Kompetensförsörjning för ett konkurrenskraftigt näringsliv JOHAN EKLUND, PETER KARLSSON OCH LARS PETTERSSON

Transkript

1 Kompetensförsörjning för ett konkurrenskraftigt näringsliv JOHAN EKLUND, PETER KARLSSON OCH LARS PETTERSSON 1

2 Jönköping International Business School P.O. Box 1026 SE Jönköping Tel.: Kompetensförsörjning för ett konkurrenskraftigt näringsliv JIBS Research Report Series No J. Eklund, P. Karlsson, L. Pettersson och Internationella Handelshögskolan i Jönköping AB ISSN ISBN

3 Innehåll Kompetensförsörjning för ett konkurrenskraftigt näringsliv: Delrapport Kompetensförsörjning Bakgrund Svenska strukturproblem, arbetsmarknad och utbildningssystemet Matchningen på arbetsmarknaden Datamaterial och statistik Analys av in- och utredare på arbetsmarknaden Matchning mellan inträdare respektive utträdare på arbetsmarknaden Balanstalens utveckling över tiden Utbildning, kompetensförsörjning och regional konkurrenskraft Utbildningspremien i Sverige Högre utbildning och regionala inkomstnivåer Högre utbildning och konkurrenskraft Slutsatser, rekommendationer och fortsatt analys Referenser JIBS Research Reports

4

5 Kompetensförsörjning för ett konkurrenskraftigt näringsliv: Delrapport 1 Johan E. Eklund Entreprenörskapsforum och Internationella Handelshögskolan i Jönköping Peter Karlsson Internationella Handelshögskolan i Jönköping Lars Petersson Internationella Handelshögskolan i Jönköping 1 Kompetensförsörjning Kunskapsuppbyggnad och kompetensförsörjning har en stor roll i såväl regionala-, nationellasom internationella politiska strategier för tillväxt och utveckling. Forskning om drivkrafter bakom ekonomisk tillväxt och utveckling har under lång tid pekat ut humankapital och utbildning som viktiga faktorer som skapar förutsättningar för samhällsutveckling. På den internationella EU-nivån finns formulerade målsättningar om den gemensamma utvecklingen med sikte mot år Målsättningar uttrycks i form av ambitioner om att ungdomar ska genomgå gymnasieutbildning, att en stor andel av befolkning ska ha erhållit en universitetseller högskoleexamen när de är i åldern år och även att FoU-investeringar ska uppgå till minst 3 procent av BNP. Även om Sverige i en internationell jämförelse står sig jämförelsevis bra indikerar dessa målsättningar en tydlig inriktning även för de svenska politiska ambitionerna. Ur ett ekonomiskt perspektiv är frågan om hur offentliga resurser som investeras i utbildning och kompetensförsörjning bidrar till tillväxt och utveckling. Samhällsekonomiskt kan sådana offentliga utgifter sägas vara motiverade så länge som det ekonomiska bidraget i form av påverkanseffekter på tillväxt och utveckling överstiger samhällets kostnader för utbildningsoch kompetensutvecklingsinsatserna. En viktig komponent i detta samanhang är att individer som genomgått en utbildning finner ett arbete som motsvarar det de utbildats för. Om så inte är fallet uppstår en missmatch på arbetsmarkanden. Att denna matchningsprocess fungerar väl är av stor samhällsekonomisk betydelse. Individer med fel utbildningsprofil kommer få det svårare att finna arbete samtidigt som företag och närigslivet i stort kan får det svårare att finna adekvat arbetskraft, vilket kan få negativa effekter på företagens konkurrensförmåga. Den fråga som är föremål för studie i denna rapport är på vilket sätt som kunskap- och kompetensutveckling bidrar till att utveckla näringslivets konkurrenskraft i en region eller nation. I synnerhet hur väl matchningen och försörjningen av arbetskraft till näringslivet fungerar. Något som är aktuellt, inte bara i Sverige, är att åldersgrupperna som nu går i pension är mycket stora (de s.k. 40-talistkullarna). Pensionsagångarna följer inte en exakt jämn fördelning över tiden och variationerna kan bli omfattande på lokala arbetsmarknader, i enskilda branscher, mm. Något som ofta förs fram som ett potentiellt problem i dessa sammanhang är att det kan finnas olika former av problem relaterat till den dynamik som finns i hur inträdare på arbetsmarknaden matchar utträdare. Andra frågor i sammanhanget 5

6 rör den omfattande ungdomsarbetslösheten och även frågan om huruvida det finns eller inte finns ett problem i form av överutbildning. Adekvat och effektiv kompetensförsörjning till näringslivet är centralt för såväl individens välfärd som för samhällsekonomin i sin helhet. Utifrån individens perspektiv är en adekvat kompetensprofil nödvändig för att hon skall kunna etablera sig på arbetsmarknaden och finna sysselsättning. Utan rätt utbildning kommer det vara svårare att finna ett arbete och lönen kommer sannolikt vara lägre. På motsvarande sätt är det utifrån ett arbetsgivarperspektiv och näringslivsperspektiv viktigt att kunna finna arbetskraft som har den kompetens och utbildningsprofil som motsvarar behoven. De anställdas kompetens kommer sannolikt ha betydelse för företagens förmåga att växa och konkurrera. Utbildningssystemets utformning kan med andra ord antas vara av central betydelse för hur väl denna matchningsprocess fungerar. Vilket i sin tur har stor betydelse för individers inkomstmöjligheter och företgens utvecklingskraft. Syftet med detta projekt är att kartlägga kompetensförsörjning vad avser högre utbildning och hur väl utbudet av högre utbilning matchas mot de kompetensbehov som efterfrågas av näringslivet och på arbetsmarknaden i stort. Projektet är uppdelat i tre separata delar där avskiten är att det skall mynna ut i tre olika rapporter som fokuserar på olika frågeställningar. Dessa rapporter kommer produceras vid Internationella Handelshögskolan i Jönköping på uppdrag av KK-stiftelsen. Föreliggande rapport är den första i denna serie av rapporter. Det yttersta syftet med dessa tre rapporter/analyser är att fördjupa kunskaperna kring näringslivets kompetensbehov och hur väl interaktionen mellan högre utbildning och arbetslivet/näringslivet fungerar. Den första analysen fokuserar på årsvisa jämförelser mellan nyinträdare och utträdares kompentens. Analysen görs på regional nivå (s.k. FA-regioner). Dessa årsvisa jämförelser sammanställs sedan för att erhålla trendmässiga utvecklingsmönster. Analysen går även in på hur högre utbildning påverkar den regionala konkurrenskraften. Analyserna bygger uteslutande på empiriska analyser av svenska mikro-statistik, dvs statistik över individer och företag 1. Föreliggande rapport fokuserar på komentensförsörjning i formell mening och avgränsar sig till att huvudsakligen undersöka förhållandet eller balansen mellan utbildningsnivån på inträdare och utträdare på arbetsmarknaden. Formell matchning avser hur väl den formella utbildning en inträdare har matchas mot den formella utbildning som utträdare har på arbetsmarknaden. Med inträdare respektive utträdare avser vi dels de individer som tar högskoleexamen och som sedan träder in i arbetslivet, dels avser vi de individer som, av olika anledningar, lämnar arbetslivet (företrädelsevis av åldersskäl och pensionering). 1 Stöd för datainköp har erhållits via forskningsanslag från FORMAS (anslag ). 6

7 2 Bakgrund En analys av matchningen på den svenska arbetsmarknaden och kompetensförsörjningen kan som bakgrund ta avstamp i beskrivande statistik om arbetsmarknadens utveckling över tiden. Vi utgår från den aggregerad information som sammanställs av Statistiska Centralbyrån och som kan sägas visa makroperspektiv på den svenska arbetsmarknaden. Utifrån dessa stiliserande faktauppgifter får vi också en grundläggande utgångspunkt för mer fördjupade analyser av kompetensförsörjning. Det finns nämligen ett antal faktorer som talar för att matchningen och eller kompetensförsörjningen har försämrats över tiden i Sverige. Problemet med matchningen på arbetsmarkanden kan belysas på olika sätt. Ett enkelt sätt att utgå ifrån är att se till utvecklingen av den öppna arbetslösheten i relation till lediga platser på arbetsmarknaden över tiden. Den generella bilden av arbetslöshetens utveckling under de senaste två decennierna är att nivån har minskat från de höga arbetslöshetstal som fanns i samband med den ekonomiska krisen i början av 1990-talet talskrisen brukar sägas ha inneburit att närmare personer blev av med sina jobb under kort period på enbart några år. Krisen, som kan sägas ha berott på både interna strukturproblem i ekonomin och externa faktorer varade fram till mitten av 1990-talet. Den svenska ekonomin återhämtade sig sedan under 1990-talets andra hälft. Konjunkturen i Sverige var förhållandevis stark fram till omkring år 2000 då en försvagning skedde, som i många avseenden brukar ses som kopplad till den avmattning som IT-sektorn då upplevde. Efter denna konjunktursavmattning har sedan Sverige haft en förhållandevis lång period med en stark ekonomisk tillväxt fram till den internationella konjunkturnedgång som inträffade under andra hälften av 2008 och som sedan också fortsatte under Tillväxtnedgången under 2009 är den skarpaste konjunkturavmattning som den svenska ekonomin upplevts sedan den moderna kvartalstatistiken började sammanställas 1970 och följdes sedan av en skarp tillväxt under 2010 som också var på en historiskt hög nivå. Volatiliteten i konjunkturcykeln var med andra ord omfattande under dessa år även i ett längre historiskt perspektiv. I figur 1.1a nedan visas kvartalstatistik (med glidande medelvärden) för hur den öppna arbetslösheten bland män respektive kvinnor utvecklats under de senaste två decennierna. Från höga nivåer i början av 1990-talet har den öppna arbetslösheten sedan reducerats till omkring personer. Under hela 1990-talet kan vi se en nedåtgående trend för den öppna arbetslösheten som sedan stannar och ligger kvar på en nivå som motsvarar totalt ca personer. Det finns under hela perioden från 1992 och framåt fler arbetslösa män jämfört med kvinnor (i absoluta tal). Ser vi till antalet kvarstående lediga platser på arbetsmarknaden (figur 2.1b) finns inte motsvarande nedåtgående eller utplanande trend som för den öppna arbetslösheten. Istället finns det en tillväxt i antalet lediga platser på arbetsmarknaden. Från att det fanns ca lediga platser under ett kvartal har motsvarande nivån ökat till närmare lediga platser Den sammantagna bilden av den öppna arbetslösheten och de lediga platserna blir därför att det förefaller som att den svenska ekonomin har ett matchningsproblem som inte tycks avta över tiden som främst uttrycks som att antalet lediga platser växer. 7

8 k3 1993k4 1995k1 1996k2 1997k3 1998k4 2000k1 2001k2 2002k3 2003k4 2005k1 2006k2 2007k3 2008k4 2010k1 2011k2 män kvinnor k2 1991k2 1992k2 1993k2 1994k2 1995k2 1996k2 1997k2 1998k2 1999k2 2000k2 2001k2 2002k2 2003k2 2004k2 2005k2 2006k2 2007k2 2008k2 2009k2 2010k2 2011k2 2012k2 Figur 2.1a Öppet arbetslösa män och kvinnor per kvartal i Sverige , glidande medelvärde Källa: SCB, Raps-ris Figur 2.1b Kvarstående lediga platser på arbetsmarknaden per kvartal i Sverige, glidande medelvärde Källa: SCB, Raps-ris Arbetslösheten är ett perspektiv på arbetsmarknaden. Ett annat utgår från arbetskraften är antalet kvarstående arbetssökande. Antalet som ingår i denna grupp är större, både bland män och bland kvinnor, jämfört med den öppna arbetslösheten. I figur 2.2a nedan visas hur antalet arbetssökande har utvecklat under och 2000-talet och det finns en koppling till det mönster som den öppna arbetslösheten som visas ovan. Antalet arbetssökande var hög under och efter 1990-talskrisen. I takt med att den svenska ekonomin återhämtade sig under 1990-talets andra hälft reduceras antalet arbetssökanden. Nivån planar sedan ut och under 2000-talet finns det i ekonomin omkring kvarstående arbetssökanden under ett genomsnittligt kvartal. Även utvecklingen av andelen förvärvsarbetande i den svenska ekonomin (figur 2.2b) utvecklas i ett mönster som det går att relatera till krisåren i början av 1990-talet, och den därefter följande återhämtningsperioden. Under 2000-talet fram till tredjekvartalet 2008 följde en relativt stabil och jämförelsevis hög tillväxttakt. Andelen förvärvsarbetande i befolkningen år överstiger 75 procent, även efter konjunkturavmattningen k3 1993k4 1995k1 1996k2 1997k3 1998k4 2000k1 2001k2 2002k3 2003k4 2005k1 2006k2 2007k3 2008k4 2010k1 2011k2 män kvinnor 0,9 0,85 0,8 0,75 0,7 0,65 0, Figur 2.2a Kvarstående arbetssökande män och kvinnor per kvartal i Sverige , glidande medelvärde Källa: SCB, Raps-ris Figur 2.2b Andel förvärvsarbetande år i Sverige Källa: SCB, Raps-ris I en internationell jämförelse har inte längre Sverige en utmärkande låg arbetslöshet. Den genomsnittliga arbetslösheten i EU-området var i slutet av 2012 omkring 10,7 procent enligt statistik from Eurostat. Den svenska arbetslösheten var vid samma tid och enligt samma källa 8 procent, vilket innebär att Sverige hamnar på plats nummer 12 om vi rankordnar EU- 8

9 länderna från högsta till lägsta nivå med avseende på arbetslöshet (se tabellen nedan). Sverige tillhör därför inte de läder som har den lägsta arbetslösheten och heller inte de som har den högsta, utan hamnar istället i ett mellanskikt av EU-länderna. Tabell 2.1 Arbetslöshet i EU-länderna, december 2012 Rank Land Arbetslöshet Rank Land Arbetslöshet 1 Österrike 4,7% 16 Frankrike 10,5% 2 Luxembourg 5,2% 17 Ungern 11,1% 3 Tyskland 5,3% 18 Italien 11,3% 4 Nederländerna 5,8% 19 Bulgarien 12,3% 5 Rumänien 6,7% 20 Litauen 13,3% 6 Malta 6,8% 21 Lettland 14,4% 7 Tjeckien 7,1% 22 Cypern 14,6% 8 Belgien 7,4% 23 Irland 14,7% 9 Danmark 7,4% 24 Slovakien 14,7% 10 Finland 7,7% 25 Portugal 17,3% 11 Storbritannien 7,7% 26 Spanien 26,1% 12 Sverige 8,0% 27 Grekland 26,4% 13 Estland 9,9% 14 Slovenien 10,0% EU (27 länder) 10,7% 15 Polen 10,4% EU (15 länder) 10,9% Källa: Eurostat. Arbetslösheten bland ungdomar har växt fram som ett av de mest allvarliga problemen i såväl den svenska ekonomin som i det samlade EU-området. I Sverige är arbetslösheten bland ungdomar omkring 25 procent bland ungdomar yngre än 25 år enligt Eurostats statistik (se tabellen nedan). Enligt samma källa är den genomsittliga ungdomsarbetslösheten inom EUområdet något lägre. Det betyder att problemet med ungdomsarbetslösheten är ett relativt alvarligare problem i Sverige jämfört med den samlade arbetslösheten, om vi gör jämförelsen utifrån den nationella situationen i relation till EU-genomsnittet. Tabell 2.2 Ungdomsarbetslöshet (personer yngre än 25 år) i EU-länderna, december 2012 Rank Land Arbetslöshet Rank Land Arbetslöshet 1 Tyskland 7,9% 16 Slovenien 27,1% 2 Österrike 9,1% 17 Bulgarien 27,6% 3 Nederländerna 10,0% 18 Polen 27,7% 4 Danmark 14,7% 19 Cypern 28,4% 5 Malta 15,7% 20 Ungern 28,4% 6 Luxemburg 18,5% 21 Irland 30,3% 7 Finland 18,9% 22 Slovakien 35,8% 8 Belgien 19,3% 23 Italien 37,1% 9 Estland 19,4% 24 Portugal 38,3% 10 Tjeckien 19,6% 25 Spanien 55,4% 11 Storbritannien 21,1% 26 Grekland 58,4% 12 Lettland 24,0% 27 Rumänien na 13 Sverige 24,1% 14 Litauen 24,2% EU (27 länder) 23,4% 15 Frankrike 26,7% EU (15 länder) 22,9% Källa: Eurostat. 9

10 Den sammantagna bilden av den svenska ekonomins arbetsmarknad, både om vi ser till utvecklingen över tiden och i internationell jämförelse, är det finns skäl att på ett mer djuplodande sätt analysera olika perspektiv på arbetsmarknadens funktionssätt i relation till näringslivsutvecklingen. Jämfört med exempelvis perioden från andra världskrigets slut fram till 1990-talet har Sverige i dag en väsentligt högre arbetslöshet. Sverige har inte heller längre en internationellt unikt låg arbetslöshet. Tvärt om, ungdomsarbetslösheten är i dag mer omfattande i Sverige jämfört med genomsnittet bland EU-länderna. Kompetens och utbildning kan naturligtvis antas spela en roll i detta samanhang. Utan rätt kompetensprofil kan inträdet på arbetsmarkanden antas bli svårare. Ser vi till uppgifter om utbildningsnivå har Sverige en hög andel invånare med högskole- eller universitetsutbildning. Den europeiska målsättningen som uttrycks i de europeiska måldokumenten och som ingår som indikator i den sk. EU2020 är att 40 procent av befolkningen år ska ha genomgått en högskole- eller universitetsutbildning om minst två år. I Sverige var denna andel bland åringar 47,5 procent, dvs. målet överskjuts idag. Det finns skillnader mellan olika länders utbildningssystem, men samtidigt är det noterbart att i exempelvis Tyskland, som har låg arbetslöshet och även låg ungdomsarbetslöshet, har färre än 30 procent av åringar en högskole- eller universitetsutbildning om minst två år. Det finns också i Sverige en diskussion om huruvida överutbildning ska ses som ett fenomen som kan sägas vara ett problem eller ej. Den höga andelen högutbildade är något som också förtjänar att ses ur flera perspektiv förutom enbart arbetslöshet. Produktivitet (företags och regioners konkurrensförmåga), intjänandeförmåga (löne-/utbildningspremium), matchningseffektivitet är några sådana perspektiv. 3 Svenska strukturproblem, arbetsmarknad och utbildningssystemet Det finns mycket tydliga skillnader avseende arbetsmarknadsinträde och matchning på arbetsmarknaden mellan Sverige och andra jämförbara länder. Sverige utmärker sig bland annat genom att ungdomar träder in på arbetsmarknaden förhållandevis sent och att ungdomsarbetslösheten är mera än dubbelt så hög som inom OECD området. För åldersgruppen år är arbetslösheten 6,5 gånger så hög som för gruppen år. Som framgår i figuren nedan är det endast Tjeckien och Italien av övriga OECD-länder som har en högre ungdomsarbetslöshet relativt arbetslösheten bland övriga åldrar. Denna jämförelse i relationstal ger ytterligare en dimension till uppgifterna som presenteras ovan och bidrar till att ytterligare utveckla perspektivet på det framväxande problemet med arbetslöshet som Sverige har. 10

