Hälsa och ekonomisk ojämlikhet

Transkript

1 Mandana Karim Hälsa och ekonomisk ojämlikhet En studie om sambandet mellan hälsa och ekonomisk ojämlikhet i Sveriges kommuner Health and economic inequality A study about the relationship between health and economic inequality in Sweden s municipalities Nationalekonomi C-uppsats Termin: VT 17 Handledare: Katarina Katz

2 c 1

3 Abstract Date: March 27th, 2017 Level: Bachelor thesis Subject: Economics Organization: Faculty for economics, communication and IT Author: Mandana Karim Title: Health and economic inequality Tutor: Katarina Katz Keywords: Economic inequality, Sweden, health, municipalities, correlation. Purpose: The aim of this study to show if economic inequality has an impact on life expectancy in Sweden s municipalities, and if the relationship remains when other variables are controlled for. Research Question: Are Swedish municipalities with economic equality healthier than Swedish municipalities with a higher degree of economic inequality? Method: This study has used a quantitative analysis of aggregated data. The data is compiled in SPSS (Statistical Package for the Social Sciences) and is used in a bivariate analysis to finally show the statistical conclusions. Conclusion: Economic inequality will result in better health for both men and women in Swedish municipalities. The relationship persists when the variables unemployment and higher education level are included. But when the variable average for disposable income is added, it causes a multicollinearity problem. However, the coefficient of determination is quite low for all the relationships and it can be explained by that it is difficult to find strong correlations between these variables in small communities. 2

4 Sammanfattning Datum: 27 mars, 2017 Nivå: Kandidatuppsats Ämne: Nationalekonomi Organisation: Fakulteten för ekonomi, kommunikation och IT Författare: Mandana Karim Titel: Hälsa och ekonomisk ojämlikhet Handledare: Katarina Katz Nyckelord: Ekonomisk ojämlikhet, Sverige, hälsa, kommuner, korrelation. Syfte: Studien innehåller en ekonometrisk undersökning för att undersöka om ekonomisk ojämlikhet har en påverkan på hälsan i Sveriges kommuner, och om sambandet kvarstår när det kontrolleras för andra variabler. Frågeställning: Har invånare i svenska kommuner med ekonomisk jämlikhet bättre hälsa än invånare i svenska kommuner med en högre grad av ekonomisk ojämlikhet? Metod: Studien har använt sig av en kvantitativ analys av aggregerad data. Datan sammanställts i SPSS (Statistical Package for the Social Sciences) som sedan följts av en bivariat analys för att slutligen påvisa vilka statistiska slutsatser som kan säkerställas. Slutsats: Ekonomisk ojämlikhet resulterar i bättre hälsa både för män och kvinnor i Sveriges kommuner. Sambandet kvarstår när variablerna arbetslöshet samt högre utbildningsnivå inkluderas. Det uppstår multikollinearitet när variabeln medelvärde för disponibel inkomst tilläggs. Däremot är förklaringsgraden väldigt låg för alla samband och kan förklaras av att det bland annat är svårt att hitta starka samband mellan dessa variabler i små lokalsamhällen. 3

5 Innehållsförteckning 1. Introduktion Bakgrund Problemformulering Syfte Frågeställning Teori Hälsomått Inkomstspridningsmått Samband mellan inkomstspridning och hälsa Metod Forskningsmetod Avgränsningar Bortfallsanalys Analys Data, tabeller och hypoteser Förklarande variabel Beroende variabler Inkomstskillnader Korrelationer Regressionsanalys Hypotestest Slutsats.33 4

6 1. Introduktion 1.1. Bakgrund Inequality reduction is one of the sustainable development goals for the world. I heard that there is a paper showing that Sweden is the most likely to achieve the sustainable goals first. Don t do it without addressing goal number 10, to reduce inequalities within your society as well as between them. (Kate Pickett 2016) Kate Pickett som citeras ovan är forskare inom området ekonomisk ojämlikhet och hälsa. Hon forskar tillsammans med Richard Wilkinson om hur sambandet ser ut i olika länder och jämför ländernas resultat med varandra. Deras forskning redovisas i boken Jämlikhetsanden som förklarar hur ekonomisk ojämlikhet kan resultera i fattigdom och sjukdomar. De visar studier på hur människor som lever i länder med en hög grad av ekonomisk ojämlikhet påverkas genom stress, ångest och andra negativa hälsofaktorer (Wilkinson & Pickett 2009). Med en högre inkomst är det också lättare att leva ett mer hälsosamt liv då man har råd med varor och service som är viktiga för att bevara en god hälsa. Människor behöver inte heller avstå från att delta i sociala sammanhang eller sluta umgås med grupper där de känner att de hör hemma för att de inte har råd. De upplever inte heller känslan av att de tillhör en lägre rank i samhället eller har en lägre status än andra (Lundberg et al. 2010). Fler forskare som skrivit böcker inom området är Andreas Bergh, Therese Nilsson och Daniel Waldenström. Hälsa definieras enligt deras studier som förväntad medellivslängd efter födsel och de fokuserar mer på hur jämlikt Sverige är i förhållande till andra länder. Även om deras undersökningar visar att Sverige har en god hälsa i förhållande till många andra länder så menar Folkhälsomyndigheten (2016) att det fortfarande finns skillnader mellan olika områden i landet och att det finns en ekonomisk ojämlikhet. Domeij och Flodén (2009) visar också att den ekonomiska ojämlikheten har ökat i Sverige under de senaste årtiondena. Den här studien kommer närmare att undersöka hur fördelningen ser ut i Sverige genom att undersöka hur fördelningen mellan hälsa och ekonomisk ojämlikhet ser ut i landets olika kommuner och se hur starkt sambandet är. Det görs genom att undersöka om ekonomisk ojämlikhet leder till en längre eller kortare förväntad medellivslängd efter födsel för män respektive kvinnor. När dessa samband har undersökts internationellt har flera kontrollvariabler tillfogats för att kunna se tydliga samband (Wilkinson & Pickett 2009). Variabler som hög utbildningsnivå och arbetslöshet kommer därför också att inkluderas i den 5

