande anser vi är viktigt. Detta innebär att man utnyttjar kvalitativ kunskap inom problemområdet för att kartlägga orsakssamband och vilka faktorer som är viktiga. Här ingår också att på ett lämpligt sätt översätta sådan kunskap till statistiska sambandsmodeller. Vi tror att tillgång till data och huruvida man kunnat kontrollera för olika faktorer är ett väsentligt bidragande skäl till att man i olika studier, kring exempelvis prestation och skolsegregation, kunnat komma fram till olika resultat. 3.4 Skoldatas komplexitet Vid förklarande studier använder man sig nästan genomgående av sk regressionsmodeller för att mäta samband mellan två variabler samtidigt som man kontrollerar för ett antal andra faktorer. Detta är väldigt vanligt inom skolområdet, t.ex. i utredningar från Skolverket och i olika forskningsrapporter. En komplicerande faktor vid sådana analyser, som är ganska typisk för just skolområdet, är att data kan finnas på flera nivåer. Vi kan således ha data på elevnivå, på klassnivå, på skolnivå etc. Detta medför att statistiska analyser kan bli mer komplicerade i åtminstone två avseenden. Det ena är att datas variationsmönster kan vara olika beroende på vilka jämförelser som görs. Elever i samma klass är t.ex. vanligtvis mer lika varandra när det gäller prestationer och bakgrundsfaktorer än en grupp elever som kommer från olika klasser. Sådana variationsmönster vill man och bör man ta hänsyn till då man redovisar resultats säkerhet. Den andra komplicerande aspekten vi tänker på, är att man vid olika slag av sambandsanalyser kan ha påverkande effekter som ligger på olika nivåer. Om man t.ex. studerar hur faktorer påverkar elevers studieprestation, kan man ha förklarande faktorer på individnivå såsom kön, föräldrars inkomst etc. Men man kan också ha samma faktorer på en högre nivå, såsom andel flickor eller genomsnittlig föräldrainkomst i klassen eller skolan. Dessutom kan sådana skolfaktorer andel behöriga lärare och kostnad per elev ingå i analysmodellerna.

13 13(25) 3.5 Att lära av de bästa I samband med kvalitetsutveckling och liknande hör man ofta talet att man ska göra jämförelser med och lära av de bästa. Om man exempelvis jämför ett antal skolor med avseende på elevers prestationer, så kan det vara frestande att studera den eller de bästa skolorna, notera deras arbetssätt med avseende på organisatoriska och pedagogiska faktorer, och försöka arbeta på ett liknande sätt. Med en sådan metod vet man dock inte vilka av ett antal faktorer som faktiskt bidragit till framgång. För att veta det måsta man även undersöka de sämre skolorna. 3.6 Är det seriöst att rangordna kommuner? I den studie som Statistikkonsulterna genomfört och vars övergripande resultat beskrivs längre fram i rapporten, finns möjlighet att jämföra och rangordna kommuner efter storlek på skolsegregation. I detta avsnitt diskuteras kort kritik som framförts mot olika slag av kommunrankningar. På marknaden förekommer det, från olika aktörer, ett stort antal studier där kommuner rangordnas och jämförs i olika avseenden. Inom skolområdet gör exempelvis Lärarförbundet en årlig sammanställning kallad Bästa skolkommun. Jämförelser inom andra områden görs t.ex. av Svenskt Näringsliv och Dagens Samhälle. Kommunrankningar av dessa slag har kritiserats från många håll. Sammanfattningsvis kan man säga att kritiken har koncentrerats till tre olika områden hur undersökningarna genomförs, hur resultat ska tolkas och hur resultat bör användas. När det gäller hur undersökningarna genomförs kan man rikta kritik mot hur data samlas in, vilken målpopulation som avses etc. Framförallt har man dock kritiserat faran med att många undersökningar baserar rangordningar på någon form av index av ett stort antal olika variabler, där dessa kanske också viktas på ett godtyckligt sätt. I dessa fall är det svårt att tolka vad resultat innebär och vad som orsakar förändringar. En annan kritik har skjutit in sig på att enskilda kommuners rangordning har haft en tendens att ändra sig kraftigt år från år och att sådana förändringar får stor uppmärksamhet. Att en sådan instabilitet kan förkomma och inte behöver spegla reella förändringar står klart och kan ha naturliga förklaringar. I nedanstående figur visas ett resultat, som nog inte är speciellt unikt. Det visar Lärarförbundets rankning av Bästa skolkommun åren 2015 och Varje punkt representerar en kommun och figuren visar dessas sammantagna rangordning där 1 är det bästa värdet.

