uppdatering och revidering av modellsamband dokumentation och diskussion

Transkript

1 raps version 2.0 uppdatering och revidering av modellsamband dokumentation och diskussion Christer Anderstig, Anna Blomquist och Lina Sjölin Inregia AB, september 2005 Inregia AB, part of WSP Group

2 Innehåll Inledning 3 Demografi 4 Dödlighet 4 Fruktsamhet 7 Utflyttare 11 Inflyttare 19 Klustring 19 Utbildningsbyte 25 Appendix: Kommentar angående asylsökande 28 Arbetsmarknad 29 Arbetskraftsutbudet 29 Arbetslösheten 31 Balansering av arbetsmarknaden 33 Inrikes in- och utflyttning för regioner 41 Appendix: Riktad flyttning mellan län Regionalekonomi 47 Kommuners nettokostnad per capita 47 Andel socialbidrag av nettokostnad per capita 48 Bostadsmarknad 49 Småhuspris 49 Eftermodell kommun 50 Kostnadsutjämning per capita 50 2

3 Inledning Alltsedan den första versionen av raps introducerades för drygt fem år sedan har systemets databas årligen uppdaterats med ny statistik för senast tillgängliga år. Även de parametrar som uttrycker demografiska och ekonomiska scenarioantaganden har vid några tillfällen uppdaterats med mer aktuella förutsättningar. Däremot har de s.k. tekniska parametrarna, de beräkningförutsättningar som ingår i olika modellsamband, i huvudsak varit desamma som i den första versionen för fem år sedan. Det handlar om fruktsamhetstal, utflyttarrisker, inflyttarnas fördelning på ålder i olika kommuner, samband mellan ekonomiska faktorer och flyttning mellan regioner och en lång rad andra parametrar som ingår i modellsystemet. I samband med version 2.0 av raps har det genomförts en uppdatering och revidering av en stor mängd av modellsambanden i raps. I detta dokument dokumenteras och diskuteras det arbete som genomförts. Eftersom det inte finns någon motsvarande dokumentation av föregående rapsversion är framställningen relativt utförlig och emellanåt teknisk. I vissa delar redovisas bakgrund och motiv till varför specifika samband har formulerats på ett visst sätt. I andra delar redovisas endast modellformulering, eventuell revidering av tidigare samband samt de nya resultaten. Rapportens huvudsakliga syfte är att ge en detaljerad beskrivning av delar av de samband som bygger upp modellsystemet för att därigenom ge en ökad och fördjupad förståelse för hur dessa modeller arbetar. 3

4 Demografi Dödlighet Klustring Kommunerna har grupperats i fyra grupper efter andelen högutbildade av kommunens befolkning över 65 år. Förut grupperades kommunerna efter andelen högutbildade av kommunens totala befolkning. En regressionsanalys visade att andelen högutbildade bland befolkningen över 65 år bättre förklarade dödligheten i kommunen än andelen högutbildade totalt. Till grund för den nya grupperingen av kommunerna ligger den indelning som gjordes förra gången. En utvärdering av de gamla riskerna visade att antalet döda i ett antal kommuner i grupp 1 (lägst dödlighet) överskattats. Gemensamt för dessa kommuner är att de har den högsta andelen högutbildade av befolkningen över 65 år i riket. Dessa kommuner bildar i den nya grupperingen en egen grupp tillsammans med Salem, Vallentuna, Österåker och Vellinge. De fem nya kommunerna ligger även de i topp när de gäller andelen högutbildade bland befolkningen över 65 år och de gamla dödsriskerna överskattade antalet döda även i dessa kommuner. I grupp 1 med låg dödlighet återfinns de 14 kommuner i riket som har högst andel högutbildade bland befolkningen över 65 år. Tabell 1 Kommuner i grupp 1. Andel högutbildade i kommunen totalt och bland befolkningen över 65 år. Andel i procent. Kod Namn Samtliga Över 65 år 115 Vallentuna Österåker Ekerö Salem Täby Danderyd Sollentuna Nacka Lidingö Vaxholm Uppsala Vellinge Båstad Lund

5 Grupp 2 och 3 är en uppdelning av den gamla grupp 2. Grupp 2 innehåller 113 kommuner i framför allt storstadsregionerna, där andelen högutbildade bland befolkningen ligger mellan 4 och 10 procent. Grupp 3 innehåller övriga 139 kommuner. I dessa kommuner är andelen högutbildade bland befolkningen över 65 år under 4 procent. Gränsen vid 4 procent sattes eftersom det i stort sett delade den gamla grupp 2 i två lika stora delar. I grupp 4 med hög dödlighet återfinns framförallt gamla bruksorter. Grupp 4 består av samma kommuner som i grupp 3 i den gamla grupperingen. I gruppen har Arjeplog, Sorsele, Arvidsjaur, Vilhelmina och Malå tillkommit. Dessa kommuner tillhör de med lägst andel högutbildade av befolkningen över 65 år i riket. Med de gamla dödsriskerna underskattades antalet döda i dessa kommuner. Därför tillhör de nu gruppen med högst dödlighet. Tabell 2 Kommuner i grupp 4. Andel högutbildade i kommunen totalt och bland befolkningen över 65 år. Andel i procent. Kod Namn Samtliga Över 65 år 319 Älvkarleby Markaryd Bjuv Åstorp Essunga Gullspång Bengtsfors Vara Töreboda Eda Grums Hällefors Ljusnarsberg Vansbro Älvdalen Ockelbo Ovanåker Norsjö Malå Sorsele Vilhelmina Arvidsjaur Arjeplog 4 2 5