7 här studien för att se om de är jämnt fördelade över hela landet och mellan könen. En hög utbildningsnivå innebär eftergymnasial utbildning på mindre än tre år, mer än tre år eller forskarutbildning. Vågerö (2011) visar i sin tidskrift att det finns ett samband mellan högre utbildningsnivå och bättre hälsa i Sverige då en ökning av utbildningsnivån i landet tydligt skett parallellt med ökade skillnader i dödlighet under fyra decennier. Individer som har grundskoleutbildning, individer som har gymnasieutbildning och individer med postgymnasial utbildning skiljer sig åt alltmer i förväntad medellivslängd Problemformulering Efter att boken Jämlikhetsanden släpptes år 2009 har boken diskuterats flitigt i Sverige, inte bara på kultursidor utan även i den politiska debatten i riksdagen. Boken har fått en del kritik, bland annat menar kritiker att deras forskning inte kan hävda att ojämlikhet orsakar ohälsa, eftersom det krävs mer högkvalitativ forskning för att klargöra effekter (Berggren & Nilsson 2014). Trots kritiken har frågan om människor i länder med större inkomstklyftor lever kortare liv lyfts och också hur situationen ser ut i Sverige (Bergh et al. 2012). Det sägs att Sverige är ledande inom jämställdhet (Kate Pickett 2016), men ändå lyfter Sveriges riksdag frågor kring hur de ska minska inkomstklyftorna i landet (Sveriges riksdag 2012). För att kunna minska ojämlikheten och besvara dessa frågor behövs det därför först undersökas hur stor ojämlikheten är i Sverige på en lokal nivå. Sedan också undersöka om ekonomisk ojämlikhet i Sverige verkligen har ett samband med hälsa Syfte Syftet med studien är att med en ekonometrisk analys undersöka om ekonomisk ojämlikhet har en påverkan på hälsan i Sveriges kommuner, och om sambandet kvarstår när det kontrolleras för andra variabler Frågeställning Har invånare i svenska kommuner med en låg grad av ekonomisk jämlikhet bättre hälsa än invånare i svenska kommuner med en högre grad av ekonomisk ojämlikhet? 6

8 2. Teori 2.1. Hälsomått Förväntad medellivslängd efter födsel är ett objektivt hälsomått och en fördel med just objektiva hälsomått är att de är precisa. De innehåller inte allt vi lägger i begreppet god hälsa, men de fångar in flera av dess centrala aspekter. Ett problem med att mäta objektiva hälsomått är däremot att resultatet kan skilja sig beroende på vilket objektivt hälsomått som används. Exempelvis så visar måttet förväntad livslängd att den svenska folkhälsan förbättrats markant de senaste åren medan överviktsmåttet visar att den försämrats under samma period. Dessutom kan bortfall och urvalsdata i enkätundersökningar resultera i en större osäkerhet i beräkningar och resultat (Bergh et. al 2012). Måttet som kommer användas i den här studien är förväntad medellivslängd vid födsel och måttet sammanfattar överlevnad samt dödlighet för alla åldrar samtidigt. Ett barn som dör får därför större påverkan på medellivslängden än en äldre individ. Medellivslängden i Sverige har aldrig tidigare varit så hög som den är idag, ökningen drivs sedan flera decennier av minskad dödlighet i pensions- och medelålders istället för minskad dödlighet bland barn (Folkhälsomyndigheten 2016). Sverige är ur ett internationellt hälsoperspektiv ett relativt jämlikt samhälle. Men det betyder inte att hela befolkningen har samma nivå av välmående och god hälsa. Skillnader i hälsa, exempelvis förväntad livslängd och övervikt, påverkas starkt av människors levnadsförhållanden samt livsvillkor (Folkhälsomyndigheten 2016). Under andra halvan av 1900-talet gjorde forskarna en del överraskande upptäckter om de faktorer som var avgörande för hälsan. Stress började framstå som en orsak till kroniska sjukdomar, särskilt hjärtsjukdomar. Hjärtproblem betraktades då som en direktörssjukdom som förorsakades av den extrema stress som affärsmän i ansvarig ställning utsattes för. Modern forskning har sedan fått oss att bättre förstå hur stress ökar risken för ohälsa, medan tillfredsställelse och lycka ökar välbefinnande. Psyket påverkar nervsystemet och indirekt immunsystemet, då vi är stressade, deprimerade eller känner oss fientligt inställda är sannolikheten mycket större att vi drar på oss en mängd kroppsliga åkommor, inklusive hjärtsjukdomar, infektioner och ett snabbare åldrande. Stress bryter ned vår kroppsliga balans och inkräktar på vad biologerna kallar homeostas - det tillstånd vi befinner oss i då allt flyter lugnt och alla fysiologiska processer är normala (Wilkinson & Pickett 2009). 7

9 De vanligaste dödsorsakerna i Sverige är numera hjärt- och kärlsjukdomar samt cancer. Faktorer som påverkar förekomsten av hjärt- och kärlsjukdomar är bland annat rökning, fetma, arbetslöshet och stillasittande fritid. Däremot har dödligheten i hjärt- och kärlsjukdomar minskat kraftigt de senaste tjugo åren, vilket är den största enskilda orsaken till att medellivslängden i Sverige har ökat. I takt med att hjärt- och kärlsjukdomarna minskat har cancer relativt sett blivit en större dödsorsak (Folkhälsomyndigheten 2016). En faktor som påverkar hälsan och som kommer vara med i undersökningen är utbildning på högre nivå. I den här undersökningen kommer högre nivå innebära eftergymnasial utbildning på mindre än tre år, mer än tre år eller forskarutbildning. Utbildning är bra för individen då de som utbildar sig har en bättre hälsa, får högre lön, blir mer sällan arbetslösa, ställer oftare upp i sociala aktiviteter, är mer tillfreds med sin fritid och sitt arbete och är i mindre grad kriminella (Wilkinson & Pickett 2009). Bergh et al. (2012) förklarar att individens förväntade livslängd påverkas av utbildning beroende på om individen har eftergymnasial utbildning eller inte. Individer med eftergymnasial utbildning har en högre förväntad livslängd än individer med lägre utbildning och en förklaring kan vara att sämre hälsa påverkar möjligheten att lära sig. Dessutom menar Folkhälsomyndigheten i sin årliga rapportering (2016) att personer med låg utbildningsnivå generellt sett har en sämre hälsa samt sämre förutsättningar för en god hälsa jämfört med högutbildade individer. De menar också att utbildningsnivån påverkar risken för arbetslöshet och arbetslösheten är högst bland lågutbildade. Arbetslöshet påverkar också den förväntade livslängden hos individer då det kan påverka förekomsten av hjärt- och kärlsjukdomar. Detta eftersom arbetslöshet ökar risken för ohälsosamma levnadsvanor, särskild bland dem som redan är utsatta. Ytterligare ett sätt som arbetslöshet påverkar förväntad livslängd är att arbetslösa har en ökad risk att dö i förtid, bland annat av alkoholrelaterade orsaker eller på grund av självmord. 8

