uppdatering och revidering av modellsamband dokumentation och diskussion

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

Innehåll Inledning 3 Demografi 4 Dödlighet 4 Fruktsamhet 7 Utflyttare 11 Inflyttare 19 Klustring 19 Utbildningsbyte 25 Appendix: Kommentar angående asylsökande 28 Arbetsmarknad 29 Arbetskraftsutbudet 29 Arbetslösheten 31 Balansering av arbetsmarknaden 33 Inrikes in- och utflyttning för regioner 41 Appendix: Riktad flyttning mellan län 1996-2004 45 Regionalekonomi 47 Kommuners nettokostnad per capita 47 Andel socialbidrag av nettokostnad per capita 48 Bostadsmarknad 49 Småhuspris 49 Eftermodell kommun 50 Kostnadsutjämning per capita 50 2

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

Demografi Dödlighet Klustring Kommunerna har grupperats i fyra grupper efter andelen högutbildade av kommunens befolkning över 65 år. Förut grupperades kommunerna efter andelen högutbildade av kommunens totala befolkning. En regressionsanalys visade att andelen högutbildade bland befolkningen över 65 år bättre förklarade dödligheten i kommunen än andelen högutbildade totalt. Till grund för den nya grupperingen av kommunerna ligger den indelning som gjordes förra gången. En utvärdering av de gamla riskerna visade att antalet döda i ett antal kommuner i grupp 1 (lägst dödlighet) överskattats. Gemensamt för dessa kommuner är att de har den högsta andelen högutbildade av befolkningen över 65 år i riket. Dessa kommuner bildar i den nya grupperingen en egen grupp tillsammans med Salem, Vallentuna, Österåker och Vellinge. De fem nya kommunerna ligger även de i topp när de gäller andelen högutbildade bland befolkningen över 65 år och de gamla dödsriskerna överskattade antalet döda även i dessa kommuner. I grupp 1 med låg dödlighet återfinns de 14 kommuner i riket som har högst andel högutbildade bland befolkningen över 65 år. Tabell 1 Kommuner i grupp 1. Andel högutbildade i kommunen totalt och bland befolkningen över 65 år. Andel i procent. Kod Namn Samtliga Över 65 år 115 Vallentuna 10 11 117 Österåker 10 10 125 Ekerö 13 13 128 Salem 10 11 160 Täby 19 17 162 Danderyd 28 26 163 Sollentuna 16 13 182 Nacka 16 13 186 Lidingö 22 20 187 Vaxholm 14 11 380 Uppsala 18 13 1233 Vellinge 13 10 1278 Båstad 10 11 1281 Lund 25 16 4

Grupp 2 och 3 är en uppdelning av den gamla grupp 2. Grupp 2 innehåller 113 kommuner i framför allt storstadsregionerna, där andelen högutbildade bland befolkningen ligger mellan 4 och 10 procent. Grupp 3 innehåller övriga 139 kommuner. I dessa kommuner är andelen högutbildade bland befolkningen över 65 år under 4 procent. Gränsen vid 4 procent sattes eftersom det i stort sett delade den gamla grupp 2 i två lika stora delar. I grupp 4 med hög dödlighet återfinns framförallt gamla bruksorter. Grupp 4 består av samma kommuner som i grupp 3 i den gamla grupperingen. I gruppen har Arjeplog, Sorsele, Arvidsjaur, Vilhelmina och Malå tillkommit. Dessa kommuner tillhör de med lägst andel högutbildade av befolkningen över 65 år i riket. Med de gamla dödsriskerna underskattades antalet döda i dessa kommuner. Därför tillhör de nu gruppen med högst dödlighet. Tabell 2 Kommuner i grupp 4. Andel högutbildade i kommunen totalt och bland befolkningen över 65 år. Andel i procent. Kod Namn Samtliga Över 65 år 319 Älvkarleby 4 2 767 Markaryd 3 2 1260 Bjuv 3 2 1277 Åstorp 4 3 1445 Essunga 4 2 1447 Gullspång 4 3 1460 Bengtsfors 4 2 1470 Vara 4 2 1473 Töreboda 4 3 1730 Eda 3 2 1764 Grums 3 2 1863 Hällefors 3 2 1864 Ljusnarsberg 4 2 2021 Vansbro 4 2 2039 Älvdalen 3 2 2101 Ockelbo 4 2 2121 Ovanåker 3 2 2417 Norsjö 4 2 2418 Malå 5 2 2422 Sorsele 4 2 2462 Vilhelmina 4 3 2505 Arvidsjaur 5 2 2506 Arjeplog 4 2 5

Dödsriskberäkningar Dödsriskerna, uppdelade på ålder och kön, är beräknade på antalet döda 1999-2003 och medelbefolkningen samma år. Det är ingen uppdelning efter födelseland och utbildningsnivå, förutom den uppdelning på utbildningsnivå som implicit finns i grupperingen av kommunerna. För åldrarna 0-100+ beräknas dödsrisken som: r # döda( ålder 1, kön) t 1 medelfolkmängd ( ålder 1, kön) t 1 ( ålder, kön) t = 1 e Åldersförskjutningen av riskerna (0 till 1, 1 till 0 osv.) innebär att det inte blir några dödsrisker för 100+-åringar. Dessa har istället baserats på en sammanvägning av SCB:s dödsrisker 1 för åldrar över 100. För att återspegla variationen i dödlighet mellan de olika typerna låter vi 100+-åringarnas dödsrisker variera kring SCB-risken som den beräknade dödsrisken för 98- åringar varierar kring det viktade medelvärdet för detsamma. För att undvika hoppiga kurvor har dessa utjämnats, dock ej för 0-åringar. Riskerna beräknas (och utjämnas) för varje år för sig och vägs sedan samman enligt principen: (((År1+år2)/2+år3)/2+år4)/2 Skillnader jämfört ned föregående version: 4 typer istället för 3 Gruppering av kommuner efter utbildningsnivå hos personer i åldern 65+ i stället för hela kommunbefolkningen Prognosresultat Jämförelse för år 2002 av utfall med prognos enligt de gamla respektive nya riskerna: Prognosen kommer närmare utfallet för 152 kommuner. Den nya prognosen innebär förbättring för samtliga kommuner av typ 1. De gamla riskerna ger ett prognosfel på totalt 4 procent (överskattning), och de nya riskerna 0 procent Största överskattningen av antal döda för Perstorp, 35 procent (32 procent med gamla riskerna). Största underskattning för Haparanda 30 procent (-27 procent med gamla riskerna). 1 Se Sveriges framtida befolkning befolkningsframskrivning för åren 2003-2050, Demografiska rapporter 2003:4, s. 122. 6

