Prognosmetoder inom sjukförsäkringsområdet Politikområde Ersättning vid arbetsoförmåga - Återrapportering enligt regleringsbrevet

1 (22) Till Socialdepartementet 103 33 Stockholm Prognosmetoder inom sjukförsäkringsområdet Politikområde Ersättning vid arbetsoförmåga - Återrapportering enligt regleringsbrevet Postadress Besöksadress Telefon 103 51 Stockholm Adolf Fredriks kyrkogata 8 08-786 90 00 E-post Internetadress Telefax Org.nr huvudkontoret@forsakringskassan.se www.forsakringskassan.se 08-411 27 89 202100-5521

2 (22) Missiv: I Försäkringskassans regleringsbrev för 2008 för politikområde Ersättning vid arbetsoförmåga begärdes en redogörelse för de modeller som ligger till grund för prognoserna av sjukpenning samt aktivitets- och sjukersättning. Redovisningen ska innehålla en kortfattad beskrivning av hur dessa är byggda, deras för- och nackdelar, interaktion, utvecklingsbehov och utvecklingsplaner. Vidare ska Försäkringskassan redogöra för vilka eventuella utvecklingsplaner som föreligger på detta område, av särskilt intresse är hur flöden mellan olika ersättningssystem fångas. Enligt regleringsbrevet skulle återrapportering ske senast i augusti 2008. Försäkringskassan har emellertid har fått anstånd till 15 september 2008. I rapporten ges svar på uppdraget dels genom en historisk tillbakablick av på utvecklingen med prognosarbetet samt de åtgärder Försäkringskassan (och RFV) vidtagit utifrån detta. Dels beskrivs hur prognoserna görs idag samt de bakomliggande statistiska modellerna. Slutligen redovisas problematiken kring prognosarbetet och vad som anses som framtida utvecklingsområden inom prognosarbetet på Försäkringsutveckling. Beslut i detta ärende har fattats av försäkringsdirektör Gunnar Johansson i närvaro av försäkringsdirektör Birigitta Målsäter, verksamhetsområdeschef Magdalena Brasch, samt Edward Palmer och Johan Ekstedt, den senare som föredragande. Gunnar Johansson Johan Ekstedt

3 (22) 1 Uppdrag i regleringsbrev 2 Beskrivning av prognosmodeller för sjukpenning 2.1 Historik 7 2.2 Prognosmodeller 2.2.1 ARIMA-modellen 2.2.2 VARMAX-modellen 2.2.3 Stockflödes-modellen 2.2.4 Enkel stockflödes modell efter regelförändringar juli 2008 2.2.5 Prognosmodeller i andra länder 2.3 Aktivitets- och sjukersättning 2.4 Prognos i förhållande till utfall 3 För och nackdelar med nuvarande prognosmetoder 3.1 Objektiva modeller 3.2 Avsaknad av exogena variabler 3.3 Är det en fördel att ta hänsyn till inflöden i olika längdklasser? 3.4 Användarvänlighet 3.5 Bra träffsäkerhet på kort sikt men problem med långsiktigt bra prognoser 3.6 Avsaknad av modell för flödet mellan SA och sjukpenning 4 Utvecklingsbehov 4.1 Införandet av nya regler 2008 4.2 Kan internationella jämförelser vara till hjälp? 4.3 Utvecklingsmöjligheter med hjälp av exogena variabler 4.4 Erfarenhet från tidigare studier 4.5 Metodval 4.6 Expert input 4.7 Prognosantaganden och utvärdering 5 Utvecklingsplaner

4 (22) 1. Uppdrag i regleringsbrevet I Försäkringskassans regleringsbrev för 2008 för politikområde Ersättning vid arbetsoförmåga begärdes en redogörelse för de modeller som ligger till grund för prognoserna för sjukpenning, aktivitetsersättning och sjukersättning. Redovisningen ska innehålla en kortfattad beskrivning av hur dessa är byggda, deras för- och nackdelar, interaktion, utvecklingsbehov och utvecklingsplaner. Vidare ska Försäkringskassan redogöra för vilka eventuella utvecklingsplaner som föreligger på detta område, av särskilt intresse är hur flöden mellan olika ersättningssystem fångas. Enligt regleringsbrevet skulle återrapportering ske senast i augusti 2008. Försäkringskassan har emellertid har fått anstånd till 15 september 2008. 2. Beskrivning av prognosmodellerna 2.1 Historik Försäkringskassans nuvarande arbete med prognosmodeller har sitt ursprung i Riksförsäkringsverkets (RFV) uppdrag att genomföra prognoser för de förmåner som Försäkringskassan administrerar. År 2005 då Försäkringskassorna och Riksförsäkringsverket bildade den nya Försäkringskassan övertog Försäkringskassans huvudkontor denna uppgift. Det kan nämnas i detta sammanhang att år 1997 infördes utgiftstaket och därmed fick utgiftsprognoserna en viktigare roll i regeringens budgetarbete. Mot bakgrund av det ökade kravet på prognoserna från statsmakterna anlitade Riksförsäkringsverket år 1999 två utomstående nordiska experter, Lasse Koskinen och Bo Lunquist vid Pensionsskyddsstyrelsen i Helsingfors, för att utvärdera prognosverksamheten. Resultatet av detta arbete publicerades i rapporten Värdering av RFV:s prognosverksamhet (2000). Av de utvärderade förmånerna nämns sjukpenning som en av de svåraste att prognostisera. Experterna gav följande utvecklingsförslag: - Prognosfel bör dekomponeras i fel som beror på omdöme, lagändringar, modellens parametrar, antaganden, osv. - Statistiska modeller och metoder borde spela en större roll i prognosverksamheten. - Samarbetet mellan olika prognosgrupper samt mellan prognosgrupperna och övriga experter inom SFA bör utökas. Utvecklingen av prognosverksamheten under 2000-talet har hittills gått på detta spår, i synnerhet vad beträffar samarbetet med andra experter och utvecklingen av statistiska modeller. Men även vid ett antal tillfällen har prognosgruppen genomfört strukturerade studier av prognosfel och de bakomliggande orsakerna. Detta arbete har fortsatt och mer eller mindre formaliserat från och med 2004. Avvikelseanalyser gjordes årligen under 2004-2006. Exempelvis fick Försäkringskassan år 2006 i uppdrag av Socialdepartementet att räkna om utfallet 2002-2005 för samtliga prognoser med det faktiska utfallet för de relevanta makrovariablerna. I maj 2008 redovisade Försäkringskassan prognoser för 2004-2007 i jämförelse med utfall.