10 2.2. Inkomstspridningsmått Ekonomisk ojämlikhet är enligt Bergh et al. (2012) exempelvis skillnader i inkomst eller förmögenheter. Eftersom inkomst fångar in individens avkastning från deras olika kapitalstockar, t.ex. finansiellt kapital eller humankapital, samt återspeglar individens aktuella konsumtionsutrymme är det ett passande välfärdsmått. Det är däremot viktigt att ha i åtanke att inkomst inte är exakt samma som välfärd, och att det inte är givet att ekonomisk ojämlikhet och olikhet i välfärd alla gånger bäst fångas genom att mäta inkomster. Eftersom individen kan spara en betydande del av inkomsten så blir konsumtionen på kort sikt lägre än vad inkomsten antyder, vilket resulterar i att sparande resurser kan konsumeras i framtiden. Omvänt gäller att skuldsättning gör det möjligt att konsumera mer än vad inkomsten på kort sikt medger, men i framtiden måste dessa skulder betalas. Det är också viktigt att beakta att inkomster i många fall kan variera kraftigt över tiden då det är många faktorer som påverkar individers inkomst, t.ex. barnafödande samt arbetslöshet. Därför är det inte heller givet att personens inkomst vid ett givet tillfälle är representativt för personens verkliga livsinkomst (Bergh et al. 2012). Forskare har under senare år möjliggjort beräkningar av fleråriga genomsnittsinkomster genom att utnyttja möjligheten att i vissa datamaterial följa individer och hushåll över tid. Eftersom både stora inkomstbortfall och extrainkomster är kortvariga så är ojämlikheten i livstidsinkomster lägre än i årsinkomster (Bergh et al. 2012). Björklund och Jäntti (2011) visade i sin forskning att rangordningen av ojämlikhet mellan länder inte påverkas särskilt mycket när det övergår från års- till livsinkomster. Även om det finns nackdelar med att mäta ekonomisk ojämlikhet med inkomst så är det som tidigare nämnts ändå ett vanligt mått och har flera fördelar. När inkomstfördelningsstatistik presenteras har den disponibla inkomsterna i regel justerats för skillnader i hushållens sammansättning av personer. Genom att använda variabeln inkomst är det möjligt att jämföra levnadsstandard mellan olika typer av hushåll (Bergh et al. 2012). Inkomstskillnader kommer här att mätas genom disponibel inkomst, vilket är summan av alla skattepliktiga och skattefria inkomster, subtraherat med övriga negativa transfereringar. Skattepliktiga inkomster består bland annat av inkomst av kapital samt sammanräknad förvärvsinkomst. Skattefri inkomst är bland annat barnbidrag och bostadsbidrag. Negativa transfereringar består bland annat av återbetalning av studielån och utbetalt underhållsbidrag. Utanför mätningarna ligger bland annat nyttan av offentlig konsumtion, egen produktion i hemmet samt eventuella svarta inkomster (SCB 2016). När disponibel inkomst används för att analysera inkomstojämlikhet 9

11 är det möjligt att fånga hushållets konsumtionsmöjligheter, vilket ger information om människors faktiska levnadsvillkor (Bergh et al. 2012). 1 Ett vanligt sätt att mäta spridning i årsinkomster är med Ginikoefficienten eftersom det är ett väldefinierat och avgränsat mått på fördelningens skevhet (Bergh et al. 2012). Ginikoefficienten beräknas med hjälp av en Lorenzkurva. En Lorenzkurva rapporterar den kumulativa andelen av inkomst som tillfaller olika kvantiler för hushåll och en perfektjämlik Lorenzkurva måste vara rak med en vinkel på 45 grader. Om alla intäkter i en värld tillfaller den översta femtedelen av hushållen skulle det vara perfekt ojämlikhet och Lorenzkurvan skulle se ut som en spegelbild av bokstaven L. Kurvan skulle ligga platt lägst den horisontella axeln, så att 0 procent av intäkterna tillfaller 80 procent av hushållen, sedan skulle kurvan skjutas upp så att 100 procent av intäkterna tillfaller 100 procent av hushållen. Lorenz-kurvan antyder att området mellan den perfekt-jämlika Lorenzkurvan och den faktiska Lorenz kurvan kan användas för att mäta ojämlikhet. Lorenzkurvan används vid beräkning av Ginikoefficienten enligt följande: Områdent mellan perfekt jämlik Lorenzkurva och faktiskt Lorenz kurva Ginikoefficient= Området under perfekt jämlik Lorenzkurva. (Borjas, G. 2010). 1 Det är möjligt eftersom när inkomstfördelningsstatistik presenteras har de disponibla inkomsterna i regel justerats för skillnader i hushållens sammansättning av personer med hjälp av en så kallad ekvivalensskala. Justering för hushållsmedlemmarnas ålder och antal resulterar i en ekvivalerad disponibel inkomst. I praktiken innebär ekvivalensskalan att människor som tillhör samma hushåll får sin inkomst uppräknad med en viss faktor jämfört med om de bodde var för sig (Bergh et. al 2012). 10

12 En Lorenzkurvan kan illustreras enligt fölande: Modell 1. Lorenz-Kurva. Ginikoeffieicnten är det färgade området multiplicerat med två. Det är däremot inte heller självklart att Ginikoefficienten för disponibel årsinkomst är det bästa måttet på ojämlikhet i samhället. Eftersom användandet av årsdata ibland är problematiskt då människors årsinkomster varierar över livscykeln. Det kan därför vara intressant att studera ett mer långsiktigt mått som visar resultatet över en längre tid och därför ger det en mer rättvis bild, men tyvärr är det ytterst sällsynt med data som möjliggör beräknande av livstidsinkomster. Dessutom visar Gini-måttet den genomsnittliga inkomstskillnaden i samhället, men säger inte mycket om var i fördelningen skillnaden är som störst (Bergh et. al 2012). I Sverige finns det en ökad skillnad i disponibel inkomst per konsumtionsenhet, men det är svårt med säkerhet att säga vad det är som driver skillnaden. Bakom utvecklingen av den disponibla inkomsten finns komplicerade samspel mellan bland annat politik, ekonomi och demografiska faktorer. Sedan tidigt 1980-tal går det också att se en tydlig ökning av inkomstojämlikheten i Sverige, eftersom Ginikoefficienten för disponibel inkomst per konsumtionsenhet i Sverige var 0,2 år 1980 men har ökat till över 0,3 år 2014 (Almqvist 2016). 11