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

Tabell 3 Kommuner per kluster Kluster Kod Namn 2 180 Stockholm 2 183 Sundbyberg 2 184 Solna 2 380 Uppsala 2 880 Kalmar 2 1278 Båstad 2 1280 Malmö 2 1281 Lund 2 1283 Helsingborg 2 1480 Göteborg 2 1780 Karlstad 2 1880 Örebro 2 2380 Östersund 2 2480 Umeå 2 2580 Luleå 3 120 Värmdö 3 125 Ekerö 3 187 Vaxholm 3 764 Alvesta 3 1384 Kungsbacka 3 1407 Öckerö 3 1881 Kumla 4 1382 Falkenberg 4 1499 Falköping 5 160 Täby 5 162 Danderyd 5 182 Nacka 6 482 Flen 6 2462 Vilhelmina Kommentarer Vid en utvärdering av de gamla fruktsamhetstalen framkom att antalet födda underskattats i Värmdö, Ekerö, Vaxholm, Kungsbacka, Öckerö, Alvesta och Kumla. Dessa kommuner tillhörde tidigare främst kluster 1 (normalkommuner). I den nya klustringen bildar de ett eget kluster med högre fruktsamhet. Uppsala och Umeå tillhörde förut kluster 1 (normalkommuner). Antalet födda överskattades i dessa kommuner. De har nu bildad ett eget kluster, nummer 2, tillsammans med Båstad, Karlstad, Kalmar, Helsingborg, Örebro, Luleå, Östersund, Stockholm, Sundbyberg, Solna, Malmö, Lund och Göteborg där 8

fruktsamheten är lägre än genomsnittskommunen. Kluster 2 är i princip gamla kluster 6 med vissa nya kommuner. Det tidigare kluster 2 (Hög fruktsamhet för invandrare och normal för svenskar) har uteslutits. Samtliga kommuner som tillhörde detta kluster, utom Flen och Alvesta, finns nu i kluster 1 (normalkommuner). Alvesta finns i kluster 3 och Flen i kluster 6. Kommunerna i gamla kluster 3 (Låg fruktsamhet för invandrare, hög fruktsamhet för högutbildade) har efter utvärderingen flyttats till främst kluster 1 (normalkommuner). Kungsbacka och Ekerö var tidigare kommuner med störst prognosfel, där antalet födda genomgående underskattades. Dessa kommuner tillhör numera kluster 3 och har alltså fått en högre fruktsamhet än riket i genomsnitt. Nacka, där antalet födda tidigare överskattades, har flyttats till kluster 5. Slutligen tillhör Båstad numera kluster 2. Tidigare överskattades antalet födda i kommunen; nu har den fått en lägre fruktsamhet än riket. Det tidigare kluster 4 (Hög fruktsamhet för invandrare och lägre för svenskar än kluster 2) har uteslutits och samtliga kommuner har förts till kluster 1 (normalkommuner), utom Karlstad och Kalmar. Dessa, där antalet födda tidigare överskattades, har nu fått en lägre fruktsamhet och tillhör kluster 2. Det tidigare kluster 5 (Låg fruktsamhet för svenskar) har delats upp i dels kluster 1 (normalkommuner) dels kluster 2. Helsingborg, Örebro, Luleå och Östersund tillhör nu kluster 2 (egentligen motsvarande gamla kluster 5) och övriga kommuner tillhör kluster 1. Kluster 7 har delats upp dels i kluster 1 (normalkommuner) dels kluster 5. Lidingö och Burlöv tillhör kluster 1 och Täby och Danderyd kluster 5. För samtliga kommuner underskattades antalet födda, speciellt i Lidingö och Burlöv. Dessa får i den nya klustringen en högre fruktsamhet. Kluster 8 (Hög fruktsamhet för invandrare även nordiska) bestod av Falun och Gällivare. Detta kluster har utgått; dessa två kommuner tillhör kluster 1 (normalkommuner) i den nya klustringen. Genomgående underskattades antalet födda i dessa två kommuner. I den nya klustringen blir fruktsamheten högre. Fruktsamhetstalsberäkningar Fruktsamhetstalen är beräknade på antalet födda 1999-2003 och medelbefolkningen kvinnor 15-45 år samma år. Fruktsamheten är uppdelad efter moderns födelseland och utbildningsnivå. Enligt ovan beräknas unika fruktsamhetstal per ålder, födelseland och utbildningsgrupp endast för kluster 2. För övriga kluster är fruktsamhetstalen unika för de svenskfödda, medan utlandsfödda får de fruktsamhetstal som baseras på riket exklusive kluster 2 (men fortfarande unika för födelseland och utbildningsgrupp). Antalet mycket unga högutbildade personer är alltför litet för att ligga till grund för specifika 9

fruktsamhetstal. Därför sätts en minimiålder per utbildningsgrupp i beräkningarna nedan. Tabell 4 Minimiålder per utbildningsgrupp Utbildningsgrupp åldersgräns 1 Alla 2 18-3 19-4 22 Kurvorna är utjämnade. Värdena för 15-åringar är inte utjämnade, men det är de för t ex 22-åringar i utbildningsgrupp 4. Orimliga fruktsamhetstal (baserade på för få observationer) har ersatts med medelvärden för samma ålder övriga år. Värdena för de olika åren (1999-2003) är sammanvägda enligt principen: (((År1+år2)/2+år3)/2+år4)/2. Tabell 5 Summerade fruktsamhetstal Utb.grupp kluster födelseland 1 2 3 4 1 1 1.72 1.74 1.44 2.05 2 1.68 1.85 1.60 2.21 3 2.25 1.80 1.80 2.12 2 1 1.43 1.43 1.27 1.64 2 1.30 1.29 1.24 1.59 3 2.21 1.69 1.63 1.82 3 1 1.82 2.11 1.96 2.55 2 1.68 1.85 1.60 2.21 3 2.25 1.80 1.80 2.12 4 1 1.89 1.93 1.59 2.24 2 1.68 1.85 1.60 2.21 3 2.25 1.80 1.80 2.12 5 1 1.46 1.77 1.72 2.14 2 1.68 1.85 1.60 2.21 3 2.25 1.80 1.80 2.12 6 1 2.33 2.37 1.43 1.94 2 1.68 1.85 1.60 2.21 3 2.25 1.80 1.80 2.12 10