5 (22) Riksförsäkringsverkets internrevision granskade prognosverksamhetens funktion i samband med sakanslagen år 2000 (Dnr 10964/2000). I granskningen undersöktes inte prognosmodellerna i sig då detta gjordes under 1999 men resultatet från denna undersökning vägdes in i rekommendationerna, som var följande: - Gör en plan för hur prognosarbetet bör utvecklas - Förtydliga rollen som stabsmyndighet - För en dialog med Socialdepartementet med avseende på prognoser - Skapa en tydligare prognosprocess - Utforma en grund för gemensam kvalitetssäkring - Dokumentera prognosarbetet - Inför dubblering av handläggare för vissa prognoser - Utforma en verksamhetsplan för avdelningen Redovisa hur förslagen i peer review skall användas Prognosgruppen utvecklade därefter sin verksamhet i enlighet med flera av dessa förslag. En plan för arbetet utvecklades som fokuserade på rollen som prognosmakare, på dokumentation av modeller samt kvalitetssäkring. Dessutom utvecklades från ungefär denna tidpunkt ett närmare samarbete med Socialdepartementet, bland annat med regelbundna möten kring uppbyggnaden av prognosmodeller. Hösten 2001 inleddes ett samarbete mellan RFV, Socialdepartementet och Finansdepartementet i syfte att utveckla en tillförlitlig prognosmetod för sjukpenningutgiften samt att förbättra kommunikation och samarbete mellan parterna i samband med de årliga prognoserna. Samarbetet mellan RFV, Social- och Finansdepartementet utmynnade i en statistisk prognosmodell VARMAX -modellen 1 samt förslag på strategi för omvärldsanalys (Rapport 2002:12 SJP:001). Ungefär samtidigt rekryterades personal från Finansdepartementet som fortsatte med detta utvecklingsarbete på Riksförsäkringsverket och sedan Försäkringskassan. I detta sammanhang utvecklades vidare en ARIMA-modell, med ursprung kring år 2000, som ett komplement till VARMAX-modellen. I slutskedet av samarbetsprojektet mellan RFV, SD och FD granskades VARMAX-modellen av Jonas Andersson på statistiska institutionen, Uppsala Universitet (Metodgranskningsrapport 2002-12-16). Modellens uppdelning i olika fall-längder där de längre fall-längderna kan förväntas vara beroende av de kortare vid en tidigare tidpunkt bedömde han vara ett rimligt antagande och 1 Benämnd efter en procedur i SAS programpaket där VARMA står för Vector Autoregressive Moving Average modell. Modellen kan också ta in exogena variabler vilket X-et i VARMAX står för.

6 (22) han ansåg att det finns både praktisk och teoretisk anledning att använda denna metod. Under 2004 granskade Riksrevisionen utgiftsprognoserna för sjukpenning lagda av Ekonomistyrningsverket (ESV), RFV och Regeringskansliet. (Dnr 31-2004-0821). Denna undersökning visade att medelfelet för regeringens prognoser var 6,1 %, för RFV:s prognoser 5,3 % och för ESVs prognoser 5,0 %. Resultatet baseras på ett genomsnitt av prognoser 15, 9 och 3 månader före utfall. Här ska man emellertid ta hänsyn till att prognoserna fastställs vid något olika tidpunkter med något skilda underlag vilket försvårar jämförelsen mellan prognosinstanserna. I Riksrevisionens granskning rekommenderas regeringen att kommande år tydligare redovisa de beräkningar som anslagen vilar på, i anslutning till utgiftsprognoserna löpande under året bättre förklara avvikelserna mellan anslag och beräknat utfall samt ge utvecklingsarbetet med att förbättra prognosernas kvalitet fortsatt prioritet. Under 2004 implementerade Försäkringskassan (RFV) ett ledningssystem för kvalitet där processen för reguljära prognoser finns kartlagd liksom ledningsprocesserna och samspelet mellan dessa. I september 2005 granskade Johan Lyhagen, Statistiska institutionen, Uppsala Universitet Försäkringskassans VARMAX-modell. Enligt denna expert - granskning är valet av modell adekvat. Men valet av VARMAX-modellen är inte utan problem. Det största problemet är att VARMAX - modeller är svåra att skatta med variabler som uppvisar cykliska beteenden, som sjukpenning gör historiskt. Detta gör det svårt att göra prognoser. Vid nedgång tenderar VARMAX-modellen att överskatta och vid uppgång underskatta utvecklingen. Dessutom är vändpunkter oerhört svåra att prediktera. Detta delar Försäkringskassans prognosmodell med andra prognosmodeller som prognosticerar cykliska data, exempelvis konjunkturmodeller. Vad beträffar utvecklingen av modellerna föreslog Lyhagen: -Medelvärden kan justeras för oväntade förändringar under skattningsperiodens förlopp som är annars svåra att införa i modellen. - Införandet av relevanta makroekonomiska variabler. - Beaktande av åldersstrukturen bland de försäkrade - Horisontberoende anpassningsfunktion kan fånga upp ickelinjäriteter som modellen i sig har svårt att göra. Under 2005 omarbetades VARMAX- och ARIMA-modellens specifikation. Ett flertal makroekonomiska variabler undersöktes samtidigt som den allmänna modellspecifikationen utvecklades med hänsyn till modellernas träffsäkerhet. Dessutom justerades modellerna så att de långsiktigt konvergerar mot en konstant förändringstakt. Detta senare som en direkt följd av Lyhagens rekommendation om att införa en anpassningsfunktion som fångar upp ickelinjäriteter. I praktiken innebär den justering som infördes att modellens trend ebbar ut och prognosvärdet tvingas tillbaka mot sin medelnivå på lång sikt.

7 (22) Under 2006 skapades en expertpanel med syfte att hjälpa till att prognostisera vändpunkter. Detta arbete fick också stöd av Professor Peter Juslin på Institutionen för Psykologi på Uppsala Universitet. Under 2006-2008 gjorde expertpanelen prognoser, med subjektiva sannolikhetsbedömningar, fyra år framöver vid två tillfällen om året. En sammanvägning av dessa används för att hjälpa till att avgöra när vändpunkter skulle kunna förväntas inträffa. Under 2005 påbörjades utveckling av en stockflödes-modell för sjukpenningoch SA-prognoser. Denna användes parallellt med VARMAX- och ARIMAmodellen fram till 2008. Under våren/sommaren 2008 utvecklades en förenklad version av en stockflödes-modell för att uppskatta effekterna av regeringens åtgärdspaket - Rehab-kedjan. Dessa modeller diskuteras i detalj i nästa avsnitt. Under 2006 startade FK ett projekt för att skapa ett enhetligt prognossystem ISP (Integrerat system för prognoser). Projektets effektmål var följande: Förenkla och effektivisera arbetet med prognosdokumentationen. Dokumentera prognosarbetet på ett sätt som gör det enkelt att kunna gå tillbaka och se tidigare prognosers värden samt grundantaganden bakom dessa siffror. Ge förutsättningar för att kontinuerligt kunna skapa rapporter i syfte att följa upp prognoserna i förhållande till utfall. Detta skapar i sin tur utrymme för utveckling och förbättring av använda prognosmetoder. Skapa möjlighet att snabbt få ut de mest efterfrågade bilderna och tabellerna från utfall och prognosvärden. Göra det möjligt att göra snabba prognoser. Syftet med detta kan vara att då osäkerhet råder ta fram alternativa prognoser. Ett annat syfte kan vara att kunna lägga ner mindre tid på små anslagsposter med stabil utveckling. Förenkla för t. ex. nyanställda att komma in i prognosarbetet samt göra det lättare för prognosmakare att ta över varandras områden och därmed minska sårbarheten (enhetlig transparent struktur). Frigöra resurser för fördjupat arbete med analyser. Projektet är inte klart utan ligger för tillfället i en vilande fas. I juli 2008 infördes nya och mer restriktiva regler för att få ersättning från ohälsoförsäkringen. Därmed är historiska data svårare att använda för att göra prognoser. En ny enkel stockflödes-modell togs fram som stöd för att göra prognoser. 2.2 Modellbeskrivning för prognosmodeller inom sjukpenning Försäkringskassans arbete med prognoser för sjukpenningen har under de senare åren arbetat med tre olika statistiska modeller. Sedan halvåret 2008 tillämpas en enklare stockflödes-modell p.g.a. de nya reglerna. De fyra modellerna samt ett urval av andra länders modeller beskrivs kortfattat nedan.

