geografisk rörlighet under 1990-talet

Arbetsmarknaden för högskoleutbildade. Inkomstutveckling och geografisk rörlighet under 1990-talet Håkan Regnér Sveriges Akademikers Centralorganisation Marie Gartell Institutet för Framtidsstudier 2002

1. INLEDNING... 2 2. EFFEKTER AV UTBILDNING I TEORIN... 4 3. EFFEKTER AV UTBILDNING I PRAKTIKEN... 6 4. DATA... 9 5. INKOMSTER EFTER EXAMEN...14 5.1 INKOMSTER FÖRDELAT ÖVER LÄROSÄTE...15 5.2 SAMBANDET MELLAN INKOMSTER OCH LÄROSÄTE...19 6. RÖRLIGHET TILL OCH FRÅN HÖGSKOLAN...28 6.2 VAL AV UTBILDNINGSORT...28 6.3 VAL AV ARBETSORT...30 7. SYSSELSÄTTNING OCH ARBETSLÖSHET...32 7.1. DE SYSSELSATTAS SEKTORSRÖRLIGHET...32 7.2 ERFARENHET AV ARBETSLÖSHET...34 8. INTERNATIONELL RÖRLIGHET...40 9. SAMMANFATTNING OCH AVSLUTANDE KOMMENTARER...42 LITTERATUR...45 APPENDIX 1...48 APPENDIX 2...52

1. Inledning Den högre utbildningen har förändrats i många avseenden under de senaste 50 åren. I mitten på 1940-talet bedrevs högre utbildning vid universiteten i Uppsala och Lund, vid högskolorna i Stockholm och Göteborg samt vid några fackhögskolor inom medicin, ekonomi och teknik. År 2000 finns det 50 universitet/högskolor och minst ett lärosäte i varje län. Satsningarna på regionala högskolor och nya universitet är en av de viktigaste inslagen i efterkrigstidens högskolepolitik. Antalet studenter har också ökat i snabb takt. År 1950 uppgick antalet registrerade studenter till 16 000. I början av 2000-talet var nästan 300 000 studenter registrerade i högskolan. Antalet nyinskrivna studenter har ökat från 4 000 år 1950 till drygt 70 000 år 2000. Under samma period har antalet examina ökat från 3 000 till nästan 40 000. 1 Den politiska ambitionsnivå är fortsatt hög. För närvarande är målet att minst 50 % av en årskull skall ha börjat på högskolan vid 25 års ålder. Flera faktorer påverkade besluten att etablera högskolor i olika delar av landet. 2 En var att man ville bredda rekryteringen (minska snedrekryteringen) till högre utbildning genom att etablera högskolor i regioner med relativt låga andelar högutbildade och som låg inom pendlingsavstånd för många människor. Den allmänna uppfattningen var att många personer från studieovana miljöer valde bort högre utbildning för att de var obenägna att lämna hemorten. 3 Ett annat motiv var att en högskola kunde bidra till den regionala tillväxten genom att dels öka utbudet av högutbildad arbetskraft, dels öka regionens dragningskraft för nya företag. Denna roll har förstärkts under 1990-talet och idag framhålls universitet och högskolor som motorer för regional utveckling (Ds 2000:7). Motiven för att expandera den högre utbildningen är goda, men samtidigt finns det potentiella problem med snabba volymförändringar (Öckert och Regnér 2000). Bristen på forskarutbildade lärare kan minska forskningsanknytning i utbildningen vilket kan få konsekvenser för såväl den högre utbildningens kvalitet som den kunskap studenterna har när de lämnar högskolan. Samtidigt kan somliga högskolor 1 År 2000 var 25,1 % av befolkningen högskoleutbildade. Det kan jämföras med 13,3 % år 1985. Motsvarande siffror för forskarutbildade var 0,7 % år 2000 respektive 0,4 % år 1985. 2 Se Wikhall (2001) för en utmärkt översikt av diskussionerna bakom valen av högskoleorter. 3 Kjellström och Regnér (1999) visar att det finns ett samband mellan avstånd och val av högre utbildning även när man tar hänsyn till föräldrabakgrund och individernas studieförmåga. 2

vara mera attraktiva studie- och arbetsplatser än andra vilket i sin tur kan medföra att utbildningens innehåll och inriktning varierar mellan lärosäten. I förlängningen kan det medföra att samma examen värderas olika på arbetsmarknaden, vilket kan påverka studenternas sysselsättningsmöjligheter och karriärutveckling. Kunskapen om effekterna av utbyggnaden av den högre utbildningen är mycket begränsad. Det finns inte heller särskilt många studier av effekterna av högre utbildning jämfört med annan utbildning. 4 Forskningen har istället varit inriktad på att mäta de individuella löneeffekterna av ett år extra utbildning eller olika nivåer av utbildning. 5 De senaste åren har det kommit nya studier som försöker mäta sambandet mellan den högre utbildningens kvalitet och individers inkomster. Merparten av dessa studier utnyttjar data från USA och undersöker sambandet mellan lärosäte och lön där lärosätet antas vara en kvalitetsindikator (Monks 2000; Brewer, Eide & Ehrenberg 1999; Dale & Krueger 1998; Behrman, Rosenzweig & Taubman 1996; Datcher Loury & Garman 1995). Resultaten är entydiga och visar att val av lärosäte har stor betydelse för inkomstutvecklingen efter examen. Lindahl och Regnér (2002), Gustafssson (1996) och Wadensjö (1991) rapporterar liknande resultat för personer som har studerat vid olika lärosäten i Sverige. Syftet med denna rapport är att kartlägga inkomstutveckling och geografisk rörlighet bland alla personer som tog en examen 1990 och 1994 samt personer med minst 120 poäng år 1999. Vi följer tidigare studier och undersöker om det finns skillnader mellan personer som har studerat vid olika lärosäten. Till skillnad mot tidigare studier kan vi följa samma individer över en längre tidsperiod, vilket innebär att vi kan undersöka om löneskillnaderna ökar eller minskar över tiden. Vidare undersöker vi om det finns ett samband mellan val av arbetsmarknad och lärosäte. Resultaten kan ha betydelse för individernas val av utbildningsinriktning och lärosäte. Resultaten kan även användas som input i samhällsekonomiska analyser av investeringar i högre utbildning. 4 Se Öckert (2001) för en nyligen genomförd studie av den högre utbildningens effekter i Sverige och för en översikt av den internationella litteraturen. 5 Se Angrist & Kreuger (1999) och Card (1999) för översiktliga diskussioner av den internationella forskningen. Se Björklund (2000) and Arai & Kjellström (1999) för diskussioner av svenska resultat. 3