Skillnader jämfört ned föregående version: 6 kluster i stället för 8 Det tidigare kluster 2 (Hög fruktsamhet för invandrare och normal för svenskar) och kluster 3 (Låg fruktsamhet för invandrare, hög fruktsamhet för högutbildade) har utgått. Resultat Med de gamla fruktsamhetstalen underskattades antalet levande födda med 9,3 procent, med de nya fruktsamhetstalen överskattades de med 0,4 procent. I tabellen nedan visas prognosresultat (gamla och nya) för år 2002 för de kommuner som omnämns i den löpande texten ovan som kommuner med stora prognosfel Tabell 6 Antal levande födda år 2002, utfall samt prognos med gamla respektive nya fruktsamhetstal (kommuner vars prognosfel kommenteras ovan) Kommun Ny typ Gammal typ Rel fel gammal prog Rel fel ny prog Umeå 2 1 25.1 0.4 Karlstad 2 4 12.7-1.3 Kalmar 2 4 12.4-1.5 Uppsala 2 1 11.9-8.0 Nacka 5 3-12.0 1.2 Lidingö 1 7-14.3-1.5 Burlöv 1 7-14.5 2.9 Alvesta 3 2-17.7-3.9 Ekerö 3 3-18.1 13.7 Kumla 3 1-19.7 7.2 Kungsbacka 3 3-23.3 4.8 Vaxholm 3 1-27.1 6.5 Öckerö 3 1-29.2 2.7 Värmdö 3 1-35.2-3.0 Utflyttare De gamla riskerna Det har funnits felaktigheter i de utflyttarrisker som varit inlagda i tidigare raps-databas: Utflyttarrisken har felaktigt varit noll för vissa grupper av personer med födelseland Övriga Norden och Övriga världen. I tabellen nedan visas de summerade utflyttarriskerna per utflyttartyp och födelseland. 11

Tabell 7 Gamla utflyttarriskerna per utflyttartyp och födelseland, summerat över ålder, kön och utbildningsnivå Födelseland utflyttartyp Sverige Övriga Norden Övriga världen 1 27 41 39 2 23 0.0 98 3 21 0.0 11 4 23 0.0 0.0 5 22 0.0 7 6 21 0.0 0.0 7 19 0.0 0.0 8 20 0.0 0.0 För att åskådliggöra vad detta inneburit för prognoser som utförts med dessa felaktiga risker exemplifierar vi med Västerås LA, som består av Västerås kommun (typ 6), Sala kommun (typ 1), Hallstahammar (typ 2) och Surahammar (typ 2). I Tabellen nedan redovisas antalet utflyttare från kommunerna år 2002 enligt statistik och default raps-prognos. Tabell 8 Exempel utflyttare från Västerås LA år 2002, enligt statistik och prognos abs rel skillnad Utflyttartyp Kommun födelseland statistik prognos skillnad (%) 2 Hallstahammar Sverige 578 356-222 -38 Norden utom Sverige 28 0-28 -100 övriga 163 195 32 20 Hallstahammar Totalt 769 552-217 -28 1 Sala Sverige 803 764-39 -5 Norden utom Sverige 21 24 3 14 övriga 72 84 12 16 Sala Totalt 896 871-25 -3 2 Surahammar Sverige 480 239-241 -50 Norden utom Sverige 44 0-44 -100 övriga 47 70 23 48 Surahammar Totalt 571 308-263 -46 6 Västerås Sverige 3 678 3 500-178 -5 Norden utom Sverige 157 0-157 -100 övriga 769 0-769 -100 Västerås Totalt 4 604 3 500-1 104-24 Västerås LA Sverige 5 539 4 859-680 -12 Norden utom Sverige 250 24-226 -90 övriga 1 051 349-702 -67 Totalt 6 840 5 231-1 609-24 12

Totalt underskattar prognosen antalet utflyttare från kommunerna med 1 609 personer, 24 procent. Detta är framför allt en följd av att Västerås är av utflyttartyp 6, och att antalet utlandsfödda utflyttare från kommunen progoseras till noll (i verkligheten 926 personer). Även antalet nordiskt födda utflyttare från Hallstahammar och Surahammar blir noll då dessa kommuner är av typ 2. Klustring I den förra versionen byggde riskerna enbart på inrikes utflyttning. En jämförelse med faktisk utflyttning visade på en underskattning i ett antal kommuner. Dessa kommuner var framför allt gränskommuner där emigrationen utgjort över 15 procent av den totala utflyttningen (genomsnitt 1998-2004). Tabell 9 Genomsnittligt antal emigranter och utflyttade 1998-2004 per kommun samt utvandringens andel av den totala utflyttningen. Kod Namn Emigranter Utflyttade Andel, % 2583 Haparanda 192 584 33 1730 Eda 111 385 29 1486 Strömstad 143 512 28 1765 Årjäng 80 349 23 1438 Dals-Ed 47 242 19 162 Danderyd 376 22 99 16 1280 Malmö 1 909 12 648 15 1480 Göteborg 3 490 24 041 15 I vissa kommuner svarar utvandringen för stor del av den totala utflyttningen. Därför skattas de nya riskerna på den totala utflyttningen. I de kommunerna med liten utvandring (flertalet av Sveriges kommuner), kommer skattningarna fortfarande att baseras på den inrikes utflyttningen. Klustringen sker m.a.p. utflyttarrisken per utbildningsnivå bland svenskfödda. I ett första steg togs även hänsyn till utlandsföddas utflyttning. Den klustringen kom helt att bestämmas av hur personer födda utanför Norden flyttade. Det var ett relativt litet antal utflyttade, men den procentuella skillnaden mellan verkligt antal utflyttade och beräknat enligt riksgenomsnittet blev orimlig för flera kommuner. De utrikesfödda var alltså för få för att ingå i klustringen. För att klustra kommunerna beräknas hur många som skulle ha flyttat från kommunen om utflyttarrisken var som rikssnittet. Det som sedan klustrats är den procentuella skillnaden mellan detta beräknade antal och antalet som flyttat. Observera att åldersfördelningen ej klustrats. Klustringen gav egentligen 10 olika kommuntyper. Kluster 10 och kluster 8 har sammanslagits, eftersom kluster 10 endast innehåller två kommuner som är av samma karaktär som de i kluster 8. Det är enbart nivån som är något högre på utflyttningen i kluster 10. 13