14 14(25) Figur 3 Bästa skolkommun, rangordning 2015 och Lärarförbundets hemsida, Även om det här finns en stark korrelation mellan de två åren (r = 0.77), så ser man att det inte är ovanligt med förändringar av storleksordningen placeringar för enskilda kommuner. En kritik av delvis annan inriktning berör risken att ett fokus på rangordningar kan störa arbetet med kvalitetsutveckling inom skola. Det har hävdats att rankningsrapporter förflyttar uppmärksamheten från brister i den egna organisationen till att man fokuserar på att försvara sin egen plats i rangordningen. Vi instämmer i stort med ovannämnda kritik, men tror ändå att kommunjämförelser inom viktiga områden har en funktion att fylla om det görs på ett seriöst och insiktsfullt sätt. Detta innebär att man nog bör undvika att rangordna efter index baserade på för många disparata faktorer. Det torde också vara viktigt med transparens med avseende på använda data, beräkningar etc och att man fäster uppmärksamhet på olika risker när det gäller hur resultat och förändringar ska tolkas. 3.7 Sund undersökningsmetodik Även om man använder sig av data från säkra källor från den egna verksamheten, från myndigheter eller liknande är det angeläget att man beaktar sund undersökningsmetodik. Vi har ovan berört vikten av att använda rätt data för rätt syfte, vilket kan innebära att man är noga med att kontrollera datas definitioner och avgränsningar. Till andra felkällor som kan vara mer eller mindre allvarliga hör bortfallsproblem och mätfel, som även kan drabba officiella data. Speciella hänsynstaganden uppstår i de fall man planerar egna studier där primärdata ska samlas in. Det kan handla om enkätstudier, men också om olika slag av observativa

15 15(25) studier. Här gäller det att vara uppmärksam på urvalsfel och systematiska fel som härrör från datainsamlingen. Till sund undersökningsmetodik hör också att man på ett bra sätt dokumenterar hur studier och analyser genomförs. Det finns mallar för sådan dokumentation och att följa sådana bidrar ofta till bra kvalitet.

16 16(25)

17 En aktuell studie 4.1 Inledning Statistikkonsulterna har gjort en studie kring skolsegregation baserad på data från läsåret 2017/2018 hämtade från Skolverket. I det följande beskrivs studien och några övergripande resultat presenteras. 4.2 Datamaterialet Datamaterialet har hämtats från Skolverket och täcker data för årskurs 9, läsåret 2017/2018 för 1659 skolor i samtliga Sveriges kommuner. Skolsegregation mäts utifrån de två faktorerna etnisk bakgrund och föräldrars utbildning. För att mäta segregation på skolnivå med avseende på dessa faktorer har vi använt oss av två mått dels andel elever i årskurs 9 med svensk bakgrund, dels andel elever, årskurs 9, vars föräldrar har hög utbildning. Dessa andelar har sedan relaterats till genomsnittlig andel beräknat över de aktuella skolorna i kommunen. Etnisk bakgrund: Andel elever årskurs 9 per skola med svensk bakgrund (dvs elev som är född i Sverige med minst en förälder född i Sverige). Jämför med motsvarande andel elever i hela kommunen. Föräldrars utbildning: Andel elever årskurs 9 per skola med högutbildade föräldrar (dvs som har minst en förälder med eftergymnasial utbildning). Jämför med motsvarande andel elever i hela kommunen. På detta sätt får man mått som anger i vilken utsträckning en viss skola har en högre eller lägre andel elever med svensk bakgrund jämfört med aktuella skolor i hela kommunen. Man kan då tala om att en skola är negativt eller positivt segregerad, där positiv segregation innebär att en skola har en större andel elever med svensk bakgrund jämfört med genomsnittet i kommunen och negativ segregation om denna andel är mindre. Motsvarande tolkning gäller för andel elever vars föräldrar har hög utbildning 3. Om en skola ex.vis har ett värde på 10 för segregation, etnisk bakgrund innebär det att skolan har 10 procentenheter fler elever med svensk bakgrund jämfört med andel elever med svensk bakgrund i hela kommunen. I studien använder vi även ett antal resultatmått på skolnivå genomsnittligt meritvärde, andel som klarat alla kunskapskrav och andel med behörighet till yrkesprogram på gymnasium. 3 Se avsnittet Teknisk del för en närmare beskrivning av beräkningar och en förklaring till terminologin negativ och positiv segregation.