11 Figur 3.1 Arbetslöshet bland ungdomar år i förhållande till (kvot) gruppen åringar, OECD-länderna 2011 Källa: OECD (2012), Egen bearbetning Detta mönster med stora skillnader mellan länder upprepar sig även för äldre ungdomsgrupper. I absoluta termer faller dock arbetslösheten succesivt för de äldre grupperna. För gruppen åringar ligger Sverige dock kvar med den tredje högsta ungdomsarbetslösheten inom OECD. För denna grupp är arbetslösheten i Sverige 343% högre än för gruppen åringar. Det är först vid ca 30 års ålder som arbetslösheten närmar sig genomsnittet. En fördjupad diskussion om den svenska arbetslöshetens utveckling och tillväxt finns exempelvis i Lindahl (2011). Arbetslöshet brukar delas in i vad som kallas friktionsarbetslöshet respektive strukturarbetslöshet. En vanlig definition av friktionsarbetslöshet är att den berör på sök och matchningsproblem på arbetsmarknaden som normalt inte ska innebär bestående problem för individerna som berörs i ett mera långsiktigt perspektiv. Med strutkturarbetslöshet menas vanligen arbetslöshet som består under en längre tid och som beror på skillnader i sammansättningen av efterfrågan och utbudet på arbetsmarknaden. Dessa skillnader kan bero på geografiska förhållanden, branschspecifika skillnader eller baseras på yrkestillhörighet och utbildning. Ekonomin i samhället förändras hela tiden vilket innebär att nya jobb tillkommer samtidigt som en del jobb försvinner. Detta beror på hur olika delar av ekonomin utvecklas på olika sätt och påverkar lokala och regionala arbetsmarknader såväl som olika yrkeskategorier, olika näringsgrenar på olika sätt. När förändringar sker kan de strukturella problemen uppstå som innebär att personer som förlorat sina jobb kan behöva flytta eller utbilda sig för kan återinträda i yrkeslivet. När den ekonomiska krisen växte fram i början av 1990-talet innebar det att olika former av strukturella problem blev tydliga. Krisen drabbade exempelvis stora delar av tillverkningsindustrin på ett omfattande sätt, och en stor mängd av de jobb som berördes fanns 11

12 i de s.k. bruksorterna i landet. Områden och många orter i bl.a. Bergslagen drabbades på ett annat sätt än storstadsregionerna i det avseendet att tillverkningsindustrin svarade för en väsentligt högre andel av arbetsmarknaden i dessa regioner. Återhämtningen i den svenska ekonomin under 1990-talets andra hälft kännetecknades i hög grad av en tillväxt i tjänste- och servicesektorerna. Med andra ord ställdes krav på en strukturell anpassning av ekonomin som något förenklat kan sägas förklaras av olikheter i konkurrenskraftsförhållanden i olika delar av näringslivet (olika platser och branscher). De framväxande nya jobben fanns till stor del i tjänste- och servicesektorerna i storstadsområdena medan de arbetslösa fanns på mindre orter med en yrkes- och utbildningsbakgrund inom tillverkningsindustrin. Problemet var då att många arbetssökande både bodde på fel platser och saknade sådan utbildning som efterfrågades. Med dessa utgångspunkter är det naturligt att arbetsmarknaden och utbildningssystem ofta ses i relation till varandra. Utbildningssystem behöver därför utformas på ett sådant sätt att framtida arbetskraftsefterfrågan kan matchas med arbetskraftsutbudet. Arbetskraftsutbudets samansättning avgörs i sin tur i stor utsträckning av utbildningssystemet. Det finns alltså ett problem i form av tidsdimension, dvs. att dagens utbildningssystem utformas på ett sådant sätt att kompetensen hos morgondagens arbetskraft kan matchas mot den framtida efterfrågan. Ett annat perspektiv på utbildningssystemet är dess förmåga att kunna överbrygga uppkomna strukturella matchningsproblem. De strukturella problemen som utvecklades under talets andra hälft när många människor kom att behöva omskolning är ett exempel på detta. Båda dessa perspektiv på utbildningssystemet har betydelse för näringslivets förutsättningar att finna medarbetare med rätt kompetens som bidrar till att utveckla konkurrenskraften bland företagen. Utbyggnaden av den högre utbildningen som skett i Sverige under och 2000-talet kan ses i relation till utvecklingen på arbetsmarknaden. Eftersom allt fler jobb förutsätter arbetskraft med en lång utbildningsbakgrund finns ett motiv till utbyggnaden av högskoleoch universitetsutbildningen. Många nya lärosäten har tillkommit i Sverige under de senaste åren och antalet studenter i den högre utbildningen har fördubblats sedan början av 1990-talet. De politiska motiven har formulerats med inriktning mot att fler ska beredas möjlighet till den högre utbildningen och bidra till ekonomisk tillväxt och utveckling på ett sådant sätt att också sociala och regionala klyftor reduceras. Utvärderingar visar också att många av de nytillkomna högskolorna och universiteten ligger i topp när det gäller snabbt inträde på arbetsmarkanden bland examinerade studenter (Högskoleverkets rapport 2008:35). Även Susanna Holzers avhandling university choice, equality, and academic performance som presenterades vid Växjö universitet 2009 visar motsvarande resultat. Utvecklingen av avlagda examina vid högskolor och universtitet i Sverige har ökat från ca år 1995/96 till drygt år 2010/11 (se figur 3.2 nedan). Tillväxten följer i princip samma mönster för såväl grundnivån som den avancerade nivån. Utvecklingen planade ut under åren , men har sedan växt på ett omfattande sätt de senaste åren. Jämför vi utvecklingen för de utfärdade högskoleexamina kan vi konstatera att tillväxten under de senaste åren också sammanfaller med tiden efter den omfattande konjunkturnedgången som inleddes under andra halvåret 2008 och som sedan fortsatte under Det finns också variationer i storlekarna på ungdomskohorterna som bidrar till att förklara utvecklingen i antalet högskoleexamina under 2000-talet. 12

13 Figur 3.2 Utfärdade högskoleexamina Grundnivå (motsvarande) Avancerad nivå (motsvarande) totalt / / / / / / / / / / / / / / / /11 Utifrån den sammantagna bilden av utvecklingen av utbildningssystemet med de grova aggregerade uppgifter vi presenterar här, finns det inte någon självklart grund för att vare sig förklara ungdomsarbetslösheten eller någon tillväxt i matchningsproblem på arbetsmarknaden. Tvärt om, mot bakgrund av det förmodade sambandet mellan utbildning och anställningsbarhet så torde expansion av högre utbildning vara förknippat med förbättrad matchning på arbetsmarknaden vilket inte är fallet. Utbyggnaden av den högre utbildningen, som varit omfattande, borde bidra till konkurrenskraftiga nyinträdande ungdomar på arbetsmarknaden snarare än motsatsen. Detsamma gäller den ökade geografiska spridningen av högskolor och universitet, som också visat sig förhållandevis framgångsrika med avseende på att nyexaminerade studenter snabbt inträder på arbetsmarknaden. Det finns med andra ord en diskrepans mellan utvecklingen på arbetsmarkandens och utbildningssystemets expansion. Nyckel till att förstå detta ligger i matchningsprocessen. 4 Matchningen på arbetsmarknaden Som nämndes inledningsvis finns det flera former av matchningsbegrepp som alla handlar om hur behoven i arbetslivet matchas mot arbetskraftens kompetens. En form av matchning handlar om utbildningsnivåer och formell utbildning. Detta är emellertid bara en av flera former av matchning. Matchning i formell mening behöver inte en de facto matchning mellan arbetskraften och företagenskompetensbehov. Till att börja kan det inte antas att formell utbildning per automatik speglar all kompetens. Mycket kompetens kan naturligtvis istället antas vara i form av arbetslivserfarenhet, tyst -kunskap (tacit-knowledge), praktiska kunskaper och så vidare, som inte kan mätas eller dokumenters på samma sätt som formell utbildning kan. 13

14 Inte heller kan det antas att den kompentens som lämnar arbetslivet genom, t.ex. pensionsavgångar speglar det behov som finns. Då det vanligen ligger flera årtionden mellan det att en individ avlägger en examen och att samma individ lämnar arbetslivet, är det rimligt att utbildningsbehovet förändras och ser annorlunda ut. Det är därför nödvändigt att använda mera direkta mått på matchningsprocessen. Ett sådant är att titta på hur snabbt individer går mellan arbeten och framförallt hur snabbt lediga tjänster fylls och hur snabbt arbetslösa finner nya arbeten. Denna process har modellerats på flera olika sätt i ekonomisk teori. Det vanligaste och enklaste empiriska måttet på hur väl matchningsprocessen fungerar är den så kallade Beveridgekurvan. Beveridgekurvan visar på sambandet mellan antalet vakanser och arbetslösheten vid en viss given tidpunkt (Se även avsnitt 2). En rörelse längsmed kurvan speglar konjunkturförloppet, dvs. när en ekonomi rör sig in i lågkonjunktur så stiger arbetslösheten samtidigt som antalet vakanser minskar. I en välfungerande arbetsmarkand är både arbetslöshet och vakanser låga, vilket avspeglas i att Beveridgekurvan befinner sig nära origo. Logiken är enkel, låg arbetslöshet kombinerat med låga vakanstal innebär helt enkelt att lediga tjänster fylls snabbt samtidigt som arbetslösa snabbt finner nya jobb. Detta speglar med andra ord en effektiv matchningsprocess. Om både arbetslösheten och vakanserna är höga (över konjunkturcykeln) så avspeglar detta en ineffektiv matchningsprocess. I figur 4.1 nedan visas Beveridgekurvan för Sverige. Figuren visar på sambandet mellan vakanser och arbetslöshet mellan första kvartalet 1981 till tredje kvartalet Figur 4.1 Beveridgekurvan mellan 1981:kv. 1 till 2010:kv. 3 Källa: Finansdepartementet (2011) Från figur 4.1 framgår det tydligt att det tycks finns dels en konjunkturrörelse och dels en förändring i matchningsprocessen. Det senare är problematiskt för svenskt vidkommande då det syns tydligt att Beveridgekurvan har förskjutits utåt, vilket med andra ord innebär att matchningen på arbetsmarkanden har försämrats. Nu går det naturligtvis att finna en mängd olika faktorer som kan förklara denna utåt förflyttning av kurvan. Men en fråga som infinner 14

15 sig är naturligtvis på vilket sätt utbildningssystemet kan tänkas påverka detta? Beskrivningen som presenteras ovan om den högre utbildningens volymexpansion kan tolkas som att det inte förefaller som att de nyutexaminerades numerär kan antas vara det största problemet i sammanhanget. Det förefaller snarare som att det finns skäl att söka efter andra och då också mer djuplodande förklaringar huruvida arbetslivets behov av utbildad arbetskraft möts i tillräcklig utsträckning. Hur sambandet mellan Beveridgekurvan och utbildningssystemet ser ut har stor ekonomiskpolitiks betydels. Frågan om det finns regionala variationer i Beveridgekurvan som kan förklars av tillgängligheten till utbildning eller det regionala utbudet av utbildad arbetskraft har till exempel bäring på vilken betydelse de regionala högskolorna skall tillmätas. Aranki och Löf (2008) har undersökt, med hjälp av en matchningsmodell, om det finns regionala skillnader på länsnivå. Resultaten av deras studie visar att de finner en statistiskt signifikant skillnad mellan länen. Hur den regionala matchningsprocessen påverkas av tillgängligheten till högre utbildning har oss veterligen inte undersökts. 5 Datamaterial och statistik De analyser som genomförs inom ramen för detta projekt baserar sig på information och data från flera olika källor. Såväl statistik på aggregerad nivå som mikrodata på företags och individnivå används. Statistik på aggregerad nivå hämtas från SCBs så kallade raps-ris databasen som innehåller regionalt indelad statistik. Databasen innehåller bland annat information om de regionala arbetsmarknaderna och näringsstrukturen. För att kunna besvara de forskningsfrågor som ställs i denna rapport är det emellertid inte tillräckligt att använda aggregerad statistik. Projektets forskningsfråga sammanfaller väl med forskningsarbete som görs inom projektet Business Clusters in Rural Regions vid Internationella Handelshögskolan i Jönköping och genom detta samarbete har data på mikronivå om företag, arbetsställen och även individer kunna utnyttjas genom MONA (Microdata-ON-line-Access) som är ett system för att göra aktuella data tillgängliga från SCB:s olika databaser. Detta innebär att projektet har tillgång till detaljerad information om såväl företag (lokalisering, verksamhetsinriktning, redovisningsinformation, m.m.) och om individer som arbetar i företagen (utbildningsnivå, ålder, kön, yrkesinriktning, m.m.). Denna information är den mest detaljerade som finns till att tillgå i Sverige. Företag och individer är konfidentiella (finns ingen information om organisations eller personnummer), men data är longitudinell, dvs. det går att studera företag och individer över tiden mellan åren 1990 och Data som projektet kan arbeta med utgår också från den så kallade RAMS-datan (registerbaserade arbetsmarkandsstatistiken). Det finns avgränsningar som följer de indelningar som SCB arbetar med och i detta fall utgår restriktioner från den indelning och de definitioner som finns i RAMS. Data som projektet har tillgång till bestäms av att företag har minst en person som erhåller lön från företaget. Det betyder att små företag utan anställda inte är inkluderade. Eftersom studien inriktas mot frågor som rör arbetskaraftens humankapital ser vi inte denna begräsning som problematisk, men dessa förutsättningar bör ända nämnas. Data som projektet kan arbeta med är med andra ord mycket rik och detaljerad som möjliggör mera sofistikerade analyser. 2 Den är tillexempel möjligt att studera vilka effekter 2 Datamaterialet får även set i ett internationellt perspektiv betraktas som unik. 15

16 humankapitalsamansättnigen (de anställdas utbildningsprofil, erfarenhet et cetera) har på företagsnivå i termer av företagstillväxt och produktivitet. Vi kompletterar statistiken från SCB med statistik från Arbetsförmedlingen rörande lediga tjänster. Arbetsförmedlingen samlar in statisk ifråga om vakanser, vakansernas varaktighet, krav på erfarenhet et cetera. Denna information använder vi för att analysera hur väl regionala arbetsmarknaderna fungerar. Dessa data har i sin tur också kompletterats med urvalsbaserad arbetsmarknadsstatistik (AKU) från SCB. I syfte att fånga eventuella effekter av den regionala tillgängligheten/utbudet av högre utbildning har vi även samlat information om det regionala utbudet ifråga om antal utbildningsplatser samt antal utfärdade examina och dylikt. En utförligare beskrivning av de olika variabler som används i analyserna ges i de respektive avsnitten där de används. Den longitudinella tillgången på statistik variaerar från variabel till variabel, men där det är möjligt använder vi oss av statisk för perioden Observera att inte allt ovan nämnt datamaterial används i denna första rapport. Klassindelningar och kategoriseringar Statistiken som ligger till grund för analyserna i denna rapport följer i de flesta fall de standardiserade klassificeringar som används både i Sverige och internationellt. Företagsstatstiken följer den konventionella svenska näringslivdelningen (SNI 2007). När det gäller individernas utbildningsinriktning så finns denna information tillgänglig genom MONA-systemet i form av klassificeringen SUN2000Inr, vilken har använts med en noggrannhet motsvarande av de två första siffrorna. Detta innebär information om huvudinriktning och motsvarar inriktning (fields of education) i den internationella standarden ISCED 97. Tabell 5.1 Tvåsiffrig utbildningsindelning 01 Bred, generell utbildning 48 Data 08 Läs- och skrivinlärning för vuxna 52 Teknik och teknisk industri 09 Personlig utveckling 54 Material och tillverkning 14 Pedagogik och lärarutbildning 58 Samhällsbyggnad och byggnadsteknik 21 Konst och media 62 Lantbruk, trädgård, skog och fiske 22 Humaniora 64 Djursjukvård 31 Samhälls- och beteendevetenskap 72 Hälso- och sjukvård 32 Journalistik och information 76 Socialt arbete och omsorg 34 Företagsekonomi, handel och 81 Personliga tjänster administration 38 Juridik och rättsvetenskap 84 Transporttjänster 42 Biologi och miljövetenskap 85 Miljövård och miljöskydd 44 Fysik, kemi och geovetenskap 86 Säkerhetstjänster 46 Matematik och övrig naturvetenskap 99 Okänd Källa: SCB:s Utbildningsregister. När det gäller individernas utbildningsinriktning så finns även denna information tillgänglig genom MONA-systemet i form av klassificeringen SUN2000Inr, vilken har använts med en noggrannhet motsvarande av de två första siffrorna i klassindelningen. Dessa vilka anger huvudinriktning och motsvarar inriktning (fields of education) i den internationella standarden 16

17 ISCED 97. Notera att följande två klasser: 08 Läs- och skrivinlärning för vuxna; 09 Personlig utveckling, inte har inkluderats i analysen. Tabell 5.2 Tvåsiffrig utbildningsindelning (SUN 2000Nivå) Nivå Längd Specificering 6 Forskarutbildning 64 Doktorsutbildning 640 Doktorsutbildning 62 Licentiatutbild-ning 620 Licentiatutbildning 60 Övrig/ospecificerad 600 Övrig/ospec. forskarutbildning forskarutbildning 5 Eftergymnasial 55 Fem år eller längre 557 Yrkesinriktad utbildning vid niversitet/högskola utbildning 556 Generell utbildning vid universitet/högskola två år eller längre 555 Yrkesinriktad utbildning - ej universitet/högskola 550 Övrig/ospec. eftergymnasial utbildning 54 Fyra år 547 Yrkesinriktad utbildning vid universitet/högskola (minst fyra men ej fem år) 546 Generell utbildning vid universitet/högskola 545 Yrkesinriktad utbildning - ej universitet/högskola 540 Övrig/ospec. eftergymnasial utbildning 53 Tre år 537 Yrkesinriktad utbildning vid universitet/högskola (minst tre men ej fyra år) 536 Generell utbildning vid universitet/högskola 535 Yrkesinriktad utbildning - ej universitet/högskola 532 Minst 120 högskolepoäng - ej examen 530 Övrig/ospec. eftergymnasial utbildning 52 Två år 527 Yrkesinriktad utbildning vid universitet/högskola (minst två men ej tre år) 526 Generell utbildning vid universitet/högskola 525 Yrkesinriktad utbildning - ej universitet/högskola 522 Minst 80 högskolepoäng - ej examen 520 Övrig/ospec. eftergymnasial utbildning 4 Eftergymnasial 41 Kortare än två år 417 Yrkesinriktad utbildning vid universitet/högskola utbildning (minst en termin) 415 Yrkesinriktad utbildning - ej universitet/högskola kortare än två år 413 Gymnasial påbyggnadsutbildning 412 Minst 20 högskolepoäng i ett ämne Källa: SCB:s Utbildningsregister 410 Övrig/ospec. eftergymnasial utbildning 17

18 För att erhålla individer med någon form av universitetsutbildning (forskarnivå, lång universitetsutbildning exklusive forskarnivå samt kort universitetsutbildning) så har följande SUN2000 nivåer använts: 640, 620, 600; 557, 556, 547, 546; 537, 536, 527, 526, 417. För mera information om dessa olika kategoriseringar se SCB (2012). I de fall det är aktuellt att aggregera statistiken för att genomföra analyser på regionalnivå så använder vi oss av SCBs indelning av funktionella arbetsmarknadsregioner (FA-regioner) som har ersatt den tidigare indelningen i LA-regioner (Nuteks lokala arbetsmarknadsregioner). Även om FA-regionsbegreppet kan ha olika former av begräsningar ser vi det ändå som den mest lämpliga indelningen för att spegla funktionella regioner med gemensam arbetsmarknad eftersom indelningen baseras på pendlingsutbyte mellan kommuner. Detta är vår utgångpunkt för detta sammanhang då vi är intresserade av att studera effekterna på regionala arbetsmarknader och näringsliv. FA-regionindelningen delar upp Sverige i 72 så kallade funktionella regioner, där uppdelningen baserar sig på arbetskraftens pendlingsmönster. Geografiska områden inom vilka det är rimligt att pendla till och från arbetet utgör en FA-region. Indelningen bygger på ett aggregat av kommuner, men i ekonomiska samanhang utgör FA-regioner en mera relevant analysenhet. (För detaljer se Tillväxtverket, 2012). För perioden 1995 till 2010 så använder vi oss av senast tillgängliga information rörande individens examensår och utbildningsnivå dvs vi utgår ifrån informationen avseende individernas utbildning och längd i slutet av år 2010 för alla år i analysen. På så sätt undviks bland annat år som har felaktig data vilket senare har korrigerats av SCB, men enligt gällande lag så får SCB inte göra ändringar bakåt i tiden. 6 Analys av in- och utredare på arbetsmarknaden Ett mått på hur väl matchningen ser ut på arbetsmarknaden är att göra årsvisa jämförelser av de grupper som lämnar arbetsmarknaden med de grupper som samtidigt träder in på arbetsmarknaden. Utgångspunkten är årsvisa jämförelser av utträdares och de inträdares utbildningsprofil. Syftet är att ge en bild över hur väl den nyinträdande matchar de behov som finns på arbetsmarknaden uttryckt genom kompetensen hos de som utträder, samt också att studera huruvida det finns några regionala eller sektorsvisa skillnader. Inträde på arbetsmarknaden Det finns inte ett givet sätt att enkelt definiera inträdare på arbetsmarknaden. I stället finns det en mängd olika definitioner av arbetskraftsinträde. De flesta definitioner innehåller dock krav på att en viss inkomst skall ha uppnåtts eller att individen skall arbeta ett visst minimum av timmar under en viss period för att räknas till arbetskraften. Dessa villkor är naturligtvis till för att säkerställa att individen faktiskt ingår i arbetskraften. Det är inte heller tillräckligt att en individ har uppnått en viss ålder för att antas ingå i arbetskraften. Vissa väljer t.ex. att gå ut i arbetslivet redan efter grundskolan eller gymnasiet medan andra fortsätter till högre utbildningar och inträder på arbetsmarknaden i en högre ålder. I den officiella statistiken räknas en person som sysselsatt om förvärvsarbetet uppgår till minst en timme under referensveckan. Då vi är intresserade av frågan om inträde på arbetsmarknaden efter avslutad utbildning väljer vi att använda oss av en definition som tar hänsyn till både att examen uppnåtts samt att 18

19 personen ifråga har en inkomst och individens sysselsättningsstatus i november månad är förvärvsarbetande för det innevarande året. Då inkomsten varierar över tiden använder vi oss av ett basbelopp som referenspunkt (årsvisa basbelopp har använts). Vi definierar därför inträdare som individer som har tagit examen och vars sysselsättningsstatus under november månad är förvärvsarbetande samt har en inkomst som överstiger ett basbelopp. För att någon skall betraktas som inträdare under ett år skall dessa tre villkor vara uppfyllda. Individer som under efterföljande år har inkomster som understiger ett basbelopp antas emellertid fortfaraden vara en del av arbetskraften. Det vill säga individer som har inträtt på arbetsmarknaden antas tillhöra arbetsmarknaden till dess de uppnått en ålder av minst 61 år och därefter måste de inbringa en årlig inkomst som överstiger ett basbelopp. Examen kan i detta fall vara allt från en grundskoleexamen till högskoleexamen. Då många individer som tar t.ex. en gymnasieexamen går vidare till högre utbildning är det nödvändigt att identifiera individer som träder in på arbetsmarknaden efter det att de tagit examen. Detta gör vi genom att titta om dessa har någon arbetsinkomst samtidigt som vi betingar på att de måste dessutom måste ha arbetat minst 2 timmar under november månad, vilket anges i informationen vi får genom MONA-systemet. Utträde från arbetsmarknaden För att en individ skall kunna göra ett utträde i form av pensionering så har vi definierat detta som en individ som har uppnått åldern 61 och som har en årsinkomst under det innevarande året som understiger ett basbelopp samt och individens sysselsättningsstatus i november månad är ej förvärvsarbetande för det innevarande året. Detta innebär att i analysen så är utträde fokuserad på pensionsavgång. Ett balanstal på två innebär tillexempel att det är två gånger så många inträdare som det är utträdare. Dessa tal kan enkelt beräknas på olika sätt t.ex. på regional nivå eller för olika utbildningsinriktningar. Balansen mellan inträdare och utträdare För att få en uppfattning om hur balansen mellan in och utträde ser ut för olika yrken beräknar vi ett så kallat balanstal vilket helt enkelt är kvoten mellan tillträdande och utträdande. Om denna kvot är ett så innebär det balans. Om kvoten ligger under ett innebär det att antalet inträdare är otillräckligt för att det skall vara hållbart på sikt. På motsvarade sätt visar en kvot som ligger över ett att antalet individer som träder in är större än gruppen utträdare. 6.1 Matchning mellan inträdare respektive utträdare på arbetsmarknaden För att ge en överblick av hur balansen mellan ut- respektive inträdare på arbetsmarknaden kan förväntas utvecklas över tiden kan vi även använda oss av något som kan kallas utbildningspyramider. Dessa utbildningspyramider kan sägas likna befolkningspyramider men de visar i stället hur många som har en viss utbildning inom en given åldersgrupp. Nedan återges ett antal utbildningspyramider. På den vertikala axeln anges ålder/åldersgrupper. Ju högre upp på den vertikala axeln desto högre upp i åldrarna rör vi oss. Till vänster om axeln 19

20 anges antalet personer med kort högskoleutbildning (blå staplar) och till höger anges antalet personer med lång universitetsutbildning (gröna staplar). Notera att de inkluderade individerna utgörs av individer vars sysselsättningsstatus i november månad är förvärvsarbetande för det innevarande året Detta innebär att pyramiderna ger en ögonblicksbild över åldersfördelning för sysselsatt arbetskraft. I figur 6.1 nedan visas utbildningspyramider för Stockholm, Malmö, Västerås och Filipstad. I dessa fyra utbildningspyramider ingår samtidiga utbildningsinriktningar. Figur 6.1 Utbildningspyramider (alla utbildningsinriktningar) för Stockholm (FA 1), Malmö (FA 19), Västervik (FA 14) och Filipstad (FA 33) Från dessa fyra pyramider kan vi se att Malmö och Stockholm inte förefaller ha någon uppenbar obalans mellan utbildningsnivå och åldersstrukturen. Det finns emellertid regioner där det tycks finnas en obalans mellan antalet högutbildade unga och gamla. Exempel på detta framgår av utbildningspyramiderna för Västervik och Filipstad i figuren ovan. För dessa två regioner ser vi att antalet äldre med hög utbildning förefaller vara större än antalet unga med hög utbildning. Motsvarande utbildningspyramider för Sveriges samtliga 72 FA regioner återfinnes i appendix 2A. De fyra arbetsmarknaderna som visas ovan kan sägas vara representativa för hur utbildningspyramiderna skiljer sig mellan många mindre och större regioner i landet. Stora regioner har inte balansproblem medan det i vissa mindre regioner kan finnas ett balansproblem. Detta ger emellertid en aggregerad ögonblicksbild. Ser vi till olika utbildningsinriktningar så förändras bilden något. 20

21 I figur 6.2 nedan visas utbildningspyramider för sex olika utbildningsinriktningar: Matematik och naturvetenskap, miljövård och miljöskydd, biologi och miljövetenskap, hälso- och sjukvård, teknik och teknisk industri samt material och tillverkning. På utbildningsnivå förefaller det finnas större obalanser. Matematik och naturvetenskap är här något av ett extremfall där det är en stor grupp äldre (med kort högskoleutbildning) som har lämnat eller kan antas snart lämna arbetslivet. Samtidigt är antalet unga alltför få för att kunna ersätta. Figur 6.2 Utbildningspyramider för olika utbildningsinriktningar (hela riket): Matematik och naturvetenskap, miljövård och miljöskydd, biologi och miljövetenskap samt hälso- och sjukvård. Utbildningspyramider för samtliga utbildningskvalificeringar återges i appendix 2B. 21

22 En ännu mera finfördelad bild erhålles då pyramiderna tas fram brutet över både regioner och utbildningsinriktningar. Något förvånande tycks det inte finnas en ansenlig variation i utbildningspyramiderna över olika regioner. Som exempel på detta kan utbildningspyramiderna för matematik och naturvetare lyftas fram. Nedan i figur 6.3a visas dessa pyramider för fyra medelstora FA regioner: Jönköping, Halmstad, Örebro och Västerås. Med undantag för en viss skillnad mellan de olika regionerna förefaller de regionala mönstren ha stora likheter i regioner av jämförbar storlek. Figur 6.3a Utbildningspyramid för matematik och naturvetenskap i Jönköping (FA 6), Halmstad (FA 20), Örebro (FA 34) och Västerås (FA 37) Jönköping Halmstad Örebro Västerås Pyramiderna för matematik och naturvetare är exempel på utbildningsinriktning med obalanser. Ett exempel på det motsatta fallet, dvs där vi har en god tillströmning är utbildningsinriktningen teknik och teknisk industri och som vi kan se i figur 6.3b nedan så är detta ett generellt mönster för de utvalda regionerna. Över lag så är den regionala variationen låg. 22

23 Figur 6.3b Utbildningspyramid för teknik och teknisk industri i Jönköping (FA 6), Halmstad (FA 20), Örebro (FA 34) och Västerås (FA 37) Jönköping Halmstad Örebro Västerås I appendix 2C återges utbildningspyramiderna för dessa fyra regioner uppbrutet på samtliga utbildningsklassificeringar. Ytterligare finfördelning av pyramiden på till exempel branschnivå är inte meningsfullt då data underlaget blir alltför tunt. 6.2 Balanstalens utveckling över tiden Ovan beskrevs balanstalen och från utbildningspyramiderna som också beskrivits ovan är det möjligt att sluta sig till hur balanstalen kan antas utvecklas över tiden. Balanstalen visar förhållandet mellan inträdare och utträdare på arbetsmarknaden. Balanstal över ett indikerar en stigande andel högutbildade medan ett tal som understiger ett indikerar en fallande andel. Enkelt uttryckt kan sägas att balanstalen sätter en siffra på hur utbildningspyramiden utvecklas genom att sätta inflödet i relation till utflödet. Dels är det intressant att se till hur relationen utvecklas över tiden, dels är det intressant att se till huruvida balanstalet överstiger värdet 1, eftersom det indikerar att inträdare då kvalitativt matchar utträdare ur perspektivet om utbildningslängd. I figur 6.4a-b nedan utvecklingen för ett antal FA-regioner avseende balanstalen mellan åren 1998 och 2010 för personer i arbetskraften (inträdare vs utträdare) med kort utbildning (max 3 år postgymnasial utbildning). Generellt finns en svag negativ utveckling som går från ca 2,0 år 1998 till ca 1,75 år Detta ska inte ses som ett självklart tecken på en försvagning 23

24 eftersom bilden behöver kompletteras med de som har 3 års postgymnasial utbildning eller mer. Det skall betonas att tal som avviker från ett avspeglar ett icke-jämviktsfenomen och att en systematiskt avvikelse från ett är omöjlig på lång sikt. I vissa regioner finns ganska omfattande förändringar över tiden, exempelvis i mindre regioner som Vetlanda FA-region. Vi kan också konstatera att några mindre regioner har jämförelsevis höga balanstal, exempelvis Värnamo och Älmhults FA-regioner. Tidsserierna har utjämnats med enkel exponentiell utjämning där värdet 0.1 har valts som utjämningskonstant. Enkel exponentiell utjämning innebär att man använder historiska data för att jämna ut en tidsserie och därmed reducera rent slumpmässig variation vilket gör det enklare att finna trender. Figur 6.4a Balanstal för kort utbildning (max 3 år postgymnasial utbildning) mellan Figur 6.4b Balanstal för kort utbildning (max 3 år postgymnasial utbildning) mellan

25 Beräkningar som genomförts i projektet visar att det finns regioner som har balanstal omkring värdet ett (exempelvis Strömstad och Nyköping) för den korta postgymnasiala utbildningen. Dessa regioner, och regioner med lägre balanstal än värdet ett, kan ses som potentiellt problematiska arbetsmarknader ur perspektivet om långsiktig förstärkning av kompetensnivån inom näringslivet. Problem uppstår om det inte finns en balansering i form av att personer med lång postgymnasial utbildning växer snabbare bland inträdare framgent. Eftersom analysen görs på funktionella regioner så innebär det att eventuell mellankommunal pendling beaktas. Vi kan med andra ord anta att rumsliga beroenden i stor utsträckning har tagits hänsyn till och att sådana perspektiv inte ändrar resultaten nämnvärt. Dessutom baseras underlaget på totalpopulationen, dvs. det rör sig inte om något urval. Figurerna 6.5a och 6.5b nedan visar balanstalen för lång utbildning (minst 3 års postgymnasial utbildning) perioden Jämför vi figurerna som visar balanstalen för den korta utbildningen med utvecklingsmönstren i figurerna nedan ser vi att den nedåtgående trenden i de tidigare figurerna istället har en positiv trend för den långa utbildningen. De totala balanstalen för den långa utbildningsnivån är omkring värdet 3 för många regioner. Figur 6.5a Balanstal för lång utbildning (mer än 3 år postgymnasial utbildning) mellan

26 Figur 6.5b Balanstal för lång utbildning (mer än 3 år postgymnasial utbildning) mellan Det finns för enskilda regioner stora avvikelser i utvecklingen, inte minst när det gäller balanstalen för den långa utbildningen. Bengtfors är ett talande exempel på en sådan avvikelse som vi valt att inkludera i figur 6.5b. Bengtfors är även ett exempel på en tillverkningspräglad region som vi kan konstatera inte attraherar personer med en lång postgymnasial utbildning. Problematiken kan ha flera bottnar i denna typ av regioner. Det kan handla om att näringslivet inte utvecklas på ett sådant sätt att arbetskraft med lång utbildning efterfrågas, regionen kan ha olika former av attribut och kännetecken som gör att personer med lång utbildning inte lockas av att flytta till regionen och regionen kan ha en allmänt svag utveckling som innebär en stagnation eller reducering av den regionala arbetsmarknaden. Brist eller avsaknad av utbildningsinstitutioner är naturligtvis också något spelar en stor roll (vilket också visas i andra studier) med avseende på utbildningsnivån för arbetskraften på den regionala arbetsmarknaden. 7 Utbildning, kompetensförsörjning och regional konkurrenskraft 7.1 Utbildningspremien i Sverige Den svenska utbildningspremien, dvs. den avkastning som den enskilde erhåller eller förväntar sig, av att genomgå en högre utbildning har varit i fokus för många studier. Den allmänna bilden som ges i de flesta studier är att denna utbildningspremie är förhållandevis låg i Sverige jämfört med andra länder för de flesta utbildningar presenterade OECD studien Education at a glance som är en översikt över situationen i OECD-länderna. Bland länderna i OECD har andelen som genomgår högre utbildning ökat från omkring 22 procent år 2000 till omkring 31 procent år Investeringar och utgifterna för den högre utbildningen har också generellt ökat bland OECD-länder både totalt och per student. OECDrapportens författare konstaterar emellertid att en ökning i utgifter för högre utbildning inte med automatik behöver leda till bättre resultat. 26