8 (22) 2.2.1 ARIMA-modellen Försäkringskassans ARIMA-modell för att göra prognoser av antalet ersatta nettodagar med sjukpenning härstammar från år 2000. Parametrarna till ARIMA-modeller skattas på basis av tidsseriens egna historiska utveckling. I det här fallet används månadsdata från ett antal år bakåt i tiden. Prognostiserade framtida värden baseras sålunda på den tidigare utvecklingen av prognosvariabeln. Sjukpenningprognosen delas sålunda upp i en prognos av ersatta nettodagar och medelersättning per dag. Därför görs separata prognoser på de två komponenterna enligt följande metod: Nettodagar: Nuvarande ARIMA-modell är en trendstationär modell av typ ARIMA(6,1,0)(0,1,1) 12, som långsiktigt konvergerar mot en konstant förändringstakt. Medelersättning: Medelersättning är relativt lätt att prognostisera med en linjär trend med en exponentiell utjämning. Ingen koppling till antaganden om löneutveckling görs då utvärderingar och erfarenhet har visat att prognoser som görs direkt på medelersättning ger lägre prognosavvikelser. 2.2.2 VARMAX Under 2001 började dåvarande Riksförsäkringsverket tillsammans med Finansoch Socialdepartementet ta fram en multivariat tidsseriemodell för antalet sjukpenningdagar. Vektor-autoregressiva modeller (VAR-modeller) är icke strukturella ekonometriska tidsseriemodeller som ofta används inom nationalekonomisk forskning för att beskriva utvecklingen av, bland annat, makroekonomiska tidsserier. Dessa modeller introducerades först av Sims (1980) 2 och används ofta när data skall modelleras utan att det finns tillgång till relevanta exogena variabler eller när det visar sig att tidsserien själv innehåller all relevant information. VAR-modellen fungerar på så sätt att tidsseriedata i sig får bestämma modellens dynamiska struktur. Nuvarande modell baserar sig mer specifikt på en Vector Error Correction Model med fyra laggar. Denna modell har ett visst beteendeinnehåll i det att den beaktar sambandet mellan antalet sjukpenningdagar i viss längdklass och antalet sjukpenningdagar av kortare längd under en tidigare period. Om t.ex. inflödet av nya fall är stort bör rimligen antalet sjukpenningdagar i längre längdklasser öka framöver. Modellen omfattar sjukfallslängderna 29-89, 90-179, 180-365, 365-730 dagar samt 731 dagar och däröver. För fallängder kortare än 29 dagar (som ej antas samvariera med övriga fallängder p.g.a. annan gruppsammansättning och förändrade arbetsgivarperioder) görs prognoser utifrån en separat univariat tidsseriemodell (ARIMA-modell). Modellen togs i bruk av RFV år 2003 och används sedan av RFV och numera Försäkringskassan. Sedan 2005 är VARMAX-modellen försedd med dämpningsfunktion så den långsiktigt konvergerar mot en konstant förändringstakt. 2 Sims, C. (1980), Macroeconomics and reality, Econometrica, Vol. 48, No. 1 s 1-48.

9 (22) 2.2.3 Stockflödes-modellen Den tredje prognosmodellen för sjukpenning är stockflödes-modellen, (SFmodellen). SF-modellen använder individdata. Med hjälp av skattade sannolikheter för att lämna beståndet och prognoser för inflödet av nya sjukfall beräknas i modellen antalet pågående sjukfall vid olika framtida tidpunkter och antalet sjukdagar under olika framtida perioder. Kön och ålder utgör oberoende variabler i en serie logistiska regressioner. Själva framskrivningen (prognosen) görs genom att sjukpenningpopulationen skrivs fram en dag i taget. Denna framskrivning görs med hjälp av de tidigare estimerade riskparametrarna. Utifrån en sådan framskrivning kan antalet framtida sjukpenningdagar sedan beräknas. Dessa framskrivningar görs för samma fallängdsklasser som i VARMAX-modellen; 29-89, 90-179, 180-364, 365-730 och fler än 731 dagar. SF-modellen innehåller således följande huvudmoment: Beräkning av historiska utflödessannolikheter för olika längdklasser. Beräkning av ett historiskt inflöde till sjukskrivning för fall längre än 28 dagar. Prognos för utflödessannolikheter från sjukpenning. Prognos för inflödet till sjukpenning. Framskrivning av sjukpenningpopulationen utifrån tidigare beräknade inflödesoch utflödessannolikheter. Beräkning av antalet historiska sjukpenningdagar för fallängder upp till 28 dagar. Den genomsnittliga sjukpenningersättningen beräknas utifrån historiska data. 2.2.4 Enkel stockflödes-modell efter regelförändringar juli 2008 Mot bakgrund av att de nya reglerna skulle träda i kraft juli 2008 utvecklade FK en enklare typ av stockflödesmodell. Modellen är baserad på aggregerade data för bestånden inom olika fallängder, samt är uppdelad på kön. Modellen använder månadsdata. Endast fallängder över 29 dagar ingår i modellen och in och utflöde mäts. Framtida bestånd beräknas genom att mäta historiska övergångssannolikheter baserade i steg 1 på övergången ett år tidigare. Denna sannolikhet kan manuellt påverkas under prognosperioden så att effekterna av t. ex. nya regler i försäkringen. Den manuella delen regleras baserat på bedömningar. Utöver bestånd genererar matriserna uppgifter om flöden. Två uppgifter är av särskilt intresse. Hur många personer har ett sjukfall som passerar dag x? Hur många personer lämnar försäkringen? Den förra uppgiften har bäring på arbetsbelastningen i den tidsatta rehabiliteringskedjan. Den senare uppgiften bildar grund för prognoser för hur många sjukfall som övergår till sjukersättning. Det finns stabila samband över tid mellan bestånd och utbetalda nettodagar. Därmed finns möjligheter att med uppgifter från matriserna beräkna volymer både i termer av nettodagar och (via medelersättningen) utbetalda belopp.