18 18(25) 4.3 Segregation på skolnivå Figur 44 visar skolsegregation efter etnisk bakgrund och föräldrars utbildning per skola, där det även anges huruvida en viss skola är kommunal eller enskild. Figur 4 Segregation efter etnisk bakgrund och föräldrars utbildning, skolor årskurs 9 Man kan se att det finns ett positivt samband mellan de två måtten om en skola är positivt segregerad med avseende på den ena faktorn så finns en tendens att den även är det på den andra. Det är också tydligt att skolor med enskild huvudman ligger förskjutna uppåt till höger i figuren, vilket innebär en tendens till att dessa är kopplade till högre andelar med svensk bakgrund och högre andelar med högutbildade föräldrar. I figur 5 visas fördelningen för segregation etnisk bakgrund. Figur 5 Segregation etnisk bakgrund skolnivå årskurs 9, fördelning

19 19(25) Positiva värden innebär alltså skolor med högre andelar elever med svensk bakgrund jämfört med kommunsnitt. Med en viss godtycklighet skulle man kunna säga att skolor som avviker mer än 20 procentenheter från kommunsnitt är markant segregerade. Detta är alltså skolor som i figur 4 har värden större än +20 eller mindre än -20. För etnisk bakgrund rör det sig om 12% av skolorna, dvs runt 200 stycken. Motsvarande siffror för föräldrars utbildning är 10% och ca 170 stycken. Dessa siffror varierar naturligtvis kraftigt mellan olika kommuner. Runt 50 kommuner har en eller flera sådana markant segregerade skolor. 4.4 Samband mellan skolsegregation och resultat Att det på skolnivå finns samband mellan skolsegregation och studieresultat är belagt i många studier. I figur 6 illustreras sambandet mellan segregation, föräldrars utbildning och andel elever som klarat samtliga kunskapskrav. Man kan se att skolor med en hög andel elever med svensk bakgrund, genomsnittligt har en större andel som klarat samtliga kunskapskrav. Figur 6 Samband mellan segregation föräldrars utbildning och andel som klarat alla kunskapskrav, skolor Med hjälp av regressionsanalys kan man ta analysen ytterligare ett steg för att studera hur flera faktorer förklarar mått på skolresultat. I figur 7 visas resultat för en sådan analys avseende andel som klarat alla kunskapskrav. I modellen ingår också typ av huvudman (enskild eller kommunal) som en förklarande faktor.