6 Dödsriskberäkningar Dödsriskerna, uppdelade på ålder och kön, är beräknade på antalet döda och medelbefolkningen samma år. Det är ingen uppdelning efter födelseland och utbildningsnivå, förutom den uppdelning på utbildningsnivå som implicit finns i grupperingen av kommunerna. För åldrarna beräknas dödsrisken som: r # döda( ålder 1, kön) t 1 medelfolkmängd ( ålder 1, kön) t 1 ( ålder, kön) t = 1 e Åldersförskjutningen av riskerna (0 till 1, 1 till 0 osv.) innebär att det inte blir några dödsrisker för 100+-åringar. Dessa har istället baserats på en sammanvägning av SCB:s dödsrisker 1 för åldrar över 100. För att återspegla variationen i dödlighet mellan de olika typerna låter vi 100+-åringarnas dödsrisker variera kring SCB-risken som den beräknade dödsrisken för 98- åringar varierar kring det viktade medelvärdet för detsamma. För att undvika hoppiga kurvor har dessa utjämnats, dock ej för 0-åringar. Riskerna beräknas (och utjämnas) för varje år för sig och vägs sedan samman enligt principen: (((År1+år2)/2+år3)/2+år4)/2 Skillnader jämfört ned föregående version: 4 typer istället för 3 Gruppering av kommuner efter utbildningsnivå hos personer i åldern 65+ i stället för hela kommunbefolkningen Prognosresultat Jämförelse för år 2002 av utfall med prognos enligt de gamla respektive nya riskerna: Prognosen kommer närmare utfallet för 152 kommuner. Den nya prognosen innebär förbättring för samtliga kommuner av typ 1. De gamla riskerna ger ett prognosfel på totalt 4 procent (överskattning), och de nya riskerna 0 procent Största överskattningen av antal döda för Perstorp, 35 procent (32 procent med gamla riskerna). Största underskattning för Haparanda 30 procent (-27 procent med gamla riskerna). 1 Se Sveriges framtida befolkning befolkningsframskrivning för åren , Demografiska rapporter 2003:4, s

7 Fruktsamhet Klustring I SAS har kommuner klustrats med avseende på fruktsamheten uppdelat på moderns födelseland. De som är födda i Sverige var dessutom uppdelade på utbildningsnivå (4 grupper). De utrikesfödda var för få för att delas upp på utbildningsnivå i klustringen. Klustringen avser egentligen den procentuella skillnaden mellan hur många barn som fötts i kommunen av kvinnor med olika födelseland och utbildning, jämfört med hur många barn som hade fötts i kommunen om kvinnor hade samma fruktsamhet som riket i helhet. Klustringen gav 9 olika kommuntyper. Eftersom kluster 6-9 innehöll endast en kommun vardera fördes dessa till andra kluster. Detta genomfördes genom att antalet kluster successivt minskades. Kommunerna fick tillhöra de kluster som de slutligen hamnade i. Danderyd fick tillhöra kluster 5 tillsammans med Täby och Nacka. Flen och Vilhelmina bildade ett eget kluster och Leksand hamnade i kluster 1 normalkommuner. För mödrar födda i Sverige Alla kluster har sina egna tal för varje utbildning. För mödrar födda i Norden Storstäder (kluster 2) har sina egna fruktsamhetstal för samtliga utbildningar. Övriga kluster får som riket när man tagit bort de som ingår i kluster 2. För mödrar födda utom Norden Storstäder (kluster 2) har sina egna fruktsamhetstal för samtliga utbildningar. De andra klustrena får som riket när man tagit bort de som tillhör kluster 2. Egentligen hade det varit bra om kluster 4 (Hög fruktsamhet för både svenskar och invandrare) hade fått egna tal, men gruppen innehåller för få personer per ålder oavsett utbildning för att kunna göra denna skattning. De olika klustrena karakteriseras av: Kluster 1: Normalkommuner Kluster 2: Låg fruktsamhet för både svenskar och invandrare - Storstäderna, högskoleorter, Solna, Sundbyberg Kluster 3: Hög fruktsamhet för svenskar - Värmdö, Ekerö, Vaxholm, Kungsbacka, Öckerö, Kumla, Alvesta, Kumla Kluster 4: Hög fruktsamhet för både svenskar och invandrare Kluster 5: Hög fruktsamhet för högutbildade och låg för lågutbildade och invandrare Kluster 6: Hög fruktsamhet för lågutbildade De kommuner som inte är med på listan nedan hör till kluster 1. 7

8 Tabell 3 Kommuner per kluster Kluster Kod Namn Stockholm Sundbyberg Solna Uppsala Kalmar Båstad Malmö Lund Helsingborg Göteborg Karlstad Örebro Östersund Umeå Luleå Värmdö Ekerö Vaxholm Alvesta Kungsbacka Öckerö Kumla Falkenberg Falköping Täby Danderyd Nacka Flen Vilhelmina Kommentarer Vid en utvärdering av de gamla fruktsamhetstalen framkom att antalet födda underskattats i Värmdö, Ekerö, Vaxholm, Kungsbacka, Öckerö, Alvesta och Kumla. Dessa kommuner tillhörde tidigare främst kluster 1 (normalkommuner). I den nya klustringen bildar de ett eget kluster med högre fruktsamhet. Uppsala och Umeå tillhörde förut kluster 1 (normalkommuner). Antalet födda överskattades i dessa kommuner. De har nu bildad ett eget kluster, nummer 2, tillsammans med Båstad, Karlstad, Kalmar, Helsingborg, Örebro, Luleå, Östersund, Stockholm, Sundbyberg, Solna, Malmö, Lund och Göteborg där 8

9 fruktsamheten är lägre än genomsnittskommunen. Kluster 2 är i princip gamla kluster 6 med vissa nya kommuner. Det tidigare kluster 2 (Hög fruktsamhet för invandrare och normal för svenskar) har uteslutits. Samtliga kommuner som tillhörde detta kluster, utom Flen och Alvesta, finns nu i kluster 1 (normalkommuner). Alvesta finns i kluster 3 och Flen i kluster 6. Kommunerna i gamla kluster 3 (Låg fruktsamhet för invandrare, hög fruktsamhet för högutbildade) har efter utvärderingen flyttats till främst kluster 1 (normalkommuner). Kungsbacka och Ekerö var tidigare kommuner med störst prognosfel, där antalet födda genomgående underskattades. Dessa kommuner tillhör numera kluster 3 och har alltså fått en högre fruktsamhet än riket i genomsnitt. Nacka, där antalet födda tidigare överskattades, har flyttats till kluster 5. Slutligen tillhör Båstad numera kluster 2. Tidigare överskattades antalet födda i kommunen; nu har den fått en lägre fruktsamhet än riket. Det tidigare kluster 4 (Hög fruktsamhet för invandrare och lägre för svenskar än kluster 2) har uteslutits och samtliga kommuner har förts till kluster 1 (normalkommuner), utom Karlstad och Kalmar. Dessa, där antalet födda tidigare överskattades, har nu fått en lägre fruktsamhet och tillhör kluster 2. Det tidigare kluster 5 (Låg fruktsamhet för svenskar) har delats upp i dels kluster 1 (normalkommuner) dels kluster 2. Helsingborg, Örebro, Luleå och Östersund tillhör nu kluster 2 (egentligen motsvarande gamla kluster 5) och övriga kommuner tillhör kluster 1. Kluster 7 har delats upp dels i kluster 1 (normalkommuner) dels kluster 5. Lidingö och Burlöv tillhör kluster 1 och Täby och Danderyd kluster 5. För samtliga kommuner underskattades antalet födda, speciellt i Lidingö och Burlöv. Dessa får i den nya klustringen en högre fruktsamhet. Kluster 8 (Hög fruktsamhet för invandrare även nordiska) bestod av Falun och Gällivare. Detta kluster har utgått; dessa två kommuner tillhör kluster 1 (normalkommuner) i den nya klustringen. Genomgående underskattades antalet födda i dessa två kommuner. I den nya klustringen blir fruktsamheten högre. Fruktsamhetstalsberäkningar Fruktsamhetstalen är beräknade på antalet födda och medelbefolkningen kvinnor år samma år. Fruktsamheten är uppdelad efter moderns födelseland och utbildningsnivå. Enligt ovan beräknas unika fruktsamhetstal per ålder, födelseland och utbildningsgrupp endast för kluster 2. För övriga kluster är fruktsamhetstalen unika för de svenskfödda, medan utlandsfödda får de fruktsamhetstal som baseras på riket exklusive kluster 2 (men fortfarande unika för födelseland och utbildningsgrupp). Antalet mycket unga högutbildade personer är alltför litet för att ligga till grund för specifika 9