Rapporten är upplagd enligt följande. I avsnitt 2 diskuteras några tänkbara effekter av utbildning och i avsnitt 3 några grundläggande utvärderingsproblem. I avsnitt 4 presenteras data. Avsnitt 5 diskuterar inkomstskillnader och effektskattningar av lärosäte. Avsnitt 6 presenterar data över den geografiska rekryteringen av studenter. I avsnitt 7 diskuteras sektorsrörlighet bland de sysselsatta samt arbetslöshet med utgångspunkt från faktiskt utbetalad arbetslöshetsersättning. I avsnitt 8 behandlas den internationella rörligheten. Avsnitt 9 innehåller några avslutande kommentarer. 2. Effekter av utbildning i teorin 6 Det finns i princip två sätt att analysera effekterna av utbildning och olika utbildningspolitiska förslag: teoretiskt och empiriskt. Teoretiska modeller bygger på förenklande antaganden om ekonomins funktionssätt och individernas beteenden. En fördel med teoretiska analyser är att det i förväg går att uttala sig om effekterna av olika utbildningspolitiska förändringar. Oftast ger modellerna endast information om riktningen på effekterna men inte om storleksordningen på dem. Empirisk forskning strävar efter att identifiera effekter av politiken utifrån tillgängliga data. Av naturliga skäl kan det bara ske i efterskott. Resultaten kan ge information om såväl kostnader som intäkter av olika ekonomisk-politiska åtgärder. Empiriska resultat används också som input i den teoretiska forskningen. Utgångspunkterna för den empiriska forskningen behandlas i nästa avsnitt. I teorin antas människor ha olika kunskaper och erfarenhet som gör dem olika produktiva på arbetsmarknaden. Det antas också att skillnaderna i produktiva egenskaper är såväl medfödda som förvärvade. Humankapitalteorin är den traditionella utgångspunkten för att diskutera investeringar i egenskaper som påverkar den produktiva förmågan (Becker 1962). Teorin behandlar olika typer av investeringar, varav högskoleutbildning är en. Humankapitalteorin utgår från att utbildning förbättrar individens produktivitet, vilket belönas med bättre inkomstutveckling. Beslutet att investera i utbildning 6 Avsnittet bygger på Öckert och Regnér (2000). 4

hanteras på samma sätt som investeringar i realkapital. 7 Det innebär att kostnaderna och intäkterna av att studera vägs samman. Kostnaderna utgörs av såväl uteblivna inkomster under studietiden som direkta kostnader för studiematerial och terminsavgifter. 8 Intäkterna omfattar inkomstökningar av utbildning, diskonterade för värdeförsämringar. Det är lönsamt för individen att investera i en utbildning om de diskonterade intäkterna överstiger kostnaderna. Teorin kan användas för att undersöka hur individens utbildningsbeslut påverkas av olika faktorer. Exempelvis kommer högre löner för högutbildade att pressa upp förväntningarna om framtida inkomsttillskott av högskoleutbildning, vilket gör att fler söker till högskolan. Antalet högskolestudenter ökar således om löneskillnaderna mellan gymnasieutbildade och högskoleutbildade ökar. Ökade kostnader eller minskade studiebidrag/subventionerade studielån kommer medföra att färre personer väljer att utbilda sig. Det är också uppenbart att utbildning är mer lönsam vid unga år än senare i livet, eftersom yngre personer kommer att uppbära inkomster under en längre period efter utbildningen. En alternativ teori för sambandet mellan utbildning och lön är signaleringsmodellen (Spence 1973, Arrow 1974). Enligt denna ansats höjer inte utbildningen individernas produktivitet utan fungerar endast som en signal om att individen har förmåga att prestera/producera. Teorin bygger på antagandet att individer med hög medfödd förmåga har lättare att klara av högskolestudier än andra personer, samt att det är kostsamt för arbetsgivarna att få information om en enskild individs produktivitet. Under dessa förutsättningar är det rationellt av arbetsgivaren att använda en persons utbildning (eller lärosäte där studierna bedrevs) som en signal på hög produktivitet. Utbildningen eller lärosätet sänder en signal om en grupp och arbetsgivaren antar att individen är minst lika bra som genomsnittet av gruppen. Arbetsgivarens uppfattning om produktivitet kan grundas på erfarenhet av personer med samma grupptillhörighet. 7 Teorin tar inte hänsyn till att personer kan välja en utbildning av andra skäl, t.ex. för att det är roligt att lära sig något eller ger en säker anställning. Är utbildningen gratis, kostnaderna låga och avkastningen av investeringen låg kan andra skäl har stor betydelse för valet av utbildning. 8 Icke-monetära kostnader och intäkter av att utbilda sig kan ingå i beräkningen. 5

Signaleringsteorin ger samma förutsägelse som humankapitalteorin, d v s att personer med högre utbildning har högre lön. Om signaleringshypotesen stämmer tillför utbildningen emellertid inte några resurser till samhällsekonomin, utan sorterar endast arbetskraften till olika yrken. Humankapitalmodellen kan även användas för att diskutera rörlighet på arbetsmarknaden (se tex Björklund m.fl. 2000). Enligt modellen ses rörlighet som en investering där kostnaderna för att byta arbete och bostadsort vägs mot framtida högre inkomster. Det är lönsamt för individen att byta arbetsort om det diskonterade värdet av intäkterna överstiger kostnaderna. Kalkylen kan även inkludera ickemonetära kostnader och intäkter av rörligheten. Värdet av en inkomstökning stiger med högre inkomst på det nya arbete och med lägre inkomst på det gamla arbetet. När lönen ökar på en regional arbetsmarknad kommer arbetskraft att flytta från delararbetsmarknader med lägre löner. Nuvärdet av inkomstökningar kommer även att öka med tiden som en individ kommer att arbete på det nya arbetet. Det innebär att det är mer lönsamt för unga människor att flytta eftersom de har flera år på sig att inkassera vinsterna av flytten. Rörligheten lönar sig också mer vid låga monetära och icke-monetära flyttkostnader. Därför kan man förvänta sig en högre rörlighet bland personer som inte har familj eller inte har rotat sig på en särskild ort. Flyttkostnaderna kan också variera med avståndet till det nya arbetet. 3. Effekter av utbildning i praktiken En viktig anledning till att samhället investerar i utbildning är att utbildning antas höja individens produktiva förmåga vilket i sin tur medför att investeringen bidrar till den ekonomiska tillväxten. Således är tanken att utbildning skall påverka såväl den enskilde individen som samhället i dess helhet. Därför finns det många tänkbara frågeställningar för en utvärdering. Frågorna kan i stora drag delas in i tre grupper som i sin tur indikerar tre utvärderingsansatser med olika eller överlappande syften. En ansats är att studera genomförandet av utbildningen, så kallad implementeringsanalys. Det innebär att man kartlägger processen från att studenterna antas till de lämnar högskolan. Uppföljningarna mäter ofta graden av måluppfyllelse, kartlägger resursåtgången och metoderna för genomförandet. Vidare kan de besvara 6

frågan om utbildningsanordnarna uppfyller statsmakternas mål med verksamheten. Merparten av Högskoleverkets utvärderingar hamnar i den här kategorin. En annan central fråga är vilka effekter utbildningen har på dem som deltar jämfört med dem som inte deltar. Svaret ger information om de direkta effekterna av utbildning. I perspektiv av föregående avsnitt och de politiska målen med utbildning är sysselsättning och/eller löneutveckling naturliga utfallsmått. 9 Subtraheras kostnaderna av att delta i utbildningen från de uppmätta direkta effekterna erhålls nettointäkterna av åtgärden. Fördelen med lön är man får ett intäktsmått på utbildningen. Den tredje typen av utvärdering fokuserar på de samhällsekonomiska effekterna av utbildning. I sådana analyser sätts avkastningen av utbildning i relation till avkastningen av andra liknande ekonomisk-politiska åtgärder. Jämförelsen ger information om den mest effektiva fördelningen av samhällets resurser. Eventuella externa effekter av utbildningen (t.ex. högutbildade skapar jobb för lågutbildade) samt eventuellt konsumtionsvärde (tex välbefinnandet av att studera eller kunskapens användbarhet på fritiden) beaktas endast i den samhällsekonomiska kalkylen. Den nationalekonomiska utbildningsforskningen har varit inriktad på de individuella effekterna av utbildning. En förklaring till det är att de metodologiska problemen oftast är enklare att lösa på mikronivå än på makronivå. Vidare är det rimligt att först försöka identifiera de individuella effekterna eftersom resultaten ofta är viktiga input i de samhällsekonomiska beräkningarna. Den moderna utbildningsforskningen utgår vanligen från Mincers lönemodell för att mäta avkastningen på utbildning (Mincer 1974). 10 Modellen relaterar logaritmen av lön/inkomster till utbildning och en rad andra individuella faktorer. Teori och empirisk erfarenhet ger information om vilka andra komponenter som bör beaktas i analyserna. Ekvation (1) är utgångspunkten för analyser av sambandet mellan inkomster och lärosäte för individ i 11 9 Det finns t.ex. inga uttalade mål att utbildning skall leda till att människor mår bättre eller lever hälsosammare. 10 Modellen utgör basen för alla nationalekonomiska analyser av löner på individnivå. 11 Ekvationen används enbart i pedagogiskt syfte och saknar därför många viktiga variabler såsom utbildningens längd och inriktning. 7

