MATCHNING PÅ DEN SVENSKA ARBETSMARKNADEN

MATCHNING PÅ DEN SVENSKA ARBETSMARKNADEN En regional studie med fokus på utrikesfödda Cesar Pawlik Kandidatuppsats i nationalekonomi, 15 hp Nationalekonomi C100:2 Vårterminen 2019

Abstrakt Matchningen på arbetsmarknaden kan mätas med hjälp av Beveridgemodellen. I denna modell är arbetslöshet och vakanser centrala mått för att mäta matchningsgraden. Det är dock möjligt att utöka denna för att ta hänsyn till individsammansättningen i arbetskraften och konjunkturförändringar. I denna studie används data från Sveriges samtliga 21 län under tidsperioden 2006 2018 för att avgöra hur individsammansättningen i arbetskraften kan påverka matchningen. Detta görs med paneldataregressioner där både fixa effekter och tidseffekter används. Fokuset med denna studie ligger på utrikesfödda, dels för att tidigare studier visat att denna grupp har svårt att etablera sig på arbetsmarknaden, men även på grund av den rådande samhällsdebatten kring integration. När hänsyn togs till fixa effekter och multikollinearitetsproblem visar studien att en ökning av utrikesfödda som andel av befolkningen med 1% ökar arbetslösheten med 0,91%. När tidseffekter inkluderas blir dock parameterestimatet ej signifikant, och det går då ej att säga vilken effekt utrikesfödda har på arbetslösheten. Framtida studier skulle kunna göra en omformulering av modellen likt Håkansson (2014) med annat data för att få signifikanta estimat då tidseffekter inkluderas. Nyckelord: Beveridgekurva, matchning, vakanser, individsammansättning, utrikesfödda, regional nivå

Innehållsförteckning 1. Inledning... 1 1.1 Bakgrund... 1 1.2 Frågeställningar... 2 1.3 Data och metod... 3 1.4 Disposition... 3 2. Tidigare forskning... 4 2.1 Regionala matchningsstudier... 4 2.2 Utrikesfödda på arbetsmarknaden... 6 3. Teoretisk bakgrund... 10 3.1 Beveridgemodellen... 10 4. Data... 13 5. Metod... 15 5.1 Empirisk modell... 15 5.2 Motivation för variabler... 16 6. Resultat... 18 7. Diskussion... 22 8. Slutsats... 26 9. Referenslista... 27 10. Appendix... 30 10.1 Tabell 5... 30 10.2 Tabell 6... 31 10.3 Tabell 7.1 och 7.2... 32 10.4 Tabell 8... 33 10.5 Beveridgekurvor för samtliga län... 34

1. Inledning I detta kapitel ges bakgrund, frågeställningar, data och metod samt disposition för studien. 1.1. Bakgrund I en rapport från finanspolitiska rådet beskrivs Sveriges arbetsmarknad som stark, men inte utan utmaningar (Svensk finanspolitik 2018). Även fast Sverige har den högsta sysselsättningsgraden i Europa råder det ändå vissa problem på arbetsmarknaden. Bland utsatta grupper finns det fortfarande problem med etablering på arbetsmarknaden. Dessa grupper definieras av arbetsförmedlingen som unga, äldre, utrikesfödda och handikappade. Rapporter från arbetsförmedlingen och konjunkturinstitutet indikerar en kontinuerlig sämre matchning på arbetsmarknaden, där arbetslösa inte kan matcha kompetenserna som söks av arbetsgivare. I en rapport av riksrevisionen om arbetsmarknaden efter finanskrisen beror denna försämrade matchningseffektivitet till 33% av en förändrad sammansättning av arbetskraften, där 23 av dessa 33% beror på invandring från flyktingländer (Riksrevisionen 2017). Det är därför viktigt att undersöka hur individsammansättningen påverkar matchningen på arbetsmarknaden. Om statens resurser inte riktas mot rätt ändamål riskerar de att förslösas. I en rapport av Calmfors, Forslund och Hemström fann de att arbetsmarknadsåtgärder har liten påverkan på ökad matchningseffektivitet, och att sådana åtgärder snarare skapar en undanträngningseffekt där vissa grupper gynnas på andras bekostnad (Calmfors et. al, 2002). Efter flyktingkrisen år 2015 har detta problem blivit ännu viktigare att undersöka. När en utsatt grupp ökar i andel av arbetskraften påverkas även individsammansättningen, och därför matchningseffektiviteten. Invandrare från Afrika och Asien har bevisligen mycket svårare att få jobb, där i genomsnitt hälften fått sitt första jobb efter sex år i Sverige, och tre fjärdedelar efter tolv år (Stadin och Videnord, 2017). Särskilt svårt är det för invandrare som saknar gymnasieutbildning, där majoriteten inte får jobb. Regionala arbetsmarknader skiljer sig dock från rikets arbetsmarknad. Finns det anledning att tro att vissa län har bättre matchningseffektivitet än andra? En studie av Aranki och Löf visar att tätbefolkade regioner generellt har lägre matchningseffektivitet än glesbefolkade regioner (Aranki och Löf, 2008). De menar att glesbefolkade regioner har en mer homogen arbetsmarknad, där arbetsgivare lättare finner den arbetskraft som söks. Dessa regioners arbetsmarknad kan utgöras till stor del av en specifik industri, exempelvis trä- och sågindustrier. 1

Andra studier har dock visat att tätbefolkade regioner har bättre matchningseffektivitet då avståndet mellan arbetsgivare och arbetstagare minskar, vilket leder till lägre sökkostnader (Coles och Smith, 1996). Det är dock möjligt att arbetsmarknaden har förändrats tillräckligt genom teknologisk utveckling sedan dess för att sänka dessa sökkostnader. Är det möjligt att avgöra hur stor påverkan individsammansättningen på regionala arbetsmarknader har på matchningseffektiviteten? Denna uppsats ämnar finna ett svar på denna fråga. Genom att ta hänsyn till individsammansättningen på arbetsmarknaden, med fokus på utsatta grupper, kan detta studeras. Eftersom ökningen av utrikesfödda från krigshärjade områden har ökat sen flyktingkrisen kommer ett speciellt fokus ligga på just utrikesfödda. Beveridgemodellen har använts i stor utsträckning för att studera både nationella och regionala arbetsmarknaders matchningseffektivitet. Denna illustreras grafiskt av en konvex nedåtsluttande kurva som beskriver matchningen mellan arbetslösa och vakanser. Det som är av störst intresse är huruvida denna kurva skiftar utåt eller inåt över tid, där ett skifte utåt visar på sämre matchningseffektivitet och vice versa. Studier på Sveriges Beveridgekurva visar att denna skiftat utåt sedan 80-talet, även när hänsyn tas till konjunkturella förändringar under ekonomiska kriser (Karlsson och Skånberg, 2012). Detta visar därför att individsammansättningen och en förändrad kompetensefterfrågan på arbetskraft ligger bakom detta. 1.2. Frågeställningar Uppsatsens frågeställningar är följande: 1. På vilka sätt påverkar individsammansättningen matchningseffektiviteten på regionala arbetsmarknader? 2. Hur stor påverkan har utrikesfödda på denna matchningseffektivitet? 2