Vidare har kluster 5 (enbart Storfors och Skinnskatteberg) sammanslagits med kluster 3. De karakteriserades av hög utflyttning för lågutbildade (det fanns för få med utbildningsnivå 3 och 4 för att de skulle kunna ingå i klustringen). Utflyttningen var i nivå med hur den ser ut för förortskommunerna i kluster 3. Därför får Storfors och Skinnskatteberg tillhöra kluster 3. De olika klustrena karakteriseras av: Kluster 1: Låg utflyttning för samtliga utbildningsnivåer, men främst för lågutbildade. Kluster 2: Normalkommuner (ingen riktigt bra benämning. Flyttar i stort sett som riksgenomsnittet) Kluster 3: Förortskommuner i storstadsregionerna, Storfors och Skinnskatteberg Kluster 4: Lägre utflyttning för lågutbildade än i riket i genomsnitt Kluster 5: Högre utflyttning för samtliga utbildningsnivåer än riket i genomsnitt Kluster 6: Storstadsklustret Kluster 7: Hög utflyttning av mellanutbildade personer (utbildning 2 och 3) Kluster 8: Solna och Sundbyberg. Hög utflyttning. För flyttare födda i Sverige: Alla kluster sina egna risker för respektive utbildningsnivå. För flyttare födda i Norden: Alla kluster får samma utflyttarrisker. För flyttare födda utom Norden: Kluster 1 och 6 har sina egna risker (ej utbildningsnivå), medan övriga kluster får risker som riket exkl. kluster 1 och 6. Vi bedömer att det inte för något kluster går att bryta ner riskerna på utbildningsnivå. De kommuner som inte är med på listan nedan tillhör kluster 1 eller 4. Tabell 10 Kommuner per kluster Kluster Kod Namn 2 117 Österåker 2 123 Järfälla 2 136 Haninge 2 138 Tyresö 2 181 Södertälje 2 486 Strängnäs 2 509 Ödeshög 2 512 Ydre 2 1261 Kävlinge 2 1266 Hörby 2 1281 Lund 2 1282 Landskrona 14

2 1285 Eslöv 2 1415 Stenungsund 2 1442 Vårgårda 2 1444 Grästorp 2 1445 Essunga 2 1466 Herrljunga 2 1470 Vara 2 1481 Mölndal 2 1761 Hammarö 2 1762 Munkfors 2 1780 Karlstad 2 1860 Laxå 2 1864 Ljusnarsberg 2 1981 Sala 2 1984 Arboga 2 2026 Gagnef 2 2085 Ludvika 2 2303 Ragunda 2 2403 Bjurholm 2 2418 Malå 2 2422 Sorsele 2 2463 Åsele 2 2506 Arjeplog 2 2513 Överkalix 3 114 Upplands-Väsby 3 115 Vallentuna 3 120 Värmdö 3 125 Ekerö 3 126 Huddinge 3 127 Botkyrka 3 128 Salem 3 139 Upplands-Bro 3 140 Nykvarn 3 160 Täby 3 162 Danderyd 3 163 Sollentuna 3 182 Nacka 3 186 Lidingö 3 187 Vaxholm 3 191 Sigtuna 3 305 Håbo 3 461 Gnesta 3 482 Flen 3 582 Söderköping 3 642 Mullsjö 3 1214 Svalöv 15

3 1231 Burlöv 3 1257 Örkelljunga 3 1260 Bjuv 3 1264 Skurup 3 1265 Sjöbo 3 1267 Höör 3 1275 Perstorp 3 1276 Klippan 3 1277 Åstorp 3 1402 Partille 3 1443 Bollebygd 3 1760 Storfors 3 1763 Forshaga 3 1814 Lekeberg 3 1882 Askersund 3 1904 Skinnskatteberg 5 192 Nynäshamn 5 428 Vingåker 5 481 Oxelösund 5 488 Trosa 5 563 Valdemarsvik 5 885 Borgholm 5 1270 Tomelilla 5 1278 Båstad 5 1462 Lilla Edet 5 1907 Surahammar 5 1917 Heby 5 2061 Smedjebacken 5 2132 Nordanstig 5 2305 Bräcke 5 2361 Härjedalen 6 180 Stockholm 6 1280 Malmö 6 1480 Göteborg 7 561 Åtvidaberg 7 584 Vadstena 7 604 Aneby 7 840 Mörbylånga 7 1447 Gullspång 7 2034 Orsa 7 2309 Krokom 7 2321 Åre 7 2409 Robertsfors 7 2518 Övertorneå 8 183 Sundbyberg 8 184 Solna 16

Kommentarer Efter en utvärdering av de gamla utflyttarriskerna framkom att antalet utflyttade underskattats relativt mycket för ett antal kommuner i gamla kluster 1 (Botkyrka, Haninge, Nacka, Solna och Sundbyberg). Solna och Sundbyberg bildar ett eget kluster 8, med höga utflyttarrisker främst för lågutbildade svenskar, men genomgående är det högre risker än riket. Övriga kommuner i gamla kluster 1 tillhör nya kluster 2 och 3. I Karlskrona, gamla kluster 2, överskattades antalet utflyttade. Kommunen har nu flyttats till kluster 1 med lägre utflyttarrisker. Övriga kommuner i gamla kluster 2 återfinns i nya kluster 1, 2, 4 eller 7. Tidigare kluster 3 ingår i stort sett i nya kluster 1. Kommunerna i gamla kluster 4 tillhör främst nya kluster 1 och 4. Malmö och Göteborg, tidigare kluster 5, ingår tillsammans med Stockholm i ett eget storstadskluster, kluster 6. Kommunerna i gamla kluster 6, 7 och 8 tillhör det nya kluster 1. Utflyttarriskberäkningar Dessa baseras på utflyttarna (inrikes flyttare och emigranter) 1999-2003 och medelbefolkningen samma år. Utflyttarrisken är uppdelad på utflyttarnas födelseland, ålder, kön och utbildningsnivå (4). Födda i övriga Norden har samma utflyttarrisker oavsett typ (kallas 2.9 i tabellen nedan). Födda i övriga världen har unika utflyttarrisker för typ 1 och 6, övriga kluster har gemensamma risker som baseras på alla kommuner som inte tillhör typ 1 eller 6 (kallas 3.10 i tabellen nedan). Tabell 11 Översikt unika och gemensamma risker per kommuntyp Födelseland typ 1 2 3 1 1.1 2.9 3.1 2 1.2 2.9 3.10 3 1.3 2.9 3.10 4 1.4 2.9 3.10 5 1.5 2.9 3.10 6 1.6 2.9 3.6 7 1.7 2.9 3.10 8 1.8 2.9 3.10 Vid klustringen övervägdes om de riskerna skulle variera mellan olika utbildningsnivåer för utlandsfödda. Det visar sig att riskerna varierar på ungefär samma sätt som för svenskfödda, varför unika risker per utbildningsnivå beräknas även för de utlandsfödda, trots att de i några fall är ganska få. I tabellerna med grunddata för utflyttade saknas i vissa fall utbildningskod, (kod=99). Dessa läggs samman med utflyttade för kod 10. För personer över 75 år blir detta missvisande, men deras låga utflyttarrisk påverkas i mycket lite 17

grad av utbildningsnivån. Förut sattes utflyttningsriskerna i huvudsak satta till noll för dessa åldrar. Utflyttarriskerna u beräknas som: u( ålder, kön) t = 1 e # utflyttade( ålder, kön) t medelfolkmängd ( ålder, kön) t Kurvorna är utjämnade, samt viktade enligt principen: (((År1+år2)/2+år3)/2+år4)/2 För födda i övriga världen är antalet observationer för personer i de allra äldsta åldrarna för litet för att riskerna skall kunna baseras på den egna gruppen. Det är inte sannolikt att dessa personers flyttmönster avviker från svenskfödda i samma ålder. För personer över 80 år (alla typer) antas utflyttarrisken avta med 0,0005 per år. Skillnader jämfört ned föregående version: Felaktiga utflyttarrisker (0-värden) för utlandsfödda åtgärdat. Prognosresultat När de nya respektive gamla utflyttarriskerna tillämpas på data för år 2002 underskattas antalet utflyttare med 15 procent med de gamla riskerna, medan de nya riskerna ger en underskattning med 1 procent. I tabellen nedan visas resultaten för några kommuner som omnämns ovan. För samtliga utom Stockholm kommer prognosresultatet närmare utfallet med de nya riskerna. Tabell 12 Utflyttning år 2002, fel jämfört med utfall för prognos med gamla respektive nya utflyttarrisker namn Ny typ Gammal typ rel fel ny prognos rel fel gammal prognos Karlskrona 1 2 9 33 Dals-Ed 1 2-25 -34 Västerås 1 6 16-21 Haninge 2 1-11 -19 Botkyrka 3 1 3-14 Nacka 3 1-6 -25 Storfors 3 1-21 -41 Skinnskatteberg 3 1-23 -43 Pajala 4 2 1-28 Haparanda 4 2-16 -65 Stockholm 6 1-10 -1 Malmö 6 5 8-22 Göteborg 6 5 11-15 Övertorneå 7 2 6-42 Sundbyberg 8 1-14 -49 Solna 8 1-12 -46 18

Inflyttare Klustring En jämförelse mellan modellberäknad (enligt inflyttarfördening i föregående version) och faktisk inflyttning i åldern 20-30 visar att antalet inflyttade i dessa åldrar både underskattats och överskattats. I samtliga storstäder underskattades antalet inflyttade i åldern 20-30 år, liksom i Solna och Sundbyberg. Skälet att undersöka antalet inflyttade personer i åldern 20-30 år är att nästan hälften av alla inflyttade (riksgenomsnitt) finns i dessa åldrar. Tabell 13 Genomsnittligt antal immigranter och inflyttade 1998-2004 per kommun samt invandringen som andel av den totala inflyttningen. (kursiverade kommuner har stor mottagning av asylsökande) Kod Namn Immigranter Inflyttade Andel, % 1860 Laxå 201 402 50 1730 Eda 194 408 47 1765 Årjäng 156 384 41 1447 Gullspång 137 340 40 2583 Haparanda 223 578 39 1486 Strömstad 228 615 37 1438 Dals-Ed 83 242 34 860 Hultsfred 238 708 34 2425 Dorotea 32 120 27 1785 Säffle 128 509 25 1280 Malmö 3 757 15 119 25 821 Högsby 74 304 24 764 Alvesta 193 880 22 382 Östhammar 207 1 004 21 181 Södertälje 933 4 530 21 1460 Bengtsfors 78 390 20 2518 Övertorneå 40 205 19 765 Älmhult 117 605 19 767 Markaryd 70 363 19 482 Flen 192 1 001 19 1480 Göteborg 5 032 26 771 19 180 Stockholm 8 831 47 033 19 2361 Härjedalen 91 486 19 1784 Arvika 161 863 19 1080 Karlskrona 429 2 315 19 1473 Töreboda 80 435 18 1961 Hallstahammar 132 717 18 162 Danderyd 435 2 374 18 127 Botkyrka 1 003 5 518 18 1492 Åmål 87 481 18 1282 Landskrona 400 2 225 18 2584 Kiruna 120 671 18 19

2523 Gällivare 83 473 18 1863 Hällefors 51 290 18 1783 Hagfors 70 407 17 2481 Lycksele 85 498 17 1315 Hylte 77 453 17 1060 Olofström 72 432 17 1382 Falkenberg 236 1 413 17 2260 Ånge 58 347 17 1461 Mellerud 68 406 17 484 Eskilstuna 581 3 529 16 761 Lessebo 59 360 16 380 Uppsala 1 628 9 920 16 684 Sävsjö 64 396 16 2161 Ljusdal 101 633 16 1737 Torsby 65 412 16 760 Uppvidinge 57 364 16 1782 Filipstad 58 372 16 1283 Helsingborg 914 5 872 16 2582 Boden 170 1 096 16 1435 Tanum 98 636 15 862 Emmaboda 49 330 15 781 Ljungby 121 818 15 2422 Sorsele 16 106 15 1980 Västerås 831 5 628 15 Det är ingen större skillnad i könsfördelningen vad gäller inflyttningen. Av dem som immigrerade till Sverige under perioden 1998-2003 utgjorde männen 50,1 procent och kvinnorna 49,9 procent. Motsvarande beräkningar för inrikes inflyttning (medel över alla kommuner) visar att männen utgör 49,8 procent av inrikes inflyttning och kvinnorna 50,2 procent. Det är alltså ingen större skillnad i könsfördelningen mellan inrikes inflyttning och immigration. Inflyttarnas åldersfördelning visar en större andel barn bland immigranterna än bland inrikes inflyttade. Inrikes inflyttning sker i huvudsak mellan 25 och 30 år, medan immigranterna har en mer jämn åldersfördelning. Immigranterna har sin topp för åldern 25-26-åringar, medan inrikes inflyttade har sin topp i åldern 21-22 år. Eftersom invandringen i vissa kommuner utgör en stor del av den totala inflyttningen skattas de nya andelarna på den totala inflyttningen. I kommuner där invandringen inte är så stor, dvs. för majoriteten av Sveriges kommuner, blir det i princip inrikes inflyttning som skattningarna baseras på. Av immigranterna utgör utlandsfödda 78 procent i genomsnitt. Eftersom skattningarna görs m.a.p. födelseland tas hänsyn till immigrationen. Av samtliga inflyttade utlandsfödda är immigrationen i genomsnitt 45 procent. Motsvarande andel bland svenskfödda är fyra procent. Av den inrikes inflyttning utgör de utlandsfödda 14 procent i genomsnitt. 20