20 20(25) Figur 7 En regressionsmodell Etnisk bakgrund 2.7 Klarat alla kunskapskrav Föräldrars utbildning Enskild huvudman Av analysen framgår att föräldrars utbildning har en något större effekt än etnisk bakgrund. Effektmåtten anger hur många procentenheters ökning i andel som klarar alla kunskapskrav man kan förvänta sig om andelen elever med svensk bakgrund respektive andel elever med högutbildade föräldrar ökar med tio procentenheter. Skolor med enskild huvudman förväntas ha sex procentenheter högre andel som klarar alla kunskapskrav jämfört med kommunala, givet att man har samma elevsammansättning med avseende på etnisk bakgrund och föräldrars utbildning. 4.5 Segregation på kommunnivå Vi har hittills tagit upp segregation på skolnivå, dvs hur mycket en enskild skolas elevsammansättning skiljer sig från ett genomsnitt i kommunen. Genom att mäta hur mycket skolors sammansättning med avseende på etnisk bakgrund och föräldrars utbildning varierar mellan skolor inom en kommun, kan man ta fram segregationsmått på kommunnivå och därmed få jämförelser mellan kommuner. Segregation på kommunnivå Mäter spridning mellan en kommuns skolor med avseende på andel elever med högutbildade föräldrar respektive andel elever med svensk bakgrund. I studien har index tagits fram som mäter etnisk segregation respektive segregation utifrån föräldrars utbildning på kommunnivå. Indexet (ett sk index of dissimilarity) kan teoretiskt ligga mellan 0 och 100. Låga värden innebär liten skolsegregation, dvs att skolor inom en kommun varierar lite med avseende på elevsammansättning. Höga värden innebär större skillnader mellan en kommuns skolor. I figur 8 visas dessa index grafiskt, där kommuner med fler än fem skolor medtagits. Några lågt respektive högt segregerade kommuner har märkts ut. Precis som på skolnivå kan man på kommunnivå alltså se ett positivt samband mellan etnisk segregation och segregation utifrån föräldrars utbildning.

21 21(25) Figur 8 Skolsegregation för ett urval kommuner De två indexen har också viktats ihop till ett sammanfattande segregationsindex på kommunnivå. I figur 9 visas dess fördelningen för samtliga kommuner med fler är en skola. Man ser att segregationsindex varierar från lägst ca 0 till runt 40. Medelvärdet över samtliga kommuner med fler än en skola ligger på 16. Figur 9 Segregationsindex kommunnivå, fördelning

22 22(25) 4.6 Diskussion I denna rapport har vi valt att inte redovisa detaljerade resultat på skol- eller kommunnivå. Om man tar fram sådana resultat uppstår naturligtvis frågor kring hur resultat ska tolkas och användas. En specifik fråga härvidlag är hur stabila eller representativa resultat från enskilda år är. Vi tänker här på frågor av typen hur stora skillnader mellan skolor eller mellan kommuner ska man betrakta som relevanta och kanske agera på och vilka skillnader bör betraktas som oväsentliga eller tillfälliga. Det finns naturligtvis inga bestämda svar på sådana frågor, utan man får göra tolkningar från fall till fall, använda sunt förnuft och kunskap om lokala förhållanden. Det finns anledning att tro att de data vi använt för den aktuella studien kan av naturliga skäl variera ganska mycket från år till år just beroende på att målgruppen, elever i årskurs 9, är relativt liten. Detta kan kanske ha ett intresse i sig, men måste naturligtvis beaktas då man utvärderar olika förändringar. Vi planerar att återkomma till frågor kring variation över tiden i kommande rapporter. 4.7 Teknisk del Data avseende segregationsmått och skolresultat för elever i årskurs 9, läsåret 2017/2018, har hämtats från Skolverkets öppna data, Siris. För att mäta etnisk segregation respektive segregation, utbildning har följande uppgifter hämtats: p Eij = andel elever årskurs 9, kommun i, skola j, med svensk bakgrund p Uij = andel elever årskurs 9, kommun i, skola j, vars föräldrar har hög utbildning Med svensk bakgrund avses elever, födda i Sverige, med minst en förälder född i Sverige. Till gruppen med högutbildade föräldrar räknas elever som har minst en förälder med eftergymnasial utbildning. För att mäta etnisk segregation på skolnivå har följande differens bildats: Eij = p Eij p Ei där p Ei är medelvärdet av p Eij beräknat över aktuella skolor i kommun i, viktat med antal elever årskurs 9 i respektive skola. Motsvarande definition, Uij, används för utbildning. Man kan överväga alternativa sätt att mäta en skolas avvikelse från ett kommunmedelvärde. Vi har här valt detta rättframma mått pga att det är lättolkat och att det ger möjlighet att jämföra mot tidigare nämnda studie från Arena Idé.