10 fruktsamhetstal. Därför sätts en minimiålder per utbildningsgrupp i beräkningarna nedan. Tabell 4 Minimiålder per utbildningsgrupp Utbildningsgrupp åldersgräns 1 Alla Kurvorna är utjämnade. Värdena för 15-åringar är inte utjämnade, men det är de för t ex 22-åringar i utbildningsgrupp 4. Orimliga fruktsamhetstal (baserade på för få observationer) har ersatts med medelvärden för samma ålder övriga år. Värdena för de olika åren ( ) är sammanvägda enligt principen: (((År1+år2)/2+år3)/2+år4)/2. Tabell 5 Summerade fruktsamhetstal Utb.grupp kluster födelseland

11 Skillnader jämfört ned föregående version: 6 kluster i stället för 8 Det tidigare kluster 2 (Hög fruktsamhet för invandrare och normal för svenskar) och kluster 3 (Låg fruktsamhet för invandrare, hög fruktsamhet för högutbildade) har utgått. Resultat Med de gamla fruktsamhetstalen underskattades antalet levande födda med 9,3 procent, med de nya fruktsamhetstalen överskattades de med 0,4 procent. I tabellen nedan visas prognosresultat (gamla och nya) för år 2002 för de kommuner som omnämns i den löpande texten ovan som kommuner med stora prognosfel Tabell 6 Antal levande födda år 2002, utfall samt prognos med gamla respektive nya fruktsamhetstal (kommuner vars prognosfel kommenteras ovan) Kommun Ny typ Gammal typ Rel fel gammal prog Rel fel ny prog Umeå Karlstad Kalmar Uppsala Nacka Lidingö Burlöv Alvesta Ekerö Kumla Kungsbacka Vaxholm Öckerö Värmdö Utflyttare De gamla riskerna Det har funnits felaktigheter i de utflyttarrisker som varit inlagda i tidigare raps-databas: Utflyttarrisken har felaktigt varit noll för vissa grupper av personer med födelseland Övriga Norden och Övriga världen. I tabellen nedan visas de summerade utflyttarriskerna per utflyttartyp och födelseland. 11

12 Tabell 7 Gamla utflyttarriskerna per utflyttartyp och födelseland, summerat över ålder, kön och utbildningsnivå Födelseland utflyttartyp Sverige Övriga Norden Övriga världen För att åskådliggöra vad detta inneburit för prognoser som utförts med dessa felaktiga risker exemplifierar vi med Västerås LA, som består av Västerås kommun (typ 6), Sala kommun (typ 1), Hallstahammar (typ 2) och Surahammar (typ 2). I Tabellen nedan redovisas antalet utflyttare från kommunerna år 2002 enligt statistik och default raps-prognos. Tabell 8 Exempel utflyttare från Västerås LA år 2002, enligt statistik och prognos abs rel skillnad Utflyttartyp Kommun födelseland statistik prognos skillnad (%) 2 Hallstahammar Sverige Norden utom Sverige övriga Hallstahammar Totalt Sala Sverige Norden utom Sverige övriga Sala Totalt Surahammar Sverige Norden utom Sverige övriga Surahammar Totalt Västerås Sverige Norden utom Sverige övriga Västerås Totalt Västerås LA Sverige Norden utom Sverige övriga Totalt

13 Totalt underskattar prognosen antalet utflyttare från kommunerna med personer, 24 procent. Detta är framför allt en följd av att Västerås är av utflyttartyp 6, och att antalet utlandsfödda utflyttare från kommunen progoseras till noll (i verkligheten 926 personer). Även antalet nordiskt födda utflyttare från Hallstahammar och Surahammar blir noll då dessa kommuner är av typ 2. Klustring I den förra versionen byggde riskerna enbart på inrikes utflyttning. En jämförelse med faktisk utflyttning visade på en underskattning i ett antal kommuner. Dessa kommuner var framför allt gränskommuner där emigrationen utgjort över 15 procent av den totala utflyttningen (genomsnitt ). Tabell 9 Genomsnittligt antal emigranter och utflyttade per kommun samt utvandringens andel av den totala utflyttningen. Kod Namn Emigranter Utflyttade Andel, % 2583 Haparanda Eda Strömstad Årjäng Dals-Ed Danderyd Malmö Göteborg I vissa kommuner svarar utvandringen för stor del av den totala utflyttningen. Därför skattas de nya riskerna på den totala utflyttningen. I de kommunerna med liten utvandring (flertalet av Sveriges kommuner), kommer skattningarna fortfarande att baseras på den inrikes utflyttningen. Klustringen sker m.a.p. utflyttarrisken per utbildningsnivå bland svenskfödda. I ett första steg togs även hänsyn till utlandsföddas utflyttning. Den klustringen kom helt att bestämmas av hur personer födda utanför Norden flyttade. Det var ett relativt litet antal utflyttade, men den procentuella skillnaden mellan verkligt antal utflyttade och beräknat enligt riksgenomsnittet blev orimlig för flera kommuner. De utrikesfödda var alltså för få för att ingå i klustringen. För att klustra kommunerna beräknas hur många som skulle ha flyttat från kommunen om utflyttarrisken var som rikssnittet. Det som sedan klustrats är den procentuella skillnaden mellan detta beräknade antal och antalet som flyttat. Observera att åldersfördelningen ej klustrats. Klustringen gav egentligen 10 olika kommuntyper. Kluster 10 och kluster 8 har sammanslagits, eftersom kluster 10 endast innehåller två kommuner som är av samma karaktär som de i kluster 8. Det är enbart nivån som är något högre på utflyttningen i kluster