13 Ytterligare ett sätt att undersöka inkomstfördelning är med måtten median, P10 och P90. De olika måtten betecknar gränsvärden mellan olika delar av befolkningen när den ordnats efter den sökta inkomststandarden eller inkomsten. Medianen är värdet i mitten, vilket innebär att hälften av befolkningen har ett värde som är mindre än medianen och den andra hälften har ett värde som är högre än medianen. En positiv egenskap med medianen är att den inte är känslig för extremvärden, som medelvärdet är, och passar därför bättre när befolkningens inkomster ska beskrivas. P90 avgränsar de 10 procent som har de högsta inkomsterna och P10 är värdet som avgränsar de 10 procent som har de lägsta inkomsterna. Genom att beräkna kvoten för P90 P10 samt fås en bild av spridningen mellan de bäst respektive sämst ställda. Kvoten för P90 P10 medianen medianen visar hur mycket av spridningen som ligger i övre respektive nedre halvan av fördelningen (Statistiska centralbyrån [SCB] u.å) Samband mellan inkomstspridning och hälsa På internationell nivå finns det ett tydligt systematiskt samband mellan dödstalen och inkomstnivån (Wilkinson & Pickett 2009). Inkomst har en direkt effekt på hälsa och dödlighet. Eftersom att leva med ekonomisk stress, knappa materiella förhållanden och bristande kontroll över livssituationen har negativa hälsoeffekter oavsett faktorer som utbildningsnivå och yrke (Folkhälsomyndigheten 2016). Inom varje land är människors lycka samt hälsa relaterad till deras inkomst. De rika tenderar att i genomsnitt vara lyckligare och friskare än de fattiga i samma samhälle. När det kommer till ekonomisk ojämlikhet finns det övertygande belägg att det också är relaterad till hälsa inom större områden, däremot är sambandet inte lika starkt när små lokalsamhällen undersöks. Det är viktigt att ta hänsyn till att ett samband på aggregerad nivå nödvändigtvis inte betyder att det finns ett samband på individnivå. Det är alltså fel att tillskriva varje individ den egenskap som den grupp individen tillhör har i genomsnitt (Bergh et. al 2012). Det är troligt att individens egen inkomst spelar roll för personens hälsa, eftersom den som har gott om pengar har råd att bo bättre, förebygga ohälsa genom att gå till gymmet, äta ordentligt och behöver inte avstå vård av ekonomiska skäl. Omvänt är det så att individen som är frisk och kry har större möjligheter än den som är sjuk att arbeta längre och hårt, vilket resulterar i att de tjänar pengar och gör en bättre karriär. Ett statistiskt samband mellan hälsa och ojämlikhet är inget bevis för att vi blir sjuka av inkomstskillnader, inte heller om högre jämlikhet orsakar längre livslängd (Bergh et. al 2012). Eftersom statistiken inte talar för om 12

14 det är direkt kausalitet, omvänd kausalitet eller ingen kausalitet. Ingen kausalitet innebär att sambandet beror på någon annan faktor som samtidigt orsakar både ojämlikhet och hälsa (Fregert 2011). Ett statistiskt samband säger därför inte något om kausaliteten, dvs. vilket håll orsakssambandet går (Bergh et al. 2012). Det finns belägg för att en minskning av ekonomisk ojämlikhet är ett sätt att förbättra den sociala miljön och på så sätt förbättra livskvaliteten för alla. Det har konstaterats att sannolikheten är större att de i lägre ställningar lider av fetma, har högre blodtryck, röker och är mindre fysiskt aktiva. Fysisk aktivitet och kaloriintag är sannolikt avgörande för sambandet mellan fetma och inkomstskillnader (Wilkinson & Pickett 2009). Journalisten Polly Toynbee (2004) menar att inkomstskillnader kan vara en bidragande orsak till den epidemiska fetman då hon pekar på den höga frekvensen av fetma i USA och de låga siffrorna i skandinaviska länder. De skandinaviska länderna visar att frekvensen av fetma inte är hög i alla moderna och rika samhällen. Samhällens ekonomiska ojämlikhet påverkar människors hälsa bland annat då människor tenderar att jämföra sig med varandra. Ökad ojämlikhet förstärker människors oro för social värdering genom att social status får större vikt. Människor med en lägre inkomst kan exempelvis känna mindre självaktning och skam när de jämför sig med rika individer. När statusskillnader vidgas blir det allt viktigare för oss att jämföra oss med andra, istället för att se varandra som likar utifrån vår gemensamma mänskliga natur, som vi skulle kunna göra i en mer jämlik miljö (Wilkinson & Pickett 2009). Dessutom förekommer våld och brottslighet oftare i ekonomiskt ojämlika samhällen då låginkomsttagare relativt sett har mer att vinna på att stjäla från de med höga inkomster. Människor upplever att deras ekonomiska situation är bestående och upplever maktlöshet, frustration och en känsla av främlingskap. Utöver våldets direkta hälsokonsekvenser är det också troligt att ojämlika samhällen präglas av en större oro för våld. Ett annat samband är att människor inte litar på varandra om det finns stora inkomstskillnader eftersom ojämlikhet tolkas som en signal om att vissa personer i samhället agerar opålitligt och gynnar sig själv på andras bekostnad. Att människor inte litar på varandra påverkar sannolikt deras upplevelse av trygghet vilket inverkar på deras stressnivåer och hälsa. Sambandet mellan hälsa och ekonomisk ojämlikhet kan också bero på politiska mekanismer. Det kan vara så att ökad ojämlikhet innebär att höginkomsttagarna är mäktigare och kan därför påverka politiken så att skattemedel, utbildnings- eller sjukvårdssatsningar används till sådant som främst gynnar höginkomsttagare. Även i mer demokratiska samhällen kan graden av offentliga hälso- och sjukvårdsavgifter stå i relation till ekonomisk ojämlikhet, 13

15 genom att det finns stora intresseomsättningar mellan rikare och fattigare personer kring hur samhällets resurser ska användas (Bergh et al. 2012). Wilkinson och Pickett (2009) stödjer argumentet att det finns ett samband mellan inkomstoch utbildningsnivå. De menar att det främst är familjebakgrunden som i första hand påverkar vilka resultat som utbildningen leder till, hur ett barn klarar sig i skolan och senare i en högre utbildning. Barn som har föräldrar med högre utbildning och högre inkomst klarar sin utbildning bättre. Bengtsson et al. (2014) har undersökt utvecklingen av den reala disponibla inkomsten efter befolkningens utbildningsnivå och förklarar att skillnader mellan utbildningsgrupperna i Sverige avseende dödlighet och livslängd är tydliga. Individer som har grundskoleutbildning, individer som har gymnasieutbildning och individer med postgymnasial utbildning skiljer sig åt alltmer i förväntad livslängd. En tänkbar anledning till att det finns ett samband mellan hälsa och inkomstojämlikhet är åldersfördelning. Det är välkänt att äldre människor generellt har sämre hälsa än övriga, och att de ofta har lägre inkomster än de som arbetar. Därför är det troligt att både ohälsa och inkomstojämlikheten är större i områden där det bor många äldre individer. Om det här är sant förklaras inte en statistisk korrelation av att ojämlikhet orsakar sämre hälsa, utan att högre ålder orsakar både sämre hälsa och låg inkomst. En annan anledning som främst kan bidra till inkomstojämlikhet är kommuner som har universitet, som exempelvis Lunds kommun. Studenter har t.ex. låg årsinkomst i förhållande till vad de kommer tjäna senare i livet. En stor del av inkomstspridningen i Lund kan därför förklaras av att människor är i olika faser i sina liv (Bergh et al. 2012). 14