27 OECD:s studie från 2012 visar att Sverige har bland de lägsta internrentorna eller utbildningspremierna bland de jämförda länderna för högre utbildning. OECD:s beräkning visar att internräntan för högre utbildning i Sverige är 6,4 procent för män respektive 5,7 procent för kvinnor. Detta kan jämföras med att genomsnittet bland OECD-länderna är 12,4 procent för män respektive 11,4 procent för kvinnor. Avkastningen av högre utbildningen är därför ungefär hälften så hög i Sverige som ett genomsnittligt land i OECD-området, och denna relation är densamma för män och kvinnor. Högskoleverket egna årsredovisningar bekräftar dessa resultat. Sverige har under lång tid Sverige har sannolikt en av de lägsta utbildningspremierna i band mera utvecklade ekonomer, dvs. detta är inte något nytt fenomen. I en forskningsgenomgång gjort av Världsbanken (2002) och av Andersson (2009) visar också att Sverige skattas ha en av de lägsta utbildningspremierna ibland de undersökta länderna. I tabell 7.1 nedan återges de skattade utbildningspremierna för 15 utvecklade länder. I denna genomgång ligger den genomsnittliga avkastningen på utbildning dubbelt så högt som den svenska. Tabell 7.1 Land Australien 8,1 Danmark 3,6 Finland 8,3 Italien 4,3 Japan 13,2 Kanada 8,7 Nederländerna 7,1 Norge 5,5 Schweiz 7,7 Spanien 7,9 Storbritannien 11,8 Sverige 3,9 Tyskland 6,6 USA 10,0 Österrike 8,1 Utbildningspremium i olika länder Genomsnittlig avkastning på utbildning Genomsnitt 8,3 Källa: Psacharopoulos och Patrinos, (2002) En intressant fråga att ställa sig är hur denna utbildningspremie har utvecklats för Sverige givet den expansion som skett inom högre utbildning under de senaste åren? Enligt ekonomisk teori spelar utbildningspremien en viktig funktion genom att skapa incitament för individer att utbilda (införskaffa sig humankapital) sig inom områden som ger en högre lön. Bakom detta resonemang finns teorin/argumentet att personers lön sätts utifrån deras marginalproduktivitet, där högre utbildning antas spegla mera humankapital och därmed även högre produktivitet. Ett annat sätt att analysera vilket värde olika nivåer och inriktningar på utbildning skapar är att studera sambandet mellan utbildning och produktivitet eller inkomstnivåer på nationell eller regional nivå. 27

28 7.2 Högre utbildning och regionala inkomstnivåer Enligt den så kallade humankapitalteorin leder utbildning, under vissa förutsättningar, till att individen tillägnar sig förmågor och kunskaper humankapital som ökar produktiviteten (Se t.ex. Fleischhauer, (2007) för genomgång av humankapitalteorin). Detta förutsätter emellertid att utbildningen är rätt och att den matchas mot det behov som finns inom de olika områdena på arbetsmarknaden. Från humankapitalteorin kan vi förvänta oss att företag som har en hög andel högutbildade är mera produktiva och därmed även mera konkurrenskraftiga. På motsvarade sätt kan vi även förväntas oss att regioner med hög andel högutbildade är mera konkurrenskraftiga. Effekter av högre utbildning kan med andra ord uppstå på olika nivåer i en ekonomi. Det är också mycket viktigt att inse att humankapital inte på något sätt förutsätter högre utbildning. Humankapital och egenskaper som är produktiva kan förvärvas på en mängd olika sätt var ibland utbildning bara är en möjlig väg. Utifrån detta perspektiv är olika utbildningar också förknippade med vitt skilda effekter på konkurrenskraft och produktiv förmåga. Det finns inget som per automatik garanterar att högre utbildning är produktivt. För att undersöka sambandet mellan utbildning och regionala inkomstnivåer så har vi studerat sambandet mellan andelen individer inom landets olika FA-regioner som har någon form av högre utbildning och bruttoregionalprodukten. Vi använder oss av mycket enkel korrelationsanalys (både Pearson och Spearman-rank korrelationer). Vi undersöker korrelationsstrukturen både för de olika nivåerna på högre utbildning och för olika åldersgrupper. Det vill säga vi tittar både på den totala andelen av befolkningen som har någon form av postgymnasial utbildning, men vi tittar även på andelen med kort, lång respektive forskarutbildning. Vi tittar vidare på eventuella skillnader mellan olika åldersgrupper. För detaljer se appendix 4. Resultaten är mycket tydliga. Å ena sidan är korrelationen mellan andel av arbetskraften med en högre utbildning och BRP positiv när vi analyserar Sveriges FA-regioner åren (se figur 7.2 nedan). Detta innebär att det finns en positiv samvariation mellan andelen i arbetskraften som har en högre utbildning och nivån för BRP på regional nivå. Å andra sidan har styrkan i denna samvariation avtagit över tiden under 2000-talet. Detta mönster gäller oavsett vilka åldersgrupper vi ser till. Denna ansats kan tyckas enkel, men är ändå ett effektivt sätt att fånga ett trendmässigt utvecklingsmönster. Resultaten tyder på att sambandet mellan högre utbildning och regionala inkomster (produktivitet) försvagats kraftigt under 2000-talet. 28

29 Figur 7.1 Korrelation mellan högre utbildning och bruttoregionalprodukten för olika åldersgrupper över landets FA-regioner Not: Spearman rank korrelation där Högre utbildning avser all postgymnasial utbildning. Figur 7.2 Korrelation mellan högre utbildning och bruttoregionalprodukten Not: Pearson korrelation där Högre utbildning avser all postgymnasial utbildning. 29

30 Denna negativa trend i sambandet mellan andelen högutbildade och bruttoregionalprodukten kan ha flera förklaringar. En möjlighet är att högre utbildning har nått en avtagande avkastning där det helt enkelt inte lönar sig att utbilda fler individer. För att gå till botten med vad som förklarar detta krävs dock fördjupade empiriska analyser. För att ytterligare undersöka om det faktiskt har skett något med sambandet mellan regionala inkomstnivåer och högre utbildning har vi även genomfört en enkel regressionsanalys mellan logaritmerad bruttoregionalprodukt och logaritmerad andel högutbildade i de olika FAregionerna 3. För denna analys har vi tillgång till data över 72 FA-regioner och 9 år. För att se om det skett ett trendbrott under denna period delar vi på datasetet så att vi får två datamängder a 4 år vardera (D.v.s. 4 x 72 = 288 observationer). Vi utelämnar det sista året (2008) i analysen, då detta år är ett extremår där konjunkturen vänder ned kraftigt under det andra eller tredje kvartalet. Som beroendevariabel använder vi oss av logaritmerad real BRP, dvs den naturliga logaritmen av inflations justerad BRP. Som förklaringsvariabler använder vi oss av logaritmerad andel högskoleutbildade i regionen samt en trend, t. Vi interagerar dessutom tidsvariabeln med logaritmerad andel högre utbildning. Denna kan fångar eventuell förändring i effekten av högre utbildning på bruttoregionalprodukten. Resultaten av denna analys presenteras i tabell 7.2 nedan. Bilden är tydlig och bekräftar den bild som figurerna över korrelationen mellan högre utbildning och BRP: Effekten av högre utbildning på BRP är kraftigt avtagande. Under period 1 finns det ett positivt samband mellan regional BRP och andelen högutbildade emedan i period 2 så är detta samband negativt. Den negativa effekten av andel högre utbildning mildras något under tiden i period två vilket kan ses genom att interaktionstermen har en positiv koefficient, men då dess absolut storlek är mycket liten, så har vi totalt sett en negativ effekt oavsett tidpunkt i period två. Vidare så ser vi att den positiva effekten av andel högre utbildning minskar något över tiden i period ett, vilket kan ses genom att interaktionstermen har då en negativ koefficient, detta medför att den totala effekten av andel högre utbildning sjunker ju närmare vi kommer period 2. Det förefaller finnas vissa branschvisa skillnader, där den avtagande effekten framförallt återfinnes inom industrin (se appendix 7). 3 En förklaring av tolkning av modellen och dess koefficienter finns i appendix 8A. 30

31 Tabell 7.2 Högre utbildning och bruttoregionalprodukt Beroende variabel: Ln (BRP) Period 1, Period 2, Ln(Högre utbildning) 0,889-0,603 (3,45) (-1,95) t*ln(högre utbildning) -0,0049 (-0,51) t 0,001 (0,016) 0,037 (-3,20) 0,037 (8,75) N R 2 0,406 0,402 Fix regioneffekt Ja Ja Frågan som ställer sig är naturligtvis vad denna kraftigt minskade effekt av högre utbildning kan beror på? Som vi ser det kan det finnas flera olika faktorer som bidrar till detta. En förklaring kan naturligtvis helt enkelt vara att expansionen av högre utbildning har nått en snabbt avtagande skalavkastning. Ur perspektivet om ekonomisk tillväxt kan det vara så att det finns ett volymmässigt argument i form av att det förefaller allt mindre lönsamt för samhället att utbilda fler. Förutom detta kvantitativa perspektiv finns det skäl att se till kvalitativa perspektiv. Utbildningar måste hålla en hög kvalitet för att studenter ska kunna gå vidare till de matchande jobben efter sin examen och kunna bidra till ekonomisk utveckling både i de företag de anställs och för ekonomin som helhet. Dessa perspektiv på det svenska utbildningssystemet har exempelvis framförts av Svenskt Näringsliv i samband med deras kommentarer till OECD:s studie som presenterades 2012 om den svaga premien för högre utbildning som finns i Sverige. Detta perspektiv rymmer såväl frågor om att utbildningarna innehållsmässigt är anpassade för näringslivets efterfrågan som rena effektivitetsperspektiv på hur den högre utbildningen i Sverige organiseras vid universitet och högskolor. Det kan finnas goda skäl att göra jämförelser mellan graden av s.k. x-ineffektivetet mellan svenska och utländska lärosätet respektive mellan universitet/högskolor och jämförbara myndighetsorganisationer etc. En annan bidragande orsak som potentiell kan bidra till att förklara resultaten kan vara att det skett en viss konvergens ifråga om andelen högre utbildade i landets olika regioner. Detta förtjänar särskilda studier, dvs. med inriktning mot frågan om huruvida konvergensen kan förklara denna kraftiga nedgång. Även om det skett viss konvergens är den inte fullständig (viket kan utläsas av balanstalen i appendix och ovan). Det kan också förtjänas lyftas fram att ytterligare studier motiverade för att analysera robustheten i resultaten vi presenterar ovan och även att se till frågan om ytterligare förhållanden (variabler) som kan förklara variationerna i underlaget. Vi konstaterar att tvärsnittsstudien är förknippad med förhållandevis modest nivå av förklaringsgrad. En problemställning som analysen ovan inte kan angripa är på vilket sätt olika utbildningar skiljer sig åt. Även om det går att utläsa en generellt avtagande avkastning på högre utbildning säger det inget om enskilda utbildningar och områden. Ytterligare ett perspektiv är frågan om hur avkastning att investera i utbildning betalar sig för den enskilde jämfört med 31

32 avkastningen för samhället. Vidare finns det regionala skillnader i utbildningspremier vilket visas i Mikaela Backmans (2013) avhandling. Skillnader finns också mellan olika kommuner i en och samma region och indikerar ett stad-land perspektiv. 7.3 Högre utbildning och konkurrenskraft Nedan presenteras resultat för en så kallad multilevelanalys där sambandet mellan bland annat högre utbildning och produktiveten i företag analyseras. Multilevelanalysen gör det dessutom möjligt att studera om eventuella effekter uppstår på företagsnivå eller regionnivå. Resultaten nedan är hämtade från en nyligen genomförd analys och framlagd avhandling av Michaela Backman (2013). För en mera detaljerade metodbeskrivning och redogörelse för hur variabler är definierade hänvisar vi därför till Backman (2013). En mer utförlig förklaring av multilevelanalys återfinnes i appendix 8B. I korthet kan sägas att multilevelanalys tillåter att effekter identifieras på olika hierarkiska nivåer. I detta fall har Backman använt sig av tre hierarkiskanivåer: Företagsnivå, kommunnivå samt branschnivå. Det mest använda måttet på ett företags produktivitet är förädlingsvärdet per anställd, vilket också använts i denna analys. Observera att horisontalsumman av alla förädlingsvärden i Sverige ger oss bruttonationalprodukten, vilket innebär att om all förädlingsvärden summeras i en region erhålles bruttoregionalprodukten som låg till grund för analysen ovan. Humankapital kan mätas på flera olika sätt: andelen individer med högre utbildning (i detta fall minst treårs postgymnasial utbildning). Många gånger kan humankapitalet antas växa med erfarenhet. Därför har medelvärdet för de anställas antal yrkesverksamma år inkluderats som mått på erfarenhet. En individers talanger kan antas återspeglas i val av olika yrkesinriktningar. I analysen gör en indelning i tre olika yrkeskategorier: kognitiva yrken (t.ex. ingenjörer, naturvetare och programmerare); lednings och administrativa yrken (t.ex. ledningspositioner); sociala yrken (t.ex. förskolelärare och försäljningspersonal) samt motoriska yrken (byggarbetare, maskinoperatorer och tillverkningsyrken). Utöver dessa variabler inkluderats på företagsnivå inkluderas de även på kommunnivå (t.ex. andelen med högre utbilning i kommunen). För att kontrollera för att olika företag och verksamheter uppvisar olika grad av kapitalintensitet inkluderas värdet på fysiska tillgångar i företaget med i kilokronor. Då det finns anledning att tro att gamla och nya företag uppvisar olika hög produktivitet har en dummy variabel för företag som är äldre än 20 år inkluderats. För att kontrollera hur diversitet påverkar företagen har ett mått på detta inkluderats (ålder, kön samt etnisk mångfald har viktats samman medhjälp av ett entropimått, se Backman för detaljer). För att kontrollera för kommunspecifika faktorer som kan vara av betydelse har ett antal kontrollvariabler på kommunnivå inkluderats: Konkurrenstrycket, (följer Glaeser m.fl., 1992), specialiseringsgraden (s.k. lokaliseringskvoter), storlek på kommunens ekonomi (lönesumman) samt diversitet i branschstrukturen (Backman följer här Hackbart och Andersson (1975), Jacquemin och Berry (1979), och Franken m.fl. (2007). Slutligen har även den genomsnittliga vinsten i en bransch inkluderats som en kontrollvariabel på branschnivå. Analysen har genomförts för fyra olika modellspecifikationer. Två modeller har skattats för företag med endast en anställd och två modeller har skattats för företag med mer än en anställd. Observara att för modell 1 och två innebär det i praktiken att flera av variablerna utgörs av dummyvariabler. 32

33 Tabell 7.3 Multilevelanalys: Produktivitet och humankapital { Företag med en anställd Företag med fler än 1 anställda Modell 1 Modell 2 Modell 3 Modell 4 Humankapital på företagsnivå: Andel av de anställda med högre utbildning 0,051** (0,016) 0,051** (0,016) 0,155** (0,019) 0,154** (0,019) Erfarenhet (ln) -0,002 (0,009) -0,002 (0.010) 0,175** (0,011) 0,176** (0,011) Andel av anställda med kognitivt arbete 0,102** (0,029) 0,102** (0,029) 0,160** (0,027) Andel av anställda med lednings eller 0,079** 0,079** 0,144** administrativt arbete (0,027) (0,027) (0,026) Andel av anställda med socialt arbete -0,030-0,031-0,111** (0,031) (0,031) (0,028) Kontrollvariabler på företagsnivå: Kapital per anställd (ln) 0,108** 0,108** 0,093** (0,004) (0,004) (0,003) Ålder (dummy) 0,127** 0,126** 0,128** (0,031) (0,031) (0,019) Diversitet (ln) 0,254** (0,018) Storlek (ln) 0,033** (0,008) Humankapital på kommunnivå: 0,161** (0,027) 0,142** (0,026) -0,113** (0,028) 0,093** (0,003) 0,126** (0,019) 0,250** (0,017) 0,035** (0,008) Andel av befolkningen med högre 0,122** utbildning (0,027) Andel av befolkningen med kognitivt -0,027 arbete (0,063) Andel av befolkningen med lednings eller 0,135 administrativt arbete (0,085) Andel av befolkningen med socialt arbete -0,006 (0,079) Kontrollvariabler på kommunnivå: Konkurrens (ln) 0,002 (0,023) Storlek (ln) 0,034** (0,012) Specialisering (ln) 0,012 (0,044) Diversitet (ln) 0,118 (0,134) Kontrollvariabler på branschnivå: 0,118** (0,022) -0,060** (0,020) -0,033 (0,046) 0,095* (0,032) -0,182** (0,062) 0,046** (0,009) 0,002** (0,001) 0,049 (0,109) Genomsnittlig vinst (ln) 0,115 (0,123) 0,117 (0,122) 0,123 (0,109) 0,124 (0,108) Intercept 6,489** (0,316) Varying-intercept parametrar 5,364** (0,603) 5,954** (0,282) 4,425** (0,481) Residualvarians 0,732** 0,732** 0,455** 0,455** Branschvarians 0,039** 0,039** 0,036** 0,035** Kommunal varians 0,006** 0,003** 0,004** 0.002** Branchnivå ICC 5% 5% 7% 7% Kommunnivå ICC 0,7% 0,4% 0,8% 0,4% Likelihood ratio 2397, , , ,54 N AIC Wald Chi2 1791, , , ,69 Standardavvikelsen anges inom parentes. ** och * anger statiskt signifikans på en- respektive femprocentsnivå. Källa: Backman (2013). 33

34 Analysen ger intressanta inblickar i hur utbildning påverkar företagens konkurrenskraft och produktivet. Ett tydligt resultat är att företag med hög andel högutbildade är mera produktiva än andra företag. Lika så visar resultaten att kommuner med en hög andel individer med högre utbildning har mera produktiva företag. Policyimplikationerna av denna analys är emellertid inte helt tydliga. Dels är detta en tvärsnittsanalys för år Att basera policyrekommendationer på tvärsnittsanalys är riskabelt, icke minst med tanke på att det finns mycket som talar för att dessa samband har förändrats kraftigt under de senaste åren. Den försvagade korrelationen mellan högre utbildning och BRP 4 som framgår i avsnitt 7.2 ovan (se även appendix 4). Det faktum att korrelationskoefficienten mellan BRP och högre utbildning faller talar för att även koefficienterna i tabellen ovan förändras över tiden. För att fånga detta är emellertid en panel-multilevelanalys nödvändig. En sådan ansats skulle även kunna användas för att bättre förstå effekterna av utbildningssystemets expansion. Ett annat tolkningsproblem med analysen är att den genomförts med kommuner som en hierarkisknivå, vilket är tveksamt om det, i detta sammanhang, är den relevanta analysnivån. Ofta kan kommuner utgör alltför små analysenheter i arbetsmarknadssammanhang. Frågan om hur utbildningssystemet påverkar de lokala arbetsmarknaderna bör istället analyseras på FA-regionnivå. Att koefficienterna på högre utbildning faller kan har flera olika tolkningar: 1) Expansion av högre utbilning har nått en avtagande avkastning; 2) konvergens mellan FA-regioner vad avser högre utbildning; 3) branscher/industrilän som gått mycket bra under perioden vilket lett till att områden med relativt låg andel högutbildade har gått bra (hög BRP tillväxt). För att komma åt detta är det nödvändigt med panel-multilevel där effekterna av högre utbildning kan studeras på företagsnivå och sedan aggregeras till bransch och regionnivå. Detta är frågor som undersöks närmre i rapport två. 8 Slutsatser, rekommendationer och fortsatt analys De senaste två årtiondena har Sverige expanderats högskolesystemet och kapaciteten för högre utbildning. Under denna period har systemet för högre utbildning mer än fördubblats. Antalet utfärdade högskoleexamina har sedan 1995 till 2010 gått från dryga per år till över per år. Ett motiv för denna kraftfulla expansion av högre utbildning är naturligtvis en insikt/förväntan om att framtida arbeten kommer ställa allt högre krav på högre utbildning. En utmaning är och har naturligtvis varit att de utbildningar som individer väljer matchas och motsvarar de behov som finns i arbetslivet. Denna rapport handlar om högre utblandning och hur väl utbudet av individer med högre utbildning matchas mot efterfrågan på utbildad arbetskraft. Här vid lag står Sverige inför en utmaning i att de kommande åren står vi inför stora pensionsavgångar och dessa individer måste ersättas med nyinträdare på arbetsmarknaden. Vad som menas med matchning kan variera. En form av matchning är formell i bemärkelsen att det handlar om hur väl nyinträdares utbildningsnivå och inriktning matchar. En annan form av matchning är något som kan benämnas de facto matchning vilket avser hur väl en individs kompetens och hunskapsprofil matchas mot de faktiska behoven i näringslivet. 4 Observara att BRP motsvara horisontalsumman av alla förädlingsvärden i ekonomin vid en viss given tidpunkt. 34