1.3. Data och metod Samtliga data har hämtats från SCB och arbetsförmedlingen. Studien kommer baseras på tidsseriedata och regressionen kommer göras med en paneldatamodell. Inkluderat i denna modell är Sveriges samtliga 21 län under tidsperioden 2006 2018. Studien kommer avgränsas till att endast inkludera variabler som behandlar individsammansättningen i arbetskraften. 1.4. Disposition Uppsatsens disposition är följande: i kapitel 2 görs en genomgång av tidigare studier kring matchningseffektivitet och utrikesföddas position på arbetsmarknaden. I kapitel 3 beskrivs den teoretiska modellen. I kapitel 4 ges en översikt av data som kommer användas för studien. I kapitel 5 presenteras metoden som kommer användas för regressionen. I kapitel 6 presenteras resultatet av regressionsanalysen. I kapitel 7 diskuteras resultaten, och slutligen presenteras slutsatsen i kapitel 8. 3

2. Tidigare forskning I detta kapitel kommer tidigare studier kring matchning på arbetsmarknaden och utrikesföddas ställning på arbetsmarknaden presenteras. 2.1. Regionala matchningsstudier I detta avsnitt presenteras tidigare studier kring matchningseffektiviteten på regional nivå i Sverige och liknande studier i andra länder. Tidigare studier kring matchningseffektiviteten i Sverige har gjorts av bland annat Håkansson (2014) och Aranki och Löf (2008). Håkansson beskriver matchningen på den svenska arbetsmarknaden före och efter finanskrisen 2008 och hur den har påverkats av förändrad individsammansättning. Hon finner att en stor del av den försämrade matchningseffektiviteten kan förklaras av en ökad andel av utsatta grupper i arbetskraften. Utsatta grupper på arbetsmarknaden definieras som unga, äldre, utrikesfödda och handikappade. Slutsatsen av rapporten är att eventuella åtgärder av riksbanken, såsom aktiv penningpolitik, inte kan minska arbetslösheten bortom en viss gräns då individsammansättningen spelar en stor roll för matchningseffektiviteten. Om fel åtgärder tas för att minska arbetslösheten riskerar matchningseffektiviteten att försämras då vissa branscher saknar arbetskraft och/eller en del av arbetskraften har fel kompetens än vad arbetsgivare söker. Detta kan leda till att inflationstrycket ökar via löneökningar även fast det finns outnyttjad arbetskraft på arbetsmarknaden. Aranki och Löf beskriver Sveriges matchningseffektivitet på regional nivå i tidsperioder mellan åren 1992 2007. De finner att denna försämrats över tid för samtliga län, dock mer för tätbefolkade län jämfört med glesbefolkade län. Länet med bäst matchningseffektivitet var Jämtlands län och länet med sämst matchningseffektivitet var Blekinge. Som nämnt i introduktionen antas detta bero på att glesbefolkade regioner oftare har en mer homogen arbetsmarknad, vilket gör det lättare för arbetsgivare och arbetstagare att matcha. Figur för samtliga läns matchningseffektivitet visas nedan. 4

Figur 1. Regionala skillnader i matchningseffektivitet. Källa: Aranki och Löf (2008) Y-axeln visar matchningseffektiviteten uttryckt som utflöde till jobb i en stock-flöde modell. I figur används Blekinge län som referens för andra län. I en studie av Wall och Zoega (2002) studeras matchningseffektiviteten mellan regioner i Storbritannien, och dessa jämförs sedan med den aggregerade matchningseffektiviteten. Resultatet visade, likt tidigare studier, att Storbritanniens Beveridgekurva har skiftat sedan 70- talet. Wall och Zoega kunde dock inte avgöra hur mycket av skiftet som berodde på strukturella skillnader (förändringar i arbetsmarknadens struktur, individsammansättning, policyförändring mm.) respektive konjunkturella skillnader (hög- och lågkonjunkturer). De kommer ändå fram till att strukturella skillnader är betydelsefulla för matchningen på arbetsmarknaden. Det är nämnvärt att långtidsarbetslöshet inte har en betydande påverkan på matchningseffektiviteten i Wall och Zoegas modell genom så kallad hysteresis. Om en person är arbetslös i över ett år (enligt arbetsförmedlingens definition) så räknas denne som långtidsarbetslös. Efter en konjunkturskock kan långtidsarbetslösa ha svårt att komma in i arbetslivet igen ifall deras färdigheter försämrats under tiden de varit arbetslösa. Det kan även ge dåliga signaler till arbetsgivare angående deras produktivitet, då arbetsgivare kan tolka långa perioder av arbetslöshet som en brist på initiativtagande. Detta kan i sin tur höja jämviktsarbetslösheten i samhället. Det finns dock andra studier som visar att långtidsarbetslöshet ligger till grund för en del av försämringen av matchningseffektiviteten (Bova et al., 2018; Barnichon och Figura, 2013). 5

I en studie av Bouvet studeras Beveridge kurvan på både nationell och regional nivå för ett antal europeiska länder. Både strukturella och konjunkturella faktorer tas med i beräkningen, såsom individsammansättning på arbetsmarknaden och räntesatser. Studien finner stöd för att långtidsarbetslöshet har varaktiga effekter på arbetslösheten då jämviktsnivån för arbetslösheten kan förändras permanent. Bouvet finner även att Beveridge kurvan skiftar utåt av höjda minimilöner och arbetslöshetsersättning (Bouvet, 2012). 2.2. Utrikesfödda på arbetsmarknaden Som tidigare nämnt är utrikesföddas påverkan på matchningseffektiviteten fokus för denna uppsats och därför kommer ett eget avsnitt tillägnas detta ämne. Arbetsförmedlingen räknar utrikesfödda som en utsatt grupp på arbetsmarknaden och använder därför särskilda resurser för att hjälpa dessa. Efter finanskrisen har även skillnaden i arbetslöshet ökat mellan inrikesoch utrikesfödda ökat. Men vilka hinder står utrikesfödda inför på arbetsmarknaden? Figur 2. Figur visar skillnad i arbetslöshet mellan inrikes- och utrikesfödda under tidsperioden 2005 2018. Källa: SCB 6