14 Vidare har kluster 5 (enbart Storfors och Skinnskatteberg) sammanslagits med kluster 3. De karakteriserades av hög utflyttning för lågutbildade (det fanns för få med utbildningsnivå 3 och 4 för att de skulle kunna ingå i klustringen). Utflyttningen var i nivå med hur den ser ut för förortskommunerna i kluster 3. Därför får Storfors och Skinnskatteberg tillhöra kluster 3. De olika klustrena karakteriseras av: Kluster 1: Låg utflyttning för samtliga utbildningsnivåer, men främst för lågutbildade. Kluster 2: Normalkommuner (ingen riktigt bra benämning. Flyttar i stort sett som riksgenomsnittet) Kluster 3: Förortskommuner i storstadsregionerna, Storfors och Skinnskatteberg Kluster 4: Lägre utflyttning för lågutbildade än i riket i genomsnitt Kluster 5: Högre utflyttning för samtliga utbildningsnivåer än riket i genomsnitt Kluster 6: Storstadsklustret Kluster 7: Hög utflyttning av mellanutbildade personer (utbildning 2 och 3) Kluster 8: Solna och Sundbyberg. Hög utflyttning. För flyttare födda i Sverige: Alla kluster sina egna risker för respektive utbildningsnivå. För flyttare födda i Norden: Alla kluster får samma utflyttarrisker. För flyttare födda utom Norden: Kluster 1 och 6 har sina egna risker (ej utbildningsnivå), medan övriga kluster får risker som riket exkl. kluster 1 och 6. Vi bedömer att det inte för något kluster går att bryta ner riskerna på utbildningsnivå. De kommuner som inte är med på listan nedan tillhör kluster 1 eller 4. Tabell 10 Kommuner per kluster Kluster Kod Namn Österåker Järfälla Haninge Tyresö Södertälje Strängnäs Ödeshög Ydre Kävlinge Hörby Lund Landskrona 14

15 Eslöv Stenungsund Vårgårda Grästorp Essunga Herrljunga Vara Mölndal Hammarö Munkfors Karlstad Laxå Ljusnarsberg Sala Arboga Gagnef Ludvika Ragunda Bjurholm Malå Sorsele Åsele Arjeplog Överkalix Upplands-Väsby Vallentuna Värmdö Ekerö Huddinge Botkyrka Salem Upplands-Bro Nykvarn Täby Danderyd Sollentuna Nacka Lidingö Vaxholm Sigtuna Håbo Gnesta Flen Söderköping Mullsjö Svalöv 15

16 Burlöv Örkelljunga Bjuv Skurup Sjöbo Höör Perstorp Klippan Åstorp Partille Bollebygd Storfors Forshaga Lekeberg Askersund Skinnskatteberg Nynäshamn Vingåker Oxelösund Trosa Valdemarsvik Borgholm Tomelilla Båstad Lilla Edet Surahammar Heby Smedjebacken Nordanstig Bräcke Härjedalen Stockholm Malmö Göteborg Åtvidaberg Vadstena Aneby Mörbylånga Gullspång Orsa Krokom Åre Robertsfors Övertorneå Sundbyberg Solna 16

17 Kommentarer Efter en utvärdering av de gamla utflyttarriskerna framkom att antalet utflyttade underskattats relativt mycket för ett antal kommuner i gamla kluster 1 (Botkyrka, Haninge, Nacka, Solna och Sundbyberg). Solna och Sundbyberg bildar ett eget kluster 8, med höga utflyttarrisker främst för lågutbildade svenskar, men genomgående är det högre risker än riket. Övriga kommuner i gamla kluster 1 tillhör nya kluster 2 och 3. I Karlskrona, gamla kluster 2, överskattades antalet utflyttade. Kommunen har nu flyttats till kluster 1 med lägre utflyttarrisker. Övriga kommuner i gamla kluster 2 återfinns i nya kluster 1, 2, 4 eller 7. Tidigare kluster 3 ingår i stort sett i nya kluster 1. Kommunerna i gamla kluster 4 tillhör främst nya kluster 1 och 4. Malmö och Göteborg, tidigare kluster 5, ingår tillsammans med Stockholm i ett eget storstadskluster, kluster 6. Kommunerna i gamla kluster 6, 7 och 8 tillhör det nya kluster 1. Utflyttarriskberäkningar Dessa baseras på utflyttarna (inrikes flyttare och emigranter) och medelbefolkningen samma år. Utflyttarrisken är uppdelad på utflyttarnas födelseland, ålder, kön och utbildningsnivå (4). Födda i övriga Norden har samma utflyttarrisker oavsett typ (kallas 2.9 i tabellen nedan). Födda i övriga världen har unika utflyttarrisker för typ 1 och 6, övriga kluster har gemensamma risker som baseras på alla kommuner som inte tillhör typ 1 eller 6 (kallas 3.10 i tabellen nedan). Tabell 11 Översikt unika och gemensamma risker per kommuntyp Födelseland typ Vid klustringen övervägdes om de riskerna skulle variera mellan olika utbildningsnivåer för utlandsfödda. Det visar sig att riskerna varierar på ungefär samma sätt som för svenskfödda, varför unika risker per utbildningsnivå beräknas även för de utlandsfödda, trots att de i några fall är ganska få. I tabellerna med grunddata för utflyttade saknas i vissa fall utbildningskod, (kod=99). Dessa läggs samman med utflyttade för kod 10. För personer över 75 år blir detta missvisande, men deras låga utflyttarrisk påverkas i mycket lite 17