23 23(25) I detta sammanhang talar vi på några ställen i rapporten om negativ respektive positiv segregation. Med exempelvis positiv etnisk segregation avser vi då skolor där Ei är positiv. Anledningen till detta språkbruk är att höga andelar elever med svensk bakgrund i regel är korrelerad med högre studieresultat. Avsikten är alltså inte att lägga någon kvalitativ värdering i detta. Segregation på kommunnivå avser hur mycket elevsammansättningen med avseende på etnisk bakgrund (p Eij ) och föräldrars utbildning (p Uij ) varierar mellan skolor i en kommun. I studien beräknas för bägge faktorerna ett mått som kallas index of dissimilarity DE för etnisk bakgrund och DU för föräldrars utbildning. Teoretisk kan ett sådant index anta värden mellan 0 och 100. Det kan tolkas som andelen elever i ena gruppen (t.ex. de vars föräldrar har låg utbildning), som måste byta skola för att skolsegregationen skall upphöra. De två indexen, DE och DU, vägs sedan ihop till det mått, D, vi kallar segregationsindex, kommunnivå. För etnisk bakgrund beräknas indexet enligt: D Ei = M ij M i j där M ij = antal elever årskurs 1-9, kommun i, skola j M i = antal elever årskurs 1-9, kommun i p Eij p Ei 2p Ei (1 p Ei ) 100 I olika forskningssammanhang finns en omfattande diskussion kring olika mått för att mäta skolsegregation med den typ av data som vi här haft tillgång till. Vi nöjer oss här med att konstatera att index of dissimilarity har många fördelar och har använts flitigt i empiriska studier. I referenslistan har vi inkluderat några artiklar av mer teoretisk inriktning. Analysen i avsnitt 4.4 involverar en linjär mixad regressionsmodell.

24 24(25)

25 Bilaga A. Referenser Arena Idé (2018). Ett söndrat land. Skolval och segregation i Sverige. Arena Idé. Borgström C (2017). Olika barn leka bäst? En fallstudie om social elevsortering, prestationsklyftor och skolsegregation i Malmö. Lunds universitet, Institutionen för kulturgeografi och ekonomisk geografi Böhlmark, Anders., & Holmlund, H. (2012). Lika möjligheter? familjebakgrund och skolprestationer Institutet för arbetsmarknads-och utbildningspolitisk utvärdering (IFAU). Böhlmark, Anders., Holmlund, H., & Lindahl, M. (2015). Skolsegregation och skolval. Institutet för arbetsmarknads-och utbildningspolitisk utvärdering (IFAU). Duncan O. D. & Duncan B. (1955). A Methodological Analysis of Segregation Indexes. American Sociological Review Nr. 2 s Erlingsson G, Sundell A (2013). Vad lär vi oss egentligen av kommunrankningar? Statsvetenskapliga institutionen, Göteborgs universitet. Frankel D.M. & Volij O. (2011) Measuring School Segregation. Journal of Economic Theory 146 s 1-38 Gustafsson, J.-E. & K. Yang Hansen (2016). Causes of educational segregation in Sweden - school choice or residential segregation. Educational Research and Evaluation, vol. 22, issue 1-2. James D. R. & Taeuber K. E. (1985). Measures of Segregation. Sociological Methodology Vol. 15 s 1-32 Schildkamp K. mfl (2016). Datagrundad skolförbättring utifrån datateam metoden. Studentlitteratur. Skolinspektionen (2018). Rättvis och likvärdig betygssättning i grundskolan? Skolinspektionen. Skolverket (2018). Analyser av familjebakgrundens betydelse för skolresultaten och skillnader mellan skolor. En kvantitativ studie av utvecklingen över tid i slutet av grundskolan. Rapport 467. Stockholm, Skolverket. Svenskt Näringsliv (2016). Förbättrad välfärd. Likvärdighet i den svenska skolan. Stockholm. Svenskt Näringsliv. Vlachos J. (2012). Är konkurrens och vinst en bra modell för skolan? Ekonomisk Debatt nr 4, s