I en rapport av Eriksson m.fl. tas fem olika faktorer upp som är särskilt relevanta för just utrikesföddas ställning på arbetsmarknaden (Eriksson et.al, 2017). I dessa ingår individens humankapital, formella och informella nätverk, arbetsgivarens krav för att betrakta en person som anställningsbar, diskriminering, och slutligen policy för utrikesfödda på arbetsmarknaden. I humankapital begreppet läggs särskilt fokus på egenskaper som påverkar en persons anställningsbarhet, vilket i detta fall är utbildningsnivå och språkkunskaper i svenska. Studier visar att investering i en högre utbildningsnivå har en särskilt positiv effekt för grupper som har svårt att etablera sig på arbetsmarknaden (Rooth och Åslund, 2006) men att avkastningen är högre om denna genomförts i Sverige (Nordin, 2009). Största skillnaden mellan inrikesfödda och utrikesfödda i sysselsättningsnivå finnes bland lågutbildade (Lundborg 2013). Utrikesfödda med jobb är i högre utsträckning än inrikesfödda överutbildade för sina arbeten. En tredjedel av högutbildade utrikesfödda är även överutbildade för sina arbeten (Stadin och Videnord, 2017). Det finns dock studier som visar att utbildningar i Afrika och Asien ger en lägre kompetensnivå än motsvarande utbildningar i Sverige som kan förklara denna skillnad. En utbildning i Sverige gör även att man skapar nätverk och språkkunskaper som är relevanta för arbetsmarknaden, något som inte fås i ursprungslandet. Detta knyter an till formella och informella nätverk. Social kompetens och nätverk som skapats i ursprungslandet är inte nödvändigtvis överförbara till Sverige. Arbetsförmedlingen (2016) bedömer att runt 70% av lediga jobb i Sverige inte annonseras av dem, vilket gör att informella nätverk blir särskilt viktiga. Nyanlända som bosätter sig i områden med homogen etnisk mångfald skapar visserligen bättre informella nätverk, men dessa består oftast av personer som är lågutbildade och arbetslösa, vilket inte leder till bättre integration på arbetsmarknaden. Istället verkar det som att kontakt med inrikes födda i större utsträckning leder till bättre etablering på arbetsmarknaden (Eriksson et.al, 2017). Språkkunskaper i svenska är en del av humankapitalet och onekligen en viktig del i utrikesföddas anställningsbarhet. Personer som deltar i sfi (svenska för invandrare) skapar en starkare ställning över tid på arbetsmarknaden genom inlärning av det svenska språket och investering i humankapital (Kennerberg och Åslund, 2010). Orsakssambandet mellan sfi och anställningsbarhet är dock omstridd. Deltagande och slutförande av sfi är en form av investering i humankapital, och personer som deltar och slutför kan anses redan besitta egenskaper som gör de anställningsbara. Exempelvis är det fler högutbildade som slutför sfi än lågutbildade, vilket visar att dessa individer troligtvis redan var högproduktiva och anställningsbara tidigare. Likt 7

investering i utbildningsnivå är deltagande i sfi mer gynnsamt för lågutbildades ställning på arbetsmarknaden än för högutbildade. Slutförande av utbildningen fungerar även som en signalering till arbetsgivare om hög produktivitet (Kennerberg och Åslund, 2010). Dustmann och Fabbri gjorde en studie kring hur språkkunskaper påverkade anställningsbarheten i Storbritannien, och fann att anställningsbarheten ökade med 22% om flytande språkkunskap erhölls (Dustmann och Fabbri, 2003). Studien visade även att flytande språkkunskaper korrelerade med 18 20% högre lönenivå. När det gäller policy för utrikesfödda på arbetsmarknaden har en del åtgärder vidtagits. Exempelvis finns det redan så kallade instegsjobb där staten subventionerar lönekostnaden upp till 80% för arbetsgivare. Inom offentlig sektor är denna subvention 100% med bidrag för handledning utöver detta. Denna åtgärd utnyttjas dock sällan av arbetsgivare och har haft en obetydlig effekt på sysselsättningsnivåerna för utrikesfödda som grupp (Forslund et al., 2017). Anledningar till detta anses av Riksrevisionen vara bland annat en ovilja av arbetsgivare att bli beroende av myndigheter, omständliga system och tilläggskrav. Detta knyter an till kraven för att betrakta en individ som anställningsbar, där lönenivån inte verkar vara det enda som arbetsgivaren är intresserad av när denne anställer en utrikesfödd person. Det finns ingen lagstadgad minimilön i Sverige, endast industrispecifika minimilöner skapade av fackliga avtal. Det har dock lagts fram förslag för att minska dessa minimilöner för att lättare kunna matcha nyanländas lägre kompetens med möjliga arbeten (Finanspolitiska rådet 2017). Dels kan det leda till en ny väg in på arbetsmarknaden, men även möjligen skapa nya jobb som inte var möjliga tidigare på grund av höga lönenivåer. Hur många sådana jobb som faktisk skulle skapas är dock tveksam, och skulle kunna bli en lång process. Det är orimligt att tro att jobb som skoputsare, bilfönsterputsare och liknande arbeten plötsligt skulle skapas och integreras i den svenska kulturen och arbetsmarknaden utan förhinder (Sanandaji, 2017). Det är även möjligt att anställningsbarheten av utrikesfödda påverkas av diskriminering. I och med att internet har blivit en mer utbredd sökkanal för jobb har det blivit lättare att utföra studier där olika karakteristiker ändras för att mäta anställningsbarheten. Eriksson och Lagerström (2009) utförde en studie där detta studerades. De fann bland annat att namn som var ickenordiska hade en negativ effekt på anställningsbarhet, och fick inte lika många svar tillbaka från arbetsgivare. Det är däremot svårt att skilja på två olika diskrimineringstyper, statistisk diskriminering och preferensbaserad diskriminering. Statistisk diskriminering innebär att arbetsgivaren korrelerar icke-observerbara egenskaper med observerbara sådana, och antar alltså att personen på grund av sitt namn besitter andra negativa egenskaper som inte observeras 8

i dennes CV. Arbetsgivaren gör alltså en bedömning av personens produktivitet genom detta. Den andra formen innebär att arbetsgivaren specifikt endast vill anställa personer ur en viss grupp, denna form är även den som klassas som faktiskt diskriminering då den inte är rationellt baserad. I vilken utsträckning vardera form dominerar är oklart, men troligtvis står statistisk diskriminering för den större delen. Oavsett leder detta till lägre anställningsbarhet för utsatta grupper på arbetsmarknaden. En ytterligare anledning till att utrikesfödda har svårt att finna jobb i Sverige kan vara den starka teknologiska utvecklingen. Studier har gjorts om huruvida denna utveckling slår ut enklare jobb genom datorisering och effektivisering. En allmän föreställning är att teknologisk utveckling gör att arbetsmarknaden kommer efterfråga högre kompetenser hos arbetstagarna, kallat skillbiased technical change (Eriksson et.al, 2017). Däremot har det visat sig att denna utveckling är mer polariserande snarare än undanträngande, det är snarare så att arbeten som är lågbetalda och högbetalda har ökat i antal, och arbeten i mitten har minskat. Det finns alltså vissa enklare arbeten som ännu inte går att ersätta med datorer. Denna utveckling har dock avtagit de senaste 15 åren, och lågkvalificerade yrken har därför minskat i förhållande till högkvalificerade yrken. 9