18 grad av utbildningsnivån. Förut sattes utflyttningsriskerna i huvudsak satta till noll för dessa åldrar. Utflyttarriskerna u beräknas som: u( ålder, kön) t = 1 e # utflyttade( ålder, kön) t medelfolkmängd ( ålder, kön) t Kurvorna är utjämnade, samt viktade enligt principen: (((År1+år2)/2+år3)/2+år4)/2 För födda i övriga världen är antalet observationer för personer i de allra äldsta åldrarna för litet för att riskerna skall kunna baseras på den egna gruppen. Det är inte sannolikt att dessa personers flyttmönster avviker från svenskfödda i samma ålder. För personer över 80 år (alla typer) antas utflyttarrisken avta med 0,0005 per år. Skillnader jämfört ned föregående version: Felaktiga utflyttarrisker (0-värden) för utlandsfödda åtgärdat. Prognosresultat När de nya respektive gamla utflyttarriskerna tillämpas på data för år 2002 underskattas antalet utflyttare med 15 procent med de gamla riskerna, medan de nya riskerna ger en underskattning med 1 procent. I tabellen nedan visas resultaten för några kommuner som omnämns ovan. För samtliga utom Stockholm kommer prognosresultatet närmare utfallet med de nya riskerna. Tabell 12 Utflyttning år 2002, fel jämfört med utfall för prognos med gamla respektive nya utflyttarrisker namn Ny typ Gammal typ rel fel ny prognos rel fel gammal prognos Karlskrona Dals-Ed Västerås Haninge Botkyrka Nacka Storfors Skinnskatteberg Pajala Haparanda Stockholm Malmö Göteborg Övertorneå Sundbyberg Solna

19 Inflyttare Klustring En jämförelse mellan modellberäknad (enligt inflyttarfördening i föregående version) och faktisk inflyttning i åldern visar att antalet inflyttade i dessa åldrar både underskattats och överskattats. I samtliga storstäder underskattades antalet inflyttade i åldern år, liksom i Solna och Sundbyberg. Skälet att undersöka antalet inflyttade personer i åldern år är att nästan hälften av alla inflyttade (riksgenomsnitt) finns i dessa åldrar. Tabell 13 Genomsnittligt antal immigranter och inflyttade per kommun samt invandringen som andel av den totala inflyttningen. (kursiverade kommuner har stor mottagning av asylsökande) Kod Namn Immigranter Inflyttade Andel, % 1860 Laxå Eda Årjäng Gullspång Haparanda Strömstad Dals-Ed Hultsfred Dorotea Säffle Malmö Högsby Alvesta Östhammar Södertälje Bengtsfors Övertorneå Älmhult Markaryd Flen Göteborg Stockholm Härjedalen Arvika Karlskrona Töreboda Hallstahammar Danderyd Botkyrka Åmål Landskrona Kiruna

20 2523 Gällivare Hällefors Hagfors Lycksele Hylte Olofström Falkenberg Ånge Mellerud Eskilstuna Lessebo Uppsala Sävsjö Ljusdal Torsby Uppvidinge Filipstad Helsingborg Boden Tanum Emmaboda Ljungby Sorsele Västerås Det är ingen större skillnad i könsfördelningen vad gäller inflyttningen. Av dem som immigrerade till Sverige under perioden utgjorde männen 50,1 procent och kvinnorna 49,9 procent. Motsvarande beräkningar för inrikes inflyttning (medel över alla kommuner) visar att männen utgör 49,8 procent av inrikes inflyttning och kvinnorna 50,2 procent. Det är alltså ingen större skillnad i könsfördelningen mellan inrikes inflyttning och immigration. Inflyttarnas åldersfördelning visar en större andel barn bland immigranterna än bland inrikes inflyttade. Inrikes inflyttning sker i huvudsak mellan 25 och 30 år, medan immigranterna har en mer jämn åldersfördelning. Immigranterna har sin topp för åldern åringar, medan inrikes inflyttade har sin topp i åldern år. Eftersom invandringen i vissa kommuner utgör en stor del av den totala inflyttningen skattas de nya andelarna på den totala inflyttningen. I kommuner där invandringen inte är så stor, dvs. för majoriteten av Sveriges kommuner, blir det i princip inrikes inflyttning som skattningarna baseras på. Av immigranterna utgör utlandsfödda 78 procent i genomsnitt. Eftersom skattningarna görs m.a.p. födelseland tas hänsyn till immigrationen. Av samtliga inflyttade utlandsfödda är immigrationen i genomsnitt 45 procent. Motsvarande andel bland svenskfödda är fyra procent. Av den inrikes inflyttning utgör de utlandsfödda 14 procent i genomsnitt. 20

21 För de aktuella åren återfinns helt naturligt den största årliga variationen för antalet immigranter i Stockholm, Göteborg och Malmö; i Malmö skiljer det på personer mellan max och min, i Stockholm är motsvarande skillnad och i Göteborg 983. I SAS har kommuner klustrats m.a.p. inflyttningen uppdelad på fyra åldersklasser samt födelseland (svenskfödda och övriga). Åldersgrupperna är 0-19 år, år, år och 30-w år. Åldersgrupperingen baseras på flyttningens fördelning enligt riksgenomsnittet. Åldersgruppen 0-19 år utgör 20 procent av alla inflyttade, år 23 procent, år 19 procent och 30-w år utgör 38 procent. Andelarna är beräknade för riket totalt och är ett genomsnitt för perioden För att klustra kommunerna har vi beräknat hur många som skulle ha flyttat in till kommunen i olika åldrar om inflyttarfördelningen var som rikssnittet (med avseende på kön, födelseland, utbildning och ålder). Observera att det inte finns några flyttare över 74 år som har utbildningsnivå 2-4. Klustringen avser den procentuella skillnaden mellan beräknat och faktiskt antal inflyttade per åldersgrupp och födelseland. Klustringen gav egentligen 12 olika kommuntyper. I den första klustringen ingick samtliga kommuner. Det visade sig att kommunerna Strömstad, Laxå, Härjedalen, Dorotea och Övertorneå hamnade i egna kluster, eftersom deras inflyttning till stor del består av invandring (se tabellen ovan). Dessa kommuner uteslöts därför ur klustringen. Efter genomförd klustring genomfördes även en klustring då dessa kommuner inkluderades, med syftet att få en indikation på passande kluster. Härjedalen var den kommun som var svårast att sammanföra med andra kommuner. Slutligen placerades Härjedalen tillsammans med Solna och Sundbyberg, dvs. väsentligt högre inflyttning av utlandsfödda i åldern år än riksgenomsnitt, samt en lägre inflyttning av 0-19 åringar än i riket. Skälet att tvinga in Härjedalen i ett kluster är att kommunen har ett för litet antal inflyttare för att bilda ett eget kluster. De olika klustrena karakteriseras av: Kluster 1: Hög inflyttning av svenskfödda barn (0-19 år) och deras föräldrar (30-w år). Låg inflyttning av utlandsfödda, oavsett ålder. Bland annat välbeställda förortskommuner, som Tex. Värmdö, Ekerö, Staffanstorp och Vellinge. Kluster 2: Hög inflyttning av svensk födda barn (0-19 år) och deras föräldrar (30-w år), fast lägre än i kluster 1. Kluster 3: Hög inflyttning av svensk födda barn (0-19 år) och deras föräldrar (30-w år), i nivå med kluster 2. I stort sett ingen inflyttning av utlandsfödda alternativt lägre än enligt riksgenomsnittet. Främst kommuner i Norr- och Västerbotten. 21