inkomst = β föräldra+ (1) 0 + β1erfarenhet+ β 2lärosäte+ β 3IQ + β 4 ε1 Inkomsten antas här bero på erfarenhet, lärosäte samt en rad kontrollvariabler som används för att renodla effekten av lärosäte. Koefficienten β 0 betecknar genomsnittsinkomsten när alla kontrollvariablerna antar värdet noll, β 1, β 2, β 3 och β 4 anger hur mycket olika variabler i genomsnitt påverkar inkomsten, ε 1 är en slumpkomponent eller felterm. Valet av lärosäte påverkas i sin tur av en rad faktorer. Flera av faktorerna som påverkar lärosätesvalet påverkar också inkomsten. IQ och familjebakgrund (föräldra) är exempel på två faktorer. Ekvation 2 beskriver valet av lärosäte för individ i 12 lärosäte = α föräldra + (2) 0 + α1iq + α 2 η2 För att erhålla tillförlitliga mätningar av lärosäteseffekten i ekvation 1 måste man skilja på effekter av lärosätet och effekter av faktorer som påverkar både lärosätesvalet och inkomster (dvs. IQ och föräldra). Till exempel är det möjligt att personer som väljer att utbilda sig vid ett särskilt lärosäte bär med sig egenskaper som gör dem framgångsrika på arbetsmarknaden även utan utbildningen. Kontrollerar man inte för dessa samband är det svårt att avgöra det kausala sambandet mellan lärosätet och inkomster, det vill säga hur mycket av inkomstvariationen som faktiskt beror av lärosätet. 13 Det är det grundläggande problemet vid analyser av lärosätets betydelse för inkomstutvecklingen. Det är viktigt att låta teori och empirisk erfarenhet styra valet av vilka variabler som skall ingå i analyserna utöver lärosätet. Anledningen är att det faktiskt är möjligt att ta hänsyn till för många faktorer. Problemet kan exemplifieras med individernas val av arbetsmarknad efter utbildningen. Vi vet att lönerna varierar mellan olika i regioner i Sverige. Till exempel utgår många ifrån att bruttolöneläget är högre i 12 α 0, α 1, α 2 och η 2 tolkas på liknande sätt som parametrarna i ekvation 1. 13 Det finns olika sätt att ta hänsyn till problemen. Se till exempel Lindahl och Regnér (2002). 8

Stockholm än i andra regioner. 14 Om personer som har studerat vid ett lärosäte i Stockholm väljer att arbete i Stockholm kommer deras löner att vara högre än personer från andra lärosäten som väljer en arbetsmarknad med relativt sett lägre löneläge. Det vill säga, val av arbetsmarknad sammanfaller med val av lärosäte och den eventuella lärosäteseffekten kommer att spegla regionala löneskillnader. Det finns flera tänkbara skäl till varför det kan finnas ett samband mellan lärosäte och val av arbetsmarknad. Ett är att utbildningen kan vara för lokalt anpassad och därför inte gångbar på en nationell arbetsmarknad. Ett annat skäl kan vara att arbetsgivare i somliga regioner av tradition rekryterar personal endast från ett fåtal lärosäten. Ytterligare ett skäl kan vara att somliga lärosäten inte når ut med information om utbildningens kvalitet till potentiella arbetsgivare, vilket i sin tur gör det svårt för studenterna att slå sig fram på den nationella arbetsmarknaden. Sammantaget innebär detta att val av arbetsmarknad kan vara ett utfall av studierna vid ett visst lärosäte snarare än en kontrollvariabel. Därför är det inte självklart att man skall ta hänsyn till arbetsmarknad när man undersöker effekterna av lärosäte. 4. Data Data omfattar tre populationer av studenter som hämtats från universitet och högskoleregistret som hanteras av Statistiska Centralbyrån (SCB). Populationerna består av samtliga examinerade från grundläggande högskoleutbildning åren 1989/1990 (benämns examen90) och 1993/1994 (benämns examen94) samt högskolenybörjare 1994 som har minst 120 poäng år 1999 men ingen examen. Sett över hela arbetsmarkanden ligger examensfrekvensen stabilt på en nivå runt 50 %, dvs. många högutbildade väljer att inte ta ut någon examen. Sedan 1992/1993 samlar SCB in uppgifter om avklarade poäng. Uppgifterna lämnas av de högskolor som använder sig av LADOK-systemet. 15 Eftersom det finns få studier av dem som saknar examen har vi valt att studera ett poängurval som har tagit minst 120 poäng och är på arbetsmarknaden år 1999. Anledningen till att vi lagt denna begränsning är 14 Det stämmer säkert för arbetsmarknaden som helhet men inte för alla yrken som kräver en högre utbildning. SACOs lönestatistik visar att det finns flera yrken där lönerna är högre utanför Stockholm. 15 De största lärosätet som inte använder LADOK är Handelshögskolan i Stockholm. I övrigt är det mest små specialiserade konstnärliga och teologiska högskolor som inte anslutits till systemet (Statistiska Centralbyrån 2002). 9

att vi vill studera ett urval som potentiellt kan konkurrera om samma jobb som de examinerade. Datamaterialet är rikt och innehåller information som har tagits fram genom samkörningar av SCBs databas LOUISE med en del andra register. Från utbildningsregistret har vi hämtat information om högskoleort. Data över medelbetyg i gymnasiet och gymnasielän har hämtas från registret avgångna från gymnasieskolan. Tyvärr täcker detta registret endast personer som lämnade gymnasiet tidigast år 1987, vilket innebär att information täcker främst poängurvalet. 16 Flergenerationsregistret och inkomst- och förmögenhetsregistret identifierar föräldrarnas utbildningsbakgrund och förmögenhet. Uppgifterna om föräldrarna avser år 1990. 17 Vi har tre utfallsår, 1991, 1995 och 1999, vilket innebär att vi kan följa dem som examinerades år 1990 under hela 1990-talet. Tabell 4.1a ger en översiktlig beskrivning av de tre urvalen. De examinerade urvalen är mycket lika och skiljer sig åt endast i ett avseende. De examinerade år 1994 har gått längre i högskolan än de som examinerades år 1990. Inkomsterna är högre för de som examinerades år 1990, vilket förklaras av att de har varit längre tid på arbetsmarknaden. Däremot finns det flera skillnader mellan de examinerade och poängurvalet. Den viktigaste förklaring till det är att legitimationsyrken och yrken där examen har stor betydelse för att få ett arbete av naturliga skäl inte är representerade i poängurvalet. Det medför i sin tur att urvalen skiljer sig åt även i andra avseende, vilket framgår tydligt i tabell 4.1a. 18 16 Ungefär 2 000 av dem som examinerades år 1990, 5 000 av dem som examinerade år 1994 och 22 000 av poängurvalet. 17 De som har stor förmögenhet år 1990 hade sannolikt stora tillgångar även när barnen växte upp. Det som data missar är slumpmässiga förändringar av förmögenheten (t.ex. en lottovinst). 18 Vi känner inte till några studier som innehåller liknande beskrivande data över högutbildade utan examen. 10