35 Frågan är hur väl denna matchningsprocess fungerar i Sverige? Ett mått på matchning är den så kallade Beveridgekurvan som kopplar samman vakanser med arbetslöshet och på så sätt ger en indikation om hur effektiv matchningsprocessen är på arbetsmarknaden och hur snabbt arbetslösa finner nya arbeten och företag fyller sina vakanser. Denna visar att matchningen har försämrats de senaste åren. Ett potentiellt problem för den framtida kompetensförsörjningen som lyfts fram i olika sammanhang är kommande stora pensionsavgångar. Denna rapport kartlägger om det finns ett matchnings/kompetensförsörjningsproblem på grund av kapacitetsbrist inom högre utbildning. Genomgång av den svenska statistiken visar att det inte föreligger något matchningsproblem på grund av brist på högre utbildade. Balansen mellan utträdare och inträdare på arbetsmarknaden tyder på att i de flesta regioner och inom de flesta utbildningsinriktningar utbildas fler individer än vad som lämnar arbetskraften. Inte heller de kommande åren verkar det vara ett stort problem. Detta framgår bland annat av balansen mellan utträdare respektive inträdare på arbetsmarknaden. Genom att sätta antalet nyinträdere i relation till antalet utträdare på arbetsmarknaden erhålles balanstal. Balanstalen kan beräknas för olika utbildningsnivåer, inriktningar och regioner. Bilden som framträder är att det inte finns något generellt problem med kompetensförsörjning sett till hur många individer som har högre utbildning bland inträdare respektive utträdare. Med några får undantag tycks det inte finnas några obalanser på regionalnivå eller inom specifika utbildningsinriktningar. Dessa balanstal skall emellertid tolkas med viss försiktighet då de som sagt inte automatiskt speglar hur väl kompetens matchas. Utbildningens innehåll och kvalitét kan tex inte antas var konstant övertiden. Ej heller kan efterfrågan på arbetskraftens kompetens vara konstant. För en individ är det viktigt att utbildningen är adekvat så att den ger möjlighet till arbete samtidigt som det för företag (arbetsgivare i stort) förses med den kompetens som dessa behöver. Misslyckas denna matchning leder det till samhällsekonomiska förluster i olika former. Utbildning som inte matchas mot ett motsvarande behov hos arbetsgivare är att betrakta som icke-produktiv, och företag som inte får rätt kompetens kommer dessa vara mindre produktiva (konkurrenskraftiga). På motsvarande sätt kan tillgängligheten på högutbildad arbetskraft antas påverka såväl företag som regioners konkurrenskraft. I denna rapport finner vi att detta sannolikt är fallet men att sambandet mellan regional konkurrenskraft (bruttoregionalprodukt) har försvagats kraftigt under samma period som utbildningssystemet har expanderat. Det finns flera möjliga förklaringar till detta mönster. Den mest sannolika förklaringen är helt enkelt att högre utbildning har nått en avtagande avkastning och att det inte finns avsättning för alla individer med högre utbildning. Det är med andra ord tydligt att Sverige inte har något problem i att upp nå höga volymer. En annan förklaring som inte kan bortses ifrån är frågan om kvaliteten på utbildning. En fallande/avtagande effekt av högre utbildning kan avspegla en försämrad kvalitet på utbildningen. Resultaten som presenteras i denna rapport tyder på att Sverige har problem vad avser arbetsmarknadens matchningsfunktion, men denna brist tycks inte bero på en kapacitetsbrist inom systemet för högre utbildning. Tvärt om talar mycket för att högre utbildning i Sverige nått avtagande skalavkastning. Detta är problematiskt då det innebär risk för överutbildning. Detta är i sin tur problematiskt då dels för individen kan innebära att stora resurser läggs på en utbildning som sedan inte kommer till användning i arbetslivet, dels kan det innebära att företag får problem med kompetensförsörjningen av inom områden där en högre utbildning inte är nödvändig. Detta kräver emellertid fortsatt analys i form av studier av vilka effekter högre utbildning har för dels företags och regioners konkurrenskraft (lönepremier, 35

36 förädlingsvärden osv.), dels vilka effekter utbildning har på matchningen på arbetsmarknaden (Beveridgekurvan). Referenser Andersson, Å. E., (2009), Return to Higher Education, CESIS Working Paper No Aranki, T och Löf, M., (2008), Matchningsprocessen på den svenska arbetsmarknaden: En regional analys. Penning- och valutapolitik nr1, Backman, M., (2013), Human in Firms and Regions: Impact on Firm Productivity in Regions, Human Capital and New Firm Formation, JIBS Disseration Series, nr Samt även kommande i Papers in Regional Science. Fersterer, J., och Winter-Ebmer, R., (2003), Are Austrian returns to education falling over time?, Labour Economics, vol. 10, Finansdepartementet, (2011), Hur skall utvecklingen av arbetsmarknaden funktionssätt bedömas? Fleischhauer, K-J., (2007), A Review of Human Capital Theory: Microeconomics, University of St. Gallen, Discussuion Paper no Franken, K., Van Oort, F. och Verburg, T., (2007), Related Variety, Unrelated Variety and Regional Economic Growth, Regional Studies, vol. 41, nr. 5, Holzer, S., (2009), University Choice, Equality, and Academic Performance, Växjö universitet. Högskoleverket (2008:35), Etableringen på arbets-marknaden examinerade 2004/05. Jackuemin, A. P. och Berry, C. H., (1979), Entropy Measure of Diversification and Corporate Growth, Journal of Industrial Economics, vol. 27, nr. 4, Lindahl, L., (2011), Den gymnasiala yrkesutbildningen och inträdet på arbetsmarknaden, Bilaga 2 till Långtidsutredningen Mortensen, D. T., (2011), Markets with Search Friction and DMP Model, American Economic Review, vol. 101, nr. 4, OECD, (2012) Education at a Glance Psacharopoulos, G. och Patrinos, H. A., (2002). Returns to investment in education: a further update. The World Bank Policy Research WP 2881 Tillväxtverket (2012), 36

37 Appendix: Kompetensförsörjning för ett konkurrenskraftigt näringsliv Appendix 1A Balanstal för landets FA-regioner Balanstal relativt riket: Not till tabeller 1-4: Balanstalen är beräknade för varje FA region i Sverige och vi har 72 stycken FA regioner i Sverige. Beräkningsformel: Balanstal FA (i) = proportion med given utbildningsnivå i FA (i) / proportion med given utbildningsnivå i Riket, där i=1,2,3,, 72. Not till tabeller 5-6: Förändring av Balanstalen är beräknade för varje FA region i Sverige där vi särskiljer mellan lång respektive kort utbildning. Beräkningsformel: Förändring av Balanstal FA (i) = Balanstal för given utbildningsnivå i FA (i) för år Balanstal för given utbildningsnivå i FA (i) för år 2000, där i=1,2,3,, 72. Appendix 1B Förändring i balanstal för FA-regioner mellan 2000 till 2010 Appendix 2A Utbildningspyramider för FA-regioner Utbildningspyramiderna ger en grafisk illustration över hur balansen mellan i och utflöde kan av högskoleutbildade ser ut i landets olika FA-regioner. På den vertikala axeln anges ålder. På den vänstra sidan visas antalet personer med en kort universitetsutbildning. På den högra anges antalet personer med lång universitetsutbildning. Notera att dessa visar personer med en universitetsutbildning och som enligt SCB s variabel arbetade under november månad. D.v.s. en ögonblicksbild för året Detta beror på att det finns så många olika definitioner på hur en inträdare respektive utträdare. Appendix 2B Appendix 2C Appendix 3A Utbildningspyramider för olika utbildningsinriktningar i hela riket Utbildningspyramider för utvalda FA-regioner Balanstal kort utbildning (exponentiellt utjämnade tidsserier). Tidsserierna har utjämnats med enkel exponentiell utjämning där värdet 0.1 har valts som utjämningskonstant. Enkel exponentiell utjämning innebär att man använder historiska data för att jämna ut en tidsserie och därmed reducera rent slumpmässig variation vilket gör det enklare att finna trender. Notera att FA regioner där storleken är väldigt liten så att antalet utträdare är noll under något år så har dessa tagits väck. Följande FA regioner finns ej med i graferna nedan: Dorotea, Åsele, Sorsele, Arjeplog. Appendix 3B Balanstal lång utbildning (exponentiellt utjämnade tidsserier) Tidsserierna har utjämnats med enkel exponentiell utjämning där värdet 0.1 har valts som utjämningskonstant. Enkel exponentiell utjämning innebär att man använder historiska data för att jämna ut en tidsserie och därmed reducera rent slumpmässig variation vilket gör det enklare att finna trender. 37

38 Notera att FA regioner där storleken är väldigt liten så att antalet utträdare är noll under något år så har dessa tagits väck. Följande FA regioner finns ej med i graferna nedan: Storuman, Dorotea, Åsele, Sorsele, Arvidsjaur, Arjeplog, Överkalix, Övertorneå, Pajala. Appendix 4A Tvärsnittskorrelationer för eftergymnasial utbildning kortare än 3 år, uppdelat i åldersgrupper Förklaring: AHUKj_år:= Andel eftergymnasial utbildning som är kortare än 3 år i åldersgrupp j för året xx, där j=1, 2,,6 och år=00, 01,,08. Notera att j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX Appendix 4B Tvärsnittskorrelationer för eftergymnasial utbildning minst 3år men forskarutbildning är exkluderat, uppdelat i åldersgrupper Förklaring: AHULj_år:= Andel med eftergymnasial utbildning på minst 3 år men ingen forskarutbildning i åldersgrupp j för året xx, där j=1, 2,,6 och år=00, 01,,08. Notera att j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX Appendix 4C Tvärsnittskorrelationer för forskarutbildning, uppdelat i åldersgrupper Förklaring: FUj_år:= Andel med forskarutbildning i åldersgrupp j för året xx, där j=1, 2,,6 och år=00, 01,,08. Notera att j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX Appendix 4D Tvärsnittskorrelationer för olika längd på eftergymnasial utbildning (notera ingen åldersgrupp uppdelning) Förklaring: AHUKj_år:= Andel eftergymnasial utbildning som är kortare än 3 år, där år=00, 01,,08. AHULj_år:= Andel eftergymnasial utbildning som är längre än 3 år men forskarutbildning är exkluderad, där år=00, 01,,08. FUj_år:= Andel med forskarutbildning, där år=00, 01,,08. Notera att år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007,

39 BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX Appendix 4E Tvärsnittskorrelationer för eftergymnasial utbildning, alla åldrar respektive uppdelat i åldersgrupper Förklaring: AHU_år:= Andel med eftergymnasial utbildning (alla åldersgrupper) för året xx, där år=00, 01,,08. AHUj_år:= Andel med eftergymnasial utbildning i åldersgrupp j för året xx, där j =1, 2,,6 och år=00, 01,,08. Så j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX. 39

40 Appendix 1A Balanstal för FA-regioner Tabell 1: balanstal kort utbildning för år 2000 Förklaring: Kort utbildning= all eftergymnasial utbildning som är kortare än 3 år Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA1 Stockholm 1,082 0,983 0,976 1,364 FA2 Nyköping 0,853 0,905 0,945 0,767 FA3 Eskilstuna 1,043 0,936 1,040 0,744 FA4 Östergötland 1,226 1,008 0,999 0,801 FA5 Värnamo 0,728 0,708 0,820 0,548 FA6 Jönköping 0,938 1,177 1,068 0,844 FA7 Vetlanda 0,638 0,851 0,911 0,553 FA8 Tranås 0,673 0,882 0,769 0,619 FA9 Älmhult 0,733 0,554 0,972 0,644 FA10 Ljungby 0,700 0,909 0,972 0,591 FA11 Växjö 1,045 1,033 1,185 1,069 FA12 Kalmar 0,966 0,932 1,195 0,898 FA13 Vimmerby 0,399 0,765 0,781 0,480 FA14 Västervik 0,455 1,216 1,053 0,566 FA15 Oskarshamn 0,731 0,742 0,957 0,530 FA16 Gotland 0,559 0,808 0,776 0,862 FA17 Blekinge 1,171 1,054 0,924 0,814 FA18 Kristianstad 0,771 0,923 1,039 0,820 FA19 Malmö 0,910 1,019 0,979 1,088 FA20 Halmstad 0,824 0,886 1,163 0,968 FA21 Göteborg 1,172 1,015 0,956 1,073 FA22 Borås 0,994 0,950 0,959 0,751 FA23 Trollhättan 0,941 1,110 0,901 0,681 FA24 Lidköping 0,699 1,010 0,916 0,649 FA25 Skövde 0,778 1,040 0,871 0,746 FA26 Strömstad 0,537 0,868 0,791 0,691 FA27 Bengtsfors 0,448 0,750 0,590 0,572 FA28 Årjäng 0,492 0,545 0,622 0,464 FA29 Eda 0,584 0,505 0,629 0,466 FA30 Karlstad 1,013 1,015 1,076 0,934 FA31 Torsby 0,382 1,135 0,590 0,571 FA32 Hagfors 0,432 0,750 0,700 0,458 FA33 Filipstad 0,498 0,618 0,657 0,443 FA34 Örebro 0,857 1,135 1,151 1,031 FA35 Hällefors 0,479 0,540 0,728 0,642 FA36 Karlskoga 0,895 0,880 0,915 0,527 40

41 2000 Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA37 Västerås 1,267 0,902 1,138 0,777 FA38 Fagersta 0,603 0,814 1,054 0,525 FA39 Vansbro 0,318 0,613 0,834 0,404 FA40 Malung 0,476 0,642 0,795 0,554 FA41 Mora 0,600 0,985 0,974 0,649 FA42 Falun/Borlänge 0,953 1,037 1,183 0,853 FA43 Avesta 0,680 0,792 0,940 0,532 FA44 Ludvika 0,818 0,800 0,860 0,504 FA45 Gävle 1,037 0,892 1,172 0,868 FA46 Söderhamn 0,541 0,979 0,854 0,555 FA47 Hudiksvall 0,639 0,962 0,969 0,631 FA48 Ljusdal 0,464 0,804 0,829 0,549 FA49 Sundsvall 1,320 0,941 1,047 0,885 FA50 Kramfors 0,688 0,626 1,069 0,546 FA51 Sollefteå 0,495 0,990 0,836 0,671 FA52 Örnsköldsvik 1,036 1,182 0,946 0,591 FA53 Östersund 0,828 1,260 1,008 0,936 FA54 Härjedalen 0,402 0,694 0,791 0,564 FA55 Storuman 0,707 0,821 0,713 0,548 FA56 Lycksele 0,621 1,236 0,894 0,686 FA57 Dorotea 0,498 0,627 0,749 0,534 FA58 Vilhelmina 0,534 0,799 0,937 0,533 FA59 Åsele 0,432 0,712 0,706 0,595 FA60 Sorsele 0,325 1,011 0,830 0,426 FA61 Umeå 1,263 1,656 1,105 1,356 FA62 Skellefteå 1,179 1,071 1,003 0,666 FA63 Arvidsjaur 0,646 0,799 0,895 0,643 FA64 Arjeplog 0,564 0,897 0,858 0,724 FA65 Luleå 1,198 1,102 1,348 0,812 FA66 Överkalix 0,471 0,920 0,618 0,419 FA67 Övertorneå 0,488 0,822 1,205 0,521 FA68 Haparanda 0,410 0,728 0,700 0,444 FA69 Pajala 0,507 0,758 0,965 0,504 FA70 Jokkmokk 0,603 0,820 0,837 0,721 FA71 Gällivare 0,624 1,051 0,929 0,463 FA72 Kiruna 1,058 0,794 0,937 0,517 Hela riket

42 Tabell 2: balanstal lång utbildning för år 2000 Förklaring: Lång utbildning= all eftergymnasial utbildning som är längre än 3 år Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA1 Stockholm 1,629 1,186 0,957 1,739 FA2 Nyköping 0,661 0,854 0,904 0,637 FA3 Eskilstuna 0,456 0,786 0,867 0,494 FA4 Östergötland 1,180 0,917 0,976 0,743 FA5 Värnamo 0,307 0,541 0,813 0,367 FA6 Jönköping 0,531 0,999 1,092 0,671 FA7 Vetlanda 0,216 0,520 0,922 0,318 FA8 Tranås 0,245 0,563 1,025 0,471 FA9 Älmhult 0,374 0,445 0,920 0,508 FA10 Ljungby 0,289 0,546 0,854 0,383 FA11 Växjö 0,578 0,866 1,147 0,801 FA12 Kalmar 0,609 0,830 1,150 0,656 FA13 Vimmerby 0,181 0,377 0,862 0,341 FA14 Västervik 0,317 1,045 0,975 0,426 FA15 Oskarshamn 0,399 0,603 0,911 0,359 FA16 Gotland 0,301 0,838 1,017 0,841 FA17 Blekinge 0,663 0,845 0,971 0,717 FA18 Kristianstad 0,379 0,853 1,131 0,678 FA19 Malmö 1,074 1,127 1,030 1,091 FA20 Halmstad 0,461 0,817 0,965 0,677 FA21 Göteborg 1,461 1,100 1,037 1,093 FA22 Borås 0,462 0,861 0,913 0,541 FA23 Trollhättan 0,613 0,911 0,937 0,538 FA24 Lidköping 0,314 0,759 0,924 0,488 FA25 Skövde 0,319 0,848 0,963 0,564 FA26 Strömstad 0,461 0,705 0,977 0,542 FA27 Bengtsfors 0,148 0,405 0,754 0,321 FA28 Årjäng 0,135 0,447 0,824 0,331 FA29 Eda 0,128 0,350 0,601 0,276 FA30 Karlstad 0,600 0,878 1,095 0,709 FA31 Torsby 0,182 0,648 0,917 0,275 FA32 Hagfors 0,293 0,415 0,761 0,274 FA33 Filipstad 0,219 0,400 0,724 0,286 FA34 Örebro 0,477 1,133 1,017 0,756 FA35 Hällefors 0,183 0,312 0,669 0,249 FA36 Karlskoga 0,630 0,672 0,748 0,324 42