10 (22) 2.2.5 Prognosmodeller i andra länder Försäkringskassan har initierat till ett internationellt utbyte inom prognosområdet ICF (Improving Confidence in Forecasting Association) där Sverige, Norge, Finland, Danmark, Storbritannien och Tyskland deltar. De prognosmodeller som används för utgifter för sjukskrivning som används i Norge, Danmark, Finland samt Storbritannien har studerats. Gemensamt tycks vara att de alla i första hand arbetar med framskrivning av de variabler som finns internt i systemet. Externa variabler, som utveckling på arbetsmarknaden eller annat som bedöms vara av relevans, hanteras enbart vid sidan om statistiskt modellresultat förutom i Norge där denna variabel ingår i den statistiska modellen. Norges metod är av särskilt intresse eftersom det norska systemet och de norska institutionerna liknar de svenska. Dessutom har sjukfrånvaron i Norge tillsammans med Sverige och Nederländerna uppvisat kraftig konjunkturkänslighet historiskt vilket framgår av ESO-rapporten Den svenska sjukan (Nyman et al. 2002) 3. Norge lägger sin prognos i samarbete mellan myndighet, departement och finansdepartement. Diskussionen baseras på såväl modellskattningar som mer mjuka, intuitiva resonemang och övervägningar och slutprodukten är i praktiken en subjektiv "diskussionsprognos" som kan vara svår att härleda. Det finns dock en bakomliggande kvantitativ modell som är en vidareutveckling av den regressionsmodell som Statistics Norway tog fram år 2000. Den nya modellen som var klar 2005 baseras på kvartalsdata och innehåller variablerna sjukdagar, arbetskraftskvot och arbetslöshetskvot. Denna modell baseras på föregående periods sjukdagar (AR1), arbetskraft och arbetslöshetsutvecklingen. Modellen har inte kunnat användas den senaste tiden då både arbetslöshet och sjukdagar varit mycket lågt i Norge. Styrkan i modellen finns annars på lång sikt (förutsatt att sambanden mellan arbetskraft/arbetslöshet och sjukdagar är stabila över tiden). På kort sikt ger denna typ av modell sämre prognosprecision än en VARMAX-modell enligt utvärdering som utförts på de två modellerna baserat på historiska data för de båda länderna. I Danmark prognostiseras sygedagpenge av den kommunala administrationen, vilket gör det svårt att få en övergripande bild av processerna bakom prognoserna. I Storbritannien används tidsserieanalyser med enbart interna variabler vilka levererar volymer och medelersättningar. Den slutliga prognosen innehåller bedömningar där påverkan av externa variabler vägs in. Den ansvariga myndigheten, Department of Work and Pensions, har infört en tydlig uppdelning mellan prognosmakare och modellutvecklare. Man har byggt gränssnitt i Excel som leder till enkla parameterspecifikationer mot tidsserieanalyser som finns i SAS. I Finland beräknas prevalensen (förekomsten) av sjukskrivning i varje köns/åldersgrupp. Den hålls sedan konstant och befolkningsprognosen används 3 Nyman, K., Bergendorff, S.Palmer, E. 2002. Den svenska sjukan sjukfrånvaro i åtta länder, Rapport till ESO Ds 2002:49.

11 (22) för att beräkna volymen sjukskrivning. Utvecklingen av medelersättningen skattas som något långsammare än löneökningarna (till följd av taket i försäkringen). För att ge underlag för bedömningen av påverkan av förändrat regelverk används ett urval av befolkningen (alla mellan 16 och 67 år som är födda dag 18 eller 28) och där man har mycket information om sociala förhållanden och inkomstförhållanden. 2.3 Försäkringskassan prognosmodell för aktivitets- och sjukersättning För prognosen för aktivitets- och sjukersättning (SA) spelar rimlighetsbedömningar normalt en inte oväsentlig roll. I övrigt har prognosen för inflödet av ersättningsmottagare en utgångspunkt i beståndet av sjukpenningmottagare som har en sjukskrivningstid på längre än ett år. Detta bestånd fås i princip från SF-modellen för sjukpenning. Härvid görs en trendframskrivning av den andel av denna grupp sjukskrivna som erfarenhetsmässigt konstaterats övergå till SA. Som ett parallellt och kompletterande spår skapas en riskpopulation med hjälp av SCB:s befolkningsprognos fördelad på kön och ålder. De andelar av denna riskpopulation som tidigare brukat nybeviljas SA skrivs fram, vilket möjliggör en alternativ prognos att stämma av mot. Det inflöde av nya fall som sammantaget bedöms inträffa ett år adderas till beståndet av ersättningsmottagare vid årets början. För att beräkna beståndet vid årets slut behövs en prognos på utflödet av ersättningsmottagare. Utflödet delas in i tre grupper: de som övergår i ålderspension, de som avlider samt de som lämnar försäkringen av andra skäl, t.ex. övergår till sysselsättning eller arbetslöshet. Övergång från sjukersättning till ålderspension beräknas genom att en kumulativ historisk övergångssannolikhet används. Antalet avlidna beräknas med en trendframskrivning av andelen avlidna i SA-beståndet tidigare år. Den tredje gruppen, övrigt gruppen, trendframskrivs på samma vis. För att erhålla årsutgiften för SA behöver den genomsnittliga ersättningen per ersättningsmottagare prognostiseras. Detta görs genom trendframskrivning av tidigare års ersättning uttryckt i prisbasbelopp. Det framskrivna beloppet multipliceras med det genomsnittliga beståndet av ersättningsmottagare under prognosåret. Viss anknytning till SA-prognosen har den beräkning av den s.k. ohälsoskulden som utvecklats. Den ohälsoskuld som avser SA är det samlade belopp av ersättningar som staten har att betala till personer som vid beräkningstidpunkten är ersättningsmottagare, under förutsättning att sannolikheterna för utflöde förblir konstanta från beräkningstidpunkten. I anslutning till dessa beräkningar visas också hur de framtida utgifterna skulle utvecklas framåt i tiden under förutsättning att inte bara utflödessannolikheterna förblir konstanta, utan även inflödet av SA-fall i olika åldrar blir konstant räknat från beräkningsåret. Den senaste beräkningen (gjord 2007) visar att utgifterna under dessa förutsättningar först skulle sjunka något fram till ungefär 2012 för att därefter