Tabell 4.1a Beskrivning av urvalen EXAMEN 1990 EXAMEN 1994 MINST 120 POÄNG 1. % kvinnor 65 65 55 2. ålder 29 (6,0) 30 (6,3) 27 (3,7) UTBILDNING, % 3. Minst 2 år 48 37-4. 3 år 29 36-5. Minst 4 år 24 26 - UTBILDNINGSINRIKTNING, % 6. Lärare 24 28 20 7. Humanist 3 3 19 8. Samhälle och ekonomi 18 19 30 9. Naturvetenskaplig 5 4 26* 10. Teknik 16 17-11. Vård 28 24 4** 12. Socialarbetare 5 4-13. Tjänste 1 1 - TIDSVARIERANDE 14. Inkomst 91 157990 (48433) - - 15. Inkomst 95 200444 (82045) 167730 (61827) - 16. Inkomst 99 260476 (141331) 235088 (107760) 161913 (93810) 17. % i privat sektor 91 34 - - 18. % i privat sektor 95 34 34-19. % i privat sektor 99 39 40 52 20. % arbetar i Malmö, Göteborg, Stockholm 91 54 - - 21. % arbetar i Malmö, Göteborg, Stockholm 95 54 54-22. % arbetar i Malmö, Göteborg, Stockholm 99 55 57 62 FÖRÄLDRABAKGRUND 23. Moderns disponibla inkomst 87,9 (38,9) 94,9 (42,5) 106,7 (43,4) 24. Moderns kapitalinkomst 10,3 (39,6) 8,7 (36,2) 7,8 (38,7) 25. Faderns disponibla inkomst 134,4 (71,2) 143,0 (74,4) 154,6 (77,7) 26. Faderns kapitalinkomst 16,2 (118,0) 16,2 (139,1) 15,5 (160,5) UTBILDNINGSNIVÅ i % 27. Modern ej gymnasium 37 29 17 28. Modern gymnasium 35 38 39 29. Modern eftergymnasial 28 33 44 30. Fadern ej gymnasium 38 32 21 31. Fadern gymnasium 34 36 37 32. Fadern eftergymnasial 28 32 42 ANTAL OBSERVATIONER 15745 19496 23161 NOT: Endast personer som har haft inkomster ingår i urvalet. *Naturvetenskap och teknik. **vård och socialt arbete. Det finns inga traditionella sunkoder för poängurvalet. Istället finns det en ämnesområdesindikator som i grova drag överensstämmer med inriktningarna i sunkoderna. Standardavvikelse är inom parantes. 11

Det är färre kvinnor i poängurvalet och genomsnittsåldern är något lägre. Poängurvalet har läst andra utbildningsinriktningar. Till exempel är det väldigt få i poängurvalet som har läst vårdutbildningar men många som har läst humaniora (tabell A21 i appendix 2 visar utbildningsinriktningarna för varje lärosäte). Vidare är det en avsevärt större andel som arbetar i privat sektor. En annan intressant skillnad är att poängurvalets föräldrar är högre utbildade än de examinerade urvalen. Till exempel har över 40 % av poängurvalets föräldrar (både mor och far) en eftergymnasial utbildning. Det kan jämföras med 28 % (både far och mor) för dem som examinerades år 1990. Siffrorna visar att skillnaderna kan vara stora mellan personer som är examinerade och personer som inte har tagit ut en examen. Tabell A22 i appendix 2 innehåller information om föräldrarnas utbildningsbakgrund fördelat över lärosäte. Det framgår att föräldrarnas utbildningsnivå varierar kraftigt mellan lärosäten. För dem som examinerades år 1994 varierar andelen mödrar med eftergymnasial utbildning från 49 % vid KTH till 18 % vid Trollhättan/Uddevalla och Kristianstad. Mönstret är detsamma för de andra urvalen. Utbildningsnivån är dock något högre bland föräldrarna till studenterna som examinerades år 1994 än bland dem som examinerades år 1990, vilket är naturligt eftersom den allmänna utbildningsnivån har stigit över tiden. Fädernas utbildningsnivå varierar mellan 52 % vid KTH till 16 % vid lärosätet i Gävle bland studenterna som examinerades år 1994. Utbildningsnivån är låg även vid lärosätena i Trollhättan/Uddevalla, Dalarna, Borås och Jönköping. Mönstret i data är tydligt, föräldrarnas utbildningsnivå är högre bland studenter som har examinerats vid universiteten än den är bland föräldrarna till studenter som har examinerats vid de mindre högskolorna. Etableringen av nya lärosäten tycks således ha fått den önskade effekten, nämligen att bredda rekryteringen till högre utbildning. 19 I forskningsstudier från USA används ofta inkomster som indikator på studenternas föräldrabakgrund. Skälet till det är somliga universitet har höga terminsavgifter och studenter som inte har höga betyg från high school (och får avgiften betald via stipendier) har svårt att bekosta avgifterna utan stöd hemifrån. 19 Dryler (1994) genomför en mer teknisk analys där hon bla analyserar rekryteringen före och efter etableringen av en högskola och jämför med rekryteringen från regioner som inte hade någon högskola. Resultaten visar att etableringen av högskolorna inte påverkade snedrekryteringen. 12

Föräldrarnas inkomster kan därmed påverka studenternas val av lärosäte. I Sverige har däremot inkomster ingen betydelse för barnens valmöjligheter. Men det utesluter inte att det kan finnas ett samband mellan föräldrarnas inkomster och barnens val av utbildningsinriktning. 20 Föräldrarna kan till exempel spendera pengarna på resor och den tidiga kontakten med främmande språk kan medföra att barnen väljer internationella inriktningar. Utgångspunkten bör dock vara att föräldrarnas inkomster har mindre betydelse för utbildningsval i Sverige än i till exempel USA. 21 Data innehåller viss information om föräldrarnas ekonomiska ställning. Figurerna 1a-1c i appendix 1 visar summan av föräldrarnas disponibla inkomster och inkomster av kapital fördelat över lärosäte för alla urvalen. Det framgår att inkomsterna varierar mellan lärosäten. Studenterna vid Chalmers och KTH har föräldrar med högst inkomster. Det gäller för dem som examinerades både år 1990 och år 1994. Även Stockholm och Uppsala ligger högt upp för båda urvalen. Det gäller även för poängurvalet. Skillnaderna mellan studenter tycks inte vara lika stora som de är med avseende på föräldrarnas utbildningsbakgrund. Avslutningsvis presenterar vi genomsnittsbetyg för de personer som har heltäckande betygsdata (22 456 personer). Siffrorna presenteras i tabell 4.1b. Medelbetyget ligger mellan 3,8 och 3,4. Spridningen mellan det högsta och lägsta betygsgenomsnittet är stor på de flesta lärosätena men den är faktiskt störst vid de större universiteten. Det vill säga universiteten rekryterar studenter från både toppen och botten av betygsfördelningen. Betygsfördelningen är mer sammanpressad vid de mindre och medelstora högskolorna. En tolkning av siffrorna är att studentpopulationen vid de mindre och medelstora högskolorna är mer homogen än den är vid de större universiteten. 20 Ett problem med att använda inkomster som indikator på familjebakgrund i Sverige är att personer kan ha noll kronor i inkomster men samtidigt ha en stor förmögenhet. Det innebär att personer som faktiskt har låga inkomster inte kan separeras från personer som genom skatteplanering har registrerade låga inkomster. 21 Resultat som vi av utrymmesskäl väljer att inte presentera visar att föräldrarnas inkomster inte har någon signifikant effekt på val av lärosäte. Utbildningsnivån har däremot stor betydelse. 13

Tabell 4.1b Studenternas genomsnittsbetyg från gymnasiet fördelat över lärosäten LÄROSÄTE MEDEL Standaravvikelse MIN MAX Uppsala 3,8 0,57 1,2 5,0 Lund 3,8 0,55 2,0 5,0 Stockholm 3,8 0,54 1,9 5,0 Göteborg 3,8 0,56 1,8 5,0 Umeå 3,6 0,52 1,9 5,0 Linköping 3,8 0,54 1,7 5,0 Luleå 3,6 0,47 1,9 4,9 Mälardalen 3,5 0,47 2,4 4,9 Jönköping 3,6 0,45 2,2 4,5 Växjö 3,6 0,48 2,3 4,9 Kalmar 3,5 0,47 2,3 4,8 Kristianstad 3,5 0,47 2,3 4,8 Borås 3,6 0,50 2,0 4,5 Karlstad 3,6 0,48 1,9 5,0 Örebro 3,6 0,50 1,8 4,9 Dalarna 3,5 0,42 1,9 4,8 Gävle 3,4 0,46 2,1 4,5 Mitthögskolan 3,4 0,50 1,8 4,9 Karlskrona/Ronneby 3,4 0,44 2,3 4,7 Halmstad 3,6 0,48 2,2 4,9 Skövde 3,6 0,47 2,3 4,4 Malmö 3,7 0,40 3,1 4,1 Uddevalla/Trollhättan 3,4 0,49 2,5 4,4 NOT: min och max är lägsta respektive högsta betygsmedelvärdet. 5. Inkomster efter examen Personer som har studerat på högskolan tjänar i genomsnitt mer än personer som inte har studerat på högskolan. Anledningarna till det kan vara att utbildningen har gjort individen mer produktiv eller att arbetsgivarna anser att personer som har gått en högskoleutbildning är mer produktiva än andra (se avsnitt 2). För individen är det viktigt att de slitsamma åren i högskolan kompenseras med relativt högre lön efter studierna. Ur ett samhällsekonomiskt perspektiv bör högskoleutbildningen generera högre inkomster för att bland annat bekosta utgifterna för studiemedel. Inkomster är därmed ett naturligt utfallsmått vid analyser av effekterna av en högre utbildningen. Lärosätena skiljer sig åt i många avseenden. Till exempel kan utbildningens inriktning och innehåll, lärarnas formella kunskaper och handledningsförmåga variera mellan lärosätena. Det kan även finnas skillnader med avseende på den tid som ägnas åt studenterna, fördelningen av studietiden mellan teori och praktik samt i graden av 14

samarbete med det lokala näringslivet. Sammantaget kan detta medföra att samma utbildning vid olika lärosäten ger studenterna olika kunskaper och möjligheter vilket i sin tur kan slå igenom på karriärutvecklingen efter utbildningen. Även om studenterna har samma kunskaper kan arbetsgivarna på grund av dålig information välja bort studenter från mindre kända lärosäten. Uppenbarligen finns det många anledningar till att närmare undersöka inkomstutveckling för personer som har studerat vid olika lärosäten. 5.1 Inkomster fördelat över lärosäte Den första frågan som vi ställer oss är om det verkligen finns några inkomstskillnader mellan personer som har studerat vid olika lärosäten. Tabell 5.1 innehåller genomsnittliga inkomster 1, 5 och 10 år efter utbildningen för dem som examinerades år 1990 fördelat över lärosäte och rangordnade från de högsta till de lägsta inkomsterna. Det framgår att inkomsterna varierar signifikant mellan studenter från olika lärosäten. År 1991 toppar studenterna från Göteborg med 178 900 kronor. Därefter kommer Uppsala, Stockholm. Linköping och Lund med inkomster över 170 000 kronor. I botten ligger studenterna från Dalarna, Kristianstad, Gävle, Jönköping och Halmstad med inkomster under 155 000 kronor. Inkomstskillnaderna mellan toppen och botten är 29 000, vilket motsvarar drygt en månadslön för akademiker med flera års arbetslivserfarenhet eller minst två års avbetalningar på studielånet. Fem och tio år senare ligger individerna från samma lärosäten i toppen respektive botten av inkomstfördelningen. 22 Den största förändringen avser studenter från Trollhättan/Uddevalla som har fallit från plats nummer 9 år 1991 till plats nummer 20 år 1999. Ett annat anmärkningsvärt mönster är att löneskillnaderna mellan toppen och botten uppgår till drygt 100 000 kronor, dvs. löneskillnaderna har mer än tredubblats på tio år. Siffrorna indikerar att studenterna går in på arbeten som erbjuder liknande ingångslöner men mycket olika löneutveckling. 22 Vi följer samma individer över tiden, det vill säga det är samma individer år 1991, 1995 och 1999. 15

Tabell 5.1 Genomsnittliga inkomster för personer som examinerades år 1990 fördelat över lärosäte och rangordnade från högsta till lägsta, 1000-tal 1991 1995 1999 Göteborg 178,9 Uppsala 236,1 Uppsala 313,1 Uppsala 177,9 Göteborg 230,1 Linköping 307,6 Stockholm 177,8 Linköping 228,8 Stockholm 307,5 Linköping 175,3 Stockholm 228,7 Göteborg 303,2 Lund 172,3 Lund 223,0 Lund 292,5 Umeå 166,5 Luleå 211,9 Umeå 277,7 Luleå 165,6 Växjö 203,4 Luleå 263,2 Örebro 163,0 Umeå 200,2 Växjö 260,8 Trollhättan/Uddevalla 163,0 Karlstad 199,4 Mitthögskolan 249,8 Växjö 162,8 Örebro 195,6 Karlstad 249,2 Mitthögskolan 158,9 Mitthögskolan 193,4 Örebro 245,0 Skövde 158,5 Kalmar 187,3 Borås 238,9 Blekinge 158,0 Skövde 186,6 Skövde 238,6 Kalmar 157,8 Borås 186,4 Kalmar 235,8 Karlstad 157,6 Mälardalen 184,9 Mälardalen 235,2 Malmö 156,9 Halmstad 184,8 Blekinge 225,5 Mälardalen 156,7 Blekinge 182,1 Dalarna 224,3 Borås 155,2 Jönköping 180,9 Malmö 222,7 Halmstad 153,6 Malmö 179,3 Halmstad 222,3 Jönköping 152,2 Dalarna 178,1 Trollhättan/Uddevalla 221,8 Gävle 150,1 Trollhättan/Uddevalla 177,4 Jönköping 218,6 Kristianstad 150,0 Kristianstad 173,2 Kristianstad 211,9 Dalarna 149,9 Gävle 169,2 Gävle 209,1 Tabell 5.2 innehåller genomsnittliga inkomster för dem som examinerades år 1994 och för högskolenybörjare år 1994 med minst 120 poäng år 1999 (poängurvalet). Mönstret för dem som examinerades år 1994 är detsamma som för dem som examinerade år 1990. De fem främsta lärosätena är desamma samtidigt som det är samma lärosäten som ligger i botten av inkomstfördelningen. Löneskillnaderna mellan de bäst och sämst betalda studenterna är dock betydligt större, 38 000 jämfört med 29 000 för dem som examinerades år 1990. Lönespridningen är 82 000 fem år senare, vilket också är större än spridningen fem år efter examen för studenterna som examinerades år 1990. Blekinge och Trollhättan/Uddevalla ligger högre upp bland dem som examinerades år 1994 än bland dem som examinerades år 1990. 16

Tabell 5.2 Genomsnittliga inkomster för personer som examinerades år 1994 och för högskolenybörjare med minst 120 poäng år 1999 fördelat över lärosäte och rangordnade från högsta till lägsta, 1000-tal EXAMINERADE ÅR 1994 POÄNGURVALET 1995 1999 1999 Stockholm 195,8 Linköping 281,3 Mälardalen 245,5 Linköping 194,0 Stockholm 273,4 Blekinge 238,2 Uppsala 192,5 Uppsala 272,2 Borås 229,0 Göteborg 191,9 Göteborg 263,2 Halmstad 222,6 Lund 187,6 Lund 256,4 Mitthögskolan 218,2 Luleå 186,0 Luleå 255,4 Linköping 216,6 Umeå 181,7 Blekinge 245,2 Stockholm 215,6 Blekinge 180,5 Växjö 240,1 Dalarna 214,3 Skövde 178,2 Mitthögskolan 239,9 Luleå 212,8 Mitthögskolan 177,3 Umeå 238,2 Växjö 212,6 Örebro 170,9 Skövde 234,8 Göteborg 212,3 Karlstad 170,3 Karlstad 229,6 Jönköping 212,1 Växjö 170,1 Örebro 226,2 Gävle 209,6 Trollh./Uddev. 168,3 Borås 224,1 Kalmar 209,2 Dalarna 168,2 Trollh./Uddev. 223,2 Karlstad 205,9 Borås 168,1 Kalmar 222,3 Uppsala 204,4 Mälardalen 168,0 Mälardalen 216,6 Lund 202,4 Kalmar 165,1 Halmstad 214,4 Örebro 202,4 Malmö 164,3 Dalarna 210,6 Umeå 200,2 Halmstad 162,3 Malmö 208,8 Skövde 199,5 Gävle 161,2 Gävle 207,1 Trollh./Uddev. 197,6 Jönköping 159,6 Kristianstad 202,8 Kristianstad 187,6 Kristianstad 157,2 Jönköping 199,7 Malmö 175,1 Mönstret för poängurvalet avviker från mönstrena för de examinerade. Till exempel ligger studenterna med poäng från Uppsala och Lund långt ned i fördelningen. Även Göteborg, Linköping och Stockholm ligger längre ned än tidigare. Inkomsterna är högst för studenterna från Mälardalen, Blekinge, Borås, Halmstad och Mitthögskolan. Dessutom är inkomsterna för dessa studenter högre än de är för motsvarande examinerade studenter från samma högskolor. Det omvända gäller för poängstudenterna från universiteten. I perspektiv av inkomster är således studenterna utan examen från de små och mindre högskolorna starkare än studenterna från samma högskolor med en examen. Poängstudenterna från universiteten är däremot svagare än de examinerade studenterna från samma lärosäten. Vidare är avhopparna från de små och mindre högskolorna starkare än avhopparna från universiteten. Siffrorna som presenteras i avsnitt 4 visar att det finns stora skillnader mellan 17

poängurvalet och de examinerade urvalen. Dessa skillnader tycks slå igenom på val av lärosäte och inkomster efter utbildning. Figur 2 visar genomsnittliga inkomster år 1999 för alla urval fördelat över lärosäte. Siffrorna belyser inkomstläget för examinerade från högskolan och individer som har tagit minst 120 poäng. Studenterna från Stockholm tjänar i genomsnitt mest. Därefter följer studenterna från Linköping, Uppsala, Göteborg, Lund och Luleå. Studenterna från Kristianstad, Gävle, Jönköping, Malmö och Dalarna ligger längst ned i fördelning. Figur 2 Genomsnittliga inkomster för alla urval fördelade över lärosäten år 1999 Stockholm Linköping Uppsala Göteborg Lund Luleå Blekinge Växjö Mitthögskolan Umeå Skovde Borås Mälardalen Karlstad Örebro Kalmar Halmstad Trollhättan/U Dalarna Malmö Jönköping Gävle Kristianstad 100,0 125,0 150,0 175,0 200,0 225,0 250,0 275,0 Sammantaget visar siffrorna i detta avsnitt att det finns förhållandevis stora skillnader i inkomster mellan personer som har studerat vid olika lärosäten. Vidare verkar det som om skillnaderna tilltar över tiden. Ur vårt utvärderingsperspektiv betyder siffrorna endast att det finns intressanta skillnader som är värda att analysera. I nästa avsnitt undersöker vi några tänkbara förklaringar till de observerade skillnaderna i genomsnittliga inkomster. 18

5.2 Sambandet mellan inkomster och lärosäte Tidigare studier visar att inkomster varierar mellan personer som har studerat vid olika högskolor (Wadensjö, 1991; Gustafsson, 1996; Lindahl och Regnér 2002). Löneskillnaderna är signifikanta även när man tar hänsyn till individuella egenskaper (tex ålder, utbildningsinriktning), förmåga (tex gymnasiebetyg) och familjebakgrund (tex föräldrarnas utbildningsnivå). Studierna utnyttjar data som sträcker sig fram till år 1996. De data som vi har täcker även perioden år 1999, vilket innebär att de resultat som presenteras i detta avsnitt är de senaste som finns tillgängliga. Vi använder årsinkomster som utfallsmått. Måttet är identiskt med det som har använts i tidigare forskningsstudier (tex Lindahl och Regnér 2002, Öckert 2001, Isacsson 2000, Kjellström 1999). Årsinkomster är ett kombinerat mått av antal veckor i arbete under året, antal arbetade timmar per vecka samt timlön. Fördelen med måttet är det fångar in flera effekter, arbetsutbudseffekter (antal veckor och timmar) och produktivitetseffekter (timlön). Helst skulle man vilja separera mellan effekterna. I praktiken kan man angripa problemet på två sätt. Det ena är att estimera två ekvationer, dels sambandet mellan sannolikheten att börja arbeta och lärosäte, dels sambandet mellan inkomster och lärosäte. Nackdelen med denna ansats är att metoderna är känsliga för hur ekvationerna specificeras, vilket medför att resultaten kan varierar markant mellan olika modellspecifikationer. Ett annat sätt att angripa problemet är att estimera effekter för personer som arbetar heltid. Det gör man enklast genom att lägga en inkomstrestriktion som ger ett urval som liknar dem som arbetar heltid. Antelius och Björklund (1999) har genomfört en omfattande studie av betydelsen av olika inkomstrestriktioner. De finner att en restriktion på 100 000 kronor ger resultat som ligger mycket nära de som erhålls med timlöner som utfallsmått. Vi följer deras rekommendation och lägger en sådan restriktion på våra urval. Tabellerna som presenteras i detta avsnitt innehåller av utrymmesskäl endast skattningarna för lärosäte, utbildningsinriktning och sektor. Men alla resultat har tagits fram inom ramen för modeller som tar hänsyn till en mängd olika variabler. Variablerna är individernas ålder (och ålder i kvadrat), civilstånd, kvinna/man, antal barn i olika åldrar, utbildningens längd och inriktning, familjebakgrund (föräldrarnas inkomster, förmögenhet och utbildningsnivå), privat/offentlig sektor och arbetslän. 19

Tidigare studier har visat att det är viktigt att kontrollera för dessa variabler. Därför visar vi inte resultaten utan dessa grundläggande kontrollvariabler. Det gäller alla variabler utom arbetslän som vi återkommer till senare i detta avsnitt. Tidigare studier rapporterar inte de skattade effekterna av lärosäte utan inkomstrestriktion. Därför väljer vi först att presentera resultat för personer som har någon inkomst från ett arbete (inkomster större än noll). Skälet till det är att vi vill se hur stora skillnaderna är med respektive utan inkomstrestriktionen. Om skillnaderna är stora kan de tolkas som att arbetsutbudsbesluten varierar mellan studenter från olika lärosäten. En lärdom kan då vara att det är viktigt att undersöka effekterna av lärosäte även på andra utfallsmått. Tabell 5.3 presenterar resultaten utan inkomstrestriktion. Tabell 5.3 innehåller skattade koefficienter eller estimat från en inkomstekvation av den typ som presenterades i avsnitt 3. Inom parentes presenteras standardfelen som används för att beräkna om estimaten är statistiskt säkerställda. Estimatet 0,090 för KTH betyder att studenterna från det lärosätet har drygt 9 % högre inkomster än studenterna från Stockholms universitet. 23 Chalmersstudenterna har cirka 7 % högre inkomster osv. När det inte finns någon stjärna innebär det att estimatet inte är statistiskt säkerställt, det vill säga det finns inga signifikanta skillnader mellan till exempel studenterna från Uppsala och dem från Stockholm år 1991. Av resultaten i tabell 5.3 framgår att det finns såväl positiva som negativa samband mellan lärosäte och inkomster. Resultaten för KTH, Chalmers, Linköping, Växjö, Lund, Kristianstad, Borås, Skövde och Mälardalen är statistiskt säkerställda år 1991. Estimaten för Linköping, Växjö och Borås är statistiskt säkerställda år 1999. Inkomsterna för studenterna från Linköping och Växjö har ökat i förhållande till studenterna från Stockholm. För dem som examinerades år 1994 är estimaten för Uppsala, Linköping och Borås statistiskt säkerställd år 1999. Resultaten skiljer sig något åt mellan urvalen men visar att lärosäte kan påverka den individuella inkomstutvecklingen. 23 Den procentuella löneeffekten skall beräknas med följande formel exp(koefficient)-1. Vid låga värden på koefficienten är den procentuella effekten lika stor som koefficienten. Skillnaderna ökar vid stora värden på koefficienten. Denna formel utnyttjas vid alla beräkningar. 20

Tabell 5.3 Skattade koefficienter och standardfel utfallsåren 1991, 1995 och 1999 EXAMEN 1990 EXAMEN 1994 1991 1995 1999 1995 1999 KTH 0,090(0,024)* 0,030(0,030) -0,011(0,030) 0,104(0,031)* -0,006(0,024) Chalmers 0,065(0,026)* 0,035(0,033) 0,033(0,029) 0,117(0,039)* 0,040(0,027) Uppsala 0,012(0,016) 0,053(0,018)* 0,039(0,021) 0,008(0,020) 0,044(0,019)* Linköping 0,045(0,016)* 0,034(0,020) 0,060(0,023)* 0,050(0,024)* 0,056(0,021)* Jönköping -0,001(0,021) -0,022(0,030) -0,013(0,031) -0,029(0,028) -0,019(0,024) Växjö 0,052(0,021)* 0,044(0,027) 0,072(0,033)* 0,007(0,031) 0,035(0,030) Kalmar 0,025(0,024) -0,010(0,028) 0,027(0,036) -0,096(0,048)* -0,012(0,034) Ronneby/Karlsk -0,099(0,053) -0,030(0,042) -0,101(0,069) -0,023(0,061) -0,071(0,051) Malmö 0,033(0,029) 0,002(0,036) -0,001(0,042) -0,084(0,070) -0,011(0,044) Lund 0,041(0,017)* 0,001(0,024) 0,008(0,023) 0,045(0,026) 0,026(0,021) Kristianstad 0,047(0,020)* -0,010(0,028) -0,033(0,039) 0,018(0,035) -0,022(0,034) Halmstad 0,010(0,034) -0,011(0,047) -0,011(0,038) -0,023(0,042) 0,007(0,032) Göteborg 0,017(0,018) 0,003(0,024) 0,008(0,023) -0,003(0,021) 0,024(0,020) Uddevalla/Trollh 0,034(0,031) -0,010(0,033) 0,028(0,036) 0,051(0,039) 0,052(0,038) Borås -0,148(0,034)* -0,174(0,032)* -0,156(0,030)* -0,017(0,033) -0,098(0,031)* Skövde 0,061(0,022)* 0,014(0,032) 0,040(0,034) -0,004(0,051) -0,009(0,032) Karlstad -0,012(0,030) 0,002(0,025) 0,030(0,026) -0,024(0,028) 0,015(0,025) Örebro 0,029(0,016) -0,014(0,021) -0,026(0,027) -0,085(0,034)* -0,021(0,028) Mälardalen -0,076(0,030)* 0,001(0,029) 0,028(0,032) -0,065(0,034) 0,000(0,029) Dalarna -0,017(0,030) -0,083(0,037)* -0,001(0,038) -0,048(0,032) -0,009(0,030) Gävle 0,024(0,025) -0,013(0,029) 0,019(0,035) -0,111(0,039)* -0,058(0,041) Mitthögskolan -0,022(0,023) -0,005(0,024) 0,022(0,027) -0,094(0,034)* 0,042(0,026) Umeå -0,023(0,019) -0,008(0,023) 0,017(0,022) -0,010(0,026) 0,038(0,023) Luleå 0,018(0,021) 0,016(0,027) 0,031(0,029) 0,019(0,038) -0,014(0,032) Privat sektor 0,075(0,013)* 0,081(0,013)* 0,059(0,014)* 0,092(0,015)* 0,041(0,013)* Lärare -0,007(0,016) -0,156(0,016)* -0,298(0,016)* 0,056(0,015)* -0,257(0,015)* Humanist -0,390(0,044)* -0,334(0,040)* -0,507(0,044)* -0,396(0,045)* -0,499(0,033)* Naturvetenskap -0,001(0,020) 0,020(0,021) 0,022(0,022) 0,034(0,033) 0,036(0,023) Teknik 0,020(0,018) 0,026(0,020) 0,002(0,018) 0,067(0,024)* 0,094(0,016)* Vård 0,105(0,014)* -0,032(0,015)* -0,105(0,015)* 0,204(0,016)* -0,080(0,016)* Socialtarbete 0,022(0,019) -0,089(0,021)* -0,210(0,023)* 0,128(0,023)* -0,196(0,021)* Tjänste -0,032(0,045) -0,117(0,054)* -0,192(0,045)* -0,103(0,070) -0,170(0,045)* R 2 0,140 0,212 0,301 0,106 0,232 Antal observationer 15745 15745 15745 19496 19496 NOT: Stockholms universitet och samhällsvetenskaplig utbildning är referensgrupper. White standardfel är inom parentes. * är statistiskt säkerställd på minst 5 %-nivån. Övriga kontrollvariabler är ålder, ålder 2, kön, civilstånd, barn i olika åldrar, utbildningens längd och inriktning, arbetslän, föräldrarnas inkomster, föräldrarnas utbildningsnivå och föräldrarnas förmögenhet. Fortsättningsvis rapporterar vi endast resultat för personer med årsinkomster som överstiger 100 000 kronor. Resultaten kan jämföras med de som presenteras i tidigare forskningsstudier. Vi vill betona att samtliga estimat har tagits fram från modeller 21

som tar hänsyn till bland annat var studenterna arbetar och vilken ämnesinriktning de har läst. Men innan vi går vidare vill vi kort kommentera att skillnaderna är stora mellan estimaten som presenteras i tabellerna 5.3 och 5.4 (nedan). Estimaten för urvalet utan inkomstrestriktion är mer positiva än resultaten för urvalen med en inkomstrestriktion. Det tyder på att arbetsutbudsbesluten varierar mellan personer från olika lärosäten. Exempelvis kan sannolikheten att bli arbetslös eller sysselsatt efter utbildning variera mellan olika lärosäten. Det kan även finnas skillnader i besluten att arbeta hel, halv- eller deltid. Som nämndes ovan innebär inkomstrestriktionen att vi kommer mycket nära timlöneeffekter. Av resultaten som presenteras i tabell 5.4 framgår att en majoritet av lärosäteseffekterna är negativa jämfört med Stockholm år 1991. Estimaten för sju lärosäten är statistiskt säkerställda; KTH, Borås, Skövde, Karlstad, Dalarna, Gävle och Luleå. Nivån på estimaten och standardfelen är i paritet med dem som presenteras i tidigare studier. Skattningen 0,030 för KTH betyder att de individer som har studerat vid det lärosätet har ungefär 3 % högre inkomster än personer som har studerat vid Stockholms universitet. Inkomsterna för studenterna från Skövde och Karlstad var 3,5 % respektive 4,6 % lägre än inkomsterna för studenterna från Stockholms universitet. Boråsstudenterna hade drygt 11 % lägre inkomster. Vid årsinkomster på 250 000 kronor motsvarar 3,5 % en löneskillnad på 8 750 kronor om året. 11 % motsvarar 27 500 kronor. Skillnaderna mellan lärosäten både minskar och tilltar över tiden. Till exempel försvinner effekterna av KTH, Karlstad, Skövde, Dalarna och Gävle medan effekterna av Uppsala, Linköping och Växjö ökar i förhållande till Stockholm. Estimatet för Borås är mer negativt år 1999 än år 1991. Resultaten för dem som examinerades år 1994 visar att studenterna från de flesta lärosätena tjänade mindre än studenterna från Stockholm året efter examen. Det är fler lärosäten som är statistiskt säkerställda för studenterna som examinerades år 1994 jämfört med dem som examinerades år 1991. Däremot är trenden densamma över tiden, det vill säga Uppsala och Linköping drar ifrån i förhållande till Stockholm medan studenterna från de andra lärosätena kommer ifatt. 22

Tabell 5.4 Skattade koefficienter och standardfel utfallsåren 1991, 1995 och 1999 för personer med en årsinkomst som överstiger 100 000 kronor EXAMEN 1990 EXAMEN 1994 1991 1995 1999 1995 1999 KTH 0,030(0,011)* -0,005(0,015) -0,008(0,019) -0,008(0,011) -0,027(0,015) Chalmers -0,008(0,013) 0,002(0,015) 0,021(0,020) 0,008(0,013) 0,023(0,016) Uppsala 0,002(0,008) 0,035(0,011)* 0,031(0,014)* -0,001(0,008) 0,032(0,010)* Linköping 0,007(0,008) 0,014(0,011) 0,044(0,015)* -0,009(0,009) 0,028(0,012)* Jönköping -0,013(0,011) -0,014(0,013) -0,023(0,017) -0,041(0,011)* -0,033(0,014)* Växjö 0,001(0,013) -0,003(0,017) 0,047(0,020)* -0,024(0,013) 0,024(0,016) Kalmar -0,015(0,014) -0,018(0,017) 0,006(0,023) -0,048(0,016)* 0,002(0,019) Ronneby/Karlsk -0,004(0,020) -0,052(0,026)* -0,023(0,029) -0,030(0,019) -0,029(0,026) Malmö 0,009(0,014) -0,021(0,020) -0,047(0,023)* -0,030(0,018) 0,016(0,023) Lund 0,003(0,008) 0,005(0,011) 0,007(0,014) -0,007(0,009) 0,008(0,011) Kristianstad -0,005(0,013) -0,019(0,015) 0,013(0,020) -0,050(0,013)* -0,003(0,016) Halmstad -0,019(0,015) -0,021(0,021) -0,021(0,024) -0,056(0,015)* -0,006(0,018) Göteborg 0,007(0,009) 0,017(0,011) 0,023(0,014) 0,003(0,009) 0,019(0,012) Uddevalla/Trollh 0,026(0,019) -0,005(0,020) 0,026(0,022) -0,018(0,016) 0,026(0,019) Borås -0,106(0,014)* -0,176(0,019)* -0,168(0,023)* -0,078(0,014)* -0,077(0,018)* Skövde -0,034(0,017)* -0,034(0,018) 0,034(0,022) -0,030(0,014)* -0,035(0,020) Karlstad -0,045(0,012)* -0,038(0,014)* -0,009(0,019) -0,053(0,012)* -0,008(0,014) Örebro -0,008(0,010) -0,023(0,012) -0,025(0,016) -0,032(0,011)* -0,002(0,014) Mälardalen -0,015(0,013) -0,017(0,014) 0,026(0,018) -0,032(0,012)* -0,013(0,015) Dalarna -0,046(0,014)* -0,046(0,019)* 0,015(0,023) -0,060(0,014)* -0,028(0,018) Gävle -0,035(0,013)* -0,032(0,017) 0,030(0,021) -0,064(0,013)* -0,028(0,016) Mitthögskolan -0,017(0,011) -0,014(0,013) 0,024(0,018) -0,027(0,012)* 0,005(0,015) Umeå -0,008(0,009) -0,015(0,013) 0,013(0,016) -0,010(0,010) 0,030(0,012)* Luleå -0,045(0,012)* -0,034(0,016)* -0,037(0,019) -0,043(0,012)* -0,017(0,016) Privat sektor 0,066(0,005)* 0,116(0,006)* 0,122(0,007)* 0,075(0,005)* 0,104(0,006)* Lärare -0,058(0,007)* -0,185(0,008)* -0,258(0,010) -0,100(0,006)* -0,228(0,008)* Humanist -0,097(0,014) -0,152(0,017)* -0,233(0,021)* -0,070(0,015)* -0,206(0,017)* Naturvetenskap -0,000(0,009) 0,013(0,012) 0,024(0,015) 0,035(0,010)* 0,033(0,013)* Teknik 0,013(0,008) -0,001(0,010) -0,039(0,013)* 0,058(0,008)* 0,029(0,010)* Vård 0,021(0,007)* -0,089(0,008)* -0,088(0,010)* 0,011(0,006) -0,071(0,010)* Socialtarbete -0,016(0,008) -0,103(0,011)* -0,160(0,013)* -0,006(0,009) -0,156(0,011)* Tjänste -0,030(0,019) -0,097(0,022)* -0,185(0,029)* -0,040(0,025) -0,187(0,024)* R 2 0,364 0,527 0,534 0,365 0,525 Antal observationer 13156 13156 13156 16367 16367 NOT: Stockholms universitet och samhällsvetenskaplig utbildning är referensgrupper. White standardfel är inom parentes. * är statistiskt säkerställd på minst 5 %-nivån. Övriga kontrollvariabler är ålder, ålder 2, kön, civilstånd, barn i olika åldrar, utbildningens längd och inriktning, arbetslän, föräldrarnas inkomster, föräldrarnas utbildningsnivå och föräldrarnas förmögenhet. Sammantaget visar resultaten i tabell 5.4 att val av lärosäte kan påverka individernas inkomstutveckling. De visar också att inkomsterna ökar över tiden för studenterna från Uppsala och Linköping. En tolkning av detta resultat kan vara att studenterna från dessa lärosäten får jobb som erbjuder bättre karriärutveckling än studenterna 23