43 2000 Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA37 Västerås 1,026 0,863 0,902 0,611 FA38 Fagersta 0,326 0,561 0,754 0,312 FA39 Vansbro 0,169 0,326 0,843 0,223 FA40 Malung 0,153 0,513 0,894 0,266 FA41 Mora 0,210 0,792 0,982 0,370 FA42 Falun/Borlänge 0,632 0,916 1,116 0,649 FA43 Avesta 0,375 0,606 0,859 0,355 FA44 Ludvika 0,641 0,549 0,804 0,358 FA45 Gävle 0,613 0,806 0,965 0,541 FA46 Söderhamn 0,199 0,659 0,873 0,352 FA47 Hudiksvall 0,334 0,868 0,985 0,428 FA48 Ljusdal 0,156 0,508 0,952 0,353 FA49 Sundsvall 0,707 0,877 0,967 0,690 FA50 Kramfors 0,203 0,561 0,995 0,373 FA51 Sollefteå 0,181 0,898 0,957 0,698 FA52 Örnsköldsvik 0,615 0,786 1,100 0,453 FA53 Östersund 0,427 1,100 1,022 0,766 FA54 Härjedalen 0,219 0,417 0,857 0,261 FA55 Storuman 0,179 0,632 0,959 0,279 FA56 Lycksele 0,236 0,962 1,179 0,349 FA57 Dorotea 0,110 0,372 0,828 0,284 FA58 Vilhelmina 0,091 0,622 1,093 0,238 FA59 Åsele 0,058 0,557 0,936 0,268 FA60 Sorsele 0,214 0,495 0,896 0,278 FA61 Umeå 1,184 1,787 1,467 1,244 FA62 Skellefteå 0,489 0,853 1,182 0,423 FA63 Arvidsjaur 0,169 0,538 0,937 0,525 FA64 Arjeplog 0,149 0,559 0,767 0,369 FA65 Luleå 0,888 0,943 1,200 0,737 FA66 Överkalix 0,179 0,500 0,956 0,242 FA67 Övertorneå 0,127 0,410 1,189 0,307 FA68 Haparanda 0,203 0,451 0,905 0,393 FA69 Pajala 0,210 0,530 1,098 0,255 FA70 Jokkmokk 0,232 0,508 0,990 0,500 FA71 Gällivare 0,245 0,862 0,933 0,247 FA72 Kiruna 0,670 0,603 0,982 0,383 Hela riket

44 Tabell 3: balanstal kort utbildning för år 2010 Förklaring: Kort utbildning= all eftergymnasial utbildning som är kortare än 3 år Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA1 Stockholm 1,049 0,908 0,939 1,298 FA2 Nyköping 0,878 0,879 0,989 0,835 FA3 Eskilstuna 0,991 0,957 1,050 0,725 FA4 Östergötland 1,179 1,053 1,060 0,818 FA5 Värnamo 0,803 0,700 0,845 0,610 FA6 Jönköping 1,019 1,215 1,100 0,895 FA7 Vetlanda 0,774 0,884 0,935 0,614 FA8 Tranås 0,740 0,928 0,846 0,633 FA9 Älmhult 0,821 0,623 0,908 0,704 FA10 Ljungby 0,846 0,850 0,932 0,636 FA11 Växjö 0,983 1,174 1,211 1,020 FA12 Kalmar 0,856 1,111 1,281 0,953 FA13 Vimmerby 0,495 0,988 0,889 0,566 FA14 Västervik 0,570 1,415 1,098 0,654 FA15 Oskarshamn 0,883 0,839 1,063 0,576 FA16 Gotland 0,591 0,861 0,820 0,906 FA17 Blekinge 1,219 1,203 0,947 0,823 FA18 Kristianstad 0,840 0,976 1,103 0,777 FA19 Malmö 0,958 1,016 0,924 1,130 FA20 Halmstad 0,845 0,871 1,141 0,995 FA21 Göteborg 1,189 0,980 0,952 1,131 FA22 Borås 1,016 0,911 0,965 0,829 FA23 Trollhättan 0,949 1,087 0,992 0,733 FA24 Lidköping 0,719 1,029 0,956 0,723 FA25 Skövde 0,823 1,029 0,901 0,747 FA26 Strömstad 0,591 0,833 0,854 0,710 FA27 Bengtsfors 0,495 0,836 0,701 0,581 FA28 Årjäng 0,606 0,547 0,652 0,453 FA29 Eda 0,638 0,592 0,663 0,532 FA30 Karlstad 1,004 1,088 1,201 0,826 FA31 Torsby 0,440 1,083 0,720 0,510 FA32 Hagfors 0,521 0,726 0,774 0,463 FA33 Filipstad 0,740 0,664 0,724 0,531 FA34 Örebro 0,832 1,202 1,157 0,974 FA35 Hällefors 0,569 0,626 0,834 0,912 FA36 Karlskoga 0,973 1,020 0,911 0,506 44

45 2010 Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA37 Västerås 1,152 0,902 1,088 0,756 FA38 Fagersta 0,625 0,775 1,036 0,582 FA39 Vansbro 0,414 0,812 0,936 0,460 FA40 Malung 0,523 0,697 0,940 0,660 FA41 Mora 0,667 1,010 0,987 0,665 FA42 Falun/Borlänge 0,944 1,114 1,157 0,820 FA43 Avesta 0,728 0,869 0,955 0,513 FA44 Ludvika 0,803 0,872 0,889 0,496 FA45 Gävle 1,069 0,949 1,169 0,741 FA46 Söderhamn 0,623 1,041 0,998 0,593 FA47 Hudiksvall 0,750 1,127 1,019 0,603 FA48 Ljusdal 0,531 0,876 0,943 0,602 FA49 Sundsvall 1,200 0,994 1,064 0,788 FA50 Kramfors 0,773 0,724 1,207 0,520 FA51 Sollefteå 0,583 1,102 0,907 0,682 FA52 Örnsköldsvik 1,059 1,177 1,017 0,600 FA53 Östersund 0,781 1,321 0,969 0,864 FA54 Härjedalen 0,518 0,880 0,855 0,633 FA55 Storuman 0,840 1,011 0,927 0,628 FA56 Lycksele 0,666 1,296 0,994 0,569 FA57 Dorotea 0,509 0,516 0,848 0,402 FA58 Vilhelmina 0,539 0,790 1,150 0,517 FA59 Åsele 0,491 0,926 1,091 0,497 FA60 Sorsele 0,472 1,120 0,781 0,465 FA61 Umeå 0,988 1,644 1,192 1,167 FA62 Skellefteå 1,149 1,100 0,954 0,640 FA63 Arvidsjaur 0,553 0,854 0,860 0,672 FA64 Arjeplog 0,633 0,765 0,723 0,677 FA65 Luleå 1,123 1,107 1,318 0,773 FA66 Överkalix 0,513 1,110 0,775 0,563 FA67 Övertorneå 0,508 1,010 1,300 0,537 FA68 Haparanda 0,482 0,762 0,661 0,503 FA69 Pajala 0,702 0,871 1,028 0,491 FA70 Jokkmokk 0,661 0,738 0,860 0,763 FA71 Gällivare 0,673 0,983 0,799 0,465 FA72 Kiruna 1,004 0,812 0,883 0,552 Hela riket

46 Tabell 4: balanstal lång utbildning för år 2010 Förklaring: Lång utbildning= all eftergymnasial utbildning som är längre än 3 år Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA1 Stockholm 1,453 1,085 0,916 1,618 FA2 Nyköping 0,639 0,839 0,945 0,662 FA3 Eskilstuna 0,540 0,815 0,877 0,593 FA4 Östergötland 1,173 0,924 1,053 0,733 FA5 Värnamo 0,327 0,584 0,847 0,386 FA6 Jönköping 0,665 1,021 1,142 0,691 FA7 Vetlanda 0,282 0,598 0,990 0,350 FA8 Tranås 0,365 0,608 1,092 0,472 FA9 Älmhult 0,519 0,499 0,937 0,629 FA10 Ljungby 0,353 0,680 0,867 0,406 FA11 Växjö 0,701 0,890 1,199 0,835 FA12 Kalmar 0,620 0,948 1,178 0,721 FA13 Vimmerby 0,257 0,460 0,896 0,338 FA14 Västervik 0,324 1,083 1,000 0,453 FA15 Oskarshamn 0,460 0,673 0,923 0,389 FA16 Gotland 0,400 0,870 1,007 0,863 FA17 Blekinge 0,861 0,911 0,964 0,733 FA18 Kristianstad 0,451 0,892 1,135 0,651 FA19 Malmö 1,105 1,124 1,016 1,113 FA20 Halmstad 0,560 0,861 0,991 0,756 FA21 Göteborg 1,424 1,087 1,016 1,081 FA22 Borås 0,614 0,844 0,983 0,601 FA23 Trollhättan 0,655 0,927 0,986 0,549 FA24 Lidköping 0,439 0,804 1,029 0,543 FA25 Skövde 0,438 0,881 0,974 0,601 FA26 Strömstad 0,511 0,747 0,978 0,551 FA27 Bengtsfors 0,222 0,516 0,820 0,374 FA28 Årjäng 0,246 0,460 0,849 0,290 FA29 Eda 0,216 0,412 0,633 0,289 FA30 Karlstad 0,628 0,910 1,208 0,721 FA31 Torsby 0,216 0,829 0,937 0,314 FA32 Hagfors 0,338 0,569 0,821 0,275 FA33 Filipstad 0,242 0,447 0,685 0,254 FA34 Örebro 0,550 1,130 1,106 0,780 FA35 Hällefors 0,174 0,410 0,728 0,309 FA36 Karlskoga 0,537 0,639 0,760 0,331 46

47 2010 Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA37 Västerås 0,974 0,876 0,911 0,673 FA38 Fagersta 0,344 0,535 0,731 0,349 FA39 Vansbro 0,185 0,510 0,852 0,230 FA40 Malung 0,245 0,615 0,869 0,332 FA41 Mora 0,278 0,967 0,933 0,387 FA42 Falun/Borlänge 0,680 0,950 1,058 0,659 FA43 Avesta 0,415 0,575 0,829 0,392 FA44 Ludvika 0,691 0,601 0,798 0,392 FA45 Gävle 0,715 0,866 0,997 0,584 FA46 Söderhamn 0,220 0,705 0,933 0,369 FA47 Hudiksvall 0,337 0,998 0,949 0,425 FA48 Ljusdal 0,204 0,558 0,882 0,355 FA49 Sundsvall 0,689 0,927 1,002 0,674 FA50 Kramfors 0,257 0,670 0,944 0,366 FA51 Sollefteå 0,218 1,025 0,867 0,555 FA52 Örnsköldsvik 0,752 0,989 1,137 0,509 FA53 Östersund 0,492 1,163 0,953 0,790 FA54 Härjedalen 0,207 0,545 0,743 0,317 FA55 Storuman 0,218 0,747 1,090 0,281 FA56 Lycksele 0,311 1,018 1,198 0,327 FA57 Dorotea 0,102 0,543 0,866 0,206 FA58 Vilhelmina 0,176 0,685 1,121 0,241 FA59 Åsele 0,075 0,655 0,874 0,414 FA60 Sorsele 0,237 0,672 1,049 0,382 FA61 Umeå 1,091 1,753 1,417 1,132 FA62 Skellefteå 0,580 0,970 1,236 0,481 FA63 Arvidsjaur 0,190 0,674 1,029 0,553 FA64 Arjeplog 0,301 0,716 0,948 0,388 FA65 Luleå 0,867 0,972 1,217 0,733 FA66 Överkalix 0,182 0,531 0,886 0,280 FA67 Övertorneå 0,190 0,627 1,000 0,373 FA68 Haparanda 0,292 0,577 0,827 0,440 FA69 Pajala 0,190 0,619 1,010 0,259 FA70 Jokkmokk 0,315 0,769 1,027 0,606 FA71 Gällivare 0,372 0,894 0,786 0,286 FA72 Kiruna 0,699 0,716 1,005 0,398 Hela riket

48 Appendix 1B Förändring i balanstal för FA-regioner mellan 2000 till Tabell 5: Förändring av balanstal för kort utbildning för åren 2000 respektive Förklaring: Kort utbildning= all eftergymnasial utbildning som är kortare än 3 år vs 2000 Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA1 Stockholm -0,032-0,075-0,037-0,066 FA2 Nyköping 0,025-0,026 0,044 0,067 FA3 Eskilstuna -0,052 0,021 0,010-0,019 FA4 Östergötland -0,047 0,044 0,061 0,016 FA5 Värnamo 0,075-0,008 0,025 0,062 FA6 Jönköping 0,082 0,038 0,032 0,051 FA7 Vetlanda 0,136 0,034 0,025 0,061 FA8 Tranås 0,067 0,046 0,077 0,013 FA9 Älmhult 0,088 0,069-0,063 0,060 FA10 Ljungby 0,147-0,059-0,040 0,045 FA11 Växjö -0,061 0,141 0,026-0,049 FA12 Kalmar -0,109 0,179 0,086 0,055 FA13 Vimmerby 0,096 0,223 0,108 0,086 FA14 Västervik 0,115 0,200 0,046 0,087 FA15 Oskarshamn 0,152 0,096 0,106 0,046 FA16 Gotland 0,031 0,053 0,044 0,044 FA17 Blekinge 0,048 0,149 0,024 0,009 FA18 Kristianstad 0,069 0,053 0,063-0,044 FA19 Malmö 0,047-0,003-0,055 0,042 FA20 Halmstad 0,022-0,015-0,021 0,027 FA21 Göteborg 0,018-0,035-0,005 0,058 FA22 Borås 0,022-0,039 0,006 0,078 FA23 Trollhättan 0,008-0,023 0,091 0,052 FA24 Lidköping 0,019 0,019 0,039 0,075 FA25 Skövde 0,044-0,011 0,029 0,001 FA26 Strömstad 0,054-0,035 0,063 0,019 FA27 Bengtsfors 0,047 0,087 0,112 0,009 FA28 Årjäng 0,113 0,002 0,031-0,011 FA29 Eda 0,054 0,087 0,034 0,066 FA30 Karlstad -0,008 0,072 0,124-0,108 FA31 Torsby 0,058-0,052 0,130-0,061 FA32 Hagfors 0,090-0,023 0,073 0,005 FA33 Filipstad 0,242 0,047 0,068 0,089 FA34 Örebro -0,025 0,067 0,006-0,057 FA35 Hällefors 0,090 0,086 0,106 0,270 FA36 Karlskoga 0,078 0,140-0,004-0,021 48

49 2010 vs 2000 Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA37 Västerås -0,115 0,000-0,049-0,022 FA38 Fagersta 0,022-0,039-0,018 0,057 FA39 Vansbro 0,096 0,199 0,101 0,056 FA40 Malung 0,047 0,055 0,145 0,106 FA41 Mora 0,067 0,026 0,013 0,015 FA42 Falun/Borlänge -0,009 0,077-0,026-0,034 FA43 Avesta 0,048 0,077 0,015-0,019 FA44 Ludvika -0,015 0,072 0,029-0,008 FA45 Gävle 0,031 0,057-0,003-0,126 FA46 Söderhamn 0,083 0,062 0,144 0,038 FA47 Hudiksvall 0,111 0,165 0,050-0,028 FA48 Ljusdal 0,067 0,072 0,114 0,052 FA49 Sundsvall -0,120 0,053 0,017-0,097 FA50 Kramfors 0,085 0,098 0,138-0,026 FA51 Sollefteå 0,089 0,112 0,072 0,011 FA52 Örnsköldsvik 0,023-0,004 0,071 0,008 FA53 Östersund -0,046 0,061-0,039-0,072 FA54 Härjedalen 0,117 0,186 0,064 0,069 FA55 Storuman 0,132 0,190 0,214 0,080 FA56 Lycksele 0,045 0,059 0,100-0,117 FA57 Dorotea 0,011-0,111 0,098-0,132 FA58 Vilhelmina 0,005-0,010 0,213-0,016 FA59 Åsele 0,058 0,214 0,385-0,098 FA60 Sorsele 0,148 0,108-0,049 0,040 FA61 Umeå -0,275-0,012 0,087-0,190 FA62 Skellefteå -0,030 0,029-0,049-0,026 FA63 Arvidsjaur -0,093 0,054-0,035 0,028 FA64 Arjeplog 0,070-0,132-0,135-0,047 FA65 Luleå -0,075 0,005-0,030-0,040 FA66 Överkalix 0,043 0,190 0,156 0,144 FA67 Övertorneå 0,020 0,188 0,095 0,017 FA68 Haparanda 0,072 0,034-0,039 0,058 FA69 Pajala 0,195 0,113 0,063-0,014 FA70 Jokkmokk 0,058-0,082 0,023 0,042 FA71 Gällivare 0,049-0,068-0,130 0,002 FA72 Kiruna -0,054 0,018-0,055 0,035 49