16 3. Metod 3.1. Forskningsmetod Enligt Bryman och Bell (2013) kan det vara lika intressant att undersöka graden av variation i ett stickprov som att undersöka det typiska eller genomsnittliga värdet i en fördelning. På så sätt går det att göra jämförelser mellan olika fördelningar. Sätten att mäta spridning på är genom att ange vidden eller omfånget, vilket är skillnaden mellan det största och det lägsta värdet i en fördelning. För att kunna undersöka spridningsmått behövs kvantitativ data som sedan kan analyseras genom en bivariat analys. En bivariat analys handlar enligt Bryman och Bell (2013) om en analys av två variabler i taget i syfte att visa hur de två är relaterade till varandra. Det undersöks om det finns tecken eller bevis på att variationen i den ena variabeln är korrelerad med variationen i den andra variabeln, dvs. om det går att få en bild av relationer mellan variabler. När den här analysmetoden används är det viktigt att det handlar om samband och inte om orsak eller effekt (Bryman & Bell 2013). När det undersöks om det finns en korrelation mellan variabler kommer koefficienten att ligga mellan 0 och 1, där 0 innebär att det inte finns något samband och 1 innebär att det finns ett perfekt samband. Det här kommer visa styrkan i sambandet mellan variablerna eftersom ju närmare koefficienten ligger 1, desto starkare är sambandet och ju närmre koefficienten ligger 0, desto svagare är sambandet. Koefficienten kan antingen vara positiv eller negativ, riktningen på sambandet beror på om den har ett positivt eller negativt värde (Bryman & Bell 2013). Grunden för att beräkna värdet av korrelationskoefficienten är följande: r = zxzy Observerat värde för x medelvärde för x zx= standardavvikelse för x Observerat värde för y medelvärde för y zy== standardavvikelse för y (Agresti & Franklin 2013). Men i den här studien kommer den att beräknas direkt i statistikprogrammet SPSS (Statistical Package for the Social Sciences). Enligt Agresti och Franklin (2013) är en metod att undersöka relationen mellan variabler bivariat regression och består enbart av en förklarande variabel. Lutningen på en bivariat regression beskriver effekten av variabeln medan den ignorerar alla andra möjliga förklarande variabler. Modellen skapar den linjära ekvationen: 15

17 Yi = β0 + βx Den består av en förklarande variabel x och en beroende variabel Yi. Om det finns flera förklarande variabler betecknas de x1 and x2 och ekvationen för regressionsanalysen blir istället: Yi = β0 + β1x1 + β2x2 I den här ekvationen är β0, β1, och β2 parametrar och när det tillämpas fler förklarande variabler kommer varje förklarande variabel har en βx termen (Agresti & Franklin 2013). I de ekonometriska ekvationerna kan det tillkomma en dummy variabel, vilket är en variabel som i huvudsak klassificerar data som enbart kan ha värden 0 eller 1. Antingen medför eller utesluter de egenskaper eller effekter i modellen. Dessutom tillkommer det en u-term i ekonometriska modeller, det är en slumpvariabel som representerar alla de faktorer som påverkar den beroende variabeln men inte beaktas explicit (Gujarati & Porter 2000). För en bivariat modell, Yi= β0 + βx går det att göra ett t-test för nollhypotesen H0: β = 0, x och y är statistiskt oberoende. Ett t-test går att tillämpa till alla parametrar i en regression med flera variabler. Om det finns exempelvis en parameter β1=0 så är medelvärdet av y identiskt för alla värden på x1 vid fasta värden för de andra förklaringsvariablerna. Det här betyder att H0: β1 = 0 anger att y och x1 är statistiskt oberoende och när andra förklarande variabler är i modellen så hjälper det inte att ha x1 i modellen (Agresti Franklin 2013). Provutfallet för H0: β1=0 är: t= (b1 0) se Där se är standardavvikelse för lutningen av det uppskattade b1 av β1, men även här kommer beräkningarna ske i statistikprogrammet SPSS. Frihetsgraden för ett t-test är df = storleken av stickprovet n minut antalet parametrar i regressionsekvationsekvationen. En bivariat modell Yi = β0 + βx har två parametrar (β0 och β1), så df =n 2. En modell med två beroende variabler, Yi = β0 + β1x1 + β2x2, har tre parametrar, så df=n-3 (Agresti & Franklin 2013). Problem som 16

18 kan uppstå när flera variabler analyseras är bland annat multikollinearitet. Multikollinearitet innebär att variationen mellan två variabler är liten eller obefintlig, dvs. att variablerna kan skrivas som exakt linjära kombinationer. Det innebär att variablerna är högt korrelerade och de kan därför inte användas för att bedöma eller förklara ett statistiskt samband. X-variablerna måste inte vara exakt linjära utan det räcker att de har en korrelation för att det ska uppstå ett multikollinearitetproblem (Gujarati & Porter 2000). Ytterligare en användbar statistisk teknik är att ta korrelationskoefficienten i kvadrat. Det är determinationskoefficienten, och den anger hur stor andel av variationen i en variabel som är beroende av variationen i den andra variabeln. Främst är determinationskoefficienten användbar vid tolkning av sambandsinformation. Att en korrelation är statistiskt signifikant eller inte styrs av storleken på urvalet och storleken på den framräknade koefficienten. I grunden är det så att ju större ett urval är, desto mer sannolikt är det att en framräknad korrelationskoefficient är signifikant i statistisk bemärkelse (Bryman & Bell 2013). ANOVA kan användas för att avgöra om det är möjligt att förkasta H0 eller inte. I ANOVA testas det om variansen inom grupper är mindre än variansen för gruppernas medelvärden. Provutfallet för H0 betecknas med F som beräknas enligt följande: F= mellangruppsvariation inomgruppsvariation F-värdet jämförs med det kritiska värdet på F för den valda signifikansnivån. Värdet av F är proportionellt till R 2 /(1-R 2 ), vilket innebär att när R 2 ökar så ökar också F teststatistikan. När H0 är sann är det förväntade värdet för F teststatistikan mindre än det kritiska F-värdet. Desto större F teststatistikan är desto större bevis är det emot H0. Formen på F-distributionen bestäms av två frihetsgrader som betecknas df1 samt df2 (Agresti Franklin 2013). df1=antalet förklarande variabler df2=n-antalet parametrar i regressionsekvationen 17

19 Ett annat sätt är att jämföra p-värdet med signifikantnivån. Desto mindre P-värdet är, desto större bevis är det att minst en av de förklarande variablerna har en effekt på y. H0 förkastas om P-värde signifikansnivån (Agresti Franklin 2013) Avgränsningar Studien kommer enbart att undersöka samband i Sveriges kommuner eftersom det finns flera studier som undersökt sambandet internationellt, och det är intressant att se hur sambandet ser ut på ett nationellt plan. Studien undersöker fördelningen mellan kommuner, för att se närmre på hur sambandet ser ut över olika delar av landet. Dessutom är studien avgränsat till enbart ett år, och eftersom Statistiska centralbyrån senast undersöka Ginikoefficienten för disponibel inkomst år 2014 kommer den data som används i studien vara från år Bortfallsanalys Tre kommuner saknar data för variabeln P10 för män. Det påverkar sedan också resultatet för P90 P10 för män samt P10 medianen för män. De kommuner som saknar värde är Årjäng, Eda samt Strömstads kommun, dessa tre kommuner kommer därför inte att ingå i analysen. P10- variabeln används för att analysera inkomstskillnader i Sveriges kommuner och redovisas i diagram 2-4. Det saknas därför 3 av 290 kommuner men det går ändå att få en och översiktlig bild i punktdiagrammet kring om det finns inkomstskillnader mellan Sveriges kommuner eller inte. 18

20 4. Analys 4.1. Data, tabeller och hypoteser För att kunna se sambanden tydligare kommer först alla variabler analyseras var för sig. De kommer bland annat förklaras genom en utförligare förklaring av vad datan innebär och olika former av diagram. Sedan kommer korrelationerna beskrivas genom bland annat diagram, ekvationer, tabeller samt hypoteser Förklarande variabel Den förklarande variabeln Yi är återstående medellivslängd vid födseln för män eller återstående medellivslängd vid födseln för kvinnor år Variabeln kommer alltså enbart undersöka ett år och ger därför ingen långsiktig bild. Det är den beräknade återstående medellivslängd i antal år vid födseln för män eller kvinnor födda i Svenska kommuner. Datan är hämtad från Kolada (2016) som är en sekundärkälla eftersom de hämtat sin data från Statistiska centralbyrån Beroende variabler Beroende variabler är medelvärde och Ginikoefficienten för disponibel inkomst per konsumtionsenhet för alla kommuner i Sverige år Disponibel inkomst är summan av alla skattepliktiga samt skattefria inkomster subtraherat med skatt och övriga negativa transfereringar. Redovisningen inkluderar kapitalvinst/kapitalförlust, det är vinst/förlust som uppkommer vid försäljning av tillgångar som t.ex. fonder, aktier eller fastigheter. För att göra jämförelser av t.ex. disponibel inkomst mellan olika typer av hushåll används ett viktsystem där konsumtionen är relaterad till hushållets sammansättning. Den disponibla inkomsten divideras med den konsumtionsvikt som gäller för hushållet och Ginikoefficienten används för att redovisa ojämnheten i inkomstfördelningen. Ett högt värde på koefficienten visar en större grad av ojämlikhet samt ett lågt värde visar en lägre rad av ojämlikhet. Koefficienten kan anta ett värde mellan 0 och 1 (SCB 2016). Ytterligare en beroende variabel är långtidsarbetslöshet år i kommuner beräknad i procentuell andel. I variabeln ingår antal personer år i kommunen som varit i program med aktivitetsstöd i minst sex månader eller öppet arbetslösa, dividerat med antalet invånare år i kommunen den 31/12 år Arbetslösheten avser statistik från mars månad år 19

21 2014. Den här studien avser variabeln data från år Datan är också hämtad från Kolada (2016), som är en sekundärkälla eftersom datan är hämtad från Statistiska centralbyrån och Arbetsförmedlingen. De beroende variabeln högre utbildningsnivå är invånare år med eftergymnasial utbildning som är beräknad i procentuell andel, och är också hämtad från Kolada (2016). De oberoende variablerna medelvärde för disponibel inkomst per konsumtionsenhet samt median för disponibel inkomst per konsumtionsenhet mätas i enheten tusen kronor och är hämtade från Statistiska centralbyrån (2016). Medelvärde för disponibel inkomst per konsumtionsenhet kommer förkortas till medelinkomst och median för disponibel inkomst per konsumtionsenhet kommer förkortas till median i studien. 20

22 Inkomstskillnader Inkomstfördelning undersöks i den här uppsatsen bland annat genom måtten median, P10 samt P90. För att tydligt se fördelningen presenteras den i ett punktdiagram, det ger en tydlig bild över hur mycket det skiljer sig mellan de som har de högsta respektive lägsta inkomsterna. Eftersom variabeln på x-axeln är median så kommer kommunernas P90 och P10 ligga rakt ovanför/nedanför varandra. Diagram 1. Inkomstskillnader för kvinnor. Diagram 2. Inkomstskillnader för män. 21

23 Diagram 1 och 2 visar hur skillnaden ser ut mellan de tio procent som har de högsta inkomsterna respektive de 10 procent som har de lägsta inkomsterna för män och kvinnor. De har en dummy variabel där P10=0 och P90=1 för att kunna skilja P90 samt P10. Det innebär att den övre rosa delen representerar P90, de tio procent som har de högsta inkomsterna i kommunerna och den nedre lila delen representerar P10, de tio procent som har de lägsta inkomsterna i kommunerna. Diagram 3. Inkomstspridning för kvinnor. Diagram 4. Inkomstspridning för män. 22

24 Diagram 3 och 4 har en dummy variable där P10=0, P90=1. De visar hur inkomstfördelningen ser ut i Sveriges kommuner för män och kvinnor. Det finns ett tydligt avstånd mellan de som har det sämst respektive bäst ställt i förhållande till medianen i respektive kommun. För att få en närmre inblick i hur inkomstfördelningen ser ut i Sverige jämförs de tre kommuner med högst respektive lägst inkomstfördelning i ett stapeldiagram. Inkomstfördelningen undersöks genom att ta P90 dividerat med P10 i de sex kommunerna. Diagram 5. Störst respektive lägst inkomstspridning för kvinnor. Tabell 1. Störst respektive lägst inkomstspridning för kvinnor (kommunerna rangordnade efter P90/P10). Kommun P90/P10 P90/P50 P50/P10 Malmö 40,42 2,062 19,600 Lund 18,55 2,090 8,873 Södertälje 15,30,836 8,334 Älvsbyn 3,46 1,624 2,133 Överkalix 3,47 1,739 1,995 Malå 3,49 1,809 1,929 23

25 Diagram 5 visar att inkomstspridningen är störst i Malmö, Lund och Södertälje kommun, samt lägst i Älvsbyn, Överkalix och Malå kommun för kvinnor. Tabell 1 visar hur mycket av spridningen som ligger i övre respektive nedra halvan av fördelningen, vilket skiljer sig åt mellan de tre kommuner som har det bäst respektive sämst ställt. Det visar att det finns olika grader av inkomstspridning bland kvinnor i Sveriges kommuner. Diagram 6. Störst respektive lägst inkomstspridning för män. Tabell 2. Störst respektive lägst inkomstspridning för män (kommunerna rangordnade efter P90/P10). Kommun P90/P10 P90/P50 P50/P10 Malmö 163,00 2,119 76,9216 Lund 53,18 2,193 24,248 Torsby 22,98 1,821 12,618 Norsjö 3,63 1,573 2,181 Dorotea 3,62 1,658 2,158 Arvidsjaur 3,61 1,645 2,193 24

26 Diagram 6 visar att inkomstspridningen är störst i Malmö, Lund och Torsby kommun, samt lägst i Norsjö, Dorotea och Arvidsjaur kommun för män. Tabell 2 visar hur mycket av spridningen som ligger i övre respektive nedra halvan av fördelningen, vilket också skiljer sig åt mellan de tre kommuner som har det bäst respektive sämst ställt för män. 25

27 Korrelationer För att se om det finns något samband mellan hälsa och inkomstspridning i Sveriges kommuner kommer det först punktdiagram för att få en överblick på hur relationen ser ut. Sedan kommer tabeller för de olika korrelationerna presenteras. Diagram 7. Samband mellan Ginikoefficient och förväntad livslängd för kvinnor. Diagram 8. Samband mellan Ginikoefficient och förväntad livslängd för män. 26

28 Diagram 7 och 8 visar hur sambandet mellan Ginikoefficienten och förväntad livslängd ser ut för män respektive kvinnor i Sveriges kommuner. Sambandet varierar inte bara i de olika kommunerna utan skiljer sig även mellan de två diagrammen, detta eftersom den förväntade livslängden skiljer sig mellan män och kvinnor. Diagram 9. Samband mellan medelinkomst och förväntad livslängd för kvinnor. Diagram 10. Samband mellan medelinkomst och förväntad livslängd för män. 27

29 Diagram 9 och 10 visar hur sambandet mellan medelinkomst och förväntad livslängd ser ut för män respektive kvinnor i Sveriges kommuner. Diagrammen visar att kvinnor generellt har en längre förväntad medellivslängd än männen och en lägre medelinkomst Regressionsanalys Nollhypotes för tabellerna 1, 2 och 3 är: H0: Ingen av variablerna har en korrelation med förväntad medellivslängd H1: Minst en av variablerna har en korrelation med förväntad medellivslängd Tabell 3. Samband mellan Ginikoefficient, utbildning, arbetslöshet, medelinkomst och förväntad livslängd. Män (1) (2) (3) Ginikoefficient 14,607 (0,000)** 8,167 (0,000)** 8,223 (0,000)** Arbetslöshet -0,125 (0,001)** -0,129 (0,000)** Hög utbildning 0,025 (0,000)** 0,24 (0,000)** Medelinkomst 1,581E-6 (0,125) F 66,439 (0,000)** 35,753 (0,000)** 27,456 (0,000)** R 0,433 0,522 0,527 R 2 0,187 0,273 0,278 Kvinnor (1) (2) (3) Ginikoefficient 15,601 (0,000)** 6,875 (0,007)** 6,868 (0,007)** Arbetslöshet -0,127 (0,000)** -0,213 (0,000)** Hög utbildning 0,039 (0,000)** 0,04 (0,000)** Medelinkomst 1,13E-6 (0,653) F 45,476 (0,000)** 36,49 (0,000)** 27,342 (0,000)** R 0,369 0,526 0,527 R 2 0,136 0,227 0,277 Not. De beroende variablerna är förväntad medellivslängd efter födsel för män respektive kvinnor. I alla modeller kontrolleras det för Ginikoefficienten. I kolumn (2) är arbetslöshet och hög utbildning adderat. I kolumn (3) är arbetslöshet, hög utbildning och medelinkomst adderat. ** - indikerar signifikans på en 5% nivå. Standardavvikelse är inom parentes. Tabell 3 visar att F-värdet är signifikant vilket innebär att det går att förkasta H0, att ingen av variablerna, arbetslöshet, utbildningsnivå och Ginikoefficient för disponibel inkomst har en korrelation med förväntad medellivslängd för män och kvinnor. Däremot är variabeln medelinkomst för både män och kvinnor insignifikant då variabeln har ett p-värde högre än 0,05. Ginikoefficienten och utbildningsnivå är positivt korrelerade med förväntad medellivslängd både för män och kvinnor, vilket innebär att när Ginikoefficienten och 28

30 utbildningsnivån är högre så är den förväntade medellivslängden högre. Däremot är arbetslöshet negativt korrelerad, vilket innebär att när arbetslösheten är högre så är den förväntade medellivslängden för män och kvinnor lägre. Determinationskoefficienten visar i kolumn (1) att 18,7% av variationen i förväntad medellivslängd för män är beroende av variationen i Ginikoefficienten och 12,6% för kvinnor. I kolumn (3) visar determinationskoefficienten att 27,8% av variationen för män och 27,7% av variationen för kvinnor i förväntad medellivslängd är beroende av Ginikoefficienten, arbetslöshet, utbildning och medelinkomst. För att se om spridningen är stor i övre eller nedre delen av inkomstfördelningen undersöks korrelationen mellan förväntad medellivslängd, P90/P50, P10/P50, arbetslöshet, utbildning samt medelinkomst för män respektive kvinnor. Tabell 4. Samband mellan Ginikoefficient, P90/P50, P10/P50, arbetslöshet, utbildning, medelinkomst och förväntad livslängd. Män (1) (2) Ginikoefficient 11,180 (0,000)** P90/P50 0,235 (0,653) -1,003 (0,086) P10/P50-0,2115 (0,788) 0,463 (0,559) Arbetslöshet -0,143 (0,000)** -0,117 (0,003)** Hög utbildning 0,034 (0,000)** 0,032 (0,000)** Medelinkomst -1,53E-06 (0,170) 1,475E-6 (0,173) F 18,057 (0,000)** 19,069 (0,000)** R 0,491 0,537 R 2 0,241 0,288 Kvinnor (1) (2) Ginikoefficient 11,328 (0,001)** P90/P50-0,028 (0,973) -2,075 (0,047)** P10/P50-0,999 (0,356) -0,162 (0,882) Arbetslöshet -0,237 (0,000)** -0,174 (0,004)** Hög utbildning 0,047 (0,000)** 0,043 (0,000)** Medelinkomst 1,19E-6 (0,639) 1,372E-6 (0,584) F 20,087 (0,000)** 19,025 (0,000)** R 0,511 0,536 R 2 0,261 0,287 Not. De beroende variablerna är förväntad medellivslängd efter födsel för män respektive kvinnor. I alla modeller kontrolleras det för Ginikoefficienten. I kolumn (2) är P90/P50, P10/P50, arbetslöshet, hög utbildning och medelinkomst adderat. ** - indikerar signifikans på en 5% nivå. Standardavvikelse är inom parentes. 29