22 Kluster 4: Universitets- och högskoleorter. Hög inflyttning av åringar. Kluster 5: Hög inflyttning av åringar och låg inflyttning av barn, oavsett födelseland. Solna, Sundbyberg och Härjedalen. Härjedalen har egentligen även en hög inflyttning av utlandsfödda i åldern år (se kommentaren ovan). Kluster 6: Hög inflyttning av utlandsfödda barn och deras föräldrar (30-w år). Låg inflyttning av åringar, oavsett födelseland. Kluster 7: Hög inflyttning för utlandsfödda än i riket i genomsnitt. Bland annat Huddinge, Haninge, Stockholm och Malmö. Övertorneå hamnar i detta kluster, främst beroende på en hög inflyttning av utlandsfödda över 30 år. Kluster 8: Låg inflyttning av utlandsfödda. Kluster 9: Hög inflyttning av utlandsfödda, låg inflyttning bland svenskar. Kluster 10: Som kluster 9, fast ännu högre inflyttning bland utlandsfödda och ännu lägre inflyttning bland svenskar, jämfört med rikssnittet. Gränskommuner. Kluster 11: Mycket hög inflyttning av utlandsfödda barn jämfört med rikssnittet. Även hög inflyttning bland utlandsfödda över 30 år. Kluster 12: Mycket hög inflyttning jämfört med riket för utlandsfödda, oavsett ålder. Låg inflyttning av svenskar. För flyttare födda i Sverige: Alla kluster sina egna tal (andelar) för varje utbildning. För flyttare födda i Norden: Alla kluster får samma inflyttningsfördelning med avseende på kön, utbildning och ålder. För flyttare födda utom Norden: Kluster 1, 2, 3 och 8 får samma andelar (gemensamt för dem är att de har låg inflyttning för utlandsfödda). Kluster 6, 7, 9, 10, 11 och 12 får samma andelar (gemenast för dem är att de har hög inflyttning för utlandsfödda). Kluster 4 och 5 får samma. Gemensamt för dem är att de har stor inflyttning av åringar. Att inte skilja mellan utomnordiska och nordiska flyttare i klustringen innebär bland annat att en kommun som Dals-Ed, vars utländska inflyttare i huvudsak är nordiska, slås ihop med Botkyrka vars utländska inflyttare i huvudsak är utomnordiska. I prognossammanhang skulle detta leda till att den utomnordiska inflyttningen till Dals-Ed överskattas. Dals-Ed passar bättre i kluster 10 som utgörs av gränskommuner med i huvudsak nordisk inflyttning. Utifrån denna problematik omklassas också kommunerna Gnosjö, Övertorneå och Södertälje. Se tabellen nedan. Även kommunerna Härjedalen och Danderyd klassas om. Härjedalen förs till kluster 3 och Danderyd klassas efter Täby kommuns tillhörighet till kluster 2. 22

23 Tabell 14 Omklassning av felplacerade kommuner Kommun Kluster enligt Nytt kluster klustring Dals-Ed Gnosjö 12 9 Övertorneå 7 10 Södertälje 9 12 Danderyd 6 2 Härjedalen 5 3 Den nya klusterindelningen redovisas i Tabell 15. De kommuner som inte är med på listan hör till kluster 1, 2, 3 eller 4. Tabell 15 Ny fördelning av kommuner per kluster Kluster Kod Kommunnamn Sundbyberg Solna Östhammar Flen Eskilstuna Vaggeryd Sävsjö Alvesta Markaryd Olofström Burlöv Hylte Töreboda Borås Säffle Hällefors Hallstahammar Västerås Lycksele Upplands-Väsby Järfälla Huddinge Haninge Stockholm Sigtuna Malmö Åre Östersund Piteå Gislaved Värnamo Landskrona Gnosjö 23

24 Övertorneå Strömstad Eda Årjäng Haparanda Dals-Ed Högsby Hultsfred Gullspång Laxå Dorotea Södertälje Botkyrka Beräkning av inflyttarandelar Beräknat på inflyttarna I tabellerna med data för inflyttade har personer med utbildningskod 99 förts till grupp med utbildningskod 1 (se motivering under avsnitt om utflyttarrisker). Fördelningen är beräknad för kön (1,2), födelseland (1,2,3) och utbildningsnivå (1,2,3,4) per inflyttartyp (12 kluster enligt ovan). andel T ( k, f, u) = #inft ( k, f, u) inf ( k, f, u) k, f, u T Osannolika utbildningsnivåer är bortrensade (se Tabell 4). Utjämning av kurvorna. Ingen utjämning av de yngsta i en utbildningsnivågrupp (hanteras som 0-åringar) och de näst yngsta i en utbildningsnivågrupp utjämnas som 1-åringar. Värdena för de olika åren ( ) är sammanvägda enligt principen: (((År1+år2)/2+år3)/2+år4)/2 Skillnader jämfört ned föregående version: 12 typer istället för 13 Klustringen baseras på både immigration och inrikes inflyttning, inte bara den inrikes inflyttningen som i förra versionen Resultat När de nya respektive gamla inflyttarfördelningarna tillämpas för åren 1998 till 2003 underskattas antalet inflyttare i åldern med 14 procent med de gamla inflyttarfördelningarna, medan de nya inflyttarfördelningarna ger en underskattning med 3 procent. 24

25 Tabell 16 Total felskattning för åren av antalet inflyttare i åldern med de gamla respektive nya parametrarna (kommuner som omnämnts ovan) Kommun ny typ Gammal typ rel fel gammal prognos rel fel ny prognos Österåker Värmdö Kungsbacka Danderyd Härjedalen Sundbyberg Solna Huddinge Gnosjö Dals-Ed Strömstad Övertorneå Laxå Dorotea Södertälje Botkyrka Utbildningsbyte Klustring I förra versionen baserades beräkningen av övergångssannolikheter enbart på uppgifter för år Skälet var att klassificeringen av utbildningsgrupper ändrades under tidsperioden De nya klustringen och beräkningen bygger på uppgifter för åren Anledningen till att data för inte används är, liksom tidigare, att klassificeringen ändrats på nytt varför det inte är möjligt att jämföra de olika åren. Tidigare beräknades enbart ett genomsnitt för riket, eftersom det bara fanns uppgifter för ett år. I den nya skattningen har det varit möjligt att klustra kommunerna. Klustringen har genomförts med samma metod som för fruktsamhet och utflyttning. I SAS har kommuner klustrats m.a.p. utbildningsbyte per utbildningsnivå. Klustringen avser endast sådana utbildningsbyten som innebär att personen höjt sin utbildningsnivå. Inga byten från nivå 4 är med och inte heller byten som innebär att personen är kvarstannar på samma utbildningsnivå. Således har klustringen tagit hänsyn till 7 variabler. 25