3. Teoretisk bakgrund I detta kapitel presenteras valet av den teoretiska modellen som ligger till grund för studien. Utöver den grundläggande Beveridgemodellen finns det andra specifikationer av denna. Exempelvis går det att uttrycka relationen mellan arbetslöshet och vakanser som en stockflödemodell (Gregg och Petrongolo, 1997). Stock-flödemodellen kommer dock inte användas i denna studie och kommer därför inte presenteras. 3.1. Beveridgemodellen Beveridgekurvan uttrycks generellt som en funktion där matchningen på arbetsmarknaden beror av arbetslöshet och vakanser (Petrongolo and Pissarides, 2001).! = #$(&, () (1) Där & anger antalet arbetslösa som söker arbete, och ( antalet lediga jobb, kallat vakanser, som behöver fyllas. # anger faktorer som kan påverka matchningseffektiviteten och därmed skifta kurvan. Dessa faktorer kan bland annat vara förändringar mellan vad som efterfrågas på arbetsmarknaden och vad som erbjuds av arbetssökande. Denna enklare form av matchningsfunktionen bortser från heterogena och segmenterade sektioner på arbetsmarknaden och jobb-till-jobbsökning (Elsby et al. 2015). Det finns evidens för att en stor del av de fyllda vakanserna sker genom jobb-till-jobbsökning och anställning från utanför arbetskraften som inte tas till hänsyn i denna modell (Hall och Schulhofer-Wohl, 2015). Den funkar dock bra för att ge en översiktlig bild av arbetsmarknadens utveckling. Vidare går det att uttrycka denna funktion i Cobb-Douglas form (Barnichon, Figura 2013):! = #& + (,-+ (1 ) Generellt antas funktionen vara homogen av grad 1, dels för enkelhetens skull men även för att detta förekommer i faktiska studier (Petrongolo and Pissarides, 2001). Detta innebär att funktionen har konstant skalavkastning. Det finns dock evidens för att funktionen har tilltagande skalavkastning på kort sikt, men att den sedan övergår till konstant på lång sikt (Blanchard and Diamond, 1989). Funktionen i denna uppsats antas dock ha konstant skalavkastning. 10

Låt. =! där. anger antalet separationer från arbete till arbetslöshet på arbetsmarknaden, där / = 0 1 anger separationsgrad. I jämvikt kommer separationsgraden / vara lika med matchningsgraden $ = 2 1 (Wall and Zoega, 2001). Låt även 3 = 4 och 5 = 6 där 7 är storlek på arbetskraften. Funktionen får då formen: 1 1 / = #3 + 5,-+ (1 ) Denna funktion uttrycker antalet separationer., arbetslösa & och vakanser ( som andel av arbetskraften 7. En visualisering av Beveridgekurvan visar att den har en negativ lutning. Med en given separationsgrad / och matchningsteknologi # måste antalet vakanser vara höga om arbetslösheten är låg för att matchningsgraden $ ska balansera separationsgraden /. Kurvan representerar därför ett jämviktstillstånd där separationsgraden och matchningsgraden är densamma. Figur 3. Figuren visar utbytessambandet mellan vakanser och arbetslösa. Källa: Konjunkturinstitutet (2013) En rörelse längs kurvan kan ske genom konjunktursvängningar i landets ekonomi, så kallade konjunkturella förändringar (Konjunkturinstitutet 2013). Exempelvis leder lägre produktivitet i ekonomin till att matchningar som tidigare var gynnsamma för företagen inte längre är det. Detta gör att arbetslösa måste bli mer produktiva för att matcha företagens krav om de ska finna en matchning. Detta leder till högre arbetslöshet och en rörelse nedåt längs kurvan (Håkansson, 2014). Resan mellan hög- och lågkonjunktur skapar en loop där ekonomin rör sig upp och 11

ner längs kurvan givet att matchningsteknologin # hålls konstant. Detta kan visualiseras av resan från punkt A till F, och åter till punkt A igen. Det finns dock evidens för att konjunkturskocker inte enbart leder till förflyttningar längs kurvan, utan kan skapa skift av kurvan (Bouvet, 2012). Skiften utåt och inåt av kurvan sker generellt på grund av en förändring av matchningsteknologin #, oberoende av hur arbetsgivare och arbetstagare agerar, och kallas strukturella förändringar. Dessa är följande: förändringar i matchningseffektivitet, separationsgrad och arbetskraftens tillväxt (Konjunkturinstitutet 2013). Ponera att sammansättningen i arbetskraften förändras genom att fler ungdomar deltar i arbetskraften. Detta skulle leda till att kurvan skiftar utåt då matchningseffektiviteten försämras eftersom ungdomar som grupp har svårare att finna arbete. Detta skulle göra att det nya jämviktsläget går från punkt A till B i kurvan. För att lättare kunna skatta sambanden kommer en logaritmerad funktion av ekvation (1 ) enligt följande form användas: ln(/) = # + ; ln(3) + (1 ;)ln(5) (2) 12

4. Data Samtliga data har hämtats från arbetsförmedlingens statistikdatabas samt SCB. Statistiken är på regional nivå mellan tidsperioden 2006 2018. Anledningen till att denna tidsperiod används är för att flera variabler, bland dessa långtidsarbetslöshet, endast finns från och med år 2005 2006. Nedan följer deskriptiv statistik för variablerna som kommer användas senare i regressionen. Samtliga variabler uttrycks som andelar. För arbetslösa, vakanser och långtidsarbetslösa är dessa andelar av arbetskraften. Storleken av arbetskraften har räknats ut genom att summera antalet arbetslösa med data från arbetsförmedlingen och sysselsatta med data från SCB. För unga, äldre, utrikesfödda, andragenerationsinvandrare, och behöriga till gymnasium inrikes/utrikesfödda anges dessa som andelar av befolkningen. Tabell 1: Data Variabel Definition Källa u Arbetslöshet anges som andelen personer som är arbetslösa SCB av arbetskraften. v Vakanser uttrycks som kvarstående platser i slutet av varje månad. Eftersom datat är månadsvis så kommer den göras om till ett genomsnitt för året genom att summera vakanserna för varje månad och dividera med antalet månader för året. AF Långarb Denna variabel anger andelen långtidsarbetslösa i varje AF region mellan perioden 2006 2018. Definitionen för långtidsarbetslöshet är enligt arbetsförmedlingen (Regleringsbrev, 2016) olika beroende på vilken åldersgrupp personen tillhör. För denna uppsats kommer det inte göras någon skillnad på åldersgrupper i andelen långtidsarbetslösa och personer som är 18 64 år kommer därför ses som en grupp. Liknande statistiken för vakanserna kommer ett genomsnittsmått göras för varje år för långtidsarbetslösheten. Unga/Äldre Denna statistik anger hur stor andel av befolkningen i en SCB region som hör till gruppen unga respektive äldre. Dessa åldersspann är 15 24 för unga och 55 64 för äldre. Utrikesfödda Denna variabel ses som ett substitut till antal utrikesfödda SCB som andel av arbetskraften. Eftersom denna statistik ej finns på regional nivå antas andelen utrikesfödda i arbetskraften vara proportionell till andelen utrikesfödda i befolkningen. Andragen. inv Denna statistik innefattar andelen av befolkningen i en SCB region som är födda inrikes och som även har en eller två föräldrar som är födda utomlands. 13