För de aktuella åren 1998-2003 återfinns helt naturligt den största årliga variationen för antalet immigranter i Stockholm, Göteborg och Malmö; i Malmö skiljer det på 2 330 personer mellan max och min, i Stockholm är motsvarande skillnad 1 606 och i Göteborg 983. I SAS har kommuner klustrats m.a.p. inflyttningen uppdelad på fyra åldersklasser samt födelseland (svenskfödda och övriga). Åldersgrupperna är 0-19 år, 20-24 år, 25-29 år och 30-w år. Åldersgrupperingen baseras på flyttningens fördelning enligt riksgenomsnittet. Åldersgruppen 0-19 år utgör 20 procent av alla inflyttade, 20-24 år 23 procent, 25-29 år 19 procent och 30-w år utgör 38 procent. Andelarna är beräknade för riket totalt och är ett genomsnitt för perioden 1998-2003. För att klustra kommunerna har vi beräknat hur många som skulle ha flyttat in till kommunen i olika åldrar om inflyttarfördelningen var som rikssnittet (med avseende på kön, födelseland, utbildning och ålder). Observera att det inte finns några flyttare över 74 år som har utbildningsnivå 2-4. Klustringen avser den procentuella skillnaden mellan beräknat och faktiskt antal inflyttade per åldersgrupp och födelseland. Klustringen gav egentligen 12 olika kommuntyper. I den första klustringen ingick samtliga kommuner. Det visade sig att kommunerna Strömstad, Laxå, Härjedalen, Dorotea och Övertorneå hamnade i egna kluster, eftersom deras inflyttning till stor del består av invandring (se tabellen ovan). Dessa kommuner uteslöts därför ur klustringen. Efter genomförd klustring genomfördes även en klustring då dessa kommuner inkluderades, med syftet att få en indikation på passande kluster. Härjedalen var den kommun som var svårast att sammanföra med andra kommuner. Slutligen placerades Härjedalen tillsammans med Solna och Sundbyberg, dvs. väsentligt högre inflyttning av utlandsfödda i åldern 20-29 år än riksgenomsnitt, samt en lägre inflyttning av 0-19 åringar än i riket. Skälet att tvinga in Härjedalen i ett kluster är att kommunen har ett för litet antal inflyttare för att bilda ett eget kluster. De olika klustrena karakteriseras av: Kluster 1: Hög inflyttning av svenskfödda barn (0-19 år) och deras föräldrar (30-w år). Låg inflyttning av utlandsfödda, oavsett ålder. Bland annat välbeställda förortskommuner, som Tex. Värmdö, Ekerö, Staffanstorp och Vellinge. Kluster 2: Hög inflyttning av svensk födda barn (0-19 år) och deras föräldrar (30-w år), fast lägre än i kluster 1. Kluster 3: Hög inflyttning av svensk födda barn (0-19 år) och deras föräldrar (30-w år), i nivå med kluster 2. I stort sett ingen inflyttning av utlandsfödda alternativt lägre än enligt riksgenomsnittet. Främst kommuner i Norr- och Västerbotten. 21

Kluster 4: Universitets- och högskoleorter. Hög inflyttning av 20-24- åringar. Kluster 5: Hög inflyttning av 25-29-åringar och låg inflyttning av barn, oavsett födelseland. Solna, Sundbyberg och Härjedalen. Härjedalen har egentligen även en hög inflyttning av utlandsfödda i åldern 20-24 år (se kommentaren ovan). Kluster 6: Hög inflyttning av utlandsfödda barn och deras föräldrar (30-w år). Låg inflyttning av 20-29-åringar, oavsett födelseland. Kluster 7: Hög inflyttning för utlandsfödda än i riket i genomsnitt. Bland annat Huddinge, Haninge, Stockholm och Malmö. Övertorneå hamnar i detta kluster, främst beroende på en hög inflyttning av utlandsfödda över 30 år. Kluster 8: Låg inflyttning av utlandsfödda. Kluster 9: Hög inflyttning av utlandsfödda, låg inflyttning bland svenskar. Kluster 10: Som kluster 9, fast ännu högre inflyttning bland utlandsfödda och ännu lägre inflyttning bland svenskar, jämfört med rikssnittet. Gränskommuner. Kluster 11: Mycket hög inflyttning av utlandsfödda barn jämfört med rikssnittet. Även hög inflyttning bland utlandsfödda över 30 år. Kluster 12: Mycket hög inflyttning jämfört med riket för utlandsfödda, oavsett ålder. Låg inflyttning av svenskar. För flyttare födda i Sverige: Alla kluster sina egna tal (andelar) för varje utbildning. För flyttare födda i Norden: Alla kluster får samma inflyttningsfördelning med avseende på kön, utbildning och ålder. För flyttare födda utom Norden: Kluster 1, 2, 3 och 8 får samma andelar (gemensamt för dem är att de har låg inflyttning för utlandsfödda). Kluster 6, 7, 9, 10, 11 och 12 får samma andelar (gemenast för dem är att de har hög inflyttning för utlandsfödda). Kluster 4 och 5 får samma. Gemensamt för dem är att de har stor inflyttning av 20-29-åringar. Att inte skilja mellan utomnordiska och nordiska flyttare i klustringen innebär bland annat att en kommun som Dals-Ed, vars utländska inflyttare i huvudsak är nordiska, slås ihop med Botkyrka vars utländska inflyttare i huvudsak är utomnordiska. I prognossammanhang skulle detta leda till att den utomnordiska inflyttningen till Dals-Ed överskattas. Dals-Ed passar bättre i kluster 10 som utgörs av gränskommuner med i huvudsak nordisk inflyttning. Utifrån denna problematik omklassas också kommunerna Gnosjö, Övertorneå och Södertälje. Se tabellen nedan. Även kommunerna Härjedalen och Danderyd klassas om. Härjedalen förs till kluster 3 och Danderyd klassas efter Täby kommuns tillhörighet till kluster 2. 22

Tabell 14 Omklassning av felplacerade kommuner Kommun Kluster enligt Nytt kluster klustring Dals-Ed 12 10 Gnosjö 12 9 Övertorneå 7 10 Södertälje 9 12 Danderyd 6 2 Härjedalen 5 3 Den nya klusterindelningen redovisas i Tabell 15. De kommuner som inte är med på listan hör till kluster 1, 2, 3 eller 4. Tabell 15 Ny fördelning av kommuner per kluster Kluster Kod Kommunnamn 5 183 Sundbyberg 5 184 Solna 6 382 Östhammar 6 482 Flen 6 484 Eskilstuna 6 665 Vaggeryd 6 684 Sävsjö 6 764 Alvesta 6 767 Markaryd 6 1060 Olofström 6 1231 Burlöv 6 1315 Hylte 6 1473 Töreboda 6 1490 Borås 6 1785 Säffle 6 1863 Hällefors 6 1961 Hallstahammar 6 1980 Västerås 6 2481 Lycksele 7 114 Upplands-Väsby 7 123 Järfälla 7 126 Huddinge 7 136 Haninge 7 180 Stockholm 7 191 Sigtuna 7 1280 Malmö 8 2321 Åre 8 2380 Östersund 8 2581 Piteå 9 662 Gislaved 9 683 Värnamo 9 9 1282 617 Landskrona Gnosjö 23

10 10 10 10 10 10 2518 1486 1730 1765 2583 1438 Övertorneå Strömstad Eda Årjäng Haparanda Dals-Ed 11 821 Högsby 11 860 Hultsfred 11 1447 Gullspång 11 1860 Laxå 11 2425 Dorotea 12 12 181 127 Södertälje Botkyrka Beräkning av inflyttarandelar Beräknat på inflyttarna 1999-2003. I tabellerna med data för inflyttade har personer med utbildningskod 99 förts till grupp med utbildningskod 1 (se motivering under avsnitt om utflyttarrisker). Fördelningen är beräknad för kön (1,2), födelseland (1,2,3) och utbildningsnivå (1,2,3,4) per inflyttartyp (12 kluster enligt ovan). andel T ( k, f, u) = #inft ( k, f, u) inf ( k, f, u) k, f, u T Osannolika utbildningsnivåer är bortrensade (se Tabell 4). Utjämning av kurvorna. Ingen utjämning av de yngsta i en utbildningsnivågrupp (hanteras som 0-åringar) och de näst yngsta i en utbildningsnivågrupp utjämnas som 1-åringar. Värdena för de olika åren (1999-2003) är sammanvägda enligt principen: (((År1+år2)/2+år3)/2+år4)/2 Skillnader jämfört ned föregående version: 12 typer istället för 13 Klustringen baseras på både immigration och inrikes inflyttning, inte bara den inrikes inflyttningen som i förra versionen Resultat När de nya respektive gamla inflyttarfördelningarna tillämpas för åren 1998 till 2003 underskattas antalet inflyttare i åldern 20-30 med 14 procent med de gamla inflyttarfördelningarna, medan de nya inflyttarfördelningarna ger en underskattning med 3 procent. 24

Tabell 16 Total felskattning för åren 1998-2003 av antalet inflyttare i åldern 20-30 med de gamla respektive nya parametrarna (kommuner som omnämnts ovan) Kommun ny typ Gammal typ rel fel gammal prognos rel fel ny prognos Österåker 1 2 11 11 Värmdö 1 2 21 21 Kungsbacka 1 2 8 7 Danderyd 2 13 3 9 Härjedalen 3 4-27 -23 Sundbyberg 5 9-22 -3 Solna 5 11-19 -6 Huddinge 7 6-15 19 Gnosjö 9 7-19 -10 Dals-Ed 10 1-22 -22 Strömstad 10 6-3 -9 Övertorneå 10 8-8 -7 Laxå 11 3 12 8 Dorotea 11 3 0-4 Södertälje 12 6-16 -4 Botkyrka 12 7-16 -3 Utbildningsbyte Klustring I förra versionen baserades beräkningen av övergångssannolikheter enbart på uppgifter för år 1995. Skälet var att klassificeringen av utbildningsgrupper ändrades under tidsperioden 1991-1995. De nya klustringen och beräkningen bygger på uppgifter för åren 2001-2003. Anledningen till att data för 1998-2000 inte används är, liksom tidigare, att klassificeringen ändrats på nytt varför det inte är möjligt att jämföra de olika åren. Tidigare beräknades enbart ett genomsnitt för riket, eftersom det bara fanns uppgifter för ett år. I den nya skattningen har det varit möjligt att klustra kommunerna. Klustringen har genomförts med samma metod som för fruktsamhet och utflyttning. I SAS har kommuner klustrats m.a.p. utbildningsbyte per utbildningsnivå. Klustringen avser endast sådana utbildningsbyten som innebär att personen höjt sin utbildningsnivå. Inga byten från nivå 4 är med och inte heller byten som innebär att personen är kvarstannar på samma utbildningsnivå. Således har klustringen tagit hänsyn till 7 variabler. 25

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

Tabell 17 Kommuner per kluster Kluster Kod Namn 2 680 Jönköping 2 780 Växjö 2 880 Kalmar 2 1380 Halmstad 2 1496 Skövde 2 1780 Karlstad 2 1880 Örebro 2 2580 Luleå 3 160 Täby 3 180 Stockholm 3 182 Nacka 3 183 Sundbyberg 3 184 Solna 3 1280 Malmö 3 1480 Göteborg 4 380 Uppsala 4 580 Linköping 4 2480 Umeå 5 162 Danderyd 5 186 Lidingö 6 1281 Lund Utbildningsbytesberäkningar Beräknat på utbildningsbyten 2001-2003 för befolkningen 16-74 år. Utbildningskod 99 sätts till kod 10. Data rensas från osannolika utbildningsövergångar vad gäller ålder (samma gränser som för fruktsamhetstalen, se Tabell 4) och utbildningsnivå (ex 31 till 24). Observationerna summeras över år innan övergångssannolikheterna beräknas. Unika sannolikheter för kommuntyp, svenskfödda, kön, åldersgrupp (alla typer) samt för utlandsfödda för kommuntyp 1 och 3, i övrigt baseras sannolikheten på riket utom typ 1och 3 för utlandsfödda. Enligt klustringen ovan. I de fall där sannolikheter saknas för övergångar från en viss utbildningsnivå (för en typ, åldersgrupp, födelseland och kön) antas övergången ske till samma utbildningsnivå med sannolikheten 1 (dvs. ingen övergång). Skillnader jämfört ned föregående version: I förra skattningen beräknades enbart ett riksgenomsnitt, eftersom det bara fanns uppgifter för ett år. I den nya skattningen har kommunerna klustrats, vilket resulterat i 6 olika utbildningsbytestyper. 27

Appendix: Kommentar angående asylsökande I de fall då kommuner har ovanligt stor mottagningsverksamhet av asylsökande (i eget eller anläggningsboende 2 ) blir framskrivningen av t ex antal in- och utflyttare med utländskt födelseland ofta felskattad. Möjligtvis skulle det behövas specialtyper för dessa kommuner. Nedan listas de kommuner som år 2004 hade flest asylsökande i eget boende respektive anläggningsboende. När en asylsökande får uppehållstillstånd sker registrering som immigrant. De tio kommuner där flest asylsökande valt ett eget boende De tio kommuner där Migrationsverket har flest antal inskrivna asylsökande i anläggningsboende Kommun, Antal asylsökande Kommun, Antal asylsökande 1 Stockholm, 4 973 1 Boden, 769 2 Göteborg, 2 168 2 Hultsfred, 706 3 Malmö, 1 657 3 Sundsvall, 594 4 Botkyrka, 1 223 4 Laxå, 588 5 Södertälje, 720 5 Skellefteå, 570 6 Huddinge, 655 6 Söderhamn, 536 7 Örebro, 389 7 Uppvidinge, 525 8 Uppsala, 362 8 Jönköping, 516 9 Helsingborg, 311 9 Kiruna, 447 10 Nacka, 282 10 Flen, 443 Källa: Statistik från Migrationsverket 2004-12-02 2 Anläggningsboende anordnas och finansieras av Migrationsverket, företrädelsevis i vanliga hyreslägenheter. Eget boende anordnas av den asylsökande själv. 28

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

Tabell 18 Skattningsresultat arbetskraftsutbud Beroende variabel lraku OLS koefficient t-värde Konstant -0.349-4.09 Laggad variabel 0.586 14.45 Arbetslöshet -0.711-3.68 Universitet -6.609-3.74 Ålder 16-19 0 -- 20-24 0.214 3.82 25-34 0.533 5.98 35-44 0.741 7.02 45-54 0.746 7.00 55-59 0.639 7.20 60-64 0.244 4.45 65-w -0.983-9.85 Utbildningsnivå Kort utbildning 0 -- 3-årig gymn 0.382 9.88 Kort eftergymnasial 0.236 7.42 Lång eftergymnasial 0.518 11.18 Kön Man 0 -- Kvinna -0.108-4.70 Födelseland Sverige 0.386 7.93 Övriga Norden 0.365 7.88 Övriga världen 0 -- R 2 0.720 Antal observationer 8024 Anm: Avser År 2001 och 2002, 81 LA-regioner, data avser observationer med minst 10 personer i arbetskraften. 30

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

Tabell 19 Skattningsresultat arbetslöshet Beroende variabel lraka OLS koefficient t-värde Konstant -1.219-35.34 Laggad variabel 0.080 10.73 Syss.förändring -0.991-9.85 Förändring rikets arbetslöshet 2.554 6.95 Ålder 16-19 0 -- 20-24 0 -- 25-34 -0.450-17.01 35-44 -0.725-26.58 45-54 -0.878-31.31 55-59 -0.718-23.03 60-64 0 -- 65-w 0 -- Utbildningsnivå Kort utbildning 0 -- 3-årig gymn 0 -- Kort eftergymnasial -0.796-18.78 Lång eftergymnasial -0.689-25.03 Kön Man 0 -- Kvinna -0.212-11.59 Födelseland Sverige -1.114-48.78 Övriga Norden -0.516-14.99 Övriga världen 0 -- R 2 0.542 Antal observationer 5574 Anm: Avser År 2001 och 2002, 81 LA-regioner, data avser observationer med minst 10 personer i arbetskraften. 32

Balansering av arbetsmarknaden I raps avser (total) efterfrågan på arbetskraft både sysselsatta (SYS) och arbetslösa (AKA). Utbudet på arbetskraft avser både regionens egna arbetskraftsutbud (AKU), och nettopendling till regionen (PND). AKU och AKA modellberäknas med ledning av de skattade samband som beskrivits ovan. I hittillsvarande versioner av raps har anpassningen mellan efterfrågan och utbud enbart ägt rum på utbudssidan, dvs. utbudet anpassas till efterfrågan. Arbetsmarknaden är segmenterad i 12 utbildningsgrupper (u) och anpassningen sker för varje separat utbildningsgrupp. Den modellberäknade efterfrågan, sysselsatta och arbetslösa, SYS(u) + AKA(u), ska således mötas av ett lika stort utbud, AKU(u) + PND(u). Om det modellberäknade utbudet är större än efterfrågan nedjusteras det preliminärt beräknade AKU(u), dvs. det relativa arbetskraftstalet sjunker. Om det modellberäknade utbudet är mindre än efterfrågan görs anpassningen om nödvändigt i två steg. Först uppjusteras AKU(u) för att om möjligt uppfylla villkoret att AKU(u) + PND(u) = SYS(u) + AKA(u). Den tillgängliga befolkningen BEF(u) i yrkesverksam ålder (här 20-64 år) sätter dock en gräns för hur stor uppjustering kan bli, dvs. AKU(u) får inte vara större än BEF(u). Om denna restriktion medför att det kvarstår en brist på arbetskraft sker i ett andra steg en uppjustering av nettopendlingen till regionen. En ökad nettopendling åstadkommes helt genom ökad inpendling, IPND(u), medan utpendlingen, UPND(u), antas vara opåverkad. Det finns i modellen ingen gräns hur mycket inpendlingen kan öka. Här ska vi dels diskutera grunden eller motivet för att fördela arbetskraftsefterfrågan på utbildningsgrupper, dels presentera det alternativ till balansering av arbetsmarknaden som ingår i version 2.0. Utbildningsgrupper som arbetsmarknadssegment? Det finns en teoretisk grund för att se arbetsmarknaden segmenterad i delarbetsmarknader, med separat balansering av respektive delmarknad. Det finns exempelvis tydliga skillnader mellan olika yrkeskategorier, t ex byggarbetsmarknaden och arbetsmarknaden för lärare. En brist på lärare och ett överskott på byggnadsarbetare kan inte utan vidare lösas genom att skolan anställer byggnadsarbetare att tjänstgöra som lärare. I raps är arbetsmarknaden uppdelad på delmarknader med avseende på utbildningsbakgrund, med 12 grupper indelade efter inriktning och nivå. Med denna uppdelning blir gränsen mellan olika delmarknader inte alltid lika tydlig som vid en uppdelning efter yrkesbakgrund. Det går visserligen att hitta exempel på distinkt avgränsade grupper. T ex är det rimligt att förutsätta att en brist på personer med vårdutbildning på högskolenivå (t ex läkare) inte kan lösas av ett överskott på personer med gymnasieutbildning (oavsett inriktning). 33