26 För att klustra kommunerna har vi beräknat hur många som skulle ha bytt utbildningsnivå i kommunen om övergångsfrekvensen var som rikssnittet. Därefter sker klustringen m.a.p. den procentuella skillnaden mellan beräknat och faktiskt antal utbildningsbytare. Observera att åldersfördelningen ej klustrats. Initialt gav klustringen 10 olika kommuntyper. Huvuddelen, 268 kommuner, hamnade i kluster 1. Danderyd, Lidingö, Lund och Umeå bildade egna kluster. Vid successiv minskning av antal kluster sammanförs Danderyd och Lidingö till ett kluster, medan Umeå förs till samma kluster som Linköping och Uppsala. Lund förblir ett eget kluster. Vidare slås Malmö/Göteborg ihop med Nacka/Täby/Sundbyberg. Dessa kommuner hamnar tillsammans om klustringen görs för nio olika kluster. Stockholm/Solna bildar ursprungligen ett eget kluster. Det som skiljer detta kluster från Malmö/Göteborg/Nacka/Täby/Sundbyberg är nivån på övergångsfrekvensen från utbildningsnivå 1. Dessa två kluster sammanförs för att få fler observationer att bygga skattningarna på. Danderyd/Lidingö kvarstår som eget kluster, liksom Lund. Klustringen resulterade således i sex kommuntyper: Kluster 1: Normalkommuner Kluster 2: Högskoleorter och mindre universitet Kluster 3: Högre övergångsfrekvens från utbildningsnivå 1 till 3 och 4 än för riket i genomsnitt Storstäder, Solna, Sundbyberg, Täby och Nacka Kluster 4: Universitetsorter Kluster 5: Mycket högre övergångsfrekvens från utbildning 1 till övriga nivåer än i riket i genomsnitt - Danderyd och Lidingö. Kluster 6: Lund För utbildningsbytare födda i Sverige: Alla kluster sina egna tal för varje utbildning. För utbildningsbytare födda i Norden: Kluster 1, 3 har sina egna tal. Kluster 2, 4, 5 och 6 får samma tal när kluster 1 och 3 tagits bort. För utbildningsbytare födda utom Norden: Kluster 1, 3 har sina egna tal. Kluster 2, 4, 5 och 6 får samma tal när kluster 1 och 3 tagits bort. De kommuner som inte är med på listan nedan hör till kluster 1. 26

27 Tabell 17 Kommuner per kluster Kluster Kod Namn Jönköping Växjö Kalmar Halmstad Skövde Karlstad Örebro Luleå Täby Stockholm Nacka Sundbyberg Solna Malmö Göteborg Uppsala Linköping Umeå Danderyd Lidingö Lund Utbildningsbytesberäkningar Beräknat på utbildningsbyten för befolkningen år. Utbildningskod 99 sätts till kod 10. Data rensas från osannolika utbildningsövergångar vad gäller ålder (samma gränser som för fruktsamhetstalen, se Tabell 4) och utbildningsnivå (ex 31 till 24). Observationerna summeras över år innan övergångssannolikheterna beräknas. Unika sannolikheter för kommuntyp, svenskfödda, kön, åldersgrupp (alla typer) samt för utlandsfödda för kommuntyp 1 och 3, i övrigt baseras sannolikheten på riket utom typ 1och 3 för utlandsfödda. Enligt klustringen ovan. I de fall där sannolikheter saknas för övergångar från en viss utbildningsnivå (för en typ, åldersgrupp, födelseland och kön) antas övergången ske till samma utbildningsnivå med sannolikheten 1 (dvs. ingen övergång). Skillnader jämfört ned föregående version: I förra skattningen beräknades enbart ett riksgenomsnitt, eftersom det bara fanns uppgifter för ett år. I den nya skattningen har kommunerna klustrats, vilket resulterat i 6 olika utbildningsbytestyper. 27

28 Appendix: Kommentar angående asylsökande I de fall då kommuner har ovanligt stor mottagningsverksamhet av asylsökande (i eget eller anläggningsboende 2 ) blir framskrivningen av t ex antal in- och utflyttare med utländskt födelseland ofta felskattad. Möjligtvis skulle det behövas specialtyper för dessa kommuner. Nedan listas de kommuner som år 2004 hade flest asylsökande i eget boende respektive anläggningsboende. När en asylsökande får uppehållstillstånd sker registrering som immigrant. De tio kommuner där flest asylsökande valt ett eget boende De tio kommuner där Migrationsverket har flest antal inskrivna asylsökande i anläggningsboende Kommun, Antal asylsökande Kommun, Antal asylsökande 1 Stockholm, Boden, Göteborg, Hultsfred, Malmö, Sundsvall, Botkyrka, Laxå, Södertälje, Skellefteå, Huddinge, Söderhamn, Örebro, Uppvidinge, Uppsala, Jönköping, Helsingborg, Kiruna, Nacka, Flen, 443 Källa: Statistik från Migrationsverket Anläggningsboende anordnas och finansieras av Migrationsverket, företrädelsevis i vanliga hyreslägenheter. Eget boende anordnas av den asylsökande själv. 28

29 Arbetsmarknad Arbetskraftsutbudet Som diskuteras senare i avsnittet om balanseringen av arbetsmarknaden är det där som det slutliga arbetskraftsutbudet bestäms. Det preliminära utbudet beräknas med stöd av ett skattat samband mellan det relativa arbetskraftstalet och ett antal förklaringsfaktorer. Det relativa arbetskraftstalet (raku) i region R år t definieras som arbetskraftens (AKU) andel av befolkning (BEF) i yrkesverksam ålder. Toppindex Aknu anger att variabeln är definierad för personer med ålder A, kön k, födelseland n och utbildningsgrupp u. raku Aknu Aknu Rt / Rt = AKU BEF Aknu Rt Eftersom andelen aldrig kan bli större än 1 transformeras raku (med ett logituttryck) till lraku som garanterar att den skattade andelen är mindre än 1. (Motsvarande transformation görs också för övriga variabler som är uttryckta som andelar.) lrakurt Aknu =ln [ raku Aknu Rt /(1- raku Aknu Rt )] Den ekvation som skattas är specificerad enligt följande: Aknu lraku Rt = caku A + krakur Aknu + akulag A. Aknu lrakurt 1 + akuald A + akukon A + akufland An + akuutb AU + akuraka A. Aknu raka Rt 1 + akuuh. sysutbrt 1 där Aknu AKA raka Rt 1 = AKU Aknu Rt 1 Aknu Rt 1 arbetslösa AKA, andel av arbetskraften AKU sysutbrt 1 högutbildade sysselsatta i utbildningssektorn som andel av befolkningen (proxy för universitet/ högskola) caku A konstant akulag A koefficient för laggad variabel akuald A koefficient för åldersklass A akukon A koefficient för kön k=2 akufland An koefficient för nationalitet n akuutb AU koefficient för utbildningsnivå U akuraka A koefficient för arbetslöshet akuuh koefficient för universitet 29

30 Tabell 18 Skattningsresultat arbetskraftsutbud Beroende variabel lraku OLS koefficient t-värde Konstant Laggad variabel Arbetslöshet Universitet Ålder w Utbildningsnivå Kort utbildning årig gymn Kort eftergymnasial Lång eftergymnasial Kön Man 0 -- Kvinna Födelseland Sverige Övriga Norden Övriga världen 0 -- R Antal observationer 8024 Anm: Avser År 2001 och 2002, 81 LA-regioner, data avser observationer med minst 10 personer i arbetskraften. 30

31 Arbetslösheten Antalet arbetslösa beräknas med ledning av ett skattat samband mellan relativ arbetslöshet, raka, och ett antal förklaringsfaktorer. rakart Aknu AKA = AKU Aknu Rt Aknu Rt Relativ arbetslöshet definieras m.a.p. preliminärt arbetskraftsutbud, dvs. före balansering. Det beräknade antalet arbetslösa, AKA = raka*aku, påverkas inte av balanseringen. På samma sätt som ovan används en transformerad variabel, lraka, i skattningen. Den ekvation som skattas är specificerad enligt följande: Aknu lraka Rt där = craka A + rakalag A. AknU lraka Rt 1 + akaald A + akakon A + akafland An + akautb AU + akadsysr A. U. dsysr Rt + akadaka draka t AnU. U dsysr Rt Relativ förändring av regionens sysselsättning, utbildning U draka t AnU Förändring av relativ arbetslöshet i riket craka A konstant rakalag A koefficient för laggad variabel akaald A koefficient för åldersklass A akakon A koefficient för kön k=2 akafland An koefficient för nationalitet n akautb AU koefficient för utbildningsnivå U akadsysr A koefficient för syss.förändring akadaka koefficient för arbetslöshet i riket 31

32 Tabell 19 Skattningsresultat arbetslöshet Beroende variabel lraka OLS koefficient t-värde Konstant Laggad variabel Syss.förändring Förändring rikets arbetslöshet Ålder w 0 -- Utbildningsnivå Kort utbildning årig gymn 0 -- Kort eftergymnasial Lång eftergymnasial Kön Man 0 -- Kvinna Födelseland Sverige Övriga Norden Övriga världen 0 -- R Antal observationer 5574 Anm: Avser År 2001 och 2002, 81 LA-regioner, data avser observationer med minst 10 personer i arbetskraften. 32

33 Balansering av arbetsmarknaden I raps avser (total) efterfrågan på arbetskraft både sysselsatta (SYS) och arbetslösa (AKA). Utbudet på arbetskraft avser både regionens egna arbetskraftsutbud (AKU), och nettopendling till regionen (PND). AKU och AKA modellberäknas med ledning av de skattade samband som beskrivits ovan. I hittillsvarande versioner av raps har anpassningen mellan efterfrågan och utbud enbart ägt rum på utbudssidan, dvs. utbudet anpassas till efterfrågan. Arbetsmarknaden är segmenterad i 12 utbildningsgrupper (u) och anpassningen sker för varje separat utbildningsgrupp. Den modellberäknade efterfrågan, sysselsatta och arbetslösa, SYS(u) + AKA(u), ska således mötas av ett lika stort utbud, AKU(u) + PND(u). Om det modellberäknade utbudet är större än efterfrågan nedjusteras det preliminärt beräknade AKU(u), dvs. det relativa arbetskraftstalet sjunker. Om det modellberäknade utbudet är mindre än efterfrågan görs anpassningen om nödvändigt i två steg. Först uppjusteras AKU(u) för att om möjligt uppfylla villkoret att AKU(u) + PND(u) = SYS(u) + AKA(u). Den tillgängliga befolkningen BEF(u) i yrkesverksam ålder (här år) sätter dock en gräns för hur stor uppjustering kan bli, dvs. AKU(u) får inte vara större än BEF(u). Om denna restriktion medför att det kvarstår en brist på arbetskraft sker i ett andra steg en uppjustering av nettopendlingen till regionen. En ökad nettopendling åstadkommes helt genom ökad inpendling, IPND(u), medan utpendlingen, UPND(u), antas vara opåverkad. Det finns i modellen ingen gräns hur mycket inpendlingen kan öka. Här ska vi dels diskutera grunden eller motivet för att fördela arbetskraftsefterfrågan på utbildningsgrupper, dels presentera det alternativ till balansering av arbetsmarknaden som ingår i version 2.0. Utbildningsgrupper som arbetsmarknadssegment? Det finns en teoretisk grund för att se arbetsmarknaden segmenterad i delarbetsmarknader, med separat balansering av respektive delmarknad. Det finns exempelvis tydliga skillnader mellan olika yrkeskategorier, t ex byggarbetsmarknaden och arbetsmarknaden för lärare. En brist på lärare och ett överskott på byggnadsarbetare kan inte utan vidare lösas genom att skolan anställer byggnadsarbetare att tjänstgöra som lärare. I raps är arbetsmarknaden uppdelad på delmarknader med avseende på utbildningsbakgrund, med 12 grupper indelade efter inriktning och nivå. Med denna uppdelning blir gränsen mellan olika delmarknader inte alltid lika tydlig som vid en uppdelning efter yrkesbakgrund. Det går visserligen att hitta exempel på distinkt avgränsade grupper. T ex är det rimligt att förutsätta att en brist på personer med vårdutbildning på högskolenivå (t ex läkare) inte kan lösas av ett överskott på personer med gymnasieutbildning (oavsett inriktning). 33