50 Tabell 6: Förändring av balanstal för lång utbildning för åren 2000 respektive Förklaring: Lång utbildning= all eftergymnasial utbildning som är längre än 3 år vs 2000 Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA1 Stockholm -0,177-0,101-0,042-0,121 FA2 Nyköping -0,022-0,016 0,041 0,024 FA3 Eskilstuna 0,085 0,029 0,010 0,099 FA4 Östergötland -0,007 0,007 0,077-0,010 FA5 Värnamo 0,020 0,043 0,034 0,019 FA6 Jönköping 0,134 0,021 0,050 0,020 FA7 Vetlanda 0,066 0,078 0,068 0,032 FA8 Tranås 0,119 0,045 0,066 0,001 FA9 Älmhult 0,145 0,053 0,017 0,121 FA10 Ljungby 0,063 0,135 0,013 0,023 FA11 Växjö 0,123 0,024 0,052 0,034 FA12 Kalmar 0,012 0,118 0,028 0,065 FA13 Vimmerby 0,076 0,083 0,034-0,003 FA14 Västervik 0,007 0,039 0,026 0,027 FA15 Oskarshamn 0,062 0,070 0,012 0,029 FA16 Gotland 0,099 0,032-0,010 0,022 FA17 Blekinge 0,198 0,066-0,007 0,017 FA18 Kristianstad 0,072 0,039 0,004-0,028 FA19 Malmö 0,031-0,004-0,014 0,022 FA20 Halmstad 0,099 0,044 0,026 0,079 FA21 Göteborg -0,037-0,013-0,021-0,012 FA22 Borås 0,152-0,017 0,070 0,060 FA23 Trollhättan 0,042 0,015 0,049 0,011 FA24 Lidköping 0,125 0,044 0,106 0,055 FA25 Skövde 0,118 0,032 0,011 0,037 FA26 Strömstad 0,050 0,042 0,002 0,009 FA27 Bengtsfors 0,074 0,111 0,066 0,053 FA28 Årjäng 0,111 0,014 0,025-0,040 FA29 Eda 0,088 0,062 0,032 0,013 FA30 Karlstad 0,028 0,031 0,113 0,011 FA31 Torsby 0,034 0,181 0,020 0,039 FA32 Hagfors 0,045 0,155 0,059 0,001 FA33 Filipstad 0,023 0,047-0,039-0,032 FA34 Örebro 0,074-0,003 0,088 0,024 FA35 Hällefors -0,009 0,098 0,058 0,060 FA36 Karlskoga -0,093-0,032 0,011 0,008 50

51 2010 vs 2000 Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA37 Västerås -0,052 0,014 0,008 0,062 FA38 Fagersta 0,018-0,026-0,023 0,036 FA39 Vansbro 0,016 0,184 0,009 0,007 FA40 Malung 0,092 0,102-0,025 0,065 FA41 Mora 0,068 0,175-0,048 0,017 FA42 Falun/Borlänge 0,048 0,034-0,059 0,009 FA43 Avesta 0,039-0,030-0,030 0,037 FA44 Ludvika 0,051 0,052-0,006 0,034 FA45 Gävle 0,102 0,060 0,032 0,043 FA46 Söderhamn 0,021 0,046 0,060 0,017 FA47 Hudiksvall 0,003 0,130-0,036-0,003 FA48 Ljusdal 0,048 0,050-0,069 0,003 FA49 Sundsvall -0,019 0,050 0,035-0,016 FA50 Kramfors 0,054 0,109-0,051-0,007 FA51 Sollefteå 0,037 0,127-0,090-0,143 FA52 Örnsköldsvik 0,137 0,204 0,036 0,056 FA53 Östersund 0,066 0,063-0,069 0,024 FA54 Härjedalen -0,012 0,128-0,114 0,056 FA55 Storuman 0,038 0,116 0,131 0,002 FA56 Lycksele 0,075 0,055 0,019-0,022 FA57 Dorotea -0,008 0,170 0,039-0,079 FA58 Vilhelmina 0,085 0,063 0,028 0,003 FA59 Åsele 0,017 0,097-0,062 0,146 FA60 Sorsele 0,023 0,177 0,154 0,104 FA61 Umeå -0,093-0,033-0,050-0,112 FA62 Skellefteå 0,090 0,117 0,054 0,058 FA63 Arvidsjaur 0,020 0,136 0,092 0,028 FA64 Arjeplog 0,152 0,157 0,181 0,019 FA65 Luleå -0,022 0,028 0,017-0,004 FA66 Överkalix 0,003 0,032-0,070 0,038 FA67 Övertorneå 0,063 0,216-0,189 0,066 FA68 Haparanda 0,089 0,126-0,079 0,047 FA69 Pajala -0,020 0,088-0,088 0,003 FA70 Jokkmokk 0,083 0,261 0,036 0,106 FA71 Gällivare 0,127 0,032-0,146 0,039 FA72 Kiruna 0,029 0,114 0,023 0,014 51

52 Tabell 7: andel med kort utbildningsnivå i respektive FA region för året Förklaring: Kort utbildning= all eftergymnasial utbildning som är kortare än 3 år Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA1 Stockholm 0,038 0,020 0,019 0,071 FA2 Nyköping 0,032 0,020 0,020 0,046 FA3 Eskilstuna 0,036 0,021 0,022 0,040 FA4 Östergötland 0,043 0,023 0,022 0,045 FA5 Värnamo 0,029 0,016 0,017 0,033 FA6 Jönköping 0,037 0,027 0,023 0,049 FA7 Vetlanda 0,028 0,020 0,019 0,034 FA8 Tranås 0,027 0,021 0,017 0,035 FA9 Älmhult 0,030 0,014 0,019 0,038 FA10 Ljungby 0,031 0,019 0,019 0,035 FA11 Växjö 0,036 0,026 0,025 0,056 FA12 Kalmar 0,031 0,025 0,026 0,052 FA13 Vimmerby 0,018 0,022 0,018 0,031 FA14 Västervik 0,021 0,032 0,023 0,036 FA15 Oskarshamn 0,032 0,019 0,022 0,031 FA16 Gotland 0,021 0,019 0,017 0,050 FA17 Blekinge 0,044 0,027 0,020 0,045 FA18 Kristianstad 0,030 0,022 0,023 0,042 FA19 Malmö 0,035 0,023 0,019 0,062 FA20 Halmstad 0,031 0,019 0,024 0,054 FA21 Göteborg 0,043 0,022 0,020 0,062 FA22 Borås 0,037 0,020 0,020 0,045 FA23 Trollhättan 0,034 0,024 0,020 0,040 FA24 Lidköping 0,026 0,023 0,020 0,040 FA25 Skövde 0,030 0,023 0,019 0,041 FA26 Strömstad 0,021 0,019 0,018 0,039 FA27 Bengtsfors 0,018 0,019 0,014 0,032 FA28 Årjäng 0,022 0,012 0,013 0,025 FA29 Eda 0,023 0,013 0,014 0,029 FA30 Karlstad 0,036 0,024 0,025 0,045 FA31 Torsby 0,016 0,024 0,015 0,028 FA32 Hagfors 0,019 0,016 0,016 0,025 FA33 Filipstad 0,027 0,015 0,015 0,029 FA34 Örebro 0,030 0,027 0,024 0,053 FA35 Hällefors 0,021 0,014 0,017 0,050 FA36 Karlskoga 0,035 0,023 0,019 0,028 52

53 2010 Eftergymnasiell utbildning kortare än 3 år FA Region 31 teknik, naturvetenskap 32 vård 33 pedagogik 34 övriga FA37 Västerås 0,042 0,020 0,022 0,041 FA38 Fagersta 0,023 0,017 0,021 0,032 FA39 Vansbro 0,015 0,018 0,019 0,025 FA40 Malung 0,019 0,016 0,019 0,036 FA41 Mora 0,024 0,022 0,020 0,036 FA42 Falun/Borlänge 0,034 0,025 0,024 0,045 FA43 Avesta 0,026 0,019 0,020 0,028 FA44 Ludvika 0,029 0,019 0,018 0,027 FA45 Gävle 0,039 0,021 0,024 0,041 FA46 Söderhamn 0,023 0,023 0,021 0,032 FA47 Hudiksvall 0,027 0,025 0,021 0,033 FA48 Ljusdal 0,019 0,020 0,019 0,033 FA49 Sundsvall 0,044 0,022 0,022 0,043 FA50 Kramfors 0,028 0,016 0,025 0,028 FA51 Sollefteå 0,021 0,025 0,019 0,037 FA52 Örnsköldsvik 0,038 0,026 0,021 0,033 FA53 Östersund 0,028 0,029 0,020 0,047 FA54 Härjedalen 0,019 0,020 0,018 0,035 FA55 Storuman 0,030 0,023 0,019 0,034 FA56 Lycksele 0,024 0,029 0,020 0,031 FA57 Dorotea 0,018 0,011 0,017 0,022 FA58 Vilhelmina 0,020 0,018 0,024 0,028 FA59 Åsele 0,018 0,021 0,022 0,027 FA60 Sorsele 0,017 0,025 0,016 0,025 FA61 Umeå 0,036 0,037 0,025 0,064 FA62 Skellefteå 0,042 0,024 0,020 0,035 FA63 Arvidsjaur 0,020 0,019 0,018 0,037 FA64 Arjeplog 0,023 0,017 0,015 0,037 FA65 Luleå 0,041 0,025 0,027 0,042 FA66 Överkalix 0,019 0,025 0,016 0,031 FA67 Övertorneå 0,018 0,022 0,027 0,029 FA68 Haparanda 0,017 0,017 0,014 0,027 FA69 Pajala 0,025 0,019 0,021 0,027 FA70 Jokkmokk 0,024 0,016 0,018 0,042 FA71 Gällivare 0,024 0,022 0,016 0,025 FA72 Kiruna 0,036 0,018 0,018 0,030 Hela riket 0,036 0,022 0,021 0,055 53

54 Tabell 8: andel med lång utbildningsnivå i respektive FA region för året Förklaring: Lång utbildning=all eftergymnasial utbildning som är längre än 3 år Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA1 Stockholm 0,064 0,042 0,035 0,110 FA2 Nyköping 0,028 0,032 0,036 0,045 FA3 Eskilstuna 0,024 0,031 0,034 0,040 FA4 Östergötland 0,051 0,036 0,041 0,050 FA5 Värnamo 0,014 0,023 0,033 0,026 FA6 Jönköping 0,029 0,039 0,044 0,047 FA7 Vetlanda 0,012 0,023 0,038 0,024 FA8 Tranås 0,016 0,023 0,042 0,032 FA9 Älmhult 0,023 0,019 0,036 0,043 FA10 Ljungby 0,015 0,026 0,033 0,028 FA11 Växjö 0,031 0,034 0,046 0,057 FA12 Kalmar 0,027 0,037 0,045 0,049 FA13 Vimmerby 0,011 0,018 0,035 0,023 FA14 Västervik 0,014 0,042 0,039 0,031 FA15 Oskarshamn 0,020 0,026 0,036 0,026 FA16 Gotland 0,018 0,034 0,039 0,059 FA17 Blekinge 0,038 0,035 0,037 0,050 FA18 Kristianstad 0,020 0,034 0,044 0,044 FA19 Malmö 0,048 0,043 0,039 0,076 FA20 Halmstad 0,025 0,033 0,038 0,051 FA21 Göteborg 0,062 0,042 0,039 0,073 FA22 Borås 0,027 0,033 0,038 0,041 FA23 Trollhättan 0,029 0,036 0,038 0,037 FA24 Lidköping 0,019 0,031 0,040 0,037 FA25 Skövde 0,019 0,034 0,038 0,041 FA26 Strömstad 0,022 0,029 0,038 0,037 FA27 Bengtsfors 0,010 0,020 0,032 0,025 FA28 Årjäng 0,011 0,018 0,033 0,020 FA29 Eda 0,009 0,016 0,024 0,020 FA30 Karlstad 0,028 0,035 0,047 0,049 FA31 Torsby 0,009 0,032 0,036 0,021 FA32 Hagfors 0,015 0,022 0,032 0,019 FA33 Filipstad 0,011 0,017 0,026 0,017 FA34 Örebro 0,024 0,044 0,043 0,053 FA35 Hällefors 0,008 0,016 0,028 0,021 FA36 Karlskoga 0,024 0,025 0,029 0,023 54

55 2010 Minst 3-årig eftergymnasiell utbildning FA Region 41 teknik, naturvetenskap 42 vård 43 pedagogik 44 övriga FA37 Västerås 0,043 0,034 0,035 0,046 FA38 Fagersta 0,015 0,021 0,028 0,024 FA39 Vansbro 0,008 0,020 0,033 0,016 FA40 Malung 0,011 0,024 0,034 0,023 FA41 Mora 0,012 0,037 0,036 0,026 FA42 Falun/Borlänge 0,030 0,037 0,041 0,045 FA43 Avesta 0,018 0,022 0,032 0,027 FA44 Ludvika 0,030 0,023 0,031 0,027 FA45 Gävle 0,031 0,033 0,038 0,040 FA46 Söderhamn 0,010 0,027 0,036 0,025 FA47 Hudiksvall 0,015 0,039 0,037 0,029 FA48 Ljusdal 0,009 0,022 0,034 0,024 FA49 Sundsvall 0,030 0,036 0,039 0,046 FA50 Kramfors 0,011 0,026 0,036 0,025 FA51 Sollefteå 0,010 0,040 0,033 0,038 FA52 Örnsköldsvik 0,033 0,038 0,044 0,035 FA53 Östersund 0,022 0,045 0,037 0,054 FA54 Härjedalen 0,009 0,021 0,029 0,022 FA55 Storuman 0,010 0,029 0,042 0,019 FA56 Lycksele 0,014 0,039 0,046 0,022 FA57 Dorotea 0,004 0,021 0,033 0,014 FA58 Vilhelmina 0,008 0,026 0,043 0,016 FA59 Åsele 0,003 0,025 0,034 0,028 FA60 Sorsele 0,010 0,026 0,040 0,026 FA61 Umeå 0,048 0,068 0,055 0,077 FA62 Skellefteå 0,025 0,037 0,048 0,033 FA63 Arvidsjaur 0,008 0,026 0,040 0,038 FA64 Arjeplog 0,013 0,028 0,037 0,026 FA65 Luleå 0,038 0,038 0,047 0,050 FA66 Överkalix 0,008 0,021 0,034 0,019 FA67 Övertorneå 0,008 0,024 0,039 0,025 FA68 Haparanda 0,013 0,022 0,032 0,030 FA69 Pajala 0,008 0,024 0,039 0,018 FA70 Jokkmokk 0,014 0,030 0,040 0,041 FA71 Gällivare 0,016 0,035 0,030 0,019 FA72 Kiruna 0,031 0,028 0,039 0,027 Hela riket 0,044 0,039 0,039 0,068 55

56 Appendix 2A Utbildningspyramider för FA-regioner Utbildningspyramiderna ger en grafisk illustration över hur balansen mellan i och utflöde kan av högskoleutbildade ser ut i landets olika FA-regioner. På den vertikala axeln anges ålder. På den vänstra sidan visas antalet personer med en kort universitetsutbildning. På den högra anges antalet personer med lång universitetsutbildning. Notera att dessa visar personer med en universitetsutbildning och som enligt SCB s variabel arbetade under november månad. D.v.s. en ögonblicksbild för året Detta beror på att det finns så många olika definitioner på hur en inträdare resp. utträdare skall definieras så vi kom fram till att detta var det bästa och på mötet så accepterade de detta. 56

57 57

58 58

59 59

60 60

61 61

62 62

63 63

64 64

65 65

66 Appendix 2B hela riket. Utbildningspyramider för olika utbildningsinriktningar i Hela Sverige, per SUN Inriktning 66

67 67

68 68

69 Appendix 2C Utbildningspyramider för utvalda FA-regioner Jönköping, FA 6 69

70 70

71 71

72 Halmstad, FA 20 72

73 73

74 74

75 Örebro, FA 34 75

76 76

77 77

78 Västerås, FA 37 78

79 79

80 80

81 Appendix 3A Balanstal kort utbildning (exponentiellt utjämnade tidsserier). Tidsserierna har utjämnats med enkel exponentiell utjämning där värdet 0.1 har valts som utjämningskonstant. Enkel exponentiell utjämning innebär att man använder historiska data för att jämna ut en tidsserie och därmed reducera rent slumpmässig variation vilket gör det enklare att finna trender. Notera att FA regioner där storleken är väldigt liten så att antalet utträdare är noll under något år så har dessa tagits väck. Följande FA regioner finns ej med i graferna nedan: Dorotea, Åsele, Sorsele, Arjeplog. 81

82 82

83 Appendix 3B Balanstal lång utbildning (exponentiellt utjämnade tidsserier) Tidsserierna har utjämnats med enkel exponentiell utjämning där värdet 0.1 har valts som utjämningskonstant. Enkel exponentiell utjämning innebär att man använder historiska data för att jämna ut en tidsserie och därmed reducera rent slumpmässig variation vilket gör det enklare att finna trender. Notera att FA regioner där storleken är väldigt liten så att antalet utträdare är noll under något år så har dessa tagits väck. Följande FA regioner finns ej med i graferna nedan: Storuman, Dorotea, Åsele, Sorsele, Arvidsjaur, Arjeplog, Överkalix, Övertorneå, Pajala. 83

84 84

85 Appendix 4A Tvärsnittskorrelationer för eftergymnasial utbildning kortare än 3 år, uppdelat i åldersgrupper. Förklaring: AHUKj_år:= Andel eftergymnasial utbildning som är kortare än 3 år i åldersgrupp j för året xx, där j=1, 2,,6 och år=00, 01,,08. Notera att j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år := Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX 85

86 86

87 Appendix 4B Tvärsnittskorrelationer för eftergymnasial utbildning minst 3år men forskarutbildning är exkluderat, uppdelat i åldersgrupper. Förklaring: AHULj_år:= Andel med eftergymnasial utbildning på minst 3 år men ingen forskarutbildning i åldersgrupp j för året xx, där j=1, 2,,6 och år=00, 01,,08. Notera att j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX 87

88 88

89 Appendix 4C Tvärsnittskorrelationer för forskarutbildning, uppdelat i åldersgrupper. Förklaring: FUj_år:= Andel med forskarutbildning i åldersgrupp j för året xx, där j=1, 2,,6 och år=00, 01,,08. Notera att j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX 89

90 90

91 Appendix 4D Tvärsnittskorrelationer för olika längd på eftergymnasial utbildning (notera ingen åldersgrupp uppdelning). Förklaring: AHUKj_år:= Andel eftergymnasial utbildning som är kortare än 3 år, där år=00, 01,,08. AHULj_år:= Andel eftergymnasial utbildning som är längre än 3 år men forskarutbildning är exkluderad, där år=00, 01,,08. FUj_år:= Andel med forskarutbildning, där år=00, 01,,08. Notera att år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX 91

92 92

93 Appendix 4E Tvärsnittskorrelationer för eftergymnasial utbildning, alla åldrar respektive uppdelat i åldersgrupper. Förklaring: AHU_år:= Andel med eftergymnasial utbildning (alla åldersgrupper) för året xx, där år=00, 01,,08. AHUj_år:= Andel med eftergymnasial utbildning i åldersgrupp j för året xx, där j =1, 2,,6 och år=00, 01,,08. Så j motsvaras av åldersklasserna: 16-24år, år, år, år, år, år och år motsvaras av åren 2000, 2001, 2002, 2003, 2004, 2005, 5006, 2007, BRP_capita_år:= Bruttoregionalprodukt för År 20XX / Populationsstorlek År 20XX 93