Utrikes/inrikesgym Denna statistik anger andelen inrikes- och utrikesfödda personer per region som är behöriga till gymnasium. Andelen personer avser andelen av befolkningen som är behöriga till gymnasium. Godsfi Denna statistik anger andelen deltagare i sfi (svenska för invandrare) som uppnått godkänt betyg. SCB SCB Tabell 2: Deskriptiv statistik Variabel Obs Medelvärde Standardavvikelse min max u 273 0,07 0,01 0,041 0,11 v 273 0,01 0,01 0,003 0,026 Långarb 273 0,02 0,01 0,007 0,050 Unga 273 0,13 0,01 0,105 0,150 Äldre 273 0,13 0,01 0,105 0,150 Utrikesfödda 273 0,13 0,04 0,043 0,255 Andragen. invandrare 273 0,01 0,05 0,053 0,182 inrikesgym 231 0,9 0,02 0,86 0,935 utrikesgym 225 0,65 0,07 0,453 0,792 Godsfi 252 0,48 0,08 0,304 0,713 14

5. Metod I detta kapitel presenteras val av den empiriska modellen och motivation bakom vilka variabler som inkluderas. 5.1. Empirisk modell Inspiration för den empiriska modellen kommer huvudsakligen från Wall och Zoega (2002) som studerade regionala Beveridgekurvor samt den aggregerade Beveridgekurvan i Storbritannien. Likt deras modell kommer variabler för långtidsarbetslöshet att inkluderas samt demografiska variabler för att kontrollera för utsatta grupper på arbetsmarknaden. Som beskrivits tidigare i teoriavsnittet kan Beveridgekurvan hamna i en loop under konjunkturella förändringar. Detta kan göra det svårt att avgöra huruvida ett skifte av kurvan beror av en konjunkturförändring eller en strukturell förändring. För att kontrollera för detta kommer en laggad variabel av arbetslöshet inkluderas i modellen (Wall och Zoega, 2002). Estimationen kommer göras med en paneldatamodell med fixa effekter genom minstakvadratmetoden. Den empiriska specifikationen som kommer användas i denna uppsats utgår från ekvation (2), som är en omformulering likt specifikationen som Wall och Zoega gjort. I deras specifikation används arbetslöshet som beroende variabel, och vakanser samt andra variabler är oberoende variabler. Specifikationen för denna studie ser ut som följer: ln(3 >? ) = # + @ > + A? + B, ln(5 >? ) + B C ln(dåfghij >? ) + B K ln(&limno/pörrh >? ) + B S ln(&fgh >? ) + B T ln(ävrio >? ) + B T (&LIMNO/GW$ >? ) + B X ln(yfimno/gw$ >? ) + B Z ln([\r/pm >? ) + Ekvation 3 B ] ln(^frihgofmf5 >? ) + B _ ln(3 >?-, ) + `>? Där M = 1,, 21 och L = 1,,14 3 är arbetslöshet, @ är en dummyvariabel för tidseffekter, R är en dummyvariabel för regioner, 5 är vakansgrad, ` är feltermen. M anger region M och L anger tidsperiod L. Samtliga variabler förutom årseffekter och regionseffekter har logaritmerats. 15

Årliga data kommer användas för estimationen även fast det finns månatlig för vakanser och arbetslöshet. Detta är dels för att endast årligt data finns för de andra variablerna, men även eftersom månatliga data skulle kunna överskatta antalet matchningar då jobb med kortare anställningstid får större utrymme (Hall och Schulhofer-Wohl, 2015). 5.2. Motivation för variabler Variabelnamn Definition 3 Arbetslöshet 3?-, Laggad variabel för arbetslöshet (1 år) 5 Vakansgrad DåFGHIJ Andel långtidsarbetslösa av arbetskraften &LIMNO/PöRRH Andel utrikesfödda i befolkningen &FGH Andel unga (15 24 år) personer i befolkningen ÄVRIO Andel äldre (55 64 år) personer i befolkningen &LIMNO/GW$ Andel utrikesfödda med behörighet till gymnasium av befolkningen YFIMNO/GW$ Andel inrikesfödda med behörighet till gymnasium av befolkningen [\R/PM Andel personer med godkänt sfi ^FRIHGOFMF5 Andel andragenerationsinvandrare av befolkningen Variablerna 3 och 5 fyller en given funktion i modellen, Beveridgemodellen utgår ifrån dessa för att förklara matchningseffektiviteten. De andra variablerna förklarar strukturella förändringar i arbetskraften som kan förklara skift i kurvan. Variabeln långtidsarbetslöshet inkluderas eftersom, som nämnts tidigare i teoridelen, kan matchningseffektiviteten påverkas av detta genom hysteresis. Det kommer troligtvis uppstå en korrelation mellan långtidsarbetslöshet och 3 eftersom man måste vara arbetslös för att slutligen räknas som långtidsarbetslös. Utrikesfödda inkluderas eftersom denna grupp är fokus för uppsatsen. Ytterligare variabler som berör humankapital hos denna grupp inkluderas även. Andelen inrikes/utrikesfödda med behörighet till gymnasium inkluderas för att modellera för någon form av utbildningsnivå och humankapital. Personer som investerar i sin utbildning och sitt humankapital förbättrar sina chanser att få arbete, och detta bör därför minska 16

arbetslösheten. Detsamma gäller delvis för variabeln Andelen med godkänt sfi, som är tänkt att mäta en del av utrikesföddas humankapital genom deras språkkunskaper. Andelen unga/äldre inkluderas eftersom dessa ingår i utsatta grupper på arbetsmarknaden tillsammans med utrikesfödda och handikappade. Rimligtvis bör en större andel av dessa grupper i befolkningen försämra matchningseffektiviteten på arbetsmarknaden och potentiellt förskjuta Beveridgekurvan utåt. Andelen andragenerationsinvandrare inkluderas eftersom försörjningsmönster kan ärvas mellan generationer. Framförallt andragenerationsinvandrare med föräldrar som härstammar från utomeuropeiska länder har liknande försörjningsmönster som sina föräldrar. I en studie av Hammarstedt (2002) jämförs olika invandrargrupper, och finner att inomeuropeiska invandrare lyckas bättre på arbetsmarknaden än utomeuropeiska invandrare. Dock så har invandringen från och med 80-talet till större del bestått av invandring från utomeuropeiska länder. För att modellera för dessa personer inkluderas denna variabel i regressionen. Flera regressioner kommer göras för att modellera för olika effekter. Samtliga regressioner kommer göras med minstakvadratmetoden och med en kombination av fixa- och tidseffekter. 17