31 Tabell 4 visar som tabell 3 att F-värdet är signifikant vilket innebär att det går att förkasta H0, att ingen av variablerna Ginikoefficient för disponibel inkomst, P90/P50, P10/P50, arbetslöshet, utbildning och medelinkomst har en korrelation med förväntad medellivslängd för män och kvinnor. I kolumn (1) är P90/P50, P10/P50, och medelinkomst insignifikanta både för män och kvinnor eftersom de har ett p-värde högre än 0,05. Samma gäller för män i kolumn (2), men för kvinnor är variabeln P90/P50 signifikant. Variabeln P90/P50 ändras också från att ha ett positivt värde för män i kolumn (1) till ett negativt värde i kolumn (2) för män och tvärtom sker för variabeln P10/P50. Anledningen kan vara att variablerna har en korrelation med variabeln Ginikoefficient för disponibel inkomst. Determinationskoefficienten visar i kolumn (2) att 24,1% av variationen i förväntad medellivslängd för män är beroende av variationen för Ginikoefficiet, P90/P50, P10/P50, arbetslöshet, hög utbildning och medelinkomst och av 28,7% för kvinnor. 30

32 4.2. Hypotestest Enligt tabell 3 är Ginikoefficienten för disponibel inkomst signifikant och därför går det att förkasta H0. Därför går det att med 95% säkerhet säga att det finns en positiv korrelation mellan Ginikoefficienten för disponibel inkomst samt förväntad medellivslängd för kvinnor och män. Tabell 3 visar också att 13,6% av variationen i förväntad medellivslängd för kvinnor är beroende av variationen i Ginikoefficient för disponibel inkomst. Men variationen i förväntad medellivslängd för män har en lite större påverkan på Ginikoefficienten för disponibel inkomst då determinationskoefficienten har ett högre värde på 18,7%. När sedan fler variabler tillämpas, medelinkomst, högre utbildningsnivå samt arbetslöshet, ser tabellera annorlunda ut. Det går fortfarande att förkasta H0, att ingen av variablerna har en korrelation med förväntad medellivslängd. Men variabeln medelinkomst för disponibel inkomst är insignifikant, vilket kan bero på multikollinearitetproblem och det går inte heller att dra några slutsatser kring determinationskoefficienten eftersom variabler i funktionen kan ha en korrelation. En högre utbildningsnivå har en positiv korrelation med förväntad medellivslängd för både män och kvinnor. Det kan bland annat vara eftersom en sämre hälsa påverkar möjligheten att lära sig, och att en högre utbildning minskar risken för arbetslöshet. Arbetslöshet har en negativ korrelation med förväntad medellivslängd både för män och kvinnor, vilket innebär att när arbetslösheten är högre så är den förväntade medellivslängden lägre. Det kan bero på bland annat att arbetslöshet ökar risken för ohälsosamma levnadsvanor. Dessutom eftersom arbetslösa bland annat dör i förtid på grund av alkoholrelaterade orsaker eller på grund av självmord. Ginikoefficienten har, precis som en högre utbildningsnivå, en positiv korrelation med förväntad medellivslängd både för män och kvinnor. Det innebär att när Ginikoefficienten är högre så är den förväntade medellivslängden högre. Anledningen kan vara eftersom de allra högsta inkomsterna dragit ifrån övriga. Diagram 3 och 4 visar att det finns tydliga skillnader mellan de 10 procent som har de högsta inkomsterna och de 10 procent som har de lägsta inkomsterna. Skillnader framkommer också i tabell 1 och 2 som visar hur mycket av spridningen som ligger i de tre kommuner som har den lägsta inkomstspridningen respektive de tre kommuner som har den högsta inkomstspridningen. Exempelvis visar tabell 2 att P90/P10 är mer än 45 gånger större för män i Malmö jämför med män i Arvidsjaur. När korrelationen om spridningen är stor i den övre eller nedre delen av inkomstfördelningen undersöks uppstår det multikorrelationsproblem då variablerna P90/P50 och P10/P50 har en korrelation med variabeln Ginikoefficient. 31

33 Statistiken visar enbart att det finns en korrelation mellan variablerna hälsa samt ekonomisk ojämlikhet, men inte åt vilket håll orsakssambandet går eller vad det beror på. Det kan vara inkomstspridning som leder till hälsa, hälsa som leder till en större inkomstspridning eller att kausaliteten är dubbelriktad. Det skulle resultera i att inkomstspridning och hälsa förstärker varandra. Statistiken visar inte heller vilket håll sambandet går åt när det gäller inkomst och hälsa. Det kan exempelvis vara så att en individ som har gott om pengar har råd att förebygga ohälsa genom att gå till gymmet, äta ordentligt och behöver inte avstå vård av ekonomiska skäl. Eller exempelvis att en frisk individ har större möjligheter än den som är sjuk att arbeta lägre och hårt. Även om de två exempel ovan är på individnivå är det viktigt att ta hänsyn till att ett samband på aggregerad nivå och resultaten som står ovan nödvändigtvis inte betyder att det finns ett samband på individnivå. Varje individ har nödvändigtvis inte den egenskap som den grupp individen tillhör har i genomsnitt. För att få en tydligare förklaring till variationerna och få ett högre värde på determinationskoefficienten kan flera variabler införas, däremot är inte alla variabler lämpliga då det kan uppstå multikollinearitetproblem. Det kan också vara svårt att hitta starka samband mellan ekonomisk ojämlikhet och hälsa när små lokalsamhällen undersöks. Eftersom liknande studier ofta görs på en internationell nivå kan Sveriges kommuner anses som ett mindre lokalsamhälle och kan vara förklaringen till varför det är svårt att hitta starka samband. Dessutom har Ginikoefficienten för disponibel inkomst en positiv korrelation med förvänd medellivslängd både för män och kvinnor. Hade en annan hälsovariabel undersökts, exempelvis diabetes, hade korrelationen möjligtvis sett annorlunda ut. Anledningen till att det finns en korrelation mellan hälsa och ekonomisk ojämlikhet kan bero på många faktorer. Exempelvis åldersfördelning, där det är troligt att både ohälsa och inkomstojämlikheten är större i områden där det bor många äldre individer. Om det är sant förklaras inte en statistisk korrelation av att ojämlikhet orsakar sämre hälsa, utan att högre ålder orsakar både sämre hälsa och låg inkomst. Dessutom kan det vara större inkomstskillnader i kommuner som har större universitet, exempelvis Lunds kommun. Studenter har t.ex. låg årsinkomst i förhållande till vad de kommer att tjäna senare i livet, så en stor del av spridningen i Lund kan därför förklaras av att människor är i olika faser i livet. 32