12 (22) stiga och omkring 2050 nå en jämviktsnivå som i fast penningvärde är 8 procent högre än 2006 års. Att det först sker en viss nedgång beror bl.a. på att inflödet hade sjunkit jämfört med några år tidigare. Det var dock fortfarande högre än tio år tidigare, vilket förklarar den sedan följande uppgång i utgifterna. Betingade framskrivningar av detta slag kan vara av intresse att jämföra de faktiska prognoserna med. Nu införs ett omfattande regelverk inom ohälsoområdet. Eftersom det i stor utsträckning saknas kunskap eller erfarenhet vilka effekter detta kommer att ge har en ny prognosmodell utvecklats. Försäkringskassan har valt att, som ett första led, utveckla en enkel och transparent simuleringsmodell för sjukersättning. Denna knyts sedan samman till den nyutvecklade simuleringsmodellen för sjukpenning med avseende på flödena mellan sjukpenning och sjukersättning. Med hjälp av Försäkringskassans expertgrupper kan sedan olika scenarier simuleras. 2.4 Prognos i förhållande till utfall Nedan visas de lagda årsprognoserna vid olika tidpunkter i förhållande till de faktiska utfallen. Prognoserna är oftast en kombination av resultat från de statistiska modellerna samt intuitiva bedömningar. För varje år från 2004 och framåt finns en unik färgad linje, linjen visar lagt prognosvärde (y-axeln) upp till 4 år i förväg fram novemberprognos innevarande år (x-axeln). I slutet av varje streckad linje (vid tidpunkt BU) finns en fylld kvadrat som motsvarar faktiskt utfall. Prognosavvikelserna blir som förväntat lägre med kortare prognoshorisont. Den period som redovisas innefattar inte en hel konjunkturcykel utan präglas av högkonjunktur. Diagrammen ger intrycket att prognoser oftare är överskattade än underskattade. En förklaring skulle kunna vara en viss konservatism och försiktighet i bedömningarna.

13 (22) 50 000 000 10 19:1 AP 21 Sjukpenning = faktiskt utfall 45 000 000 40 000 000 tusental kronor 35 000 000 30 000 000 25 000 000 20 000 000 15 000 000 2004 2005 2006 2007 2008 2009 2010 2011 10 000 000 5 000 000 0 BU 2003 maj 2003 augusti 2003 oktober 2003 BU 2004 maj 2004 augusti 2004 oktober 2004 BU 2005 maj 2005 aug 2005 okt 2005 BU 2006 maj 2006 augusti 2006 november 2006 BU 2007 maj 2007 augusti 2007 oktober 2007 BU 2008 prognostillfälle 70 000 000 10 19:2 AP 5 Aktivitets- och sjukersättningar = faktiskt utfall 60 000 000 tusental kronor 50 000 000 40 000 000 30 000 000 20 000 000 2004 2005 2006 2007 2008 2009 2010 2011 10 000 000 0 BU 2003 maj 2003 augusti 2003 oktober 2003 BU 2004 maj 2004 augusti 2004 oktober 2004 BU 2005 maj 2005 aug 2005 okt 2005 BU 2006 maj 2006 augusti 2006 november 2006 BU 2007 maj 2007 augusti 2007 oktober 2007 BU 2008 prognostillfälle

14 (22) 3 För och nackdelar med nuvarande prognosmetoder Som objektiva modeller som används i Försäkringskassans prognoser räknar vi ARIMA, VARMAX och Stock-Flödes modellerna, som alla används för sjukpenningprognoserna. Dessa har alla den egenskap att prognoserna baseras på parametrar som skattas med statistiska metoder, till skillnad från andra modeller som innehåller ett mer eller mindre stort inslag av bedömningar. De senare kan baseras på en mängd faktorer, ofta relevanta omvärldsfaktorer, men vad de har gemensamt är att prognosmakaren tar fram en prognos genom att tillämpa en intuitiv uppfattning om innebördan av dessa faktorer. Därför kallar vi dessa intuitiva modeller i det följande. Som redan framgått använder Försäkringskassan en kombination av dessa tillvägagångssätt för att ta fram prognoser inom ohälsoområdet. Här diskuteras summariskt för- och nackdelar med nuvarande prognosmetoder. 3.1 Objektiva modeller Den ARIMA-modell som används för prognoser av sjukpenning dagar skattas enbart med hjälp av en tidserie av sjukpenning nettodagar. När den sattes i praktiskt bruk på RFV år 2003 gav den baserad på historisk utvärdering i genomsnitt 5 % avvikelse från utfall för 12 månaders prognoser, vilket är något lägre än de prognosavvikelser som kom fram för ungefär samma tidpunkt i Riksrevisionens studie av RFV, ESV och Regeringskansliets prognoser, som diskuterades ovan. Därmed fanns och finns fortfarande en vinst av att knyta prognosen till en statistisk metod som framfördes i Koskinen och Lunquists utvärdering av RFVs prognosverksamhet i slutet av 1990-talet. De tre objektiva sjukpenningmodellerna är i denna mening värdefulla. 3.2 Avsaknad av exogena variabler I Försäkringskassans tidseries modeller ingår enbart historisk information om variabeln som ska estimeras: Det finns alltså inga exogena förklarande variabler. Detta kan ses som en nackdel om prognosvärdet skulle kunna höjas genom att införa lämpliga variabler. Efter flertalet försök inom prognosgruppen med att införa olika exogena variabler som ibland visat sig vara av betydelse i studier av sjukskrivning var resultatet ändå att det inte finns någon framtagen modell med exogena variabler som slår dessa univariata modeller. 3.3 Är det en fördel att ta hänsyn till inflöden i olika längdklasser? Frågan är om prognosmodellerna kan förbättras om hänsyn tas specifikt till olika fallängder. Grundtanken i VARMAX-modellen är just att ta hänsyn till information om framförallt nettoinflödet uttryckt i dagar av personer som uppbär sjukpenning i olika klasser av fallängder. Är t.ex. inflödet stort bör rimligen de längre fallängderna öka framöver. En prognos uppdelad på fallängd bör därför ge säkrare prognoser på de långa fallängderna. Denna tanke utnyttjades även i stockflödes-modellen. VARMAX-modellen baserar sin prognos på nettoflödet mellan olika fallängder uttryckt i nettodagar medan stockflödes-modellen delar upp flödet i inflöde och utflöde ur en fallängd uttryckt i sjukfall. Det senare ger eventuellt bättre prognoser, men ger definitivt bättre deskriptiva underlag för förståelse av utvecklingen.

15 (22) 3.4 Användarvänlighet ARIMA, VARMAX och stockflödes-modeller av det slag Försäkringskassan använder förutsätter mycket goda kunskaper i tidsserieanalys. stockflödesmodellen hanterar dessutom ett mycket omfattande dataunderlag vilket gör att modellkörningen tar lång tid och kräver också goda kunskaper i statistikprogrammet SAS. SA-modellen och den nya stockflödes-modellen är däremot betydligt mer användarvänliga i dessa avseenden. 3.5 Bra träffsäkerhet på kort sikt men problem med långsiktigt bra prognoser Alla modellerna har problem att fånga trendbrott, detta är dock ett problem de delar med alla modeller som syftar till att förklara och prognostisera tidsserier som uppvisar konjunkturkänslighet. Utvärderingar av VARMAX modellen tyder på att den fungerar mycket bra på innevarande års prognoser men har svårare med träffsäkerheten på längre sikt. ARIMA-modellen och den usrsprungliga stockflödes-modellen uppvisar liknande problem. Den nya stockflödes-modellen, som togs fram under våren 2008 har inte utvärderats i detta sammanhang. 3.6 Avsaknad av modell för flödet mellan SA och sjukpenning Inom utvecklingsprojektet för stockflödesmodellen var det tänkt att även en SA-modell skulle tas fram och därmed skapa en naturlig sammankoppling mellan SA och sjukpenning som skulle visa och prognostisera flödet mellan dessa. I nuläget är bara sjukpenningsmodellen klar. De nya regeländringarna gör utvecklingen av även en SA-del mer problematiska och därmed är möjligheten till att modellera flödet begränsat, i nuläget baseras dessa flöden på deskriptiv statistik kombinerat med bedömningar. 4 Utvecklingsbehov 4.1 Införandet av nya regler 2008 De nya regler som införts i juli 2008 innebär att det kan vara svårt att använda historiska uppgifter i syfte att göra prognoser. De utgör eventuellt ett trendbrott och definitivt gör en analys av olika modeller mer komplex. Effekterna av de nya reglerna kan uppskattas med hjälp av antaganden, vilket Försäkringskassan har gjort, men en analys av utfallet kan göras enbart det att efter reglerna har verkat ett par år eller mer. Dessutom är statistiken om storlek av personkretsar som berörs av de nya reglerna begränsad, vilka enligt nya kriterier och efter vissa tidsgränser ska göras till föremål för bedömningar. Försäkringskassan har därför valt att, som ett första led, utveckla en enkel och transparent stockflödesmodell för sjukskrivning. Denna knyts sedan samman till den nyutvecklade simuleringsmodellen för sjukersättning med avseende på flödena mellan sjukpenning och sjukersättning.

16 (22) 4.2 Kan internationella jämförelser vara till hjälp? Internationella jämförelser är svåra i detta sammanhang. Den stora svårigheten är att länderna skiljer sig kraftigt med hänsyn till regelverk och institutioner. Exempelvis i motsats till Sverige har inte de flesta jämförbara EU länderna en bortre parentes i arbetslöshetsersättningen. Samtidigt har inte Sverige haft en bortre parentes inom sjukpenningförsäkringen. Effekterna av det nya regelsystemet är, som sagt, i dagsläget okänt. Vad som hittills utmärkt Sverige i ett Europeiskt sammanhang är högre sjukfrånvaro men lägre arbetslöshet än de flesta jämförbara länderna. 4.3 Utvecklingsmöjligheter med hjälp av exogena variabler De ekonometriska modeller som används på FK idag är rena tidsseriemodeller där framtida värden baseras på historiska data för sjukdagar. Denna typ av modell är oftast framgångsrik på kort sikt och har utvecklats utifrån det krav som funnits från Finansdepartementet och Socialdepartementet på hög prognosprecision på innevarande års prognoser och därmed kontroll på utgifterna i förhållande till utgiftstaket. Historiskt sett har utvecklingen av sjukpenning visat ett starkt konjunkturberoende. Som diskuterats ovan är det svårt att förutsäga trendbrott, exempelvis vändpunkter i samband med konjunkturutvecklingen, regeländringar, osv. i sådana tidsserier. Detta tyder på behovet av tidsseriemodeller som innehåller exogena/förklarande variabler. På kort sikt har man råd att missa utfallet i samband med ett trendbrott men på längre sikt kan det vara förödande. Därför är det viktigt att gå vidare och undersöka möjliga kopplingar till exogena faktorer för att uppnå såväl bättre kunskap som bättre träffsäkerhet för de långsiktiga prognoserna. En möjlig väg för att uppnå bättre prognoser skulle kunna baseras bland annat på variabler som fångar upp konjunkturutvecklingen. Emellertid även om sådana modeller kan identifieras är de trots allt beroende av kvaliteten i prognoser för en eller flera exogena faktorer, bland annat konjunkturutvecklingen. I detta läge hamnar man i situationen att man ändå måste förlita sig på en bedömning av, exempelvis konjunkturutvecklingen några år framöver. Vad man då har uppnått är kunskap om att sjukpenningens utveckling och därmed prognosen beror på utvecklingen av dessa faktorer. Slutsatsen är att införandet av exogena variabler skapar ungefär lika många problem som det löser. I detta läge kan man genomföra känslighetsanalyser med antaganden om olika utvecklingsscenarier för dem exogena variablerna. Arbetet kan gå vidare med ytterligare modellering nu av de exogena variablerna alternativt nöja sig med subjektiva bedömningar. En ansats som är väl värd att överväga är att övergå till att göra stokastiska prognoser. Detta är troligen det mest lovande alternativet. Detta arbete måste börja med att identifiera relevanta exogena variabler samt finna sätt att ta hänsyn till det nya regelsystemet. Försäkringskassan har övervägt att utveckla denna ansats. 4.4 Erfarenhet från tidigare studier I det följande diskuteras olika möjligheter att inkludera exogena variabler, dels utifrån Försäkringskassans erfarenheter hittills, dels med hänsyn till en bredare ansats som utgår från litteraturen inom området. I VARMAX-projektet gjordes försök att inkludera exogena variabler. Följande variabler testades (data från SCB/AKU för individer 16-64 år): arbetslösa,

17 (22) sysselsatta, arbetat mer än vanligt, hushållens förväntningar på arbetslöshet. Prognosmodellens precision ökade inte med dessa variabler och effekterna av dessa variabler på förklaringen av nettodagar med sjukpenning saknade statistisk signifikans. Erfarenheten då var att den inre logiken i utvecklingen av antalet nettodagar dominerade fullständigt de exogena variablerna. Eftersom prognosegenskaperna inte blev bättre så lades inte någon exogen variabel in i den prognosmodellen. Det finns dock många anledningar att göra ytterligare försök att knyta en modell till exogena variabler. Här följer en diskussion av vilka områden som kan vara lämpliga för valet av exogena variabler och som kan vara av intresse i en prognosmodell för sjukpenning. De flesta experter är ense om att alla eller några av nedan angivna punkter har stor påverkan på sjukfrånvaron 4. Därmed är det nedan variabler som är av intresse i en ekonometrisk prognosansats. Regelförändringar Arbetsmarknad Konjunktur Lönenivå Attitydförändringar Administrativa effekter Relaterade trygghetssystem (t ex SA) Demografi Hälsa Flera olika faktorer är viktiga för förståelsen av utvecklingen av såväl antalet ersatta dagar och antalet fall samt kostnaden för dessa. I dagsläget finns det inget som tyder på att någon faktor är avgörande. Möjligtvis var utvecklingen av arbetslösheten en sådan faktor under några decennier före 2005, som kommer att diskuteras nedan, men denna effekt tyckes ha förlorat sin kraft under den senaste konjunkturuppgången. Man måste istället utgå ifrån att de variabler som kan vara aktuella bidrar i olika utsträckning till att förklara sjukpenningens utveckling. Regelförändringar har en direkt effekt på kostnaden av sjukpenning då t ex en reducerad sjukpenningnivå ger en lägre utgift. Regeländringar har även en indirekt effekt genom att beteenden kan förändras. Exempelvis visade Lantto & Lindblom (1988) att de förkortningar av karensperioder i sjukpenningförsäkringen som ägde rum vid tre tillfällen efter 1955 ledde till att flera personer anmälde sig som sjuka, vilket ökade antalet korta fall och totala ersatta dagar. Henreksson, Lantto och Persson (1992) och Henreksson och Persson (2004) bygger vidare på Lantto & Lindblom och får signifikanta 4 Bland annat de variabler som lyfts fram i Nordisk samarbetsgrupp kring prognoser (ICF) samt av en extern grupp av experter som samlades 2005 för att diskutera prognoser för sjukpenning.

18 (22) beteendeeffekter för förändringar i karensdagar samt förändringar i kompensatinsnivån. Lantto & Lindbloms arbete 1988 inledde ett antal studier på RFV där effekten av arbetslöshet på sjuktalet uppskattades. Resultatet var då att en ökning av arbetslöshet med en procentenhet ledde till en signifikant minskning av sjuktalet med 1,1 till 1,8 procent beroende på modellansatsen. Senare skattningar som utfördes på RFV gav ett intervall av 1,0-0,98 % (Lidwall & Örnhall 1993:2). I Arbetsliv och hälsa (2000) uppskattades en effekt av -1,4 %. Resultaten varierar och skillnaden beror i vilken period man skattat och vilka variabler som inkluderats vid sidan om arbetslösheten. Henreksson och Persson 2004 5 påvisar en stark effekt på sjukfrånvaro av förändringar i kompensationsnivåer. De stora regeländringarna tenderar att samvariera med konjunkturcykeln vilket innebär att arbetslöshet normalt är högt korrelerad med kompensationsnivån vilket resulterar i, enligt Henreksson och Persson, att det är omöjligt att dekomponera effekterna av dessa variabler. Därmed är det svårt att skilja på effekter av regler, arbetsmarknad och konjunktur som oftast samvarierar. Två vanligt förekommande teorier som stöder ett samband mellan arbetskraft och sjukpenning är incitamentseffekten - Individen har råd att vara sjuk i högkonjunktur och biter ihop under lågkonjunktur - samt selektionseffekten - När konjunkturen är god anställs sjukligare individer i större utsträckning. När Konjunkturen vänder nedåt selekteras de starka ut och därför minskar sjukfrånvaron. Den sistnämnda ansatsen som ofta framförs i den sociologiska litteraturen stämmer inte helt överens med det faktum att även arbetslösa i Sverige har rätt till sjukpenning, det vill säga de sjukliga byter i så fall snarare tillstånd men fortfarande utnyttjar sjukpenningförsäkringen. Hemmingson (2004) 6, som följer upp svagas inträde och utträde från arbetskraften med hjälp av en individ databas finner emellertid enbart svagt stöd för denna hypotes. Vad som kan beläggas är emellertid att fram till slutet av 1990-talet ledde konjunktursvackor till en rationalisering av äldre arbetskraft de som grupp har den högsta sjukfrånvaron per capita bort från arbetsmarknaden. Denna effekt försvagades under 1990-talet (Cohen-Birman, Nyberg & Skogman Thoursie (2004) 7 i samband med att äldrereglerna slopades och att bedömningar av rätten till förtidspension övergick till rena medicinska bedömningar från mitten av 1990-talet. 5 Henreksson, M., Persson, M., (2004). The effects on sick leave of changes in the sickness insurance system. Journal of Labor Economics 22, 87 113. 6 Hemmingsson, T. 2004. Samband mellan sjukskrivning och arbetslöshet i Hogstedt,C.,. Bjurvald, M., Marklund S., Palmer E., Theorell, T. Den höga sjukfrånvaron sanning och knsekvens. Statens Folkhälsoinstitut, Stockholm. 7 Cohen Birman, M., Nyberg, K. Skogman-Thoursie, P. Nybeviljade förtidspensionärer utveklingen av riskfaktorer under 1990-talet. RFV Analyserar 2004:1. Riksförsaäkringsverket, Stockholm.

19 (22) Stöd för konjunktureffekten finns i flertalet senare studier, exempelvis, Nyman, Bergendorff & Palmer (2002) 8, Johansson and Palme (1996, 2005) 9, Arai and Skogman-Thoursie (2005) 10 and Askildsen et al. (2000, 2002) 11,(2004) 12. Sjukfrånvarons samband med arbetskraft och arbetslöhet har dock visat sig variera över tiden. Exempelvis den norska prognosmodellen, som innehåller denna variabel stött på detta problem, enligt modellansvarig (Ole Christian Lien) Detta tyder på att det kan vara problematiskt att förlita sig på prognosmodeller baserade på detta samband. Ett annat problem kan vara att sjukpenningprognosen bygger på prognoser för arbetslöshet och arbetskraft som som har nämnts ovan - i sin tur kräver långsiktiga prognoser. Lönenivå har en direkt effekt på kostnaden av sjukpenning eftersom en högre lön ger en högre ersättning. Det finns även en beteende effekt. (Se Shapiro & Stiglitz 1984 samt Barmby et al. 1994). Attityder är en flitigt nämnda förklarande faktor då man pratar om sjukfrånvaro. Det kan röra sig om attityder hos dem som kan sjukskriva sig (se exempelvis Granqvist & Olsson 13 (2006) samt Haugen et al. 14 (2006) i Försäkringskassans SKA-projekt, men även hos omvärlden och de som arbetar inom sjukskrivningsprocessen. Den kanske största problematiken med denna variabel i prognossammanhang är att det är svårt att mäta förändringar i attityder då det för närvarande saknas undersökningar som återkommer med jämna mellanrum där dessa attityder mäts. Därmed saknas bra underlag för att följa upp förändringar i attityder. Om det fanns en regelbunden undersökning av attitydförändringar skulle utfallet kunna vara till hjälp för korta prognoser men variabeln skulle vara svår att hantera i prognoser som blickar framåt några år. 8 Op. cit. s. 35. 9 Johansson, P., Palme, M., 2005. Moral hazard and sickness insurance. Journal of Public Economics 89, 1879 1890. Johansson, P., Palme, M., 1996. Do economic incentives affect work absence? Empirical evidence using Swedish data. Journal of Public Economics 59, 195 218. 10 Arai, M., Skogman-Thoursie, P., 2005. Incentives and selection in cyclical absenteeism. Labour Economics 12, 269 280. 11 Askildsen, J.E., Bratberg, E., Nilsen, Ø.A, 2000. Sickness absence over the business cycle.working papers in Economics: No. 04-2000, Department of Economics, University of Bergen. 12 Henrekson, M., Persson, M., 2004. The effects on sick leave of changes in the sickness insurance system. Journal of Labor Economics 22, 87 113. 13 Granqvist, N., Olsson S. 2006 Regionala Attitydskillnader? i Palmer (red.) Sjukförsäkring, kulturer och attityder, Försäklringskassan, Stockholm. 14 Haugen, K., Holm, E.,Lundevaller, E. & Westin, K. 2006. Individer, attityder och ohälsa i Palmer (red.) Sjukförsäkring, kulturer och attityder, Försäklringskassan, Stockholm.

20 (22) Administrativa effekter är viktiga att ta hänsyn till. Försäkringskassan och läkarna är huvudaktörerna, jämte individen själv, i sjukskrivningsprocessen. Läkarna påverkar genom sitt intygsskrivande och Försäkringskassan beslutar om rätten till sjukpenning eller SA. Administrativa effekter påverkar därmed självklart sjukfrånvaron, det kan t ex röra sig om förändrade rutiner inom Försäkringskassan, omorganisation av myndigheten eller förändrade arbetsförhållanden för läkare. Sådana variabler integreras in i ekonometriska och tidsseriemodeller som dummy variabler. I prognosdiskussionen måste man alltid ta ställning till om det finns mer eller mindre dokumenterade förändringar man bör ta hänsyn till. Relaterade trygghetssystem påverkar även sjukfrånvaron. Flödet till sjuk- och aktivitetsersättning (SA) påverkar sjukfrånvaron. Den samlade sjukförsäkringen påverkas av övergångarna till ålderspension osv. Ett samband mellan arbetslöshetsersättning och sjukpenningersättning påvisas så tidigt som mitten av 1980-talet av Leigh (1985) 15. Larsson (2002) 16 visar också tydliga samband. Enligt Socialförsäkringsutredningen (SOU 2006:86, s. 115) går det att styrka att villkor och framförallt olikheter i försäkringarnas generositet och regelverk påverkar övergångarna mellan försäkringarna. Dels är övergångarna från sjukfrånvaron till arbetslöshet färre ju mer försäkringstagarna förlorar i ersättning vid en övergång, dels är övergångarna från arbetslöshet till sjukfrånvaro fler när de försäkrade tjänar på en övergång. Ytterligare en faktor som har betydelse är demografiska förändringar. Eftersom storlekarna på födelsekohorter varierar mycket i Sverige förändras hela tiden ålderssammansättningen av dem i arbetsför ålder. Försäkringskassans statistik har sedan länge visat att sjukfrånvaron är kraftigt åldersberoende. En självklar koppling finns också till sjuklighet. Skillnader i sammansättning av befolkningen i arbetsför ålder påverkar sålunda sjuktalen. 17 En naturlig förklaring till ökad sjukfrånvaro är att det är en återspegling av ökad ohälsa i den arbetsföra befolkningen. Utredningen om Analys av Hälsa och Arbete (AHA) följde upp och utvärderade utvecklingen av hälsa och ohälsa i arbetslivet i sitt delbetänkande SOU 2002:62. Enligt AHA-utredningen kunde inte förändringar av hälsosituationen förklara de snabba kasten i sjukfrånvaron i i slutet av 1990-talet och början av 2000-talet. Hälsoförändringar uppvisar betydligt större stabilitet och långsammare förändringstakt än förändringarna i sjukskrivningen. I och med den ökande sjukfrånvaron förändrades diagnospanoramat i och med att det psykiska välbefinnandet försämrades. Läkarna möttes av svårdiagnosticerade symptom. Så även om en försämrad folkhälsa inte kunde förklara den ökande sjukfrånvaron i början av 2000-talet så kan diagnoserna vara viktiga att följa för att förstå utvecklingen av sjukfrånvaron. 4.5 Metodval 15 Leigh, J.P., 1985. The effects of unemployment and the business cycle on absenteeism. Journal of Economics and Business 37, 159 170. 16 Larsson, l. Sick of being unemployed? Interactions between unemployment and sickness insurance in Sweden.. Working Paper 2002:6, IFAU, Uppsala. 17 AHA-utredningen, SOU 2002:62, s 43

21 (22) Det finns strukturella skift i sjukpenningsdata som beror av t ex policy förändringar och regelförändringar, dessutom kan vissa förklarande variablers korrelation med sjukpenningen variera över tid eller vara av betydelse bara under begränsade tidsperioder. De statistiska metoder som tillämpas baseras på antagande om regelbundenhet eller linjäritet i tidsserierna. Ett alternativt angreppssätt är att tillämpa metoder för icke-linjära tidsserier. Icke linjära modeller kanske kan fånga sjukpenningens utveckling bättre än linjära modeller och därmed möjligen ge bättre prognoser. Alternativa linjära metoder som bättre kan hantera de strukturella skiften kan också vara av intresse att titta närmare på. 4.6 Expert input Experter kan komplettera statistiska prognosmodeller för att ta hänsyn till förändringar i omvärlden som är svåra att beaktas i modellerna. Regelförändringar, bedömningar av sambandet mellan arbetslöshet och sjukpenning, administrativa förändringar såsom införandet av gemensamma metoder inom myndigheten, effekten av samverkansinsatserna samt utflödet till SA är exempel på skeenden där expert input kan vara en viktig komponent. Expert input sker redan idag som ett inslag i Försäkringskassans prognosverksamhet, men ett möjligt utvecklingsområde skulle vara att utföra denna expert input utifrån kända metoder på området och därmed med fler experter (om möjligt även externa) och på ett mer strukturerat sätt. Förutom att detta sannolikt skulle detta ge bättre bedömningar (åtminstone med en bredare utfallsrymd som sannolikt representerar osäkerheten i prognoserna bättre) är en annan vinst med detta att dokumentationen och transparensen skulle bli bättre. 4.7 Prognosantaganden och utvärdering Att göra prognoser på sjukpenning är mycket svårt, prognosavvikelser från utfall kommer ofta att finnas oavsett vilken metod som används för att framställa prognosen. Därför är en viktig del att förstå orsaken till avvikelse från utfall och hur olika antaganden påverkar prognos. Det bör vara smidigt kunna lägga in olika antaganden i framtagningen av prognosen, för att det kan finnas meningsskiljaktigheter om vilka antaganden som bör gälla men också för att göra en känslighetsanalys. Om det lätt går att justera underliggande antaganden och det direkt får effekt i prognosmodellen (utan handpåläggning) kunde det visa på hur resultatet slår utifrån godtyckliga antaganden eller med hjälp av stokastiska processer på vissa variabler. Utvärderingen av lagda prognoser är ett annat möjligt utvecklingsområde i syfte att lära av misstag och på lång sikt förbättra prognoserna. En sådan utvärdering ställer krav på betydelsen av att förstå och dela upp lagda prognoser, vilket dessutom förutsätter god transparens. Ovan ställer krav på en prognos process som gör utvärdering och byte av antaganden smidig. Inom detta område finns möjlighet till utveckling. 5 Utvecklingsplaner