6. Resultat I detta kapitel presenteras parameterestimaten för de olika regressionsmodellerna följt av en beskrivning av de relevanta resultaten. Tre olika sorters regressioner gjordes för att jämföra effekten som länsspecifika och årsspecifika effekter kan ha på arbetslösheten. Ett Hausman-test har gjorts för att avgöra om slumpvisa eller fixa effekter bör användas. Testet visade att fixa effekter bör användas. Eftersom samtliga variabler är logaritmerade innebär en förändring i en oberoende variabels koefficient en procentuell förändring i den beroende variabeln. Exempelvis innebär en ökning av vakanser med 1% en minskning av arbetslösheten med 0,15% i tabell 3, modell 1. Tabell 3: Parameterestimat utan kvalitetsvariabler. 273 observationer. Modell 1 Modell 2 Modell 3 ln(v) -0.15*** -0.26*** -0.03 (.04) (.04) (.05) ln(unga) 0.02 1.84*** -0.12 (.23) (.29) (.78) ln(äldre) 0.24-1.90** -1.66* (.27) (.76) (.95) ln(utrikesfödda) 0.22*** -0.32-0.65** (.09) (.19) (.20) ln(andrageninv) -0.14 1.42** 1.76** (.08) (.66) (.79) Fixa effekter Nej Ja Ja Tidseffekter Nej Nej Ja A C 0.12 0.51 (within) 0.69 (within) (*** indikerar att estimatet är signifikant på 1%-nivå, ** 5%, * 10%. Robusta standardfel visas inom parantes) Tabell 3 visar parameterestimat utan variabler som kontrollerar för utbildningsnivå och språkkunskaper, kallade kvalitetsvariabler då de mäter kvalitén på arbetskraften. Estimaten för ln(v) stämmer överens med tidigare studier kring Beveridgemodellen, där det råder ett negativt samband mellan vakanser och arbetslöshet. Parameterestimaten för ln(utrikesfödda) och ln(äldre) är dock oväntade och stämmer inte väl överens med tidigare studier. Estimaten visar att en ökning av äldre och/eller utrikesfödda som andelar av befolkningen skulle minska arbetslösheten. 18

Tabell 4: Parameterestimat med kvalitetsvariabler. 225 observationer. Modell 1 Modell 2 Modell 3 ln(v) -0.15*** (.05) -0.3*** (.04) 0.01 (.06) ln(unga) -0.04 (.24) 1.3*** (.40) -0.01 (.94) ln(äldre) -0.46 (.29) -1.90*** (.65) -1.73* (.89) ln(utrikesfödda) -0.05 (.09) -0.48** (.20) -0.59*** (.19) ln(andrageninv) 0.07 (.09) 1.6** (.64) 1.9*** (.65) ln(utrikesgym) -4.1*** (.60) -0.85 (.66) -0.86 (.71) ln(inrikesgym) -0.4*** (.11) -0.35** (.14) -0.16 (.12) ln(godsfi) 0.15** (.07) 0.15** (.05) 0.12** (.05) Fixa effekter Tidseffekter Nej Nej Ja Nej Ja Ja A C 0.3 0.55 (within) 0.72 (within) Tabell 4 visar parameterestimat med kvalitetsvariabler inkluderade. Återigen finnes oväntade resultat för både ln(äldre) och ln(utrikesfödda), där båda är negativa och signifikanta när fixa effekter och tidseffekter tas hänsyn till. Noterbart är att antalet observationer har minskat från 273 till 225 jämfört med tabell 3. Detta eftersom det saknas data för vissa perioder för variablerna ln(utrikesgym), ln(inrikesgym) och ln(godsfi). I appendix finnes en korrelationsmatris (tabell 6). Denna visar att det råder en stark positiv korrelation mellan ln(andrageninv) och ln(utrikesfödda), och även en stark negativ korrelation mellan ln(äldre) och ln(utrikesfödda). I appendix finnes även ett VIF-test (tabell 7.1) genomförda med samma variabler som i tabell 4. Testet visar höga värden för variablerna ln(utrikesfödda), ln(andrageninv) och ln(äldre). För att ta hänsyn till eventuella multikollinearitetsproblem har ytterligare regressioner gjorts med variablerna ln(äldre) och ln(andrageninv) exkluderade. Exkluderandet av ln(äldre) 19

motiveras främst av resultatet från korrelationsmatrisen, då VIF-värdena i tabell 7.1 var relativt låga jämfört med ln(andrageninv) (3,77 gentemot 6,78). Parameterestimat som tar hänsyn till multikollinearitetsproblem finnes i tabell 8 i appendix. Noterbart i denna regression är att ln(utrikesfödda) har ett positivt signifikant estimat (0,91) när endast fixa effekter används, vilket skiljer sig från tidigare estimat i tabell 4 och 3. När ln(andrageninv) exkluderas skiftar estimatet för ln(utrikesfödda) tecken från negativt till positivt. Detta tyder på att ln(andrageninv) och ln(utrikesfödda) följer samma trend, och att det är svårt att skilja på vilken effekt vardera har på arbetslösheten. Ett VIF-test genomfört efter att variablerna ln(andrageninv) och ln(utrikesfödda) exkluderats finnes i appendix (tabell 7.2). Tabellen visar att variabeln ln(utrikesfödda) nu har ett betydligt bättre VIF-värde än tidigare. Resultatet av korrelationsmatrisen, skillnaden i VIF-värdena mellan tabell 7.1 och 7.2 och skiftena i tecken för ln(utrikesfödda) i regressionen tyder starkt på att det rådde multikollinearitetsproblem. Detta anses dock ha lösts i regressionen i tabell 8. Parameterestimaten för ln(unga) är signifikanta och positiva i modellerna där enbart fixa effekter används. Detta innebär att en ökning av andelen unga i befolkningen skulle öka arbetslösheten, vilket är rimligt då dessa personer anses vara utsatta på arbetsmarknaden. När tidseffekter inkluderas så blir estimaten ej signifikanta. I tabell 4 och tabell 8 är estimaten för ln(inrikesgym) negativa och signifikanta, vilket innebär att en ökning av andelen inrikesfödda med behörighet till gymnasium minskar arbetslösheten. När fixa- och tidseffekter tas hänsyn till i tabell 8 minskar arbetslösheten med 1,86% när denna andel av befolkningen ökar med 1%. Liknande inferens kan inte göras med ln(utrikesgym) då estimaten för denna variabel är ej signifikant när fixa- och tidseffekter används. En intressant förändring sker med variabeln ln(godsfi) när variablerna ln(äldre) och ln(andrageninv) exkluderas. En jämförelse mellan regressionerna i tabell 4 och tabell 8 visar att ln(godsfi) går från att ha signifikanta parameterestimat till ej signifikanta estimat. Korrelationsmatrisen i appendix visar att det råder en svag men inte obetydlig korrelation mellan ln(godsfi) och de exkluderade variablerna (0,39 för ln(äldre) och -0,38 för ln(andrageninv)). Det är möjligt att detta påverkade signifikansnivån för denna variabel. Regressioner med variablerna ln(långarb) och 3?-, visas i tabell 5 i appendix. Parameterestimaten när både fixa effekter och tidseffekter inkluderas presenteras ej, då 20

estimaten för det mesta blev ej signifikanta. Estimaten för ln(äldre) och ln(utrikesfödda) är båda positiva och signifikanta när fixa effekter inte inkluderas, vilket är ett mer väntat resultat än i tabell 4. Detta innebär att en ökning av andelen äldre och utrikesfödda i befolkningen skulle öka arbetslösheten. När fixa effekter inkluderas blir dessa estimat ej signifikanta. Ln(Långarb) är signifikant i samtliga regressioner, vilket är väntat då den korrelerar med den beroende variabeln ln(u). F-test har gjorts för dummyvariablerna för år och regioner för att testa om dessa är signifikanta. I samtliga regressioner då dessa inkluderas är resultatet att de är signifikanta, och att de därför har en påverkan på arbetslösheten. En trolig effekt som fångas upp av tidseffekterna är konjunkturella förändringar som kan antas påverka samtliga regioner likartat. 21

7. Diskussion Tidigare studier (Håkansson, 2014; Bouvet, 2012) som inkluderade variabler för att modellera för individsammansättningen på arbetsmarknaden fann att dessa hade en signifikant påverkan på matchningen. Riksrevisionen (2017) fann att en stor del av denna påverkan efter finanskrisen berodde på utrikesföddas sämre ställning på arbetsmarknaden. Finner denna studie några stöd för dessa resultat? Parameterestimaten visar generellt att det råder ett negativt förhållande mellan arbetslöshet och vakanser, vilket gör att förhållandet kan illustreras grafiskt med en nedåtsluttande konvex kurva som presenterats tidigare i denna studie. Detta stämmer väl överens med tidigare studier som använder sig av Beveridgemodellen som ramverk för att förklara förändringar i matchningen på arbetsmarknaden. Parameterestimaten för vakanser var dock ej signifikanta när tidseffekter togs hänsyn till. Variablerna som kontrollerade för individsammansättningen i arbetskraften producerade blandade resultat. I tabell 3 och 4 har utrikesfödda och äldre personer en negativ effekt på arbetslösheten när fixa effekter kontrolleras för. Detta stämmer inte överens med tidigare studier i ämnet, vilka visar att personer i dessa grupper generellt har en svagare ställning på arbetsmarknaden (se bland annat Arbetsförmedlingen, (2016); Håkansson, (2014); Eriksson et al, (2017)). Andelen andragenerationsinvandrare av befolkningen har en positiv påverkan på arbetslösheten, vilket är ett väntat resultat sett till tidigare studier. När hänsyn togs till multikollinearitetsproblem i tabell 8 fick parameterestimatet för ln(utrikesfödda) ett mer väntat resultat. Parameterestimatet är 0,91; vilket innebär att en ökning av utrikesfödda i befolkningen med 1% gör att arbetslösheten ökar med 0,91%. Detta estimat är dock inte signifikant när tidseffekter inkluderas. Hur stor effekt utrikesfödda har på arbetslösheten jämfört med andragenerationsinvandrare är svår att avgöra på grund av korrelation mellan variablerna. Variablen ln(äldre) behövde exkluderas ur modellen för att få ett signifikant estimat för ln(utrikesfödda), och det är därför svårt att kommentera hur stor påverkan äldre som grupp har på arbetslösheten. Eftersom äldre klassas som en utsatt grupp på arbetsmarknaden bör parameterestimaten teoretiskt sett vara positiva i regressionen. Stöd för detta finnes dock inte i denna studie. Den starka negativa korrelationen mellan dessa variabler (tabell 6) är märklig. Den visar att en ökning av andelen utrikesfödda i befolkningen korrelerar starkt med en 22

minskning av andelen äldre. Det är möjligt att korrelationen beror på någon trend som inte kontrolleras för i regressionen, och som inte helt tas upp av fixa effekter. I samtliga regressioner ökar förklaringsgraden när tidseffekter inkluderas. Detta tyder på att faktorer som påverkar samtliga län likartat över tid har en betydelse för arbetslösheten. Dessa faktorer skulle bland annat kunna vara konjunkturella förändringar. Hur mycket vikt som bör läggas på en höjning av förklaringsgraden bör dock tas med försiktighet, då denna mekaniskt ökar då fler variabler läggs till i modellen. En markant höjning av förklaringsgraden som skedde i modellerna efter att tidseffekter inkluderades bör dock ses som betydelsefull. Tidigare studier finner stöd för att utbytessambandet mellan vakanser och arbetslöshet håller under vanliga svängningar i konjunkturen, men att en konjunkturskock permanent kan skifta denna balans, vilket innebär att tidseffekter bör inkluderas i modellen (Bouvet, 2012). Variablerna som kontrollerade för utbildningsnivå fick blandade parameterestimat. Det som är av störst relevans för denna studie är hur mycket utrikesföddas humankapital påverkar arbetslösheten. När fixa- och tidseffekter användes fick inte ln(utrikesgym) eller ln(godsfi) signifikanta estimat, vilket gör att ingen statistisk inferens kan göras utifrån dessa. I tabell 8 har dock ln(utrikesgym) ett svagt negativt estimat när fixa- och tidseffekter ej används. Detta kan tyda på att investering i en högre utbildningsnivå leder till bättre jobbchanser för utrikesfödda. För variabeln ln(inrikesgym) fås signifikanta negativa parameterestimat i samtliga modeller i tabell 8. Detta innebär att behörighet till gymnasium för inrikesfödda minskar arbetslösheten när hänsyn tas till exempelvis konjunkturella förändringar. När fixa- och tidseffekter tas hänsyn till så är tolkningen att en ökning av den inrikesfödda befolkningen med 1% minskar arbetslösheten med 1,86% givet att de har behörighet till gymnasium. Detta, tillsammans med resultat från tidigare studier, bör indikera att en investering i humankapital bör förbättra jobbchanser även för utrikesfödda. Hur stor denna påverkan är för utrikesfödda är dock oklar utifrån estimaten i denna studie. En finare indelning av utbildningsnivå efter förgymnasial-, gymnasial- och eftergymnasial nivå var ej möjlig att genomföra för denna studie. Data för detta finns ej på regional nivå där skillnad görs mellan inrikes- och utrikesfödda. Det är möjligt att SCB kan producera denna statistik på förfrågan. Framtida studier kan möjligtvis använda sig av denna indelning för att se hur avkastningen av olika utbildningsnivåer yttrar sig mellan inrikes- och utrikesfödda. För denna studie anses dock behörighet till gymnasium vara ett tillräckligt substitut för utbildningsnivå, då denna variabel främst användes som en kontrollvariabel. 23

Likt tidigare studier (F. Bouvet, 2012; Wall och Zoega, 2002) finner denna studie stöd för att långtidsarbetslösheten påverkar jämviktsarbetslösheten, och därmed teoretiskt sett skiftar Beveridgekurvan utåt. I tabell 5 i appendix innebär en ökning av ln(långarb) med 1% en ökning av arbetslösheten med 0,23%. Tolkningen av detta är att individer som varit arbetslösa en längre tid kan förlora sina färdigheter, och även få minskad motivation till att söka nytt arbete. Om dessa ökar som andel av arbetskraften kommer jämviktsarbetslösheten öka i och med att denna grupp har sämre anställningsbarhet. Noterbart är att arbetsförmedlingen gör en åtskillnad mellan åldersgrupperna 18-25 och över 25 år för långtidsarbetslösa. Gränsen för att räknas som långtidsarbetslös som ungdom är 6 månader, vilket är kortare än den äldre gruppens längd på 12 månader. Motiveringen av arbetsförmedlingen för detta är att det är viktigt att få en bra start i arbetslivet som ungdom. En åtskillnad mellan dessa grupper gjordes ej i denna studie, och det är därför möjligt för framtida studier att göra en mer precis indelning för att se hur jämviktsarbetslösheten påverkas. Variabeln 3?-, var tänkt att kontrollera för konjunkturförändringar likt en specifikation av Wall och Zoega. Denna variabel var dock ej signifikant när fixa effekter användes. Det är möjligt att inkluderandet av fixa effekter tog bort effekten av denna variabel, och att den därmed ej är nödvändig för regressionen. Det är möjligt att endast långtidsarbetslöshet är nödvändig för att kontrollera för kraftiga konjunkturförändringar när jämviktsarbetslösheten förändras. Ifall konjunkturförändringar har en stor påverkan på resultatet är en annan möjlighet att kontrollera för dessa mer precist med ett mått för produktionsindex likt Wall och Zoega (2002), istället för att anta att dessa fångas upp av fixa tidseffekter. En möjlighet för att få signifikanta parameterestimat för utrikesfödda som grupp när tidseffekter inkluderas är att göra en omformulering av Beveridgemodellen likt Håkansson (2014) gjort, vilken använder jobbchans som beroende variabel men ändå inkluderar arbetslöshet- och vakanssambandet. I den studien inkluderas individsammansättning men unga, äldre och utrikesfödda anges som arbetssökande hos arbetsförmedlingen, istället för att göra ett antagande om arbetskraftens sammansättning utifrån befolkningens sammansättning. Detta data finns på aggregerad- och regional nivå, och även på månatlig basis. 24

Det finns även utrymme för vidare studier där skillnader mellan länens matchningseffektivitet jämförs likt Aranki och Löfs studie från 2008. En översiktlig jämförelse har konstruerats och finnes i appendix där samtliga län har en Beveridgekurva för tidsperioden 2006 2018. Noterbart är att Blekinge län fortfarande har sämst matchningseffektivitet likt tidigare studier (Aranki och Löf, 2008). En mer detaljerad jämförelse med hjälp av stock-flöde modellen hade passat för att få en uppdaterad bild av länens skillnader. 25

8. Slutsats Frågeställningarna för denna studie var följande: 1. På vilka sätt påverkar individsammansättningen matchningseffektiviteten på regionala arbetsmarknader? 2. Hur stor påverkan har utrikesfödda på denna matchningseffektivitet? Studien har utförts med data för tidsperioden 2006 2018 för samtliga län i Sverige. Variabler för individsammansättningen i arbetskraften och utbildningsnivåer har konstruerats för att mäta dess påverkan på arbetslösheten. Generellt så finner denna studie stöd för att den teoretiska Beveridgemodellen kan användas för att beskriva sambandet mellan arbetslöshet och vakanser på arbetsmarknaden. Det finns även stöd för att en högre andel av unga personer i befolkningen höjer arbetslösheten, vilket är i linje med tidigare studier. Fokuset för studien var hur utrikesfödda påverkade arbetslösheten. Regressionerna som tog hänsyn till multikollinearitetsproblem visade att en ökning av utrikesfödda i befolkningen har en positiv effekt på arbetslösheten. Signifikanta estimat erhölls dock inte när tidseffekter inkluderades. På grund av korrelation mellan utrikesfödda och andragenerationsinvandrare är det svårt att avgöra hur stor effekt vardera har på arbetslösheten. Framtida studier skulle kunna göra en omformulering av modellen och använda jobbchans som beroende variabel likt en studie av Håkansson (2014) på regional nivå. Detta skulle kunna avgöra hur stor effekt utrikesfödda har på arbetslösheten när tidseffekter inkluderas. 26

Referenslista Aranki. T, Löf. M, (2008), Matchningsprocessen på den svenska arbetsmarknaden: En regional analys, Penning- och valutapolitik 1/2008, Riksbanken Arbetsförmedlingen (2016), Arbetsmarknadsrapport 2016 Barnichon. R, Figura. A, (2013), Labor Market Heterogeneity and the Aggregate Matching Function Bova. E, Jalles J.T, Kolerus. C, (2016), Shifting the Beveridge curve: What affects labour market matching?, International Monetary Fund Calmfors. L, Forslund. A, Hemström. M, (2002), Vad vet vi om den svenska arbetsmarknadspolitikens sysselsättningseffekter, IFAU Coles. M. G., Smith. E, (1995), Marketplaces and Matchings, CEPR Discussion Paper No. 939 Coles, M.G. och Smith, E., (1998), Marketplaces and matching, International Economic Review 40(4), 851 868 Dustmann. C, Fabbri. F, (2003), Language proficiency and labour market performance of immigrants in the UK Elsby. M. W. L, Michaels. R, Ratner. D, (2015), The Beveridge Curve: A Survey, Journal of Economic Literature 2015, 53(3), 571-630 Eriksson. S, Hensvik. L, Nordström Skans. O, (2017) Den svenska arbetsmarknaden och dess utmaningar Eriksson. S, Lagerström. J, (2009), Diskriminering i anställningsprocessen: Resultat från en Internetbaserad sökkanal, Ekonomisk Debatt F. Bouvet (2012) The Beveridge curve in Europe: new evidence using national and regional data, Applied Economics, 44:27, 3585-3604 Finanspolitiska rådet, (2017), Svensk Finanspolitik 2017 27