94 94

95 Appendix 5 Korrelationer mellan andelen högskoleutbildade och bruttoregionalprodukten För att analysera sambandet mellan utbildning och regional konkurrenskraft studeras styrkan i sambandet mellan andelen högskoleutbildade i landets FA-regioner och bruttoregionalprodukten. Tabellerna nedan visar hur korrelationen mellan högskoleutbildning och BRP utvecklats över tiden. Andelen högskoleutbildade mäts dels som andelen individer med kort högskoleutbildning (minder än 3 år eftergymnasial utbildning), andelen individer med lång högskoleutbildning (mer är 3 år eftergymnasial utbildning), andelen individer med forskarutbildning samt andelen individer med någon form av högskoleutbildning (inkl. forskarutbildning). I figurerna rapporteras även korrelationerna uppbrutet på olika åldersgrupper. Det bör med andra ord observeras att figurerna visar utvecklingen av tvärsnittskorrelation mellan utbildning och BRP. Andelen av högskoleutbildade alla nivåer och BRP (Spearman rank korrelation),700,600,500,400,300,200,100 Alla åldrar år år år år år,

96 Andelen av högskoleutbildade alla nivåer (Pearson korrelation),600,500,400,300,200,100 Alla åldrar år år år år år, ,100 Andelen med kort högskoleutbildning och BRP (Spearman rank korrelation),700,600,500,400,300,200 Alla åldrar år år år år år,100,

97 Andelen med kort högskoleutbildning och BRP (Pearson korrelation),600,500,400,300,200,100 Alla åldrar år år år år år, ,100 Andelen med lång högskoleutbildning och BRP (Spearman rank korrelation),700,600,500,400,300,200 Alla åldrar år år år år år år,100,

98 Andelen med lång högskoleutbildning och BRP (Pearson korrelation),500,450,400 Axis Title,350,300,250,200,150,100 Alla åldrar år år år år år år,050, Andelen med forskarutbildning och BRP (Spearman rank korrelation),600,500,400,300,200 Alla åldrar år år år år år,100,

99 Andelen med forskarutbildning och BRP (Pearson korrelation),400,350,300 Axis Title,250,200,150,100 Alla åldrar år år år år,050,

100 Appendix 6A Karta över indelning i FA-regioner 100

101 Appendix 6B Tabell över Sveriges kommuners indelning i FA-regioner FA-kod FA-namn Kommunkod Kommunnamn FA-kod FA-namn Kommunkod Kommunnamn 1 Stockholm 0114 Upplands-Väsby 5 Värnamo 0662 Gislaved 1 Stockholm 0115 Vallentuna 5 Värnamo 1452 Tranemo 1 Stockholm 0117 Österåker 6 Jönköping 0604 Aneby 1 Stockholm 0120 Värmdö 6 Jönköping 0642 Mullsjö 1 Stockholm 0123 Järfälla 6 Jönköping 0643 Habo 1 Stockholm 0125 Ekerö 6 Jönköping 0665 Vaggeryd 1 Stockholm 0126 Huddinge 6 Jönköping 0680 Jönköping 1 Stockholm 0127 Botkyrka 6 Jönköping 0682 Nässjö 1 Stockholm 0128 Salem 6 Jönköping 0686 Eksjö 1 Stockholm 0136 Haninge 7 Vetlanda 0684 Sävsjö 1 Stockholm 0138 Tyresö 7 Vetlanda 0685 Vetlanda 1 Stockholm 0139 Upplands-Bro 8 Tranås 0512 Ydre 1 Stockholm 0160 Täby 8 Tranås 0687 Tranås 1 Stockholm 0162 Danderyd 9 Älmhult 0765 Älmhult 1 Stockholm 0163 Sollentuna 9 Älmhult 1273 Osby 1 Stockholm 0180 Stockholm 10 Ljungby 0767 Markaryd 1 Stockholm 0182 Nacka 10 Ljungby 0781 Ljungby 1 Stockholm 0183 Sundbyberg 11 Växjö 0760 Uppvidinge 1 Stockholm 0184 Solna 11 Växjö 0761 Lessebo 1 Stockholm 0186 Lidingö 11 Växjö 0763 Tingsryd 1 Stockholm 0187 Vaxholm 11 Växjö 0764 Alvesta 1 Stockholm 0188 Norrtälje 11 Växjö 0780 Växjö 1 Stockholm 0191 Sigtuna 12 Kalmar 0834 Torsås 1 Stockholm 0192 Nynäshamn 12 Kalmar 0840 Mörbylånga 1 Stockholm 0305 Håbo 12 Kalmar 0880 Kalmar 1 Stockholm 0140 Nykvarn 12 Kalmar 0885 Borgholm 1 Stockholm 0181 Södertälje 12 Kalmar 0862 Emmaboda 1 Stockholm 0461 Gnesta 12 Kalmar 0881 Nybro 1 Stockholm 0486 Strängnäs 13 Vimmerby 0860 Hultsfred 1 Stockholm 0488 Trosa 13 Vimmerby 0884 Vimmerby 1 Stockholm 0330 Knivsta 14 Västervik 0883 Västervik 1 Stockholm 0360 Tierp 15 Oskarshamn 0821 Högsby 1 Stockholm 0380 Uppsala 15 Oskarshamn 0861 Mönsterås 1 Stockholm 0381 Enköping 15 Oskarshamn 0882 Oskarshamn 1 Stockholm 0382 Östhammar 16 Gotland 0980 Gotland 1 Stockholm 1917 Heby 17 Blekinge 1080 Karlskrona 2 Nyköping 0480 Nyköping 17 Blekinge 1081 Ronneby 2 Nyköping 0481 Oxelösund 17 Blekinge 1060 Olofström 3 Eskilstuna 0484 Eskilstuna 17 Blekinge 1082 Karlshamn 3 Eskilstuna 0428 Vingåker 18 Kristianstad 1256 Östra Göinge 3 Eskilstuna 0482 Flen 18 Kristianstad 1290 Kristianstad 3 Eskilstuna 0483 Katrineholm 18 Kristianstad 1293 Hässleholm 4 Östergötland 0513 Kinda 18 Kristianstad 1083 Sölvesborg 4 Östergötland 0561 Åtvidaberg 18 Kristianstad 1272 Bromölla 4 Östergötland 0580 Linköping 19 Malmö 1230 Staffanstorp 4 Östergötland 0562 Finspång 19 Malmö 1231 Burlöv 4 Östergötland 0563 Valdemarsvik 19 Malmö 1233 Vellinge 4 Östergötland 0581 Norrköping 19 Malmö 1261 Kävlinge 4 Östergötland 0582 Söderköping 19 Malmö 1262 Lomma 4 Östergötland 0509 Ödeshög 19 Malmö 1263 Svedala 4 Östergötland 0560 Boxholm 19 Malmö 1264 Skurup 4 Östergötland 0586 Mjölby 19 Malmö 1265 Sjöbo 4 Östergötland 0583 Motala 19 Malmö 1266 Hörby 4 Östergötland 0584 Vadstena 19 Malmö 1267 Höör 4 Värnamo 0617 Gnosjö 19 Malmö 1280 Malmö 4 Värnamo 0683 Värnamo 19 Malmö 1281 Lund 101

102 FA-kod FA-namn Kommunkod Kommunnamn FA-kod FA-namn Kommunkod Kommunnamn 19 Malmö 1285 Eslöv 25 Skövde 1472 Tibro 19 Malmö 1287 Trelleborg 25 Skövde 1495 Skara 19 Malmö 1270 Tomelilla 25 Skövde 1496 Skövde 19 Malmö 1286 Ystad 25 Skövde 1497 Hjo 19 Malmö 1291 Simrishamn 25 Skövde 1498 Tidaholm 19 Malmö 1214 Svalöv 25 Skövde 1499 Falköping 19 Malmö 1257 Örkelljunga 25 Skövde 1447 Gullspång 19 Malmö 1260 Bjuv 25 Skövde 1473 Töreboda 19 Malmö 1275 Perstorp 25 Skövde 1493 Mariestad 19 Malmö 1276 Klippan 26 Strömstad 1435 Tanum 19 Malmö 1277 Åstorp 26 Strömstad 1486 Strömstad 19 Malmö 1278 Båstad 27 Bengtsfors 1438 Dals-Ed 19 Malmö 1282 Landskrona 27 Bengtsfors 1460 Bengtsfors 19 Malmö 1283 Helsingborg 28 Årjäng 1765 Årjäng 19 Malmö 1284 Höganäs 29 Eda 1730 Eda 19 Malmö 1292 Ängelholm 30 Karlstad 1715 Kil 20 Halmstad 1315 Hylte 30 Karlstad 1761 Hammarö 20 Halmstad 1380 Halmstad 30 Karlstad 1762 Munkfors 20 Halmstad 1381 Laholm 30 Karlstad 1763 Forshaga 21 Göteborg 1382 Falkenberg 30 Karlstad 1764 Grums 21 Göteborg 1383 Varberg 30 Karlstad 1766 Sunne 21 Göteborg 1384 Kungsbacka 30 Karlstad 1780 Karlstad 21 Göteborg 1401 Härryda 30 Karlstad 1781 Kristinehamn 21 Göteborg 1402 Partille 30 Karlstad 1784 Arvika 21 Göteborg 1407 Öckerö 30 Karlstad 1492 Åmål 21 Göteborg 1440 Ale 30 Karlstad 1785 Säffl e 21 Göteborg 1441 Lerum 31 Torsby 1737 Torsby 21 Göteborg 1443 Bollebygd 32 Hagfors 1783 Hagfors 21 Göteborg 1462 Lilla Edet 33 Filipstad 1782 Filipstad 21 Göteborg 1463 Mark 34 Örebro 1814 Lekeberg 21 Göteborg 1480 Göteborg 34 Örebro 1860 Laxå 21 Göteborg 1481 Mölndal 34 Örebro 1861 Hallsberg 21 Göteborg 1482 Kungälv 34 Örebro 1880 Örebro 21 Göteborg 1442 Vårgårda 34 Örebro 1881 Kumla 21 Göteborg 1445 Essunga 34 Örebro 1882 Askersund 21 Göteborg 1466 Herrljunga 34 Örebro 1884 Nora 21 Göteborg 1489 Alingsås 34 Örebro 1885 Lindesberg 21 Göteborg 1415 Stenungsund 35 Hällefors 1863 Hällefors 21 Göteborg 1419 Tjörn 36 Karlskoga 1760 Storfors 21 Göteborg 1421 Orust 36 Karlskoga 1862 Degerfors 22 Borås 1465 Svenljunga 36 Karlskoga 1883 Karlskoga 22 Borås 1490 Borås 37 Västerås 1907 Surahammar 22 Borås 1491 Ulricehamn 37 Västerås 1961 Hallstahammar 23 Trollhättan 1444 Grästorp 37 Västerås 1980 Västerås 23 Trollhättan 1461 Mellerud 37 Västerås 1981 Sala 23 Trollhättan 1487 Vänersborg 37 Västerås 1960 Kungsör 23 Trollhättan 1488 Trollhättan 37 Västerås 1983 Köping 23 Trollhättan 1427 Sotenäs 37 Västerås 1984 Arboga 23 Trollhättan 1430 Munkedal 38 Fagersta 1904 Skinnskatteberg 23 Trollhättan 1439 Färgelanda 38 Fagersta 1962 Norberg 23 Trollhättan 1484 Lysekil 38 Fagersta 1982 Fagersta 23 Trollhättan 1485 Uddevalla 39 Vansbro 2021 Vansbro 24 Lidköping 1470 Vara 40 Malung 2023 Malung 24 Lidköping 1471 Götene 41 Mora 2034 Orsa 24 Lidköping 1494 Lidköping 41 Mora 2039 Älvdalen 25 Skövde 1446 Karlsborg 41 Mora 2062 Mora 102

103 FA-kod FA-namn Kommunkod Kommunnamn FA-kod FA-namn Kommunkod Kommunnamn 42 Falun/Borlänge 2026 Gagnef 53 Östersund 2321 Åre 42 Falun/Borlänge 2029 Leksand 53 Östersund 2326 Berg 42 Falun/Borlänge 2031 Rättvik 53 Östersund 2380 Östersund 42 Falun/Borlänge 2080 Falun 54 Härjedalen 2361 Härjedalen 42 Falun/Borlänge 2081 Borlänge 55 Storuman 2421 Storuman 42 Falun/Borlänge 2082 Säter 56 Lycksele 2418 Malå 43 Avesta 2083 Hedemora 56 Lycksele 2481 Lycksele 43 Avesta 2084 Avesta 57 Dorotea 2425 Dorotea 44 Ludvika 1864 Ljusnarsberg 58 Vilhelmina 2462 Vilhelmina 44 Ludvika 2061 Smedjebacken 59 Åsele 2463 Åsele 44 Ludvika 2085 Ludvika 60 Sorsele 2422 Sorsele 45 Gävle 0319 Älvkarleby 61 Umeå 2401 Nordmaling 45 Gävle 2101 Ockelbo 61 Umeå 2403 Bjurholm 45 Gävle 2180 Gävle 61 Umeå 2404 Vindeln 45 Gävle 2104 Hofors 61 Umeå 2409 Robertsfors 45 Gävle 2181 Sandviken 61 Umeå 2460 Vännäs 46 Söderhamn 2182 Söderhamn 61 Umeå 2480 Umeå 46 Söderhamn 2121 Ovanåker 62 Skellefteå 2417 Norsjö 46 Söderhamn 2183 Bollnäs 62 Skellefteå 2482 Skellefteå 47 Hudiksvall 2132 Nordanstig 63 Arvidsjaur 2505 Arvidsjaur 47 Hudiksvall 2184 Hudiksvall 64 Arjeplog 2506 Arjeplog 48 Ljusdal 2161 Ljusdal 65 Luleå 2514 Kalix 49 Sundsvall 2260 Ånge 65 Luleå 2560 Älvsbyn 49 Sundsvall 2262 Timrå 65 Luleå 2580 Luleå 49 Sundsvall 2280 Härnösand 65 Luleå 2581 Piteå 49 Sundsvall 2281 Sundsvall 65 Luleå 2582 Boden 50 Kramfors 2282 Kramfors 66 Överkalix 2513 Överkalix 51 Sollefteå 2283 Sollefteå 67 Övertorneå 2518 Övertorneå 52 Örnsköldsvik 2284 Örnsköldsvik 68 Haparanda 2583 Haparanda 53 Östersund 2303 Ragunda 69 Pajala 2521 Pajala 53 Östersund 2305 Bräcke 70 Jokkmokk 2510 Jokkmokk 53 Östersund 2309 Krokom 71 Gällivare 2523 Gällivare 53 Östersund 2313 Strömsund 72 Kiruna 2584 Kiruna 103

104 Appendix 7A Högre utbildning och bruttoregionalprodukt för SNI Beroende variabel: Ln(BRP för SNI 01 45) Period 1, Period 2, Ln(Högre utbildning) 0,82-1,69 (1,63) (-2,73) t*ln(högre utbildning) -0,016 (-0,83) -0,045 (-3,72) t -0,047 (-1,46) 0,01 (0,64) N R 2 0,018 0,16 Fix regioneffekt Ja Ja Not: Covariance matrix adjustment: arellano,hc0,time Appendix 7B Högre utbildning och bruttoregionalprodukt för SNI Beroende variabel: Ln(BRP SNI 50-95) Period 1, Period 2, Ln(Högre utbildning) 0,613 0,608 (3,87) (5,76) t*ln(högre utbildning) 0,018 (2,77) 0,034 (13,96) t 0,015 (3,71) -0,060 (24,08) N R 2 0,045 0,24 Fix regioneffekt Ja Ja Not: Covariance matrix adjustment: arellano,hc0,time 104

105 Appendix 8A Kortfattad beskrivning av Paneldata regressionsmodell samt tolkning av koefficienter. Paneldata Med paneldata menas att man observerar en grupp av individer (panel) över tiden och i vårt fall så är individerna FA regioner. I en klassisk regressionsmodell så har man endast en regressionslinje, men i paneldata regressionsmodeller kan man låta varje individ ha sin egen regressionslinje, så till vida att man låter respektive linje ha sitt eget intercept (skärningspunkt av y-axeln i ett diagram med y-axeln som vertikal linje (beroende variabeln) och x-axeln som horisontell linje (en förklaringsvariabel)), men alla linjerna har samma lutning. På så sätt kan man ta hänsyn till eventuell heterogenitet emellan individerna i form av att de tillåts att ha olika intercept. Tolkning av skattade lutningskoefficienter: Givet en multipel regressions modell (regressions modell med en beroende variabel och flera förklaringsvariabler) så är tolkningen av en specifik lutnings koefficient följande: koefficientens värde anger hur mycket det förväntade värdet av den beroende variabeln förändras om motsvarande förklaringsvariabel ökar med en enhet, givet att de övriga förklaringsvariablerna hålls oförändrade. Om man dessutom har en beroende variabel och en förklarande variabel som har båda transformerats med hjälp av den naturliga logaritmen (Ln(Y), Ln(X)) så kan man tala om elasticiteter, d.v.s. koefficienten säger då hur mycket det förväntade värdet på den beroende variabeln förändras i procent när vi ökar den förklarande variabeln med en procent, givet att de övriga förklaringsvariablerna hålls oförändrade. 105

106 Appendix 8B Kortfattad beskrivning av Multilevelanalys. Multilevelanalys Multilevelanalys används när man har populationer som har en hierarkiskt organiserad struktur, dvs om populationens individer (nivå 1) kan indelas i olika grupper dvs individerna klustras i olika grupper (nivå 2), dessa grupper klustras i sin tur i större grupper (indelas i större grupper) och detta är då nivå 3. Detta är ett exempel på en multilevel modell med 3 nivåer. Ett exempel en multilevel modell i sin enklaste form är om man vill t.ex. undersöka företags avkastning relativt några förklarande variabler i en global analys, men samtidigt vill man undersöka huruvida det finns skillnader mellan olika grupper av företag som inte förklaras av de inkluderade förklaringsvariablerna. Nivå 1 utgörs då utav företagen vilket är individerna i populationen. Dessa klustras i olika branscher (Nivå 2) för vilket vi i modellen tillåter att vara heterogena och vi kan då studera huruvida om det finns det en skillnad mellan företags avkastning mellan olika branscher. Dessa branscher kan tänkas klustras i större grupper där dessa utgörs utav länder (Nivå 3). Vi kan då simultant studera huruvida det finns en heterogenitet på denna nivå dvs undersöka om det finns det skillnader på företags avkastning mellan olika länder samtidigt som vi undersöker om det finns en heterogenitet på branschnivån. I exemplet kan man samtidigt undersöka huruvida företags avkastning kan förklaras av de inkluderade förklaringsvariablerna och samtidigt kan man studera huruvida det finns en heterogenitet emellan grupperna på respektive nivå. 106