SOU 2008:69

Välja fritt och välja rätt - Drivkrafter för rationella utbildningsval

Sammanfattning

Att arbetsgivare kan finna lämplig arbetskraft för det arbete som ska utföras är mycket viktigt för att god ekonomisk tillväxt ska kunna uppnås. Kortsiktigt kan denna matchning mellan arbetsgivare och arbetstagare underlättas genom geografisk rörlighet (lokalt, regionalt men också internationellt).1 En annan, mer långsiktig strategi för att uppnå en god matchning på arbetsmarknaden är att individer väljer ”rätt” utbildning dvs. en utbildning som gör att de utbildade individerna finner ett passande jobb vid avslutade studier. Eftersom utbildning tar tid och strukturomvandlingen är snabb är det svårt, för att inte säga omöjligt, för samhället att styra individerna att välja ”rätt” utbildning. Det är dock viktigt att tillhandahålla all den information som gör det möjligt för individer att fatta informerade beslut. Samhället kan och bör dessutom utnyttja olika incitament för att skapa drivkrafter som dels uppmuntrar individer att utbilda sig, dels stimulerar skolor, högskolor och universitet att erbjuda en kvalitativ utbildning.

Avkastningen på utbildning är ett ekonomiskt incitament som kan påverka individens utbildningsval. Detta val styrs dock inte enbart av ekonomiska drivkrafter utan också av social bakgrund, värderingar och normer. Om beslutsfattare ska kunna påverka de val som görs är det angeläget att närmare analysera betydelsen av dessa två typer av faktorer (ekonomiska och sociala) för individernas utbildningsval. Trots detta är kunskapen om vad som styr individens val av utbildningsinriktning och utbildningslängd relativt begränsad.

Syftet med denna bilaga till Långtidsutredningen 2008 är att förbättra kunskapsläget om valet av utbildning. Bilagan är också tänkt att fungera som ett diskussionsunderlag för hur vi kan skapa

1 Se t.ex. Bilaga 4 till LU2008 (SOU 2007:35) för en genomgång av flyttning och pendling i Sverige.

ett utbildningssystem som minskar förekomsten av felaktiga utbildningsbeslut och hur vi kan utforma incitament för att skapa drivkrafter för ”rätt” utbildning med god kvalitet. För högskoleutbildning, som denna bilaga till stor del fokuserar på, är utbildningsvalen beroende av hur resurser fördelas till utbildning via staten. Fördelningen av antalet utbildningsplatser till varje universitet eller högskola sker i dagsläget enligt en budgetprocess. Detta medför att anpassningen till arbetsmarknadens behov troligen är låg. Det är därför intressant att fundera över hur ett framtida resursfördelningssystem, som både främjar en rättvis och effektiv utbildning och tar hänsyn till arbetsmarknadens behov, skulle kunna utformas.

En stor del av bilagan består av beskrivning, genomförande och diskussion av egna dataanalyser kring individers val av utbildning, men vi börjar bilagan med en översikt av tidigare empirisk litteratur. Vår dataanalys börjar med en deskriptiv del där vi beskriver hur den svenska befolkningens utbildningsnivå och utbildningsinriktning har förändrats över tiden, samt jämför genomsnittliga utbildningsnivåer och inriktningar i Sverige med de i andra länder. Deskriptionen fortsätter sedan med en beskrivning av den sociala snedrekryteringen till högre utbildning, där analysen också omfattar skillnader i snedrekrytering mellan olika lärosäten. Vi analyserar även skillnader i ingångslöner, sysselsättningsgrad och inkomster samt risken för arbetslöshet för individer med olika utbildningsnivåer och inriktning. Betydelsen av ekonomiska incitament för individers utbildningsval analyseras därefter och slutligen undersöks om det finns systematiska skillnader i inkomster och löner för tidigare studerande från olika lärosäten.

Tidigare forskning

I denna kunskapsöversikt har vi i princip begränsat oss till den sociologiska och nationalekonomiska forskningen. Utifrån resultat inom båda dessa discipliner drar vi slutsatsen att familjebakgrund har stor betydelse för individers val av både nivå och inriktning på utbildning. Ett annat resultat är att betydelsen minskar med nivån på utbildning. Familjebakgrund har t.ex. liten betydelse för valet till forskarutbildning jämfört med för valet till korta universitetsstudier. Vidare drar vi utifrån den ekonomiska litteraturen slutsatsen att individer (betingat på familjebakgrund) väljer utbildning

utifrån förväntningar om framtida inkomster. Det finns också resultat som tyder på att en förlängning av den obligatoriska utbildningen (dvs. grundskolan) skulle minska snedrekryteringen till högre utbildning. Studiemedlen verkar öka andelen som studerar, däremot råder delade meningar om huruvida studiemedlen minskar den sociala snedrekryteringen till utbildning.

Internationell jämförelse

Från deskription och jämförelsen över tid och rum kan vi utifrån data från OECD konstatera att den svenska befolkningen 2004 hade fler antal år i utbildning i genomsnitt jämfört med hela OECD:s befolkning. I den svenska befolkningen hade 81 procent av männen och 86 procent av kvinnorna minst sekundär utbildning (gymnasium eller däröver) år 2005. Detta var mer än i de övriga nordiska länderna och också mer än OECD-genomsnittet. När det gäller utbildningsinriktning är det stora skillnader mellan OECD- länderna. För 14 av de 21 jämförda länderna är samhällsvetenskap, företagsekonomi och juridik den vanligast förekommande inriktningen. Detta område är också det vanligaste i Sverige. Den näst vanligaste utbildningen i Sverige är pedagogik och lärarutbildning medan ingenjörsutbildning är det näst vanligaste i OECD som helhet.

Utbildning och den svenska arbetsmarknaden

Utifrån svenska registerdata för åren 1990–2003 kan vi se att utbildningsnivån har ökat över tiden. Andelen kvinnor med högskoleutbildning ökar snabbare än andelen män: 2003 hade 16 procent av kvinnorna och 14 procent av männen högskoleutbildning. Andelen män med forskarutbildning är fler än andelen kvinnor men skillnaden minskar över den studerade perioden. Vi har också undersökt hur utbildningsnivåerna skiljer sig åt mellan generationer. De största förändringarna har skett när de äldsta generationerna (30- och 40-talisterna) utbildade sig. Andelen med förgymnasial utbildning var 48 procent bland 30-talisterna år 1990– 1993 men endast 30 procent bland 40-talisterna tio år senare.

Bland de sysselsatta är de med högre utbildning överrepresenterade och denna överrepresentation har ökat över tiden.

Under 1990 var överrepresentationen en procentenhet medan den var nästan två procentenheter 2003. En likartad, men kraftigare, utveckling märks för männen, där överrepresentationen är drygt tre procentenheter år 2003. Samtidigt är underrepresentationen av män med förgymnasial utbildning mindre än den är för kvinnor. En möjlig förklaring till denna ökning är att kravet om utbildning har ökat på arbetsmarknaden över tiden. En annan, och enligt vår mening mer trolig, förklaring är att de lågutbildade har utvecklats till en alltmer marginaliserad grupp som oavsett utbildningsnivå skulle ha haft det svårt på arbetsmarknaden. Med marginaliserad menar vi att gruppen har blivit mer enhetlig på så sätt att den har en begränsad förmåga på arbetsmarkanden.

Social snedrekrytering

Social snedrekrytering är ett återkommande tema i praktiskt taget all forskning om individers utbildningsval. Vi introducerar ett nytt index som sammanfattar snedrekryteringen ur ett antal olika aspekter. Analysen visar det som många andra före oss sett, nämligen att den sociala snedrekryteringen är stor och att betydelsen av familjebakgrund minskar vid val till de högre nivåerna. Vi kan också konstatera att familjebakgrunden är mer betydelsefull bland svenskfödda individer än bland invandrare, men mindre bland kvinnor än bland män. Dessa två senare resultat är intressanta och vi har inte funnit några tidigare studier som studerat detta. Det skulle vara intressant att närmare undersöka varför svenska män i så stor utsträckning följer i sina föräldrars fotspår. En potentiell förklaring är helt enkelt ekonomiska drivkrafter, dvs. att vissa framförallt ”manliga” yrken med låga krav på utbildning ger hög inkomst: både nominellt och realt. Det finns stöd (i alla fall anekdotisk sådan) för mer möjligheter att undandra inkomstskatt för vissa hantverksyrken med låga krav på utbildningsnivå jämfört med för mer akademiska yrken. Barn till fäder med hantverksyrken kan ha information om att dessa yrken genererar en hög real inkomst och detta skulle potentiellt kunna medföra att de väljer samma yrken som sina fäder. Denna effekt förstärks också av att mäns val av utbildning beror mer på ekonomiska drivkrafter än kvinnors (se kapitel 5).

Den sociala snedrekryteringen skiljer sig kraftigt åt mellan de äldre lärosätena. De relativt sett nyare universiteten i Umeå och

Linköping har studenter vars föräldrar i stort har samma utbildning som riksgenomsnittet, medan Stockholm, Uppsala, Lund och delvis Göteborgs universitet har studenter vars föräldrar är relativt sett högutbildade.2

Utbildning, inkomster och bakgrund

Utbildning, löner och inkomster

Grupper med högre utbildning har i genomsnitt högre ingångslöner än de lågutbildade och skillnaderna ökar med utbildningsnivån. De procentuella skillnaderna i ingångslöner relativt gymnasiestudier för studenter som har läst minst två år på universitetet ligger mellan 3 procent (humaniora och konst) och 18 procent (teknik och tillverkning). Det är svårt att se några klara förändringar över tiden, förutom i två fall. Ingångslönerna för disputerade inom hälso- och sjukvård har minskat i relation till ingångslönen för referensgruppen. För tidigare studenter med inriktningen humaniora och konst med två år eller fler på universitetet handlar det om en minskning av ingångslönerna i jämförelse med gymnasieexamen från 6 procent till 1,5 procent. Förutom ingångslöner beräknar vi även marginella livsinkomstskillnader.3 Resultaten tyder på att dessa har ökat sedan 1998, men att det främst är högutbildade mäns marginella livsinkomster som ökat.

Ekonomiska incitament och bakgrund

Vi finner att valet av utbildningsinriktning beror av förväntad inkomst efter examen.4 Vidare finner vi, liksom många före oss, att betydelsen av familjebakgrund minskar med nivån på utbildning. Betyget har stor betydelse för valet till längre universitetsutbildning. Moderns utbildning är mer betydelsefull än faderns, medan faderns inkomst är mer betydelsefull än moderns.

2 Detta resultat stöder Eliasson, K. [2006] som fann att snedrekryteringen har minskat i samband med att de nya mindre högskolorna etablerades. 3 Vi kontrollerar dock inte för bakgrund vid beräkningarna, utan detta handlar om ren deskription. 4 Detta har också konstaterats av Cebula, R. & Lopes, J. [1982], Berger, M. [1988], Boudarbat, B. [2004].

Sammantaget kan man utifrån våra analyser säga att om vi ska bryta den sociala snedrekryteringen till högre studier bör vi satsa mer resurser på utbildning i ett tidigt skede i livet.5

Vidare finner vi att valet av utbildningsinriktning är tämligen okänsligt för förändringar i den statliga skattesatsen. En sänkning av inkomstgränsen för statlig skatt skulle dock medföra en ökning av andelen individer som väljer utbildningar som leder till låga inkomster, på bekostnad av utbildningar som leder till höga inkomster. Detta resultat stöds av genomgången av betydelsen av skatter för utbildningsval i USA.6 Vi finner också att ett förstärkt studiestöd skulle leda till att individer skulle välja längre utbildningar men med i princip samma inriktningar.

När vi genomför analyser separat för olika sociala grupper får vi resultatet att en höjning av avkastningen på utbildning för alla individer och för alla inriktningar inom en nivå skulle leda till en minskning av den sociala snedrekryteringen. Vi visar också att en höjning av studiebidraget skulle minska den sociala snedrekryteringen. Båda dessa reformer skulle dock leda till att individer med sämre förkunskaper attraheras till högre utbildning vilket potentiellt skulle minska effektiviteten i utbildningen. Därför drar vi slutsatsen att om den sociala snedrekryteringen ska brytas bör samhället, givet begränsade resurser, satsa resurser på utbildning i ett tidigt skede i livet, snarare än att öka de ekonomiska incitamenten via exempelvis högre studiebidrag. Resultaten beräknas även separat för män och kvinnor. Det visar sig att män i högre utsträckning reagerar på en höjning av inkomsten, medan kvinnors utbildningsval påverkas mer av en ökning av studiebidraget. Detta beror i huvudsak på att kvinnor i genomsnitt tjänar mindre än män. Bidragsdelen under studietiden relativt inkomsten är därför viktigare för kvinnor.

Val av lärosäte

Bilagan avslutas med att analysera effekten av lärosäte på inkomster och löner. Det primära resultatet är att betydelsen av val av lärosäte för inkomster och löner i Sverige är underordnat valet av utbildningsinriktning. Ett annat generellt resultat är att det kan vara stora

5 För en amerikansk studie som också kommer fram till samma slutsats se Cameron, S. & Heckman, J. [1998]. 6 Se Heckman, J. [2000].

skillnader i både löner och inkomster mellan lärosäten i råa data, men när vi kontrollerar för familjebakgrund och betyg är skillnaderna ganska små. Detta gäller speciellt skillnader i löner. Vi finner också stora skillnader i rangordning mellan lärosätena beroende på om vi använder lön eller inkomst. Som exempel finner vi att utbildade pedagoger från Umeå universitet har de näst högsta lönerna men om vi istället tittar på inkomst så kommer dessa studenter först på tionde plats. Detta tyder på att det finns stora skillnader i fråga om möjligheterna att få arbete efter avslutad utbildning och att den geografiska mobiliteten efter avklarade studier är låg i Sverige. Tyvärr saknas kunskap kring studenters geografiska mobilitet. Eftersom denna information är mycket relevant för att förstå både utbud och efterfrågan av framtida utbildning ser vi detta som ett intressant område för framtida forskning.

När vi studerar effekten för lärosäte för varje utbildningsinriktning separat finner vi inga entydiga resultat; det finns alltså inget lärosäte som konsekvent framstår som bättre än andra. När vi studerar genomsnittliga effekter framstår det som att studier vid Stockholms universitet, Mälardalens högskola eller Mitthögskolan skulle ge högre inkomster fem år efter avslutad utbildning jämfört med många andra lärosäten. Vi tror dock inte att dessa skillnader mäter skillnader i kvalitet mellan lärosätena. Även om vi lyckats kontrollera för selektionen (se Faktaruta 1.1, Ordlista) till lärosätena har vi potentiellt problem med selektion med avseende på nätverk (s.k. sortering) och att arbetsmarknaden är lokal (dvs. att individerna inte söker efter arbete i hela Sverige).

Avslutande diskussion

Det primära syftet med denna bilaga till Långtidsutredningen 2008 är att den ska förbättra kunskapsläget om utbildningsval. Bilagan fungerar också som ett diskussionsunderlag för hur vi kan skapa ett utbildningssystem som minskar förekomsten av felaktiga utbildningsbeslut men också för hur incitamenten ska se ut för att skapa drivkrafter för ”rätt” utbildning med god kvalitet. Nedan diskuterar vi policyåtgärder inom dessa två delområden som vi tycker är relevanta för en framtida utbildningspolitik.

Felaktiga utbildningsbeslut

Vid en diskussion av hur man kan minska förekomsten av felaktiga utbildningsbeslut är det viktigt att definiera vad som menas med detta. Vår utgångspunkt har varit att förmåga vid födseln är jämt fördelad över sociala klasser. Detta innebär att den sociala snedrekryteringen till högre studier utgör felaktiga (ineffektiva) val av utbildning och att samhället bör försöka utjämna dessa skillnader.7

Utifrån vår studie och tidigare studier, tror vi inte att nuvarande studiestödsystem i någon större utsträckning minskar den rådande sociala snedrekryteringen. Det nuvarande studiestödsystemet kan snarast ses som regressivt omfördelande dvs. utbildning subventionerar till stor del barn från högre sociala klasser.8 Den sociala snedrekryteringen grundläggs under uppväxten. Vid begränsade resurser anser vi därför att det är bättre att omfördela statens utgifter för studiemedlen till förskola, grundskola och gymnasium. Denna omfördelning bör dock föregås av en konsekvensanalys, det är inte lämpligt att exempelvis banker (som skulle kunna bli de nya finansiärerna av studielån) baserar räntan på lånen på observerbara risker (dvs. familjebakgrund, hälsa etc.). Däremot skulle finansiärer potentiellt kunna basera sin avgift på vald utbildning för att t.ex. spegla arbetslöshetsrisker etc.

Ett problem som är intimt sammankopplat med den sociala snedrekryteringen är att den studievägledning och yrkesorientering som bedrivs i dag är mycket bristfällig: både kvalitativt men också kvantitetsmässigt.9 I en undersökning gjord av Skolverket 1995 finner man att elever från socialgrupp ett i större utsträckning får hjälp av sina föräldrar vid valet av utbildning än elever från socialgrupp tre. Den omvända relationen gäller stöd från skolans vägledare, dvs. elever från socialgrupp tre är mer beroende av stöd från dessa. I samma studie nämns att 60–70 procent av eleverna

7 Via data på adopterade visar Björklund, A., Lindahl, M. & Plug, E. [2006] att ungefär 50 procent av inkomströrligheten mellan föräldrar kan härröras till den biologiske föräldern medan resten kan härröras till adoptionsföräldern. Detta är en ganska stor effekt och kan, om den är korrekt, medföra att den sociala snedrekryteringen inte innebär felaktiga utbildningsval från ett effektivitetsperspektiv. Utifrån ett rättviseperspektiv man ändå hävda att den sociala snedrekryteringen är felaktig. 8 Eftersom den relativa kostnaden av att studera jämfört med att arbeta minskar med tillgång till subventionerade studiemedel kommer dessutom, via ekonomiska incitament, tillgång till dessa att förlänga tiden i studier. 9SOU 2001:45, Skolverket [2005], Skolverket [2007] och Diehl, J. [2006].

säger att lärarna aldrig (eller endast någon enstaka gång) under läsåret haft någon studie- eller yrkesorientering i undervisningen.10För att elever/studenter ska kunna fatta beslut om inriktning och längd på sin utbildning samt om lärosäte är det viktigt att det finns lättillgänglig information om utbildning och arbetsliv, att eleverna får stöd att hitta denna information och att det ges möjlighet att diskutera och analysera uppgifterna.11 Det senare är speciellt viktigt för elever från studieovana miljöer. Studie- och yrkesorientering bör göras till ett naturligt inslag i undervisning och inte endast förekomma i samband med val till gymnasium och/eller val till högre utbildning. Detta vore bra utifrån flera aspekter men kanske främst som ett sätt att öka elevers motivation i skolarbetet.12

För närvarande saknas lättillgänglig information om förväntade utfall av diverse utbildningsval. Dessa utfall skulle kunna vara inkomster, löner och arbetslöshet, och skulle t.ex. kunna redovisas, och årligt uppdateras, på Högskoleverkets eller Skolverkets hemsidor.13 Det lämpligaste måttet att redovisa är livsinkomster, som är ett sammanfattande mått på lön och arbetslöshetsrisk. Vår rekommendation är att resultaten presenteras i liknande form som t.ex. tabell 4.15 i vår bilaga men med en finare uppdelning på inriktning, t.ex. ekonomi, socialt arbete, läkare, etc. Tabellerna bör innehålla både ojusterade mått och mått som är justerade för social bakgrund m.m. Den sociala snedrekryteringen på lärosätesnivå, t.ex. det index vi föreslår, skulle också kunna beräknas och presenteras. Ett annat mått som vi tycker skulle vara allmänt tillgängligt är skattade inkomstutvecklingar för olika utbildningsinriktningar (se t.ex. diagram 4.1).

10 Lärarna delar inte denna bedömning. I en intervjustudie från Skolverket [2005] finner man dock likartade resultat och i samma studie håller lärarna med om att studie- och yrkesorientering sällan berörs i undervisningen. 11 Dresch, J & Loven, A [2003]. 12 En elev från Skolverkets intervjuundersökning 2005 (Skolverket [2005])berättade att hans lärare uppmanade sina elever att skaffa bra betyg ”…. men inte berättade vad man ska ha dem till”. 13 I dag finns mycket information om genomsnittliga löner för olika yrken lättillgängliga från SCB hemsida. SCB publicerar också mycket tydliga och bra deskriptiva rapporter(se t.ex. SCB [2007] och SCB [2008]) om utbildning och yrke.

Incitamenten för drivkrafter för en utbildning med god kvalitet

När det gäller policyrelevansen av vår analys av lärosätespremien tror vi inte att dessa presenterade mått, och inte heller arbetslöshet för före detta studenter från ett visst lärosäte, kan tolkas som kvalitetsskillnader mellan lärosäten. Vi tycker därför inte att dessa mått är speciellt lämpade att använda för att fördela resurser mellan lärosäten i ett resursfördelningssystem som syftar till att vara mer decentraliserat än dagens. I dagens system är incitamenten sådana att de skapar drivkrafter för kvantitet snarare än kvalitet i undervisningen och detta måste ses över.14 Men i stället för att använda löner, inkomster eller arbetslöshetsmått för att få en uppfattning om kvalitet tror vi i stället att studenterna bör göra centrala kunskapsprov som inte skiljer sig åt mellan högskolorna i slutet av sin utbildning. Via resultat från centrala kunskapsprov tror vi att det med tillräcklig information om social bakgrund, gymnasiebetyg, familjebakgrund, m.m. skulle vara möjligt att mäta kvaliteten på den specifika utbildningen inom varje lärosäte. Det optimala, utifrån en önskan om att mäta kvalitet, vore att också genomföra centrala kunskapsprov när studenterna påbörjar sin utbildning, vilket skulle göra det möjligt att direkt mäta utbildningens bidrag.

Ett potentiellt problem med det föreslagna fördelningssystemet skulle kunna uppstå om universitet och lärosäten inte väljer att tillhandhålla utbildningar där det finns marknadsefterfrågan på utbildad arbetskraft. Men om information om livsinkomster för de olika utbildningarna sprids till framtida studenter får vi, med en viss fördröjning, ändå ett efterfrågestyrt utbildningssystem med koppling till produktivitet och till efterfrågan på arbetskraft. En annan möjlighet är att tillåta att räntan på studielånet avspeglar risken för arbetslöshet efter avslutad utbildning. Om det behövs en snabb ökning av arbetskraft inom ett område där lönerna ännu inte har anpassats till arbetskraftsbristen kan beslutsfattare välja att öka resurserna inom detta specifika område och fördela resurser utifrån tidigare resultat på kunskapsproven.

14 I budgetproposition 2008 användes Vetenskapsrådets fördelning av forskningsbidrag för att också fördela direkta forskningsanslag till lärosätena. I Resursutredningens (SOU 2007:81) förslag föreslås, förutom publiceringar, citeringar, andel kvinnliga professorer, att också extern finansiering via forskningsråden ska utgöra kvalitetsindikatorer för fördelning av de direkta anslagen till lärosätena.

Några reflektioner

Under arbetets gång har vi noterat ett dataproblem som enligt vår mening borde leda till en förändring i datainsamlingen. Vi finner att kodningen av utbildningsinriktningarna på gymnasienivå är mycket bristfällig i de databaser som vi har använt. Mer specifikt hamnar en alltför stor andel av utbildningarna inom den allmänna inriktningen. Dit räknas t.ex. gymnasiestudier inom naturvetenskap. Enligt de kontakter som vi har haft med Statistiska centralbyrån beror detta på att naturprogrammet (men även andra program) bedöms vara så brett att det anses allmänt. Men vi menar att detta är mycket olyckligt för forskningsändamål och att det snarast borde rättas till. Det finns redan en naturinriktning på gymnasiet enligt SUN nomenklaturen och individer som har gått naturprogrammet bör naturligtvis inkluderas där, och inte tillsammans med andra program i den allmänna inriktningen. Visserligen är det möjligt att använda data över gymnasieprogram direkt och inte via SUN men jämförbarheten av olika utbildningsinriktningar mellan gymnasie- och högskoleutbildningar blir i så fall inte tillfredställande. Dessutom försvåras beräkningar av förändringar över tiden eftersom gymnasiet har genomgått förändringar t.ex. när det gäller programmens utformning. Detta borde snarast ändras om det är så att man i framtiden skulle vilja presentera information kring t.ex. inkomster eller löner för dessa olika inriktningar på gymnasiet motsvarande den vi vill att man ska tillhandahålla för de högre studierna.

1. Inledning

För att uppnå god ekonomisk tillväxt är det väsentligt att arbetsgivare kan finna lämplig arbetskraft för det arbete som ska utföras. Om det saknas rätt utbildad arbetskraft påverkar det tillväxten negativt. Finns det å andra sidan ett överskott av en viss typ av arbetskraft innebär detta också kostnader för både individ och samhälle i form av arbetslöshet. I och med den ständiga strukturomvandlingen i ekonomin är det dels viktigt att underlätta matchningen mellan lediga jobb och arbetssökande, dels att utforma incitament som leder till att arbetskraftens sammansättning och kompetens passar väl ihop med arbetsgivarnas behov.

Ett möjligt sätt att underlätta matchningen på arbetsmarknaden är att öka den geografiska rörligheten både lokalt och regionalt men också internationellt.15 Arbetskraftsinvandring från länder utanför EU är för närvarande en mycket aktuell fråga som anknyter till detta.

En långsiktig strategi som syftar till att tillgodose samhällets efterfrågan på kvalificerad arbetskraft är att se till att individer väljer ”rätt” utbildning. Vidareutbildning och omskolning är kostsamt oavsett om den ordnas av arbetsgivaren, Arbetsförmedlingen eller den kommunala vuxenutbildningen. För individens del är det också kostsamt, denna kostnad består av den monetära kostnaden för och av obehaget i samband med arbetslöshet, men också av andra indirekta kostnader förknippade med omskolning. Eftersom utbildning tar tid och strukturomvandlingen är snabb är det svårt för samhället att direkt styra individerna att välja rätt utbildning. Det är dock viktigt att individer har möjlighet att fatta informerade beslut. För samhället är det viktigt att incitamenten (se faktaruta 1.1 Ordlista) för utbildning är sådana att de skapar drivkrafter; (1) för utbildning,

15 Se t.ex. Bilaga 4 till Långtidsutredningen 2008 (SOU 2007:35) för en genomgång av flyttning och pendling i Sverige.

(2) så att kompetens tas till vara och (3) för att utbildningen håller hög kvalitet.

För att kunna åstadkomma detta är det viktigt att förstå hur individer väljer utbildning, dvs. vilka de väsentliga drivkrafterna för utbildning som kan styras med incitament eller andra direkta styrmedel är.16 De val av utbildning som individerna kan göra beror på samhällets institutioner (dvs. marknad, stat, familj m.m.), och beror till stor del på hur resurser fördelas till utbildning via staten. Fördelningen av antalet utbildningsplatser till varje lärosäte sker i dag enligt en budgetprocess. Detta innebär att varje lärosäte lämnar in ett budgetunderlag till regeringen där man specificerar ett önskemål om att utbilda en viss mängd helårsstudenter.17Utgångspunkten i detta system är inte att undvika felaktiga utbildningsval, vilket gör det intressant att fundera över alternativa resursfördelningssystem som skulle kunna skapa drivkrafter för en kvalitativ utbildning men som också skulle ta hänsyn till arbetsmarknadens behov.

Avkastningen på utbildning18 är ett ekonomiskt incitament (den beror av många faktorer, t.ex. kostnader för utbildning, skattesystemet och det sociala skyddsnät som finns vid avsaknad av arbete) som påverkar individens val av utbildning. Valet styrs dock inte enbart av ekonomiska incitament utan också av social

16 Ett incitament kan t.ex. vara en sänkning av skatten på höga inkomster vilken innebär att utbildningar som leder till högre inkomst blir mer attraktiva. En ökning av antalet platser på en viss utbildning är å andra sidan ett mer direkt styrmedel. 17 I budgeten kan universiteten också utrycka särskilda önskemål om pengar för att förstärkta specifika utbildningsområden. Budgetförhandlingar resulterar i ett takbelopp som motiveras av antalet helårsstudenter som ett lärosäte maximalt får betalt för. Om ett universitet examinerar fler studenter ett år får det dock föra över resterande belopp till nästkommande år. Regeringen specificerar också mål om antal examina för vissa utbildningar (t.ex. antal civilingenjörer, antal läkare etc.) men för övrigt kan lärosätena disponera budgetmedel ganska fritt. Enligt Ewa Hjertsén, utbildningsledare och biträdande kanslichef för humaniora och samhällsvetenskap vid Uppsala universitet, är det för Uppsala universitets del inga större skillnader i tilldelning av pengar mellan olika vetenskapsområden över åren. Däremot kan det ske en omdisposition inom varje vetenskapsområde beroende på söktryck (d.v.s. studentefterfrågan). Vid denna omdisposition tas således ingen direkt hänsyn till arbetskraftsefterfrågan inom de olika områdena. 18 Card, D. [1999] sammanställer resultat av skattningar av den privatekonomiska avkastningen för ytterligare ett års studier. Ibland påstås det att de samhällsekonomiska effekterna inte skulle vara lika stora som de privatekonomiska. Det främsta argumentet för detta är att utbildning i sig inte ökar produktiviteten utan endast signalerar förmåga. I en svensk undersökning finner Isacsson, G. [2005] dock, i likhet med en del amerikanska studier, att det inte finns någon skillnad mellan samhällets och individens avkastning på utbildning. Denna slutsats stärks också i genomgången av empirisk evidens i Björklund, A. & Lindahl, M. [2005].

bakgrund, värderingar och normer. Från samhällets sida är det angeläget att närmare analysera betydelsen av dessa två typer av faktorer (ekonomiska och sociala) för utbildningsvalet. Trots detta är insikterna om vad som verkligen styr individens val av utbildningsinriktning och utbildningslängd relativt begränsade.

Det primära syftet med denna bilaga till Långtidsutredningen 2008 är att den ska fungera som ett diskussionsunderlag för hur incitament kan utformas så att felaktiga utbildningsval undviks men också för hur resursfördelningen mellan olika lärosäten bör utformas så att den skapar incitament för en kvalitativ undervisning som också tar hänsyn till arbetsmarknadens krav på utbildad arbetskraft.19

Bilagan ger ett kunskapsmässigt tillskott på flera sätt. Den sammanfattar den nuvarande kunskapen i två litteraturöversikter: en om val av utbildning och en om val av lärosäte. Vidare ges en utförlig beskrivning av olika aspekter av den svenska befolkningens utbildning. Bilagans främsta bidrag är dock de nya empiriska resultat angående både utbildningsval och effekter av lärosätesval som presenteras.20

För både val av utbildning och val av lärosäte skattas orsakssamband. Detta innebär att vi undersöker hur individer ändrar sina utbildningsval vid förändrade ekonomiska incitament samt hur val av lärosäte påverkar individens framtida inkomst. I bilagan beskrivs och diskuteras de metodologiska problemen med att skatta orsakssamband med registerdata utförligt.

Vid våra analyser har vi gjort vissa avgränsningar. Generellt använder vi svensk utbildningsnomenklatur (SUN) vilket begränsat oss till att endast analysera valet av utbildningsinriktning på högskolenivå. (För mer detaljer kring data och dataproblem se Appendix A.) Våra analyser utesluter också utbildningar i Arbetsförmedlingens regi, personalutbildningar samt utbildningar som finansieras med privata medel. Vidare beskriver vi inte de initiativ till att främja mobilitet och anställningsbarhet som gjorts

19 I dagens system finns ett inslag av incitament för kvantitet snarare än kvalitet i undervisningen. 20 Vi är tacksamma för all hjälp som vi har fått under arbetets gång. Gunnar Isacsson har lämnat många värdefulla råd och därmed förbättrat slutprodukten. Detsamma gäller Peter Fredriksson. Vi riktar även ett stort tack till Eva Löfbom, Kjell Nyman, Mårten Palme och Helena Persson från bilagans referensgrupp för givande diskussioner och till Kristian Persson, Fredrik Bystedt, Lena Unemo och Annika Århammar från Finansdepartementet för löpande kommentarer under arbetets gång.

inom ramen för Bolognaprocessen.21 Vi diskuterar inte heller litteratur som berör överutbildning22 eller sekundära effekter av utbildning, t.ex. effekter på minskad kriminalitet, förbättrad hälsa m.m.23

Då det i bilagan förekommer en hel del begrepp av teknisk natur har vi, för att underlätta läsningen, i slutet av denna inledning sammanställt en ordlista.

I kapitel 2 ges en kunskapsöversikt av den tidigare litteraturen om vad som bestämmer individers val av utbildning med avseende på utbildningens nivå och inriktning. Vi har här, i huvudsak, begränsat oss till den ekonomiska och den sociologiska litteraturen. I kapitel 3 jämförs utbildningsnivåer och inriktningar i Sverige med de i andra länder. I kapitel 4 beskriver vi hur den svenska befolkningens utbildningsnivå och utbildningsinriktning har förändrats över tiden. Vi beskriver också den sociala snedrekryteringen till högre utbildning, där analysen omfattar skillnader i snedrekrytering mellan olika lärosäten. Vi analyserar även skillnader i ingångslöner, sysselsättningsgrad och livsinkomster samt risken för arbetslöshet för olika utbildningsinriktningar och lärosäten.

Betydelsen av ekonomiska incitament för individers utbildningsval analyseras i kapitel 5. Denna analys genomförs med hjälp av två olika typer av modeller. Den första modellen förklarar hur individerna väljer längden på utbildning.24 I den andra modellen förklaras typen av högskoleutbildning.25 Dessa empiriska analyser har inte tidigare gjorts på svenska data.

Kapitel 6 undersöker om det finns systematiska skillnader i inkomster och löner för tidigare studenter från olika lärosäten. Det

21Se http://www.hsv.se/densvenskahogskolan/forandringar/bolognaprocessen.4.539a949110

f3d5914ec800059481.html för mer information om Bolognaprocessen. 22 Se t.ex. le Grand, C., Szulkin, R. & Thålin, M. [2004] samt Johansson, M. & Katz, R.

[2007]. Den primära anledningen är att det av flera skäl är mycket svårt att tolka resultat från denna typ av studier. Definitioner av yrken och utbildningar innebär problem eftersom det sker förändringar i klassifikationer över tid men också av att kraven för ett yrke förändras över tid. Det är också svårt att tolka enkätsvar där arbetstagare får svara på frågor kring om de är överkvalificerade eller underkvalificerade för sitt yrke. 23 På senare tid har indirekta effekter av utbildning som påverkar samhällets effektivitet, t.ex.

i form av förbättrad hälsa, ökad politisk medvetenhet och minskad kriminalitet, rönt ett stort intresse inte bara bland sociologer utan också bland ekonomer Se t.ex. Björklund, A. & Lindahl, M. [2005] och Heckman, J. & Masterov, D. [2007] för en genomgång av tidigare studier. Slutsatsen är att utbildning kan medföra stora samhällsekonomiska vinster även om de privatekonomiska vinsterna kan vara små. 24 Se Cameron, S. & Heckman, J. [1998]. 25 Se Angelov, N, Dagsvik, J.R. & Johansson, P. [2008].

empiriska problemet med att uppskatta dessa s.k. lärosätespremier och att tolka dessa som skillnader i undervisningskvalitet lärosäten emellan diskuteras. Vi avslutar kapitlet med en empirisk analys av kvalitetsskillnader mellan lärosäten baserat på löner och inkomster.

Faktaruta 1.1 Ordlista i bokstavsordning

Diskontera

Omvandla framtida belopp (t.ex. inkomst, kostnader, etc.) till nutida belopp. Den s.k. diskonteringsräntan som används speglar det faktum att individer föredrar att konsumera en viss mängd idag framför samma mängd i framtiden.

Ekonomisk modell

En (oftast) matematisk, stiliserad representation av en del av ekonomin, t.ex. av individens konsumtionsval. Om modellen och verkligheten i relevanta avseenden liknar varandra kan modellen användas för att analysera olika typer av politik.

Icke-observerbar egenskap

En egenskap som är svår (eller omöjlig) att observera. Två exempel på sådana egenskaper är förmåga och motivation.

Icke-parametrisk metod

När en icke-parametrisk metod används för att skatta relationer eller parametrar görs inga antaganden om modellen. Detta är en skillnad jämfört med t.ex. regressionsmodeller där en funktionell form antas mellan utfallsvariabel och förklarande variabler.

Incitament

Ett incitament är något som stimulerar en viss handling. Lönen är ett incitament som utgör drivkraften för individer att arbeta (direkt) eller studera (indirekt via förväntade inkomster).

Instrument

Ett instrument är en variabel som slumpmässigt tilldelar individer t.ex. en viss utbildning. Villkoret för att en variabel ska fungera som ett instrument är att den endast påverkar utfallet indirekt via, i detta fall, själva utbildningen. Exempelvis skulle en variabel som påverkar individers utbildningslängd men som inte har en direkt inverkan på studenternas framtida lön (utfall) fungera som instrument för att skatta avkastningen på utbildning. Avståndet till närmaste utbildningsort har använts i detta sammanhang.

forts. Faktaruta 1.1 Ordlista i bokstavsordning

Kontrollera för

Om man på statistisk väg vill få fram effekter av t.ex. en viss utbildning, och använder sig av data från register kan resultaten bli felaktiga på grund av att individer i data själva valt sin utbildning. Genom att i analysen använda sig av variabler som bestämmer sannolikheten att en individ skaffar sig en viss utbildning (t.ex. kön och föräldrars utbildning) kan man, förhoppningsvis, få icke felaktiga skattningar. Vi säger då att vi kontrollerar för dessa variabler. Detta görs oftast genom att använda skattade parametrar (se nedan).

Livsinkomst

I denna bilaga definieras livsinkomsten som summan av alla framtida diskonterade (via diskonteringsränta) inkomster för en individ.

Lärosäte

Ett lärosäte avser i bilagan separat högskola eller universitet. En högskola inom ett universitet definieras således inte som ett lärosäte.

Observerbar egenskap

En egenskap som går att observera i data, t.ex. kön eller utbildning.

Parameter

En parameter är en storhet som i vårt sammanhang betraktas som okänd men konstant, t.ex. konsumtionsbenägenhet, utbildningsbenägenhet eller helt enkelt den genomsnittliga utbildningsnivån i en population.

Policy

Den förda politiken inom ett specifikt område, t.ex. när det gäller skatter eller studiemedel.

Policysimulering

En policysimulering är en uppskattning av ett kommande utfall, en s.k. prediktion, om vad som skulle hända vid en förändring av för modellen relevanta variabler. De modeller som vi använder i bilagan resulterar bland annat i uppskattningar av andelen studenter med en viss utbildning, givet en förändring av förväntade livsinkomster, t.ex. via förändrade skatter.

Population

En population definieras som hela den mängd individer som man vill dra slutsatser om, t.ex. hela Sveriges befolkning.

Prediktion

En prediktion är en uppskattning av ett kommande utfall.

forts. Faktaruta 1.1 Ordlista i bokstavsordning

Randomiserat experiment

Vid ett randomiserat experiment kan individen inte själv göra något val (av t.ex. utbildning) utan valet sker slumpmässigt.

Regressionsmodell

En regressionsmodell är en ekonomisk modell som formuleras matematiskt. Regressionsmodellen används för att testa hypoteser om ekonomiska samband, t.ex. hur ekonomiska incitament påverkar individers utbildningsval. Hypoteserna testas med hjälp av data.

Selektion

Selektion uppstår när individer gör val som på något sätt är beroende av t.ex. deras preferenser eller egenskaper. Selektionen kan ibland beskrivas med för analytikern observerbara variabler (t.ex. att det är mer vanligt att en kvinna väljer högre utbildning än en man) men i bland sker den på för analytikern icke observerbara variabler (t.ex. motivation eller förmåga).

Selektion på icke observerbara variabler

Om individer med hög kognitiv förmåga väljer högre utbildning i större utsträckning än individer med låg kognitiv förmåga har vi selektion baserat på en icke-observerad variabel eftersom vi inte har tillgång till data på kognitiv förmåga. Detta medför att vi har selektionsproblem. Vi kan mildra problemet om vi har tillgång till variabler som, imperfekt, mäter denna förmåga t.ex. gymnasiebetyg.

Skattning

En parameter som är okänd kan skattas med data, t.ex. är medelvärdet av antal år i utbildning i ett stickprov en skattning av en populations genomsnittliga utbildningsnivå.

Statistiskt säkerställd

En skattning som med en viss risk om felaktighet skiljer sig från ett antagande om vad som är sant sägs vara statistiskt säkerställd. I denna bilaga väljer vi en risk på som mest 5 procent att göra ett felaktigt beslut.

Stickprov

En del av en population som antingen har valts ut slumpmässigt (t.ex. genom obundet slumpmässigt urval) eller enligt specifika kriterier (t.ex. alla som har skaffat högskoleutbildning under en viss period)

forts. Faktaruta 1.1 Ordlista i bokstavsordning

Utbildningspremie

De ytterligare intäkter vilka ett års utbildning ger upphov till.

2. Tidigare forskning

Detta kapitel behandlar tidigare genomförd forskning om faktorer som kan påverka valet av utbildning. De studier som presenteras hör främst hemma inom nationalekonomi och sociologi, vilka är två forskningsområden som delvis överlappar varandra. Detta medför att vi i genomgången nedan blandar ekonomiska och sociologiska studier. För att öka läsbarheten har vi dock valt att strukturera kapitlet utifrån ett antal centrala forskningsfrågor, som presenteras i skilda avsnitt. På det sociologiska området riktas mycket fokus kring forskning runt utbildningsval mot det som kallas social snedrekrytering (se faktaruta 2.1 Social snedrekrytering). Kapitlet börjar därför med en internationell jämförelse av social snedrekrytering i avsnitt 2.1. I avsnitt 2.2 diskuteras betydelsen av föräldrars utbildning och socialklass och i avsnitt 2.3 några övriga familjebakgrundsfaktorer. Från och med avsnitt 2.4 fokuseras på mer institutionella faktorer och deras betydelse för utbildningsvalet. I avsnitt 2.4 diskuteras skola och socioekonomisk omgivning, i avsnitt 2.5 högskolans antagningssystem och geografiska spridning, i avsnitt 2.6 studiefinansiering, i avsnitt 2.7 skattesystem samt i avsnitt 2.8 avkastning på utbildning. I synnerhet den sista frågan är mycket central inom nationalekonomisk forskning. I det sista avsnittet, 2.9, sammanfattas resultaten från den tidigare forskningen. Genomgående presenteras i huvudsak empiriska studier.

Faktaruta 2.1 Social snedrekrytering

Social snedrekrytering innebär att barn från olika samhällsklasser rekryteras till utbildning i olika hög utsträckning. Graden av snedrekrytering beror på hur starkt sambandet mellan social bakgrund och utbildning är.

2.1. Social snedrekrytering internationellt

På makronivå finns det i den empiriska litteraturen ett antal studier som undersöker hur social snedrekrytering till utbildning har förändrats över tiden i olika länder.26 En ofta citerad jämförande studie är Shavit & Blossfeld (1993), i vilken resultaten från undersökningar gjorda i 13 länder sammanställs. Författarna konstaterar att mönstret för social snedrekrytering är mycket lika mellan länderna. Effekten av social bakgrund har en allt mindre betydelse för utbildningsvalet ju högre utbildning en individ har, den sociala bakgrunden är med andra ord mer betydelsefull vid valet till gymnasium än vid valet till universitet och högskola. Detta fenomen kallas ibland dynamisk selektion och förklaras av sociologer med att individer från lägre socialklasser möter större ekonomiska begränsningar när de ska välja utbildning. Individer från lägre socialklasser som fortsätter att studera har, utifrån teorin om rationella val,27 därför en högre förmåga än individer från högre socialklasser. Shavit & Blossfeld konstaterar att den dynamiska selektionen har varit relativt konstant under de sex studerade decennierna. Samtidigt har effekten av social bakgrund minskat över tiden i två länder, Sverige och Nederländerna.28

Cameron och Heckman (1998) visar att om studenters val av utbildning beror på förväntningar om framtida inkomster (nyttor) är den sociologiska teori om rationella val som använts för att beskriva dynamisk selektion inte lämplig. Utifrån en teori om att individen är framåtblickande visar de att familjebakgrund nästan enbart påverkar det initiala utbildningsvalet, det vill säga från grundskola till gymnasium. Cameron och Heckmans slutsats är att det inte är ekonomiska begränsningar som förklarar resultatet utan snarare skillnader i uppväxtvillkor. De menar därför att politiska förändringar som är tänkta att öka antalet högskolestuderande genom ekonomiska bidrag till familjen när barnen är äldre endast begränsat bidrar till att minska den sociala snedrekryteringen.

26 Se t.ex. Erikson, R. & Jonsson, J. [1996]. 27 Se nedan för en diskussion om den sociologiska teorin om rationella val. 28 Se Breen, R. & Goldthorpe, J. [1997] för en möjlig förklaring.

2.2. Föräldrars utbildning och socialklass

Enligt Boudon (1974) finns det två effekter som ligger bakom social snedrekrytering: den primära effekten och den sekundära effekten (se faktaruta 2.2 Primär och sekundär effekt). Båda dessa effekter finns belagda för Sverige i Härnqvist (1993) och i SOU 1993:85. Enligt Erikson & Jonsson (2002) hänger den primära effekten troligtvis ihop med det tidiga samspelet mellan föräldrar och barn. Detta samspel är till en del beroende av olika familjefaktorer, såsom föräldrarnas utbildning och socialklass. Dryler (1998) studerar olika familjefaktorers inverkan på den sociala snedrekryteringen. Resultaten visar att föräldrarnas utbildningsnivå är den i särklass viktigaste faktorn för social snedrekrytering till högre studier. Familjens ekonomiska situation och socialklass är också betydelsefull men i betydligt mindre omfattning. Resultatet stöds av SOU 1993:85. Dryler (1998) visar också att barn väljer en utbildningsinriktning som ligger nära antingen mammans, pappans eller båda föräldrarnas utbildning/yrke. Sambandet är något starkare mellan far och son än mellan mor och son. För flickor är sambandet lika mellan far och dotter och mor och dotter. Ytterligare resultat i studien visar att det i högre socialklasser är vanligare att göra utbildningsval som inte är typiska för det egna könet.

Faktaruta 2.2 Primär effekt och sekundär effekt

Primär effekt

Den primära effekten till social snedrekrytering innebär att barn från högre socialklasser presterar bättre i skolan än barn från lägre socialklasser.

Sekundär effekt

Den sekundära effekten innebär att även vid samma prestationsnivå är det mer sannolikt att barn från högre socialklasser fortsätter att studera.

En förklaring till varför föräldrarnas utbildning är så central för barnens senare studieval kan vara att välutbildade föräldrar har större möjlighet att hjälpa sina barn med skolarbetet. En annan förklaring kan vara att välutbildade föräldrar förmedlar kulturellt ”kapital” till sina barn. En av föregångarna till denna tanke är

Bourdieu (1977). Han menar att barn som kommer från familjer som känner till den dominerande formen av kulturellt kapital, har lättare att tillgodogöra sig ett eget kulturellt kapital, det vill säga att lyckas i skolan. Det är också lättare för elever med välutbildade föräldrar att ta sig fram inom utbildningsväsendet, eftersom deras föräldrar själva har erfarenhet av detta och kan hjälpa sina barn att välja rätt. Nationalekonomiska studier som behandlar relationen mellan föräldrars och barns utbildning, det s.k. ”intergenerationella sambandet”, finner i likhet med sociologiska studier att ett positivt samband existerar. För en litteraturöversikt se Holmlund m.fl. (2007).

Boudons sekundära effekt, som innebär att det även vid samma prestationsnivå är mer sannolikt att barn från högre socialklasser fortsätter att studera, kan enligt Erikson & Jonsson (2002) förstås i termer av rationella val under skilda förutsättningar. Detta är grunden i teorin om rationella val (se faktaruta 2.3 Teorin om rationella val).29 Breen & Goldthorpe (1997) argumenterar för att skillnader i utbildningsval mellan olika sociala klasser beror på att olika klasser värderar kostnader och intäkter av utbildning olika. De konstruerar en modell där personer väljer utbildning utifrån en önskan om att åtminstone förbli i den samhällsklass från vilken de kommer. Detta medför att personer från högre socialklasser värderar utbildning som ger dem tillgång till högre klasser högre än personer från lägre socialklasser. Modellen har bl.a. testats på tyska data av Becker (2003) och på nederländska data av Need & de Jong (2001). Båda studierna finner stöd för att skillnader i utbildning mellan olika socialklasser kan förklaras av att dessa klasser värderar kostnader och intäkter av utbildning olika. I detta sammanhang kan det också vara intressant att nämna att Andres (1998) finner att bland kanadensiska ungdomar med samma betyg är pojkar mer benägna att gå vidare till högre studier i jämförelse med flickor.

Den sociologiska teorin om rationella val kan synas ha kopplingar till den nationalekonomiska humankapitalteorin där utbildning ses som ett investeringsbeslut.30 Det finns dock en skillnad och det är att i teorin om rationella val antas individerna endast vara kortsiktigt rationella, dvs. de maximerar inte alla framtida nyttor som oftast antas i den nationalekonomiska teorin.31Vi återkommer till humankapitalteorin i avsnitt 2.8.

29 Boudon, R. [1974], Breen, R. & Goldthorpe, J. [1997]. 30 Se Becker, G. [1964]. 31 Se Cameron, S. & Heckman, J. [1998].

Faktaruta 2.3 Teorin om rationella val

I denna teori antas att det utbildningsval som elever och deras föräldrar gör beror på den förväntade kortsiktiga nyttan, de förväntade kostnaderna samt sannolikheten att lyckas med olika utbildningsalternativ. Utgångspunkten för teorin är att dessa faktorer skiljer sig åt mellan olika socialklasser.

2.3. Övriga familjefaktorer

Förutom föräldrarnas utbildning och socialklass finns det en rad andra familjebakgrundsfaktorer som har diskuterats när det gäller tänkbara förklaringar till social snedrekrytering. Två av dessa är effekten av att ha en ensamstående förälder och effekten av att ha föräldrar som är invandrare. Enligt SOU 1993:85 har dessa faktorer mindre betydelse men efter att man tagit hänsyn till andra bakgrundsfaktorer (inklusive föräldrars utbildning) finns det ändå en tendens till att barn som vuxit upp med två föräldrar väljer mer utbildning. Detsamma gäller barn som är andra generationens invandrare32, dvs. andra generationens invandrare väljer mer utbildning än barn till svenskfödda. Ibland framhålls genetiska faktorer som en orsak till varför barn får olika lång utbildning. Detta ämne kommer emellertid inte att behandlas här.33

2.4. Skola, omgivning och yrkesvägledning

Förutom familjebakgrund kan det finnas andra ickeindividspecifika förhållanden som påverkar valet av utbildning. I detta och kommande avsnitt redogörs för en del av dessa mer institutionella faktorer. En sådan faktor är tidpunkten för valet till gymnasiet. Utifrån avsnitt 2.1 verkar forskning visa att familjebakgrund har stor betydelse för valet till gymnasiet. En rimlig konsekvens av detta är att ett senareläggande av tidpunkten då elever gör sitt gymnasieval leder till minskad social snedrekrytering. Detta påstående finner stöd bl.a. i två studier från Sverige (Erikson, R. & Jonsson, J. [1996] och Meghir, C. & Palme, M. [1999]) och i en studie från Skottland (McPherson, A. & Willms, J. [1987]).

32 Individer som är födda i Sverige men som har minst en förälder som är född utomlands. 33 För en litteraturöversikt se SOU 1993:85.

Andra faktorer som kan ha betydelse för om elever söker vidare till gymnasium och högskola är den skola och socioekonomiska omgivning eleven vistas i. SOU 1993:85 undersöker dessa samband och konstaterar att skol- och omgivningseffekter34 står för ca 10 procent av variationen i gymnasieutbildning. Resterande variation beror, enligt studien, på sammansättningseffekter, det vill säga att elever med liknande bakgrund tenderar att gå i samma skolor. Även två amerikanska studier (Hanushek, E. m.fl. [2003] och Harding, D. (2003)) finner att den socioekonomiska omgivningen har en viss inverkan på barns utbildningsframgång.

En relaterad fråga är hur en individs identitet påverkar utbildningsvalet. Akerlof & Kranton (2002) sammanför sociologiska idéer om identitet och omgivning med en nationalekonomisk analys av utbildning. Författarna diskuterar hur en elevs vilja att passa in i en specifik skolgrupp gör att eleven engagerar sig olika mycket i skolarbetet.

Yrkesvägledning lyfts ofta fram som en viktig faktor för elevers möjligheter att göra ”rätt” utbildningsval. En intervjustudie med vägledare och elever från 2003 (Dresch, J. & Lovén, A. (2003)) visar att behovet av vägledning ökar när det finns fler valalternativ. I studien nämns svårigheter som är relaterade till den ökade konkurrensen mellan skolor, såsom svårigheter att skilja mellan information och marknadsföring och att vägledarna tycker det är svårt att vara opartiska. Vidare upplevde vägledarna att dagens elever är mindre mogna att ta ställning till sin framtid och mindre benägna att själva söka information. Andra studier visar att många elever känner sig osäkra både inför och efter sina val till gymnasieskolan.35 I synnerhet gäller detta elever på studieförberedande program, flickor och elever med föräldrar födda utanför Norden. En studie av Borglund, L. (2002) undersöker vad som är viktigt för elever när de ska göra sina val till gymnasiet. Sex av tio elever tycker att samtalen med vägledare är mycket värdefulla. Flickor tycker att samtalen och besök på skolor är viktigare än vad pojkar tycker. Bara en av tio tycker att kompisar påverkat dem. I en utvärdering från Skolverket (1995) visade det sig att elever från olika socialklasser skiljer sig åt ifråga om vilket stöd de får och vem de får mest hjälp av inför gymnasievalet. Elever

34 Omgivningseffekter kan förenklat beskrivas som skolkamraternas inverkan på eleven och skoleffekter är själva skolans inverkan. 35 Se Henryson, L. [1994] och Lovén, A. [1990].

från socialklass ett får mest hjälp av sina föräldrar, medan elever från socialklass tre i högre grad får hjälp av skolans vägledare.

2.5. Högskolans antagningssystem och geografiska spridning

År 1977 genomfördes en stor högskolereform i Sverige som bland annat innebar en övergång till ett centralreglerat antagningssystem, en begränsning av antalet platser till de flesta utbildningar samt nyetablering av högskolor i olika delar av landet. Kim (1998) undersöker hur denna reform påverkade valet av högre utbildning. Hon påpekar nödvändigheten av att se utbildningsvalet som ett samspel mellan individens val och systemets urval. Resultaten visar att en låg dimensionering av antalet utbildningsplatser gör urvalet desto viktigare. Dessutom pekar resultaten mot att de centrala antagningskriterierna som var tänkta att främja lika bedömning av alla sökande snarast gjorde det svårare att bryta traditionella rekryteringsmönster. Vidare visar studien att anpassningen till antagningskraven på individnivå är omfattande och att denna anpassning sker redan på gymnasiet. En annan fråga gällande antagning till högskolan är hur högskoleprovet påverkar fördelningen av studenter från olika grupper. Berggren (2006) finner att högskoleprovet är mer fördelaktigt för personer från högre klasser och för män.

En bakomliggande orsak till den regionalisering av den svenska högskolan som skedde på 1970-talet var en tanke om att den sociala selektionen skulle minska då elever från lägre socialklasser fick närmare till högskolan. De studier som gjorts på området visar dock på motstridiga resultat. Dryler (1998) visar att olika socialklasser inte skiljer sig åt i sin känslighet för geografiskt avstånd. Dessutom finner hon inga belägg för att de nya universiteten och högskolorna placerades på orter med en större andel individer från lägre socialklasser. I en nyare studie finner Eliasson (2006) att registreringen på högskolan ökar när denna utbildning blir mer tillgänglig. Vidare finner han till skillnad från Dryler (1998) att individer från lägre socialklasser är mer känsliga för högskolans geografiska tillgänglighet än individer från högre socialklasser.

2.6. Studiefinansiering

I en statlig utredning från 1992 (SOU 1992:122) presenteras en undersökning av studiemedlens betydelse för rekryteringen till gymnasiet och högskolan. I fråga om rekryteringen till gymnasiet är det endast en liten andel (under 10 procent) av de gymnasiestuderande som deltar i undersökningen som anger att studiehjälpen varit av avgörande betydelse för beslutet att fortsätta till gymnasiet. Andelen är dock högre bland dem som kom från hem med låga inkomster.36

I fråga om rekryteringen till högre studier visar undersökningen att studiemedlens37 betydelse kom att ändras under den undersökta perioden. I slutet av 1960-talet sa 16 procent av dem som gick från 3–4-årigt gymnasium till högskola att studiemedlen spelat stor roll för valet att fortsätta studera. I början av 1970-talet sjönk denna andel till 11 procent för att sedan öka igen till 17 procent i början av 1980-talet. En nationalekonomisk studie av Fredriksson (1997) undersöker sambandet mellan studiemedel och benägenheten för högre studier. Resultaten pekar mot att en ökning av studiemedlen ökar andelen som fortsätter till högskolan. I SOU 1992:122 undersöks även den selektiva effekt som studiemedlen hade på olika socialklasser. Resultaten visar att också denna förändrades under perioden. I början av undersökningsperioden motverkade studiemedlen den sociala snedrekryteringen till högre studier medan de i slutet av perioden snarare förstärkte den. Detta beror på att fler studenter med låga betyg från högre socialklasser fortsatte sina studier tack vare studiemedlen. Denna effekt var större än den positiva effekt studiemedlen hade i fråga om att uppmuntra fortsatta studier bland studiebegåvade studenter från lägre socialklasser. Hammarström (1996) analyserar orsakerna till att vissa elever inte söker vidare till universitetet bland ett urval gymnasieelever med goda studieförutsättningar. Hon finner att oavsett kön och gymnasieutbildningens längd angav en större andel ungdomar från lägre socialklasser att den låga nivån på studiemedlet38 var ett starkt motiv för att inte påbörja högskolestudier.

36 Inga exakta siffror presenteras i utredningen. 37 Undersökningen belyser inte studielån och studiebidrag var för sig utan studiemedlet som helhet. 38 Inte heller i denna undersökning görs någon uppdelning på studielån och studiebidrag.

Det finns även många amerikanska studier som undersöker studiemedlens effekter på efterfrågan på högre utbildning.39 Här bör nämnas att det i USA inte finns några universella studiemedel liknande de vi har i Sverige. Istället finns olika former av stipendium för högre studier som i regel är riktade till individer med sämre ekonomiska förutsättningar. Manski & Wise (1983) finner att individer som är kvalificerade för ett statligt ”Pell”stipendium40 är mer benägna att studera vid högskolan. Enligt Kane (1994) gav utdelningen av fler Pell-stipendier dock inte upphov till någon proportionell ökning i inskrivningen vid universiteten för studenter från familjer med låga inkomster. Dynarski (1999) studerar effekten på universitetsdeltagande av en förändring i ”the Social Security Student Benefit Program”41 som inträffade på 1980talet. Hon finner att nedskärningen i stipendier ledde till en minskning i universitetsdeltagandet för studenter från sämre förhållanden.

Chapman (2005) presenterar en översikt av studier som undersökt hur det samtidiga införandet av universitetsavgifter och inkomstberoende studielån i Australien påverkade universitetsdeltagandet. Sammanfattningsvis tyder dessa studier på att studielån leder till ökat deltagande totalt men att ökningen är större för studenter från mer fördelaktiga förhållanden.

2.7. Skattesystem

Skattesystemet är en annan faktor som potentiellt kan påverka vilken och hur mycket utbildning en individ väljer att skaffa sig. Att investera i utbildning innebär oftast en kostnad i form av utebliven inkomst, vilket dock kan ställas mot den högre inkomst som utbildningen förhoppningsvis ger upphov till. Ett progressivt skattesystem kan motverka investeringar i utbildning eftersom avkastningen på investeringen beskattas hårdare än kostnaden för densamma. Detta är inte fallet med ett proportionellt skattesystem i vilket investeringen och kostnaden beskattas lika mycket om

39 Se Heckman, J. [2000] och Heckman, J. & Masterov, D. [2007] för en sammanställning av resultat från USA. 40 Pell-stipendiet är ett statligt stipendium för studenter med sämre ekonomiska förutsättningar. 41 Detta program delade ut pengar till 18–22-åriga barn till avlidna, handikappade eller pensionerade socialbidragstagare. Pengarna betalades ut om barnen studerade heltid på college.

kostnaden för utbildningsinvesteringar är avdragsgilla (eller som i det svenska systemet i hög grad subventionerade av samhället). Heckman (2000) diskuterar hur olika delar av skattesystemet påverkar investeringar i utbildning. En slutsats han drar är att införandet av en proportionell skatt (från en progressiv) i USA skulle öka investeringar i utbildning. Denna effekt är dock tämligen liten och på grund av olika prisanpassningar skulle den långskiktiga effekten dessutom vara mindre än den kortsiktiga effekten.

2.8. Avkastning på utbildning

I avsnitten ovan har det primära syftet varit att studera de begränsningar som påverkar val av utbildning. I det här avsnittet behandlar vi istället ekonomiska drivkrafters betydelse när dessa begränsningar hålls konstanta. Den drivkraft som har studerats mest i detta sammanhang är avkastningen på utbildning, eller utbildningspremien (se faktaruta 1.1 Ordlista).

Mycket av den ekonomiska forskningen kring val av utbildning utgår från och vidareutvecklar den så kallade humankapitalteorin (se faktaruta 2.4 Humankapitalteorin). I en översikt av litteraturen om efterfrågan på utbildning drog Freeman (1986) slutsatsen att "[a]n important outcome of the human capital revolution has been the finding that, in fact, youths respond significantly to economic incentives in their educational decisions".42 I denna översikt hänvisar Freeman till ett antal amerikanska och engelska studier som behandlar sambandet mellan valet av utbildning och avkastningen på utbildning.43 I samtliga studier finner författarna ett positivt samband mellan avkastning på utbildning och valet att utbilda sig mer. Det finns även svenska studier på detta område. Edin & Holmlund (1995) visar att det finns ett starkt samband mellan efterfrågan på utbildning och avkastningen på denna. Fredriksson (1997) samt Fredriksson & Topel (2006) finner liknande resultat.

42 Se Freeman , R.[1986, sid. 375] 43 Se t.ex. Willis, R. & Rosen, S. [1979].

Faktaruta 2.4 Humankapitalteorin

Utgångspunkten i humankapitalteorin är att utbildning kan ses som ett investeringsbeslut. Genom att lägga ned tid och pengar på utbildning idag, och på så sätt investera i sitt humankapital, kan individen öka sina framtida förtjänstmöjligheter. Grundprincipen är att individen bör fortsätta att utbilda sig så länge som de marginella intäkterna av detta överstiger de marginella kostnaderna.

Studierna ovan fokuserar på hur mycket utbildning en individ väljer att skaffa sig. Men det finns också en nationalekonomisk litteratur som behandlar sambandet mellan avkastningen på utbildning och val av utbildningsområde. Koch (1972) drar slutsatsen att det finns ett samband mellan marginella förändringar i avkastningen inom olika områden och studenters byte av utbildningsinriktning. Resultatet stöds av Cebula & Lopes (1982) som tittar på hur skillnader i ingångslöner inom olika områden, tillsammans med ett antal andra ekonomiska och icke-ekonomiska faktorer, påverkar studenters val av utbildningsinriktning. Berger (1988) undersöker både hur livsinkomster och ingångslöner påverkar valet av utbildningsområde. Han drar slutsatsen att livsinkomsten har en större betydelse än ingångslönen för vilket utbildningsområde en individ väljer. En studie av Boudarbat (2004) antyder att valet av utbildningsinriktning beror av förväntad inkomst efter examen. Vidare verkar mäns val påverkas mer än kvinnors av den förväntade inkomsten medan individer som arbetat innan de påbörjat sina högskolestudier påverkas mer av förväntad inkomst. En svensk studie av Fredriksson & Öckert (2007) undersöker utbudet av lärare i Sverige och finner bland annat att det finns ett samband mellan efterfrågan på lärarutbildning och avkastningen på densamma.

Easterlin (1995) sammanför den psykologiska/sociologiska och nationalekonomiska analysen av val av utbildning. Han undersöker huruvida det ökade inflödet till företagsekonomisk utbildning under 1970- och 1980-talet i USA kan förklaras av en ökad lönepremie inom detta område alternativt av en förändring av unga personers preferenser. Han finner att både preferenser och lönepremie spelade roll för det ökade intresset för företagsekonomi. En stor del av detta ökade intresse verkar ha drivits av en förändring i ungas livsmål, i synnerhet blev intresset för att ”tjäna pengar” större. Det här verkar i sin tur bero på en ökad oro för den

ekonomiska situationen, inte hos ungdomarna själva utan hos deras föräldrar och andra vuxna.

2.9. Slutsatser

Internationella studier visar att Sverige är ett av få länder där den sociala snedrekryteringen till utbildning har minskat över tiden. Däremot har det mönster som innebär att familjebakgrunden har mindre betydelse för utbildningsvalet ju högre utbildning en individ har varit relativt konstant såväl i Sverige som i andra länder. Detta mönster har förklarats både av sociologer och av nationalekonomer, dock utifrån skilda antaganden.

I kapitlet diskuteras två grundläggande orsaker till den sociala snedrekryteringen. Dels har barn från högre socialklasser bättre betyg (den primära effekten), och dels fortsätter barn från högre socialklasser i högre utsträckning att studera, oavsett betyg (den sekundära effekten). Den primära effekten påverkas sannolikt av det tidiga samspelet mellan barn och föräldrar. Här visar sociologiska studier att olika familjebakgrundsvariabler spelar roll; i synnerhet är föräldrarnas utbildning en viktig faktor. Även nationalekonomiska studier finner ett samband mellan föräldrars och barns utbildning. Den sekundära effekten hänger förmodligen samman med att barn och föräldrar från olika socialklasser värderar utbildning, och kostnader för utbildning, olika.

Forskningen visar på små effekter av den skola eleverna går i och av den socioekonomiska omgivningen i Sverige. Däremot tyder intervjuundersökningar kring studievägledares roll på att dessa har betydelse för elevers val, i synnerhet för elever från lägre socialklasser. De centrala antagningskriterier som infördes i samband med högskolereformen 1977 verkar inte ha lett till någon minskad snedrekrytering och evidensen kring huruvida en större tillgänglighet på högre utbildning leder till minskad snedrekrytering är blandad. Skattesystemet verkar ha små effekter på utbildningsvalet.

Den samlade bilden av studiemedlens betydelse för utbildningsvalet är förhållandevis lika i Sverige och internationellt. Här bör dock nämnas att studiemedelssystemet skiljer sig åt mellan Sverige och USA. I Sverige är studiemedlen universella medan de i USA är till för mindre bemedlade studenter. Detta gör att analysen av systemets effekter inte är helt överförbar mellan länderna. Resultaten tyder på att de svenska studiemedlen i allmänhet har en positiv effekt på studiedeltagandet. Fler börjar alltså på gymnasium

och högskola tack vare dem. Studiehjälpens generella rekryteringseffekt till gymnasiet är liten men den selektiva rekryteringseffekten, som innebär att det får fler elever från lägre socialklasser att fortsätta till gymnasiet, är mer betydande. Studiemedlen för högskolestudier verkar däremot inte ha denna selektiva rekryteringseffekt. De gör inte att en relativt större andel studerande från lägre socialklasser fortsätter att studera, de har snarare en större effekt på studerande från högre socialklasser. I en bilaga till en tidigare Långtidsutredning (SOU 2003:96 sid 65) drog man följande slutsats: ”En övergripande slutsats … är att det är oklart om subventionerna i utbildningssystemet verkligen innebär en omfördelning från rika till fattiga. Detta gäller särskilt stöden till den högre utbildningen som ju är kraftigt subventionerad. Dessa resurser skulle därför sannolikt göra mer nytta ur fördelningssynpunkt om de användes tidigare i utbildningssystemet.” Denna slutsats har också stöd av evidens från studier av stipendiesystemet i USA.44 De flesta studier som undersökt hur avkastningen på utbildning påverkar utbildningsvalet finner ett positivt samband mellan de två. Detta gäller såväl internationella som svenska studier och både studier av utbildningsnivå och -inriktning.

44 Se Heckman, J. & Masterov, D. 2007 för en litteraturgenomgång.

3. Internationell jämförelse

I detta kapitel presenteras en översiktlig jämförelse av utbildningsnivå och utbildningsinriktning i olika OECD-länder. Utbildningsnivån kan ses som en indikator på ländernas humankapitalstock, dvs. den kunskap som finns hos ländernas befolkningar (se Card, D. 1999 för en jämförelse av utbildningspremien i olika länder). Uppgifterna i kapitlet kommer från OECD-publikationen "Education at a glance" och bygger på data från nationella arbetskraftsundersökningar år 2004 (alt 2005).45 Tabell 3.1 visar det genomsnittliga antalet skolår för män och kvinnor. Dessa siffror baseras på en viktning av den teoretiska utbildningslängd som behövs för att uppnå en viss utbildningsnivå, och är alltså en uppskattning av antalet skolår i befolkningen.46

Både den manliga och den kvinnliga delen av OECD:s befolkning har runt 12 års utbildning i genomsnitt. Det finns emellertid stora skillnader mellan olika grupper av länder. De mest välutbildade befolkningarna finns i Danmark, Kanada, Luxemburg, Norge, Tyskland och USA. I dessa länder har både kvinnor och män i genomsnitt över 13 års utbildning. I ett antal Medelhavsländer och i Mexiko har däremot befolkningen runt 2 år mindre utbildning i genomsnitt, det vill säga mindre än 11 års utbildning. Sverige tillhör en mellangrupp och här har också kvinnorna i genomsnitt mer utbildning än männen, vilket är något mer ovanligt sett ur ett internationellt perspektiv. I 18 av de 30 länderna har männen mest utbildning, även om skillnaden mellan könen i många fall är liten.

För att få en mer komplett bild av fördelningen av utbildning i de olika länderna visar vi i tabell 3.2 hur stor andel av befolkningen som uppnått olika utbildningsnivåer. Nivåindelningen har gjorts

45 Eftersom publikationen har en 2-årig förskjutning är detta de senast tillgängliga resultaten. 46 Skillnader i utbildning för enstaka länder (som t.ex. Finland) över tiden är förmodligen en konsekvens av definitioner och metoder för beräkning.

utifrån ISCED-97.47 Då data i detta fall har genererats för att genomföra länderjämförelser, är nedan redovisade nivåer inte jämförbara med de nivåer som redovisats i kapitel 2.

47 ISCED står för International Standard Classification of Education och är den internationella standarden för utbildningsklassificering. Till skillnad från uppgifterna i tabell 3.1 och 3.3 finns uppgifter om utbildningsnivå att tillgå från år 2005.

Tabell 3.1 Antal skolår i befolkningen 25–64 år för år 2004

År

Män Kvinnor

Australien

12,8 12,5

Belgien

11,4 11,4

Danmark

13,5 13,3

Finland

10,9 11,4

Frankrike

11,7 11,4

Grekland

11 10,7

Irland

12,9 13,1

Island

9,7 11,4

Italien

10,2 10

Japan

12,6 12,1

Kanada

13,2 13,3

Korea

12,5 11,4

Luxemburg

13,6 13

Mexiko

9,1 8,6

Nederländerna

11,4 11,1

Norge

13,9 13,9

Nya Zeeland

12,6 12,6

Polen

11,6 11,9

Portugal

8,3 8,7

Schweiz

13,5 12,5

Slovakien

12,5 12,4

Spanien

10,6 10,6

Storbritannien

12,7 12,4

Sverige

12,4 12,8

Tjeckien

12,6 12,4

Turkiet

9,9 9,2

Tyskland

13,7 13,2

Ungern

11,8 11,6

USA

13,2 13,4

Österrike

12,3 11,7

OECD-medel*

11,9 11,8

Nordiska länderna*

12,1 12,6

Anm.: *Egna beräkningar. Källa: Education at a Glance, 2006 (två års förskjutning).

Tabell 3.2 Andel av befolkningen 25–64 år för år 2005 med olika nivåer av utbildning

Procent

Män Kvinnor

Primär Sekundär Tertiär Primär Sekundär Tertiär

Australien

31 38 32 40 24 36

Belgien

34 34 32 34 31 34

Danmark

16 52 32 18 47 35

Finland

24 46 30 19 41 40

Frankrike

32 45 24 36 39 26

Grekland

40 31 28 41 31 29

Irland

39 23 39 33 26 41

Island

26 43 32 36 30 35

Italien

49 37 12 49 38 14

Japan

59 42 62 39

Kanada

16 26 57 14 28 58

Korea

19 44 37 30 44 26

Luxemburg

25 40 34 31 43 26

Mexiko

78 4 18 79 9 12

Nederländerna

25 39 36 31 38 30

Norge

21 44 35 24 39 38

Nya Zeeland

21 45 35 22 38 41

Polen

14 70 17 16 60 25

Portugal

75 13 12 71 13 16

Schweiz

10 50 40 16 61 23

Slovakien

10 75 14 19 69 13

Spanien

51 20 28 51 21 28

Storbritannien

13 56 30 16 55 29

Sverige

18 49 32 15 46 40

Tjeckien

6 79 14 14 75 12

Turkiet

68 21 11 79 14 8

Tyskland

14 52 36 20 53 28

Ungern

20 63 17 27 53 20

USA

13 49 38 11 48 41

Österrike

14 57 28 25 51 25

OECD-medel*

27,4 43,4 25,9 30,6 40,2 26

Nordiska länderna*

21 46,8 32,2 22,4 40,6 37,6

Anm.: Primär utbildning: pre-primary and primary education, lower secondary education, sekundär utbildning:

upper secondary education tertiär utbildning: post-secondary non-tertiary education, (för vissa länder ingår denna kategori i sekundär utbildning), tertiary education., För att se vad som ingår i respektive nivå enligt ISCED-97 se s. 10 i http://www.oecd.org/dataoecd/54/33/37382696.pdf. *Egna beräkningar.

Källa: Education at a Glance, 2007 (två års förskjutning).

Den vanligaste uppnådda utbildningsnivån i OECD-länderna motsvarar gymnasieutbildning (sekundär). Den näst största gruppen är de som bara har grundskoleutbildning eller lägre (primär) och den minsta gruppen utgörs av dem som har högskoleutbildning eller annan eftergymnasial utbildning (tertiär). Dessa förhållanden gäller både för kvinnor och för män. Det finns emellertid stora skillnader mellan länderna i fråga om utbildningens fördelning i befolkningen. I 25 av de 30 länderna har mer än 60 procent av både kvinnor och män genomgått åtminstone motsvarande sekundär utbildning. I den svenska befolkningen hade 81 procent av männen och 86 procent av kvinnorna minst sekundär utbildning år 2005, vilket var mer än i de övriga nordiska länderna och också mer än OECD-genomsnittet. Kanada utgör ett extremfall, där har mer än 55 procent av befolkningen även tertiär utbildning. Andra länder med en stor andel av befolkningen som genomgått tertiär utbildning är Irland, Japan, Norge, Nya Zeeland och USA. I dessa länder har mer än 35 procent av både kvinnor och män tertiär utbildning. Den andra extremen utgörs av länderna Mexiko, Portugal, Spanien och Turkiet, där mer än 50 procent av befolkningen bara har primär utbildning. I Sverige har en stor del av befolkningen tertiär utbildning, i synnerhet i den kvinnliga delen av befolkningen. 40 procent av kvinnorna i Sverige har tertiär utbildning. Det finns alltså stora skillnader i utbildningsnivå mellan olika grupper av länder. En intressant fråga är därför vad detta kan tänkas bero på. Här finns möjligheter för framtida forskning eftersom detta område ännu inte har rönt något stort intresse i forskarvärlden.48

Utöver utbildningsnivå är det också intressant att jämföra skillnader i utbildningsinriktning mellan länder. Tabell 3.3 visar hur stor andel av den universitetsutbildade befolkningen i de olika länderna som har tagit examen inom olika utbildningsområden.49

48 Det finns däremot en hel del forskning på området yrkesutbildning, både i Sverige och internationellt, men eftersom detta ligger utanför syftet med denna bilaga har vi valt att inte redogöra för dessa studier här. 49 Uppgifterna om utbildningsinriktning finns inte uppdelade på män och kvinnor.

Tabell 3.3 Andelar av olika utbildningsinriktningar bland

befolkningen 25–64 år

Procent

Pedagogik Humaniora och konst

Samhällsvetenskap, företagsekonomi och juridik

Naturvetenskap Teknik

Australien

15 11 32 11 10

Belgien

4 15 30 13 19

Danmark

16 11 19 4 13

Finland

12 12 22 7 27

Frankrike

9 19 35 15 10

Irland

12 13 22 23 11

Island

13 13 32 8 13

Italien

4 19 33 12 14

Kanada

16 12 34 12 11

Luxemburg

2 17 36 12 19

Mexiko

5 17 31 11 13

Nederländerna

20 8 30 6 12

Norge

20 7 18 4 6

Portugal

16 12 27 13 14

Slovakien

20 6 22 8 26

Spanien

15 11 32 10 12

Storbritannien

14 18 28 18 11

Sverige

22 7 24 7 15

Tyskland

22 9 22 8 22

Ungern

27 5 23 4 21

Österrike

10 15 34 9 15

OECD-medel*

14 12,2 27,9 10,2 15

Nordiska länderna*

16,6 10 23 6 14,8

Anm.: Personer som har tagit examen läsåret 2004. *Egna beräkningar. Källa: Education at a Glance, 2006 (två års förskjutning).

forts. Tabell 3.3 Andelar av olika utbildningsinriktningar bland befolkningen 25–64 år

Procent

Skogs- och lantbruk Hälsa och välfärd Tjänster Annat

Australien

1 17 2 1

Belgien

2 12 2 3

Danmark

1 34 1 0

Finland

4 12 4 0

Frankrike

1 7 3 1

Irland

2 10 3 5

Island

16

5

0

Italien

2 15 1 0

Kanada

2 12 2 0

Luxemburg

10

3

Mexiko

3 11 7 1

Nederländerna

2 17 3 2

Norge

1 12 3 29

Portugal

2 12 3 1

Slovakien

6 7 4 0

Spanien

2 12 4 0

Storbritannien

1 8 1 0

Sverige

1 19 3 1

Tyskland

2 12 2 0

Ungern

6 9 5 0

Österrike

2 13 2 0

OECD-medel*

2,3 13,2 3 2,2

Nordiska länderna*

1,8 18,6 3,2 6

Anm.: Personer som har tagit examen läsåret 2004. *Egna beräkningar. Källa: Education at a glance, 2004–2006 (två års förskjutning).

I 14 av de 21 länderna, för vilka uppgifter finns tillgängliga, finns den största koncentrationen av examina inom samhällsvetenskap, företagsekonomi (business) och juridik. Dessa områden är också de vanligaste i Sverige. I genomsnitt tar nära en tredjedel av alla studenter i OECD examen inom något av dessa områden. Den näst vanligaste utbildningsinriktningen i OECD-länderna är ingenjörsutbildning (teknik). I genomsnitt 15 procent av alla examina utfärdas inom detta område. Sverige ligger här på samma genomsnitt som OECD i sin helhet, 15 procent. Den näst vanligaste utbildningen i Sverige är istället utbildning (lärare etc.).

4. En beskrivande analys av utbildningen i Sverige

Detta kapitel innehåller en deskription av utbildningsläget i Sverige. De data som används här och i resten av bilagan beskrivs i appendix A. I avsnitt 4.1 redovisas hur utbildningsnivån har förändrats över tiden och sedan jämför vi utbildningsnivån mellan olika generationer. Den sociala snedrekryteringen beskrivs i avsnitt 4.2 ur ett antal olika aspekter med hjälp av ett egendefinierat index. De två nästföljande avsnitten behandlar ingångslöner fördelade på olika utbildningar och även livsinkomster. Deskriptionen avslutas i avsnitt 4.5 med en beskrivning av hur andelen förvärvsarbetande inom grupper med olika utbildning har utvecklats över tiden och de viktigaste resultaten summeras slutligen i avsnitt 4.6.

4.1. Utbildningsnivån i den svenska befolkningen

I detta avsnitt utnyttjar vi data över en 14-års period för att beskriva hur utbildningsnivån har utvecklats över tiden, men också hur olika generationers utbildningsnivåer skiljer sig åt. Bland annat kan vi konstatera att utbildningsnivån i den svenska befolkningen i arbetsför ålder har ökat mellan åren 1990 och 2003. Detta innebär per definition också att den genomsnittliga tiden i utbildning har ökat under samma tidsperiod. Som framgår av tabell 4.1 har andelen med gymnasieutbildning som högsta uppnådda nivå varit konstant för både kvinnor och män. Samtidigt har andelen med enbart grundskoleutbildning minskat stadigt medan andelen högskoleutbildade har ökat. Upp till och med gymnasienivå är skillnaderna mellan könen relativt små men på högskolenivå är de i vissa fall betydande. Andelen kvinnor med högskoleutbildning i befolkningen har ökat snabbare än motsvarande andel män. Båda låg på cirka 10 procent år 1990 men år 2003 var siffrorna 16 procent

och 14 procent för kvinnor respektive män. När det gäller forskarutbildning är män överrepresenterade. Den relativa skillnaden har minskat under perioden men är fortfarande betydande – år 2003 fanns ungefär två gånger fler män än kvinnor med forskarutbildning.

Tabell 4.1 Utbildningsnivå i den svenska befolkningen 16–64 år

Andel

Kvinnor 1990 1991 1992 1993 1994 1995 1996

Förgymnasial utbildning kortare än 9 år 8,1 7,6 6,9 6,4 5,9 5,5 5,1 Förgymnasial utbildning 9 (10) år 7,9 7,9 7,6 7,4 7,9 8,1 8,1 Gymnasial utbildning 23 23,3 23,8 24 23,6 23,4 23,4 Eftergymnasial utbildning kortare än två år 1,1 1,2 1,6 1,8 2 2,2 2,5 Eftergymnasial utbildning två år eller längre 9 9,1 9,2 9,4 9,7 9,9 10 Forskarutbildning 0,1 0,1 0,1 0,1 0,1 0,1 0,1

Män 1990 1991 1992 1993 1994 1995 1996

Förgymnasial utbildning kortare än 9 år 9 8,5 8 7,6 7 6,6 6,2 Förgymnasial utbildning 9 (10) år 8,4 8,4 8,4 8,3 8,5 8,8 8,9 Gymnasial utbildning 23,4 23,7 23,9 24,1 23,9 23,8 23,9 Eftergymnasial utbildning kortare än två år 2,7 2,8 3,1 3,4 3,5 3,8 3,9 Eftergymnasial utbildning två år eller längre 6,8 6,9 6,9 7 7,3 7,3 7,3 Forskarutbildning 0,4 0,4 0,4 0,4 0,4 0,4 0,5

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.1 Utbildningsnivå i den svenska befolkningen 16–64 år

Andel

Kvinnor 1997 1998 1999 2000 2001 2002 2003

Förgymnasial utbildning kortare än 9 år 4,7 4,4 4,1 3,7 3,4 3,1 2,9 Förgymnasial utbildning 9 (10) år 8,2 8,3 8,4 7,5 7,4 7,3 7,3 Gymnasial utbildning 23,2 23 22,8 23,3 23,3 23,1 22,8 Eftergymnasial utbildning kortare än två år 2,8 3 3,2 2,4 2,4 2,5 2,6 Eftergymnasial utbildning två år eller längre 10,2 10,3 10,6 12,2 12,6 13 13,4 Forskarutbildning 0,2 0,2 0,2 0,2 0,2 0,2 0,3

Män 1997 1998 1999 2000 2001 2002 2003

Förgymnasial utbildning kortare än 9 år 5,7 5,4 5 4,5 4,2 3,9 3,6 Förgymnasial utbildning 9 (10) år 9,2 9,3 9,5 8,8 8,7 8,8 8,8 Gymnasial utbildning 23,9 23,9 23,8 24,4 24,5 24,4 24,4 Eftergymnasial utbildning kortare än två år 4,1 4,2 4,4 3,6 3,6 3,6 3,6 Eftergymnasial utbildning två år eller längre 7,4 7,4 7,6 8,9 9,2 9,5 9,7 Forskarutbildning 0,5 0,5 0,5 0,5 0,5 0,6 0,6

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Andelarna i befolkningen med olika utbildningsnivåer finns uppdelade i olika födelsedecennium (generationer) i tabell 4.2–4.6 (se Appendix E). Det finns begränsningar när det gäller möjligheterna att jämföra olika generationers utbildningsnivåer. Exempelvis blir en direkt jämförelse av utbildningsnivån bland 70talister med den bland 30-talister under 2003 missvisande av två anledningar. För det första är en betydande del av 70-talisterna fortfarande inte färdigutbildade år 2003. För det andra drabbas 30talisterna av dödlighet i mycket större utsträckning än 70talisterna, och det går inte att anta att dödligheten är jämnt fördelad över olika utbildningsgrupper.

Däremot kan jämförelser av olika generationer ske parvis mellan generationerna närmast varandra. Ett exempel är jämförelsen mellan utbildningsnivån bland 70-talister för år 2000–2003 och motsvarande siffror bland 60-talister för år 1990–1993. Om inga stora demografiska förändringar har skett under perioden, är ålderssammansättningen mellan grupperna i det närmaste

densamma under respektive tidsperiod och därför är grupperna färdigutbildade i lika stor utsträckning. Givet att ingen drastisk förändring av folkhälsan skett mellan 1990 och 2003 är även dödligheten densamma för båda grupperna. Enligt samma resonemang och under antagandena om små demografiska förändringar och små förändringar i folkhälsan kan utbildningsnivåerna bland 60-talister år 2000–2003 och de bland 50-talister år 1990–1993 jämföras, och så vidare. Vid en sådan jämförelse är det tydligt att den generella utbildningsnivån är högre bland de yngre generationerna. Skillnaderna är störst när det gäller förgymnasial utbildning och minst när det gäller forskarutbildning. De största förändringarna har skett när de äldsta generationerna utbildade sig och gäller andelen med förgymnasial utbildning: den var 30 procent bland 40-talisterna år 2000–2003 och 48 procent bland 30-talisterna tio år tidigare.50

Utbildningsnivån bland de sysselsatta beskrivs i tabell 4.7. En jämförelse med resultaten för hela befolkningen (se tabell 4.1) avslöjar att lågutbildade är något underrepresenterade bland de sysselsatta, medan högutbildade är något överrepresenterade. Både under- och överrepresentationen har ökat under perioden. Kvinnor med den vanligast förekommande utbildningsnivån, gymnasium, är något överrepresenterade bland de sysselsatta; det rör sig om cirka en procentenhet i början av perioden och nästan två mot slutet. Samma, men kraftigare, utveckling märks för männen, där överrepresentationen är drygt tre procentenheter år 2003. Samtidigt är underrepresentationen av män med förgymnasial utbildning mindre än den för kvinnor. En möjlig förklaring till denna ökning i utbildning bland de sysselsatta (l) är att kravet om utbildning har ökat på arbetsmarknaden över tiden. En annan, och enligt vår mening mer trolig, förklaring är att de lågutbildade har blivit en mer och mer selekterad grupp som oavsett utbildningsnivå skulle ha haft det svårt på arbetsmarknaden.

50 Dessa siffror är beräknade genom att slå ihop andelarna för kvinnor och män för ett visst år.

Tabell 4.7* Utbildningsnivå bland de sysselsatta i den

svenska befolkningen 16–64 år

Andel

Kvinnor 1990 1991 1992 1993 1994 1995 1996

Förgymnasial utbildning kortare än 9 år 6,6 6,2 5,6 5,3 4,7 4,3 4 Förgymnasial utbildning 9 (10) år 6,1 5,7 5,1 4,7 5,2 5,2 5,1 Gymnasial utbildning 24,2 24,6 25,3 25,6 24,8 24,5 24,4 Eftergymnasial utbildning kortare än två år 1,1 1,2 1,4 1,5 1,6 1,8 2 Eftergymnasial utbildning två år eller längre 10,2 10,7 11,4 12,2 12,2 12,3 12,5 Forskarutbildning 0,1 0,1 0,1 0,1 0,2 0,2 0,2

Män 1990 1991 1992 1993 1994 1995 1996

Förgymnasial utbildning kortare än 9 år 8,8 8,4 7,9 7,3 6,8 6,3 6 Förgymnasial utbildning 9 (10) år 6,8 6,5 6,1 5,8 6,4 6,6 6,5 Gymnasial utbildning 24,9 25 24,9 24,6 25,1 25,6 25,7 Eftergymnasial utbildning kortare än två år 2,9 3 3,2 3,4 3,5 3,8 3,9 Eftergymnasial utbildning två år eller längre 7,8 8 8,4 8,8 8,9 8,9 9 Forskarutbildning 0,4 0,5 0,5 0,5 0,6 0,6 0,6

* Tabell 4.2–4.6 se Appendix E. Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.7* Utbildningsnivå bland de sysselsatta i den svenska befolkningen 16–64 år

Andel

Kvinnor 1997 1998 1999 2000 2001 2002 2003

Förgymnasial utbildning kortare än 9 år 3,6 3,2 2,9 2,6 2,4 2,1 1,9 Förgymnasial utbildning 9 (10) år 5,1 5,2 5,4 4,7 4,6 4,5 4,3 Gymnasial utbildning 24,1 24 23,8 24,3 24,4 24,3 24,1 Eftergymnasial utbildning kortare än två år 2,1 2,4 2,6 2 2,1 2,1 2,2 Eftergymnasial utbildning två år eller längre 12,7 12,8 12,9 14 14,4 14,8 15,3 Forskarutbildning 0,2 0,2 0,2 0,2 0,3 0,3 0,3

Män 1997 1998 1999 2000 2001 2002 2003

Förgymnasial utbildning kortare än 9 år 5,5 5 4,6 4,1 3,8 3,5 3,2 Förgymnasial utbildning 9 (10) år 6,7 6,8 7 6,6 6,3 6,4 6,3 Gymnasial utbildning 26,1 26,2 26,2 26,9 26,8 26,8 26,9 Eftergymnasial utbildning kortare än två år 4,2 4,3 4,5 3,8 3,8 3,7 3,8 Eftergymnasial utbildning två år eller längre 9,2 9,1 9,2 10,3 10,5 10,7 11 Forskarutbildning 0,6 0,6 0,6 0,6 0,7 0,7 0,7

* Tabell 4.2–4.6 se Appendix E. Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Vi har även beräknat andelarna med olika utbildningsnivåer i den sysselsatta delen av befolkningen, uppdelade efter olika generationer. Eftersom utvecklingen för dessa generationer bland de sysselsatta inte skiljer sig åt jämfört med utvecklingen för hela befolkningen väljer vi att inte redovisa dessa resultat.

4.2. Social snedrekrytering

Det finns en mängd studier som behandlar betydelsen av familjebakgrund för snedrekryteringen till högre studier (se avsnitt 2.2 och 2.3). Det är tämligen entydigt att föräldrarnas utbildningsnivå är den i särklass viktigaste faktorn för valet till högre utbildning. I detta avsnitt beskrivs därför den sociala snedrekryteringen i Sverige med avseende på föräldrarnas utbildningsnivå, men resultaten delas även upp efter ytterligare ett antal faktorer. Familjebakgrunden kan t.ex. förväntas spela olika roll för kvinnors och mäns utbildningsbeslut. Andra faktorer av intresse är om individen är svensk- eller utlandsfödd och individens utbildningsnivå när valet till en högre utbildning sker. Ett framträdande resultat i den tidigare forskningen är att föräldrabakgrund spelar mindre och mindre roll för utbildningsvalet ju högre utbildning individen redan har.

För att beskriva hur social bakgrund och utbildningsnivå påverkar utbildningsvalet introducerar vi ett nytt index för social snedrekrytering. Tanken är att den sociala snedrekryteringen på ett komprimerat sätt ska kunna belysas ur ett antal olika aspekter. Vi utgår från alla individer som har vidareutbildat sig från gymnasiet eller från högre nivåer mellan 1991 och 2003. Populationen av alla som har utbildat sig delas upp i grupper med avseende på ursprunglig utbildning vid utbildningsvalet (basutbildning) och en mängd andra faktorer, däribland föräldrarnas utbildningsnivå. En likadan uppdelning görs för hela befolkningen. Kvoten mellan gruppsammansättningarna i båda populationerna tolkas som graden av representation för en viss social grupp. Ett värde kring ett betyder att individerna i gruppen varken är över- eller underrepresenterade bland dem som har läst vidare, medan ett värde som är högre än ett är ett tecken på att gruppen är överrepresenterad.

Ett exempel kan vara på sin plats för att förstå hur indexet är uppbyggt. Anta att fokus ligger på en dimension, nämligen föräldrarnas utbildningsnivå, som för enkelhets skull kan vara hög eller låg. Anta vidare att 80 procent av dem vars föräldrar har hög utbildning läser vidare från gymnasiet. Samtidigt är det endast 40 procent av hela populationen (som består av individer vars föräldrar har hög eller låg utbildningsnivå) som läser vidare. Med andra ord är de vars föräldrar har hög utbildning överrepresenterade och vi har därmed ett index som mäter den sociala snedrekryteringens storlek. (Indexvärdet i detta hypotetiska exempel är 80/40=2).

Detta beskriver logiken bakom indexet för social snedrekrytering. Skillnaden jämfört med detta enkla exempel är att vi lägger till fler dimensioner utöver föräldrarnas utbildning, som t.ex. kön. En detaljerad beskrivning av indexet finns i appendix B.

Kvoten benämns utbildningsbenägenhet och vi väljer att redovisa resultaten för varje grupp med hjälp av en referensgrupp; nämligen motsvarande grupp där föräldrarnas utbildning är som lägst. Snedrekrytering beskrivs efter: (i) föräldrarnas utbildning, (ii) individens kön, (iii) huruvida individen är svensk- eller utlandsfödd51 samt (iv) individens basutbildning. Föräldrarnas utbildning mäts med ett sexskaligt index som bygger på ett genomsnitt av moderns och faderns sexskaliga utbildningsnivå enligt SUN 2000.52 Med basutbildning menas den utbildning som individen har när vi registrerar förändringar i utbildningsstatus i registren. Exempelvis är utbildningsbenägenheten olika för personer med gymnasieutbildning och för personer med en lång högskoleutbildning. Utbildningsbenägenheten är dessutom per definition noll för individer som redan har forskarutbildning – det går inte att skaffa en högre utbildningsnivå än forskarutbildning. Av denna anledning är den högsta basutbildningen som finns i analysen långa högskolestudier.

51 Detta är en så kallad 1/0-variabel, vilket innebär att vi t.ex. inte tar hänsyn till antal år som utlandsfödda har bott i Sverige, eller till ursprungsland. 52 Utbildningsnivåerna är 1: Förgymn. utb. 9 år; 2: Förgymn. utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. 2 år; 5: Högskoleutb. 2 år; 6: Forskarutbildning. Vi har även beräknat snedrekryteringsindexet som bygger på moderns respektive faderns utbildningsnivå separat, i stället för en kombination av bådas. Resultaten liknar dem som bygger på den kombinerade utbildningsnivån och redovisas därför inte här.

Tabell 4.8 Utbildningsbenägenhet för individer med olika basutbildning och social bakgrund relaterad till utbildningsbenägenheten inom motsvarande grupp där föräldrarnas utbildningsnivå är 1*

Föräldrarnas utbildningsnivå*

Basutbildning och social bakgrund

2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

2 4,15 8,85 17,69 24,85

Gymnasieutbildning, man, utl. bakgrund

1,45 2,91 5,32 8,36 8,18

Gymnasieutbildning, kvinna, ej utl. bakgrund

1,8 3,28 6,24 11,32 14,92

Gymnasieutbildning, kvinna, utl. bakgrund

1,62 2,76 4,68 6,41 6,47

Högskoleutb, < 2 år, man, ej utl. bakgrund

1,54 2,2 2,83 3,79 4,17

Högskoleutb, < 2 år, man, utl. bakgrund

1,18 1,48 1,89 2,4 2,59

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

1,21 1,39 1,48 1,61 1,56

Högskoleutb, < 2 år, kvinna, utl. bakgrund

1,06 1,17 1,24 1,31 1,38

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

1,45 2,05 2,35 2,8 3,45

Högskoleutb, ≥ 2 år, man, utl. bakgrund

1,21 1,38 1,45 1,62 2,1

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

1,5 2,29 2,79 3,21 3,79

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

1,27 1,64 1,86 1,95 2,36

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Ett tabellvärde på X betyder att gruppen är X gånger mer benägen att utbilda sig jämfört med

motsvarande grupp där föräldrarnas utbildningsnivå är som lägst. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1991–2003.

Resultaten från beräkningarna redovisas i tabell 4.8. Det finns en kraftig samvariation mellan utbildningsbenägenheten och föräldrarnas utbildningsnivå för alla sociala grupper. Förhållandet är kraftigare ju lägre basutbildningen är och minskar avsevärt ju högre basutbildningen är, men försvinner aldrig helt. Föräldrarnas

utbildning utgör en tröskeleffekt för att överhuvudtaget påbörja högskoleutbildning, men spelar mindre roll när individen väl har börjat läsa på högskolan. Detta resultat finns också belagt i många tidigare studier (se avsnitt 2.1).

Vissa sociala grupper är kraftigt överrepresenterade bland dem som har hög utbildning. Exempelvis redovisas snedrekryteringen till högre studier för svenskfödda män med gymnasieutbildning i indexvärdena på den första raden i tabell 4.8. Snedrekryteringen med avseende på föräldrarnas utbildningsnivå, jämfört med referensgruppen med lägst föräldrautbildning, ökar från 2 för den näst lägsta nivån på föräldrarnas utbildning till 25 för den högsta. Ett värde på 25 pekar på en stor snedrekrytering: individer vars föräldrar har forskarutbildning är 25 gånger mer benägna att läsa vidare från gymnasiet jämfört med individer vars föräldrar inte har gått ut grundskolan. Motsvarande siffra för kvinnor med samma bakgrund är 15 och finns på rad tre i tabellen. Generellt gäller att föräldrarnas utbildningsnivå spelar betydligt större roll för mäns än för kvinnors utbildningsval, oavsett basutbildning eller om individen är svensk- eller utlandsfödd. Detta är ett intressant resultat. Vid genomgången av tidigare forskning har vi funnit en studie som visar att barn väljer en utbildningsinriktning som ligger nära antingen mammans, pappans eller båda föräldrarnas utbildning/yrke (Dryler, H. (1998)). Däremot har vi inte hittat studier som diskuterat skillnader i effekter av föräldrabakgrund mellan könen.

Ett annat generellt resultat är att snedrekryteringen med avseende på föräldrarnas utbildningsnivå är betydligt lägre för utlands- än för svenskfödda. Detta gäller oavsett basutbildning och föräldrarnas utbildningsnivå och skillnaden är något större bland männen. Vid vår genomgång av tidigare forskning (se SOU 1993:85) har vi inte funnit några tidigare studier som antyder att föräldrabakgrund skulle vara av mindre betydelse bland utlandsfödda. Däremot visar SOU 1993:85 att barn till utlandsfödda väljer mer utbildning än barn till svenskfödda då hänsyn tas till social bakgrund.

Det finns ytterligare en fråga av intresse, nämligen om snedrekryteringen skiljer sig åt mellan olika högskolor. Tabell 4.9– 4.14 (se Appendix E) relaterar gruppsammansättningen av studenter på ett antal av de stora lärosätena53 till motsvarande gruppsammansättning bland alla som har läst vidare efter gymnasiet

53 Vi använder lärosäte som en beteckning för universitet eller högskola.

under perioden 1990–2003. Vi har uteslutit forskarutbildning på grund av för få observationer och av samma anledning analyseras enbart stora lärosäten, dvs. universitet. Ett värde över ett betyder att en viss grupp är överrepresenterad på universitetet i fråga, vilket kan tolkas som en snedrekrytering jämfört med populationen av alla som studerar på högskolenivå. De största skillnaderna mellan universiteten gäller föräldrarnas utbildningsnivå. Uppsala, Lunds, Stockholms och i viss mån även Göteborgs universitet har en större andel studenter där föräldrarnas utbildning är hög än motsvarande andel bland alla som har studerat under motsvarande tidsperiod. Umeå och Linköpings universitet har en mycket jämnare fördelning av studenter med avseende på föräldrarnas utbildningsnivå. Skillnaderna mellan högskolor när det gäller social snedrekrytering beskrivs även i Persson (2008) där sambandet mellan andelen disputerade lärare och andelen studenter med arbetarbakgrund vid olika högskolor studeras.

4.3. Ingångslöner

I detta avsnitt redovisas skillnader i ingångslön mellan individer med olika utbildning. Det bör noteras att skillnaderna inte är justerade för selektion (se faktaruta 1.1 Ordlista) med avseende på observerbara (se faktaruta 1.1 Ordlista) individspecifika egenskaper (t.ex. invandrarbakgrund, kön, faderns och moderns utbildning m.m.). Detta innebär att potentiella skillnader på intet sätt bör tolkas som effekter på ingångslöner av olika utbildningsval.54

I data finns information om individerna har förändrat sin utbildningsnivå- och/eller inriktning mellan två tidsperioder. Som en approximation av ingångslöner används dessa personers årslöner från året efter den nya utbildningen registrerats. För en del är detta den första lön de någonsin får, andra kan ha arbetat tidigare, men med annan utbildning.

Tabell 4.15 visar procentuella skillnader i ingångslön mellan individer med olika utbildningsnivåer och -inriktningar jämfört med individer som har läst mindre än två år på högskolan med inriktningen pedagogik och lärarutbildning. Resultaten visas dels för hela perioden 1990–2003, dels för tre delperioder. Grupper med högre utbildning tjänar i genomsnitt mer än lågutbildade och skillnaderna ökar med utbildningsnivån. Jämfört med en pedagogik

54 Detta diskuteras grundligt i avsnitt 6.4.1.

och lärarutbildning som är kortare än två år har individer som har läst minst två år men inte på forskarnivå mellan 3 procent (humaniora och konst) och 18 procent (teknik och tillverkning) högre ingångslöner. Skillnaderna i ingångslöner är betydligt större på forskarnivå: ingångslönerna är mellan 30 procent (humaniora och konst) och hela 61 procent (hälso- och sjukvård) högre jämfört med en kort pedagogik och lärarutbildning.

Tabell 4.15 Procentuella skillnader i ingångslön för individer

med olika utbildningsinriktningar*

1990–2003 1990–1994

Utbildning

Procent p-värde Procent p-värde

Högskoleutb. < 2 år; inr: Humaniora och konst

-2,22 0,00 3,61 -0,04

Högskoleutb. < 2 år; inr: Samhällsvet., juridik, handel, admin.

7,09 0,00 6,99 0,00

Högskoleutb. < 2 år; inr: Naturvetenskap, matematik och data

9,44 0,00 1,93 -0,22

Högskoleutb. < 2 år; inr: Teknik och tillverkning

13,92 0,00 11,55 0,00

Högskoleutb. < 2 år; inr: Lant- och skogsbruk, djursjukvård

1,38 -0,40 5,56 -0,02

Högskoleutb. < 2 år; inr: Hälso- och sjukvård, soc. omsorg

-1,06 -0,09

Högskoleutb. < 2 år; inr: Tjänster

1,61 -0,32

Högskoleutb. ≥ 2 år; inr: Pedagogik och lärarutbildning

0,53 -0,14 3,59 -0,01

Högskoleutb. ≥ 2 år; inr: Humaniora och konst 2,59 0,00 6,14 0,00 Högskoleutb. ≥ 2 år; inr: Samhällsvet., juridik, handel, admin. 11,19 0,00 8,86 0,00 Högskoleutb. ≥ 2 år; inr: Naturvetenskap, matematik och data 11,77 0,00 7,67 0,00 Högskoleutb. ≥ 2 år; inr: Teknik och tillverkning 18,42 0,00 12,01 0,00 Högskoleutb. ≥ 2 år; inr: Lant- och skogsbruk, djursjukvård 7,39 0,00 6,96 0,00 Högskoleutb. ≥ 2 år; inr: Hälso- och sjukvård, soc. omsorg 9,07 0,00 11,75 0,00 Högskoleutb. ≥ 2 år; inr: Tjänster 7,20 0,00 8,80 0,00 Forskarutbildning; inr: Pedagogik och lärarutbildning 43,79 0,00 47,89 0,00 Forskarutbildning; inr: Humaniora och konst 30,15 0,00 34,65 0,00 Forskarutbildning; inr: Samhällsvet., juridik, handel, admin. 37,51 0,00 38,68 0,00 Forskarutbildning; inr: Naturvetenskap, matematik och data 28,70 0,00 30,93 0,00 Forskarutbildning; inr: Teknik och tillverkning 36,54 0,00 35,00 0,00 Forskarutbildning; inr: Lant- och skogsbruk, djursjukvård 34,72 0,00 32,82 0,00 Forskarutbildning; inr: Hälso- och sjukvård, soc. omsorg 61,09 0,00 72,16 0,00

* Jämfört med högskoleutbildning < 2 år med inriktning mot pedagogik och lärarutbildning. Anm.: Lägsta antalet observationer som har använts för att beräkna ett enskilt tabellvärde är 30. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.15 Procentuella skillnader i ingångslön för

individer med olika utbildningsinriktningar*

1995–1999 2000–2003

Utbildning

Procent p-värde Procent p-värde

Högskoleutb. < 2 år; inr: Humaniora och konst

-0,76 -0,17 -5,44 0,00

Högskoleutb. < 2 år; inr: Samhällsvet., juridik, handel, admin.

8,98 0,00 3,31 0,00

Högskoleutb. < 2 år; inr: Naturvetenskap, matematik och data 11,68 0,00 4,06 0,00 Högskoleutb. < 2 år; inr: Teknik och tillverkning 15,44 0,00 11,48 0,00 Högskoleutb. < 2 år; inr: Lant- och skogsbruk, djursjukvård -1,91 -0,49 Högskoleutb. < 2 år; inr: Hälso- och sjukvård, soc. omsorg 3,10 0,00 -3,07 0,00 Högskoleutb. < 2 år; inr: Tjänster -0,35 -0,84 Högskoleutb. ≥ 2 år; inr: Pedagogik och lärarutbildning -2,69 0,00 2,40 0,00 Högskoleutb. ≥ 2 år; inr: Humaniora och konst 4,42 0,00 1,67 -0,01 Högskoleutb. ≥ 2 år; inr: Samhällsvet., juridik, handel, admin. 11,53 0,00 12,30 0,00 Högskoleutb. ≥ 2 år; inr: Naturvetenskap, matematik och data 12,65 0,00 12,54 0,00 Högskoleutb. ≥ 2 år; inr: Teknik och tillverkning 18,17 0,00 20,30 0,00 Högskoleutb. ≥ 2 år; inr: Lant- och skogsbruk, djursjukvård 8,30 0,00 8,26 0,00 Högskoleutb. ≥ 2 år; inr: Hälso- och sjukvård, soc. omsorg 7,47 0,00 9,35 0,00 Högskoleutb. ≥ 2 år; inr: Tjänster 4,34 0,00 8,22 0,00 Forskarutbildning; inr: Pedagogik och lärarutbildning 47,01 0,00 41,64 0,00 Forskarutbildning; inr: Humaniora och konst 30,94 0,00 28,21 0,00 Forskarutbildning; inr: Samhällsvet., juridik, handel, admin. 38,87 0,00 35,99 0,00 Forskarutbildning; inr: Naturvetenskap, matematik och data 29,82 0,00 27,64 0,00 Forskarutbildning; inr: Teknik och tillverkning 37,93 0,00 36,59 0,00 Forskarutbildning; inr: Lant- och skogsbruk, djursjukvård 35,80 0,00 35,45 0,00 Forskarutbildning; inr: Hälso- och sjukvård, soc. omsorg 61,28 0,00 55,13 0,00

* Jämfört med högskoleutbildning < 2 år med inriktning mot pedagogik och lärarutbildning. Anm.: Lägsta antalet observationer som har använts för att beräkna ett enskilt tabellvärde är 30. Källa: Egna beräkningar som bygger på IFAU-databasen.

Ingångslönerna inom de flesta utbildningsinriktningarna har en ganska jämn ökningstakt vid högre utbildningsnivåer, men inriktningen pedagogik och lärarutbildning är ett undantag. Det är nästan ingen skillnad i ingångslön bland dem som har läst två år eller fler jämfört med dem som har läst mindre än två år. Pedagogik är också bland de inriktningar där ingångslönerna är lägst vid grundutbildning på högskolenivå, men disputerade pedagoger har näst högst ingångslön; endast disputerade med inriktning hälso- och sjukvård har högre. Hälso- och sjukvård är också ett exempel på en ojämn relation mellan utbildningsnivå och ingångslöner – lägre ingångslöner än pedagoger för dem med mindre än två års högskoleutbildning, nära genomsnittet för alla inriktningar med minst två år men inte forskarutbildning, och högst av alla när det gäller forskarnivå.

En möjlig förklaring till avvikelserna för hälsoinriktning och pedagogik från resten av inriktningarna, som dock inte undersöks vidare här, är de jobb som ingångslönerna avser. När det gäller de små skillnaderna i ingångslön mellan pedagoger som har läst mindre än två respektive de som har läst två eller fler år på universitet kan dessa bero på att båda grupperna i stor utsträckning har liknande jobb som lärare. Den stora skillnaden mellan ingångslöner för disputerade respektive individer med två år eller fler inom hälso- och sjukvård kan bero på att många av de disputerade redan arbetar, ofta som läkare. Lönen efter disputation är i så fall ett dåligt mått på ingångslön.

Det är svårt att se några klara förändringar över tiden, förutom i två fall. Ingångslönerna för disputerade inom hälso- och sjukvård har minskat i relation till ingångslönen för referensgruppen från ca 72 procent under perioden 1990–1994 till ca 55 procent under perioden 2000–2003. Liknande utveckling har skett för tidigare studenter med inriktningen humaniora och konst med två år eller fler på universitetet; en minskning från 6 procent till 1,5 procent.

4.4. Livsinkomster

En person som står inför valet att utbilda sig vidare har två alternativa livsinkomster (se faktaruta 1.1 Ordlista) att se fram emot; den med den gamla utbildningen och den med den nya. För att beräkna individens förväntade kvarvarande livsinkomst med den nuvarande utbildningen använder vi inkomstdata för individer med samma utbildningsgrupp och med åldrar mellan individens nuvarande ålder och 50 år.55 De diskonterade inkomsterna (se faktaruta 1.1 Ordlista) vid respektive ålder summeras ihop, och på motsvarande sätt beräknas den förväntade livsinkomsten med den nya utbildningen. Diagram 4.1 visar ett exempel på förväntad utveckling av årsinkomsten beräknad år 2003 för en kvinna med högskoleutbildning två år eller längre med inriktningen samhällsvetenskap, juridik, handel, eller administration. Den förväntade kvarvarande livsinkomsten vid en viss ålder är helt enkelt en diskonterad summa av årsinkomsterna från den åldern och framåt.

55 Vi begränsar oss till 50 år eftersom det finns för få observationer för äldre individer.

Diagram 4.1 Exempel på förväntad livsinkomst

Tusentals kronor

50 100 150 200 250 300 350

21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

Ålder

Anm.: Förväntad inkomstutveckning (tkr) för kvinnor under år 2003, Eftergymnasial utbildning två år eller

längre inom samhällsvetenskap, juridik, handel och administration.

Källa: Egna beräkningar som bygger på IFAU-databasen.

Skillnaden mellan livsinkomsten med den nya utbildningen och den med den tidigare (innevarande) benämns marginell livsinkomstskillnad. När denna beräknas tas hänsyn till den aktuella utbildningens längd. Exempelvis betyder en fyraårig utbildning dels att individen går miste om fyra års inkomster, dels att den nya livsinkomsten måste diskonteras tillbaka till beslutstidpunkten. Vi tar inte hänsyn till kostnader såsom studielån eller eventuella utbildningsavgifter här och justerar inte heller resultaten för individernas sociala bakgrund. Det sistnämnda innebär att resultaten inte kan tolkas som utbildningspremier (se faktaruta 1.1 Ordlista) utan de ska endast ses som en beskrivning av skillnader mellan inkomsterna bland individer med olika utbildning.

Via beräkningen av marginella livsinkomstförändringar går det att bedöma hur mycket individerna i genomsnitt tjänar på att utbilda sig tidigt jämfört med sent i livet. Diagram 4.2 visar att ju tidigare en individ väljer att utbilda sig, desto högre är den förväntade marginella livsinkomstförändringen. Diagrammet bygger på genomsnitt över alla möjliga utbildningsval. Värt att notera är att det negativa förhållandet mellan ålder och marginell

livsinkomstförändring tycks vara linjärt och att det blir negativt vid en ålder strax före 40 år.

Diagram 4.2 Förväntad marginell livsinkomstförändring

Tusentals kronor

-500 -250

0 250 500 750 1 000 1 250 1 500

16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48

Ålder

Anm.: Marginell livsinkomstförändring (tkr) för olika startåldrar, baserad på skolval från gymnasiet och uppåt. Källa: Egna beräkningar som bygger på IFAU-databasen.

En uppdelning av resultaten för kvinnor respektive män visas i diagram 4.3. Förhållandet mellan marginell livsinkomstförändring och utbildningsålder är likartat för män och kvinnor, men män tjänar generellt sett mer på att utbilda sig tidigare, samtidigt som kvinnor i genomsnitt förlorar mindre än män på att utbilda sig senare. Brytpunkten sker vid ungefär 33-års ålder, då kvinnor och män tjänar ungefär lika mycket på att skaffa utbildning.

Diagram 4.3 Förväntad marginell livsinkomstförändring för

kvinnor respektive män

Tusentals kronor

-500 -250

0 250 500 750 1 000 1 250 1 500

16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48

Kvinnor

Män

Ålder

Anm.: Marginell livsinkomstförändring (tkr) för olika startåldrar, baserad på skolval från gymnasiet och uppåt. Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 4.4 visar utvecklingen av livsinkomsterna över perioden 1990 till 2003. Siffrorna är inflationsjusterade och visar en positiv trend sedan 1998.

Diagram 4.4 Förväntad marginell livsinkomstförändring

Tusentals kronor

350 375 400 425 450 475 500 525 550

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

Anm.: Marginell livsinkomstförändring (tkr) över tiden, baserad på skolval från gymnasiet och uppåt. Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 4.5 visar en uppdelning av marginell livsinkomstförändring för kvinnor respektive män. Det verkar som att det är mäns ökande marginella livsinkomstförändringar som driver den positiva trenden för hela befolkningen. Efter en kraftig ökning kring 1996 har kvinnors marginella livsinkomstförändring på utbildning inte förändrats nämnvärt, medan mäns har ökat kraftigt efter 1999.

Diagram 4.5 Förväntad marginell livsinkomstförändring för

kvinnor respektive män

Tusentals kronor

250 300 350 400 450 500 550

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

Kvinnor

Män

Anm.: Marginell livsinkomstförändring (tkr) över tiden, baserad på skolval från gymnasiet och uppåt. Källa: Egna beräkningar som bygger på IFAU-databasen.

Slutligen redovisar vi i tabell 4.16 inkomstförändringar mellan olika utbildningsinriktningar. Pedagogik och lärarutbildning samt humaniora och konst har negativa värden, medan resten av utbildningarna har positiva värden. Det finns fler utbildningsinriktningar som ger en negativ marginalförändring av livsinkomsten för män än för kvinnor.

Tabell 4.16 Marginell livsinkomstförändring totalt samt för

kvinnor respektive män fördelad på olika utbildningsinriktningar

Utbildningsinriktning

Totalt Kvinnor

Män

Pedagogik och lärarutbildning

-318 103 -196 839 -426 468

Humaniora och konst

-208 450 37 135 -420 642

Samhällsvetenskap, juridik, handel, administration

657 871 398 011 893 072

Naturvetenskap, matematik och data

332 182 398 183 272 445

Teknik och tillverkning

789 133 650 758 892 932

Lant- och skogsbruk samt djursjukvård

36 066 197 903 -41 423

Hälso- och sjukvård samt social omsorg

931 319 732 846 1 111 144

Tjänster

348 453 259 111 419 614

Anm.: Baseras på skolval från gymnasiet och uppåt och mäts i kronor med 2003 års prisnivå. Källa: Egna beräkningar som bygger på IFAU-databasen.

4.5. Arbetsmarknadsstatus

Andelen förvärvsarbetande av befolkningen i åldrarna 16–64 år i Sverige har minskat sedan 1990. I diagram 4.6 redovisas sysselsättningsgraden, beräknad som förvärvsarbetande med olika utbildningsnivåer som andelar av hela befolkningen, inklusive de som är utanför arbetskraften. Sysselsättningsgraden brukar i vanliga fall redovisas som andel förvärvsarbetande av arbetskraften, där arbetskraften består av knappt en miljon personer färre än totalbefolkningen i åldrarna 16–64 år. Eftersom vi inte har tillgång till en uppdelning av de sysselsatta som andel av arbetskraften i olika utbildningsgrupper är våra siffror inte direkt jämförbara med de vanligast förekommande; däremot går det att göra jämförelser över tiden och mellan utbildningsnivåer.

Diagram 4.6 Andel förvärvsarbetande

0,4 0,5 0,6 0,7 0,8 0,9 1,0

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

0,4 0,5 0,6 0,7 0,8 0,9 1,0

Högskoleutbildning < 2 år Högskoleutbildning ≥ 2 år Forskarutbildning Gymnasial utbildning Förgymnasial utbildning

Anm.: Förvärvsarbetande bland individer med olika utbildningsnivåer som andel av totalbefolkningen 16–64

år under perioden 1990–2003.

Källa: Egna beräkningar som bygger på IFAU-databasen.

Som framgår av diagram 4.6 och av den finare uppdelningen i tabell 4.17 (där även utbildningsinriktningar redovisas, se Appendix E) finns den kraftigaste nedgången i sysselsättningsgrad bland gruppen med lägst utbildning: från strax under 70 procent år 1990 till 50 procent år 2003. Till stor del skedde minskningen av sysselsättningsgrad under krisens år i början av 1990-talet. Generellt gäller att ju högre utbildningsnivån är, desto högre är sysselsättningsgraden, men det finns ett undantag: de som har gymnasieutbildning som högst uppnådda nivå har under hela perioden haft högre sysselsättningsgrad än individer med högskoleutbildning mindre än två år.

4.6. Slutsatser

I detta kapitel har vi beskrivit den svenska befolkningens utbildningsnivå, den sociala snedrekryteringen, löner och inkomster fördelade på utbildningsinriktning samt andelen förvärvsarbetande inom olika utbildningskategorier. Eftersom vi har tillgång till datamaterial från en relativt lång tidsperiod kan vi dra ett flertal slutsatser både om förändringar över tiden och om skillnader mellan generationer vid varje tidpunkt.

Bland annat kan vi konstatera att utbildningsnivån i den svenska befolkningen i arbetsför ålder har ökat mellan 1990 och 2003 och att ökningen har varit större för kvinnor än för män. Andelen individer med gymnasieutbildning har i princip varit konstant, medan andelen med enbart grundskoleutbildning har minskat till förmån för andelen högskoleutbildade.

Vi har också kunnat se att den sociala snedrekryteringen med avseende på föräldrarnas utbildningsnivå i Sverige är stor, särskilt när det gäller individens benägenhet att utbilda sig från låga utbildningsnivåer. Samtidigt minskar snedrekryteringen med utbildningsnivån, något som bekräftar resultatet från tidigare studier. Den sociala snedrekryteringen skiljer sig åt mellan könen och mellan utlandsfödda och svenskfödda. För svenskfödda män är faderns och moderns utbildning mer än dubbelt så betydelsefulla för framtida högre studier än för svenskfödda kvinnor.

Det förekommer skillnader både i ingångslön och när det gäller livsinkomst mellan olika typer av utbildning. En generell slutsats är att högutbildade tjänar mer än lågutbildade, men då har vi inte justerat resultaten för social bakgrund och därmed inte skattat utbildningspremien. Det har skett en ökning av livsinkomsterna från 1998 och denna ökning drivs till stor del av förändrade livsinkomster bland männen.

Slutligen kan vi konstatera att andelen förvärvsarbetande i den svenska befolkningen i arbetsför ålder minskade mellan 1990 och 1993, särskilt bland personer med enbart förgymnasial utbildning. Mellan 1993 och 2003 har andelen förvärvsarbetande inom de flesta utbildningsnivåer i princip varit konstant.

5. Ekonomiska incitament till utbildningsval

Det är väl belagt i forskning att såväl ekonomiska incitament som social bakgrund spelar stor roll för individers val av utbildning. I detta kapitel använder vi två olika ekonomiska modeller (se faktaruta 1.1 Ordlista) som tar hänsyn till båda faktorerna. Vårt primära mål är att undersöka hur ekonomiska incitament, givet social bakgrund, ålder, gymnasiebetyg och kön, förväntas påverka individers utbildningsval. Detta görs genom policysimuleringar (se faktaruta 1.1 Ordlista) som går till enligt följande. Först skattas modellens parametrar (se faktaruta 1.1 Ordlista) och sedan används parametrarna till att simulera vad som skulle hända vid ett politiskt ingripande eller en reform, t.ex. en höjning av studiebidraget eller förändringar i skattesystemet.

Den första modellen (avsnitt 5.1) är ett nytt bidrag till den ekonomiska forskningen kring utbildningsval och finns beskriven i detalj i Angelov, Dagsvik & Johansson (2008). Den behandlar val av utbildningsinriktning och -nivå och beskriver individers beteenden då de utgår från nyttomaximering för att göra sina utbildningsval. Detsamma gäller den andra modellen (avsnitt 5.2), men den behandlar enbart valet av utbildningsnivå. Modellen, som föreslås av Cameron & Heckman (1998) är tämligen välkänd inom den ekonomiska utbildningsforskningen, men har enligt vad vi känner till inte tidigare skattats (se faktaruta 1.1 Ordlista) på svenska data.

Modellen i avsnitt 5.1 kan användas för att uppskatta effekten av skatte- eller studiemedelsreformer på utbildningssammansättningen bland dem som har valt högskoleutbildning. Den andra modellen (avsnitt 5.2) används för att analysera inflödet av nya (alternativt utflödet av nuvarande) studenter på högskolenivå efter en reform. Båda dessa effekter är värda att beakta när vi analyserar följderna av olika reformer och eftersom vi inte har tillgång till ett

verktyg som tar hänsyn till båda effekter samtidigt använder vi två kompletterande modeller.

5.1. Utbildningsval – inriktning och nivå

Eftersom den ekonomiska modellen är ganska komplex väljer vi att inte presentera detaljer kring modell eller skattning utan hänvisar den intresserade läsaren till appendix C för mer detaljer. Vår modell bygger på ett antal antaganden om individers beteende då de väljer sin utbildning. Avsnittet börjar med en kort översiktlig beskrivning av dessa antaganden och idéer kring skattning. Vi skattar parametrar i modellen på utbildningsval med hjälp av data som beskrivs i Appendix A. Resultaten från dessa skattningar används sedan för att genomföra policysimuleringar.

5.1.1. Modellbeskrivning

Vi gör följande grundläggande antaganden:

1. En individ som står inför valet av ny utbildning tar hänsyn till de alternativa framtida livsinkomster som han/hon tror att olika utbildningar möjliggör. Livsinkomsterna fungerar som ekonomiska incitament (se faktaruta 1.1 Ordlista) vid utbildningsvalet; ju mer den blivande studenten kan förväntas tjäna efter en viss typ av utbildning, desto mer benägen är han/hon att välja utbildningen. Individerna baserar sitt utbildningsval på prognoser över framtida livsinkomster men de är begränsat rationella, vilket betyder att de inte exakt kan förutsäga sina livsinkomster för olika typer av utbildningsinriktningar. I stället antas att individernas prognos om framtida inkomster bygger på allmänt tillgänglig information. 2. Vid utbildningsvalet kan individerna även ta hänsyn till sina rena preferenser för olika utbildningar – hög framtida inkomst är med andra ord inte det enda som potentiella studenter bryr sig om. Exempelvis kan en lång utbildning som inte förväntas leda till höga inkomster ändå vara ett rationellt val, förutsatt att den

medför tillräckligt hög social status.56 Enligt en del tidigare studier kan t.ex. skillnader i utbildningsnivå mellan olika sociala klasser förklaras av att olika klasser värderar utbildning olika.57 Enligt denna teori värderas hög utbildning inte enbart på grund av de ekonomiska fördelarna som den kan ge, utan också som ett sätt att tillhöra en högre klass.

I modellen har individen inte några begränsningar i sitt val av utbildning dvs. individerna kan fritt välja den utbildning som de tror maximerar deras framtida nytta. I verkligheten har dock individerna begränsningar. Dessa begränsningar beror på individens bakgrund men också på restriktioner i antalet utbildningsplatser vid lärosätena (se inledning). För att ta hänsyn till att individer har olika möjligheter kontrollerar vi i den empiriska modellen för moderns och faderns genomsnittsinkomster beräknade över en treårsperiod som slutar då individen fyller 19 år.58 Vidare kontrollerar vi för (se faktaruta 1.1 Ordlista) slutbetyg från gymnasiet för att ta hänsyn till att det finns utbudsrestriktioner dvs. att antalet platser för en viss utbildning är begränsat. Slutbetyg fungerar dels som en restriktion vid antagningen till olika utbildningar, dels som ett mått på hur väl individen kan tänkas klara av en högre utbildning med varierande svårighetsgrad.

Modellen skattas på ett stickprov (se faktaruta 1.1 Ordlista) ur vår population av alla individer som var över 30 år gamla under 2003 och som har skaffat någon typ av högskoleutbildning under perioden mellan 1992 och 2003. Eftersom vi i så stor utsträckning som möjligt vill analysera färdigutbildade individer begränsas analysen till individer som är äldre än 30 år. Individer för vilka data för någon av variablerna saknas ingår inte i stickprovet. Det slutliga antalet individer som används vid skattningen är drygt 72 000. Detaljer kring skattningen samt en variabelbeskrivning finns i appendix C, men det är värt att nämna att livsinkomstprognoserna som används vid skattningen är diskonterade summor (se

56 Vi fokuserar analysen på hur individernas val påverkas av förändringar i de ekonomiska incitamenten. Vi analyserar således inte effekten av mjukare värden (som status), även om vi i vår modell tillåter att individerna tar hänsyn till annat än livsinkomster. Förenklat betyder detta att ett antal skattade modellparametrar under vissa förutsättningar kan tolkas som rena preferenser för olika utbildningar. 57 Se Breen, R. & Goldthorpe, J. [1997], Becker, R. [2003] och Need, A. & de Jong, U. [2001]. 58 Vi har även använt föräldrarnas utbildningsnivåer i stället för deras inkomster utan att resultaten påverkas nämnvärt.

faktaruta 1.1 Ordlista) av de individuella inkomstprediktionerna (se faktaruta 1.1 Ordlista) för året då utbildningsvalet gjordes. Inkomstprediktionen bygger i sin tur på en skattad löneekvation (se t.ex. Card 1999).

Valmängden består av alla möjliga högskoleutbildningar enligt en kombination av de första positionerna i SUN-nomenklaturens nivå- och inriktningskoder. Skattningspopulationen består av individer som har läst korta (kortare än två år)59 respektive långa (två år eller längre) universitetsutbildningar; vi har uteslutit forskarutbildning p.g.a. för få observationer. Inom SUNklassificeringen finns tio inriktningar på varje nivå, men vi har tagit bort inriktningarna allmän och okänd därför att de inte tillför något till vår analys. Av de kvarstående utbildningsinriktningarna fanns det för få observationer för den korta universitetsutbildningen med inriktning lant- och skogsbruk samt djursjukvård. Det slutliga antalet utbildningar är därmed femton.

5.1.2. Resultat

Det viktigaste resultatet från skattningen är att vi får en positiv och statistiskt säkerställd (se faktaruta 1.1 Ordlista) skattning av den parameter (se faktaruta 1.1 Ordlista) som mäter hur benägenheten att välja en viss utbildning ändras när de ekonomiska incitamenten ändras (se tabell 5.1 i Appendix E). Detta innebär att om livsinkomsten som kan förväntas efter en viss utbildning ökar, så ökar även individens benägenhet att välja denna utbildning. Resultatet är naturligtvis väntat och stöds av en mängd andra studier som skattat effekten av ekonomiska incitament. Tidigare studier har främst inriktat sig på att analysera valet av utbildningslängd men några har även undersökt valet av utbildningsinriktning (se avsnitt 2.8).

Gymnasiebetygen är viktiga vid utbildningsvalet och särskilt vid valet till längre utbildningar. Parameterskattningarna redovisas i tabell 5.1 (Appendix E) där referensutbildningen är en kort högskoleutbildning i pedagogik. Eftersom resultaten inte bygger på

59 Ett möjligt problem med att dela upp högskoleutbildningar efter SUN-koden för längd är att en del av de individer som har läst korta utbildningar inte har gjort ett aktivt val. Med andra ord kan de i själva verket ha valt en lång utbildning men av olika anledningar (t.ex. brist på motivation eller oförmåga att klara långa högskolestudier) hoppat av. Med hjälp av registerdata är det omöjligt att veta hur stor andel som har gjort ett aktivt val att läsa korta utbildningar, men en del av problematiken avhjälps genom att vi konstanthåller för gymnasiebetyg vid skattningen av individernas val av utbildning.

en linjär skattningsmodell går det inte att tolka parametrarnas storlek på ett meningsfullt sätt.60 Skattningarnas tecken visar dock om individer med högre betyg är mer eller mindre benägna att läsa en viss utbildningsinriktning (relativt att läsa referensutbildningen), jämfört med individer med lägre betyg. De allra flesta av de skattade betygsparametrarna är positiva. För långa utbildningar ligger betygsparametrarna mellan 0,55 och 1,15 och är statistiskt säkerställda för alla inriktningar, medan de för korta ligger mellan -0,11 och 0.31. Alla utom två av parameterskattningarna som avser korta utbildningar (hälso- och sjukvård samt tjänster) är statistiskt säkerställda. Sambandet mellan betyg och valet av korta högskolestudier inom teknik och tillverkning är negativt, medan alla andra parameterskattningar är positiva. Sammantaget tyder resultaten på att individer med högre betyg är mer benägna att läsa övriga högskoleutbildningar (med ett undantag) än en kort högskoleutbildning i pedagogik. Det positiva sambandet mellan betyg och utbildningsval är dessutom starkare för de längre utbildningarna.

Ett större antal av parameterskattningarna som avser faderns utbildning är statistiskt säkerställda jämfört med dem som avser moderns inkomst och de har dessutom högre storlek än de som avser moderns inkomst. Med andra ord är faderns inkomst mer betydelsefull för utbildningsvalet än moderns.

En intressant fråga ur policysynpunkt (se faktaruta 1.1 Ordlista) är hur mycket benägenheten att välja olika utbildningar ändras då livsinkomsterna ändras. Givet de skattade modellparametrarna gör vi en prediktion (se faktaruta 1.1 Ordlista) för varje individs benägenhet att välja var och en av de olika utbildningarna. Utifrån dessa prediktioner får vi en uppskattning av andelen individer i vårt stickprov som skulle välja en viss utbildning givet modellen eller alternativt efter en policyreform. Dessa predicerade andelar, tillsammans med de faktiska andelarna av individer med olika utbildningar, visas i kolumn 2 och 3 i tabell 5.2. Som framgår av värdena ligger de predicerade andelarna ligger nära de faktiska.

60 I vanlig linjär regression (som har en kausal tolkning) kan man direkt ur parameterskattningarna utläsa effekten av en förändring i den förklarande variabeln (t.ex. antalet utbildningsår) på den förklarade (t.ex. lön).

Tabell 5.2*A Andelar med olika utbildningar

Andelar, procent Utbildning

Stickprov Prediktion

Högskoleutb < 2 år, Pedagogik och lära-rutbildning

1,6

1,6

Högskoleutb < 2 år, Humaniora och konst

2,6

2,5

Högskoleutb < 2 år, Samhällsvetenskap, juridik, handel, adm.

4,5

5,1

Högskoleutb < 2 år, Naturvetenskap, matematik och data

1,6

1,4

Högskoleutb < 2 år, Teknik och tillverkning

4,4

3,3

Högskoleutb < 2 år, Hälso- och sjukvård samt social omsorg

1,3

1,2

Högskoleutb < 2 år, Tjänster

0,2

0,1

Högskoleutb ≥ 2 år, Pedagogik och lärar-utbildning

16,6 15,2

Högskoleutb ≥ 2 år, Humaniora och konst

6,4 8,7

Högskoleutb ≥ 2 år, Samhällsvetenskap, juridik, handel, adm.

21,6 24,1

Högskoleutb ≥ 2 år, Naturvetenskap, matematik och data

6,7 7,4

Högskoleutb ≥ 2 år, Teknik och tillverkning

16,1 14,2

Högskoleutb ≥ 2 år, Lant- och skogsbruk samt djur-sjukvård

0,9 0,4

Högskoleutb ≥ 2 år, Hälso- och sjukvård samt social omsorg

13,3 11,7

Högskoleutb ≥ 2 år, Tjänster

2,2 3,0

* Tabell 5.1 se Appendix E. Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992–2003. Modellen beskrivs i detalj

i appendix C.

Policysimuleringar

Simuleringarna går ut på att ändra livsinkomsten för en eller flera utbildningar, räkna ut nya predicerade andelar som bygger på den ändrade livsinkomsten och jämföra med de ursprungliga.61 På detta sätt går det att uppskatta förändringen i utbildningssammansättningen i populationen. Denna tolkning bygger på tre antaganden.

Det första antagandet är att stickprovet är representativt för dem som skaffar högskoleutbildning. Vi tror att detta är uppfyllt, eftersom stickprovet bygger på individer i våra data som har skaffat utbildning under den undersökta perioden. Inga andra begränsningar finns än dem att det ska finnas data för varje individ och att individerna måste vara äldre än 30 när de är färdigutbildade. Det sistnämnda, samt att vi använder föräldrarnas inkomster då individerna var 19 år, begränsar stickprovet åldersmässigt men inte i övrigt.

61 En detaljerad beskrivning av hur policysimuleringarna genomförs finns i appendix C.

Det andra antagandet gäller eventuella in- eller utflöden av studenter från gymnasiet till högre studier, som följer efter en viss policyreform. Policysimuleringarna förutsätter att flödena inte förändrar studentsammansättningen med avseende på bakgrund. Slutligen antar vi att individerna inte möter några utbudsrestriktioner i sina utbildningsval. I praktiken innebär detta att varje policyreform åtföljs av en fullständig anpassning av antalet platser på olika utbildningar. Under perioder med låg arbetslöshet och därmed många lediga utbildningsplatser på universitet och högskolor kan det räcka med den befintliga kapaciteten. Under perioder med platsbrist på högskolorna kan det däremot vara aktuellt att bygga ut utbildningskapaciteten.

Vi genomför tre typer av simuleringar; förändringar i relativa inkomster, i skattesystemet samt i studiebidragssystemet. Resultaten redovisas nedan.

Förändringar i relativa inkomster

Den första simuleringen handlar om att få en uppfattning om effekten av förändringar i relativa inkomster – livstidsinkomsten för en viss utbildning ökas med 10 procent medan övriga variabler konstanthålls. Detta är ingen policysimulering i egentlig mening eftersom politiska beslutsfattare inte kan påverka löner direkt. Däremot är det tänkbart att det finns förväntningar på löneökningar inom ett visst yrkesområde. Denna typ av simulering har då policyrelevans eftersom det kan användas som beslutsunderlag vid dimensioneringen av antalet högskoleplatser inom den aktuella utbildningen. Resultaten från förändringar i relativa inkomster finns i kolumn A i tabell 5.2 B. Vi redovisar procentuella förändringar av andelen individer som väljer en viss utbildning, som följer av att utbildningens livsinkomst ökar med 10 procent medan livsinkomsterna för resten av utbildningarna är konstanta. Till exempel förväntar vi oss en ökning om 4,2 procent av andelen som läser en kort utbildning inom pedagogik när livsinkomsten för individer som har läst denna utbildning ökar med 10 procent.62

62 Den ursprungliga predicerade andelen finns, avrundad till en decimal, i kolumn 3 i tabell 5.2 och är 1,6459 procent. Den predicerade andelen efter inkomstökningen (som inte redovisas i tabellen) är 1,7151 procent, vilket ger den redovisade 4,2 procentökningen. ((1,715 procent-1,646 procent)/1,646 procent=4,2 procent). Notera att modellen är symmetrisk: en minskning med 10 procent skulle leda till en -4,2 procents minskning av andelarna.

Det finns en stor variation i förändringarna. Minst känsliga för inkomstökningar är studenter som väljer en lång utbildning inom pedagogik (2,7 procent) och störst förändring ser vi hos dem som läser en lång utbildning i teknik och tillverkning (10,4 procent). Vi ser att det finns en likhet i hur studenter med samma inriktning men olika längd reagerar på inkomstökningar. Exempelvis är studenter som har läst samhällsvetenskap, naturvetenskap eller teknik känsliga för inkomstförändringar både på långa och korta utbildningar. Samtidigt är studenter som har läst pedagogik eller humaniora relativt okänsliga på båda nivåerna. Ur policysynpunkt (t.ex. dimensioneringen av antalet högskoleplatser) är detta praktiskt eftersom det räcker med beslut i en dimension (inriktning) i stället för i två (inriktning och längd). Anledningen till likheterna inom olika inriktningar är att studenter som läst olika länge inom samma inriktning generellt kan tänkas vara en ganska homogen grupp. Dessutom finns det troligen ett stort antal ”avhoppade” studenter bland dem som har läst korta utbildningar. Deras avsikt har möjligen varit att läsa en lång utbildning, men av någon anledning har de avbrutit sina studier i förtid.

Studiemedelssystemets betydelse

Nästa typ av simulering är av ren policynatur – vi genomför en förändring av studiemedelssystemet. Livsinkomsterna är ursprungligen beräknade under antagandet om ett neutralt studiestöd, vilket innebär att det studiestöd som studenterna får varken är en kostnad eller en intäkt för individen. Detta spelar ingen roll för själva skattningsresultaten, däremot spelar en förändring av studiestödet roll för individernas förväntade utbildningsval, givet de skattade parametrarna. Vi simulerar en ökning av studiebidragsdelen med 3 000 kr i månaden. Detta innebär i praktiken att livsinkomsterna för alla utbildningar ökar, men att de ökar mer för långa utbildningar. Vi antar att korta utbildningar i genomsnitt tar ett år att genomföra, och långa – tre år. Policysimuleringen innebär att livsinkomsterna för individer som läser korta utbildningar ökar med nuvärdet av 30 000 kr (3 000*10) om ett år till diskonteringsräntan 2 procent, dvs. med 29 412 kr. Den diskonterade summan för långa utbildningar är 86 516 kr.

Kolumn B i tabell 5.2 B innehåller resultaten från studiebidragsökningen. Resultaten är de väntade: andelen som väljer långa

utbildningar ökar med cirka en procent, medan de som väljer korta utbildningar minskar med cirka fem procent oavsett inriktning.63Notera att förändringarna är större för korta utbildningar eftersom det är långt fler som läser långa än korta utbildningar.

Tabell 5.2 B Policysimuleringar

Andelar, procent

Simuleringsresultat: %-förändringar i predicerade andelar*

Utbildning

A B C D E

Högskoleutb < 2 år, Pedagogik och lärarutbildning 4,2 -4,9 -0,1 0,1 4,1 Högskoleutb < 2 år, Humaniora och konst 3,8 -5,1 -0,2 0,1 5,3 Högskoleutb < 2 år, Samhällsvetenskap, juridik, handel, adm. 7,6 -5,1 0,2 -0,1 -2,2 Högskoleutb < 2 år, Naturvetenskap, matematik och data 9 -5,1 0,2 -0,1 -3,7 Högskoleutb < 2 år, Teknik och tillverkning 6,6 -4,8 0,1 0 0,6 Högskoleutb < 2 år, Hälso- och sjukvård samt social omsorg 4,4 -4,9 -0,1 0,1 3,2 Högskoleutb < 2 år, Tjänster 6,6 -4,9 0 0 -0,6 Högskoleutb ≥ 2 år, Pedagogik och lärarutbildning 2,7 1 -0,2 0,1 7 Högskoleutb ≥ 2 år, Humaniora och konst 4,3 1 -0,1 0,1 3 Högskoleutb ≥ 2 år, Samhällsvetenskap, juridik, handel, adm. 8,5 0,8 0,1 -0,1 -3,5 Högskoleutb ≥ 2 år, Naturvetenskap, matematik och data 9,2 0,9 0,2 -0,1 -2,8 Högskoleutb ≥ 2 år, Teknik och tillverkning

10,4 0,8 0 0 -3,1

Högskoleutb ≥ 2 år, Lant- och skogsbruk samt djursjukvård 6,3 0,8 0 0 0,3 Högskoleutb ≥ 2 år, Hälso- och sjukvård samt social omsorg 4,8 0,9 -0,1 0 1,8 Högskoleutb ≥ 2 år, Tjänster 9,2 1,1 0,2 -0,1 -4,3

Anm.: Procentuella förändringar i predicerade andelar definieras som x=(a-b)/b, där x är det rapporterade

värdet i tabellen, a är den predicerade andelen efter policyförändringen och b är den predicerade andelen före policyförändringen. *Simuleringar: A. Relativlöneförändringar: 10 %-ökning i livstidsinkomsten för individer med en viss utbildning, medan resten av inkomsterna konstanthålls. B. Policyreform: ökning av studiebidraget med 3 000 kr/mån. C. Policyreform: borttagning av den statliga skatten. D. Policyreform: höjning av den statliga skatten med 10 %-enheter. E. Policyreform: sänkning av inkomstgränsen för statlig skatt från 328 600 till 252 000.

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992–2003. Modellen beskrivs i detalj

i appendix C.

63 Förändringarna är linjära på det sättet att det går att använda tabellvärdena för att uppskatta andelsförändringar till följd av mindre/större ökningar av studiebidraget. Exempelvis kan vi förvänta oss att en ökning med 1 000 kr i månaden i stället för 3 000 ger en minskning av andelarna med korta utbildningar på ca 1,6–1,7 procent.

Skattesystemets betydelse

Eftersom livsinkomsterna tar hänsyn till hur det svenska skattesystemet är uppbyggt har vi i den tredje simuleringen ändrat skattesatserna och inkomstgränsen för statlig skatt. Kolumn C i tabell 5.2 B innehåller en simulering där vi tar bort den statliga skatten och i kolumn D i tabell 5.2 B så ökar vi den med 10 procentenheter. Dessa två policyförändringar ändrar de monetära incitamenten åt olika håll, vilket även avspeglas i resultaten; värdena i kolumn C och D har olika tecken för varje utbildning. Men den statliga skattens nivå verkar spela liten roll för utbildningsvalet, eftersom de uppskattade förändringarna i båda kolumnerna är väldigt små. Den huvudsakliga anledningen till detta är att vi antar att individernas utbildningsval styrs av genomsnittliga livsinkomster och dessa genomsnitt når sällan upp till inkomstgränsen för statlig skatt. I kolumn E i tabell 5.2 B genomförs en sänkning av inkomstgränsen från 328 600 till 252 000 kr och denna medför relativt stora förändringar. Många fler utbildningars livsinkomster omfattas nu av den statliga skatten och vi ser att utbildningar som leder till relativt välbetalda jobb (t.ex. samhällsvetenskap, naturvetenskap, teknik) missgynnas, dvs. reformen leder till en minskning av andelarna som väljer dessa inriktningar. Reformen gynnar samtidigt utbildningar som leder till lågbetalda yrken (som t.ex. pedagogik och humaniora).

Heterogenitetsanalys

En intressant fråga är hur policysimuleringarna slår i grupper med olika bakgrund. Svaret kan vara ett viktigt verktyg för beslutsfattare som vill rikta insatser till speciella grupper. Vi analyserar specifikt hur en studiebidragsökning med 3 000 kr i månaden påverkar individgrupper som är rangordnade med avseende på genomsnittsbetyg från gymnasiet och på faderns inkomst. Gymnasiebetyg är ett mått på förkunskaper eller förmåga att klara av utbildning, medan faderns inkomst är ett allmänt mått på individens familjebakgrund. Vi väljer faderns i stället för moderns inkomst eftersom de flesta av de skattade modellparametrarna är statistiskt säkerställda för faderns inkomst, men inte för moderns.64

64 Se tabell 5.1, Appendix E.

Tabell 5.2 C Policysimuleringar

Andelar, procent

Simuleringsresultat: %-förändringar i predicerade andelar*

Utbildning

B B1 B2 B3 B4

Högskoleutb < 2 år, Pedagogik och lärarutbildning

-4,9 -4,4 -5,7 -4,7 -5,2

Högskoleutb < 2 år, Humaniora och konst

-5,1 -4,5 -5,7 -4,9 -5,3

Högskoleutb < 2 år, Samhällsvetenskap, juridik, handel, adm.

-5,1 -4,5 -5,8 -4,9 -5,3

Högskoleutb < 2 år, Naturvetenskap, matematik och data

-5,1 -4,5 -5,7 -4,9 -5,3

Högskoleutb < 2 år, Teknik och tillverkning -4,8 -4,4 -5,7 -4,6 -5,1 Högskoleutb < 2 år, Hälso- och sjukvård samt social omsorg -4,9 -4,4 -5,7 -4,7 -5,1 Högskoleutb < 2 år, Tjänster -4,9 -4,4 -5,7 -4,7 -5,2 Högskoleutb ≥ 2 år, Pedagogik och lärarutbildning 1 1,7 0,4 1,2 0,8 Högskoleutb ≥ 2 år, Humaniora och konst 1 1,6 0,4 1,1 0,8 Högskoleutb ≥ 2 år, Samhällsvetenskap, juridik, handel, adm. 0,8 1,6 0,4 1 0,7 Högskoleutb ≥ 2 år, Naturvetenskap, matematik och data 0,9 1,6 0,4 1,1 0,8 Högskoleutb ≥ 2 år, Teknik och tillverkning 0,8 1,6 0,4 0,9 0,6 Högskoleutb ≥ 2 år, Lant- och skogsbruk samt djursjukvård 0,8 1,6 0,4 0,9 0,6 Högskoleutb ≥ 2 år, Hälso- och sjukvård samt social omsorg 0,9 1,6 0,4 1,1 0,7 Högskoleutb ≥ 2 år, Tjänster 1,1 1,7 0,4 1,3 0,9

Anm.: Procentuella förändringar i predicerade andelar definieras som x=(a-b)/b, där x är det rapporterade

värdet i tabellen, a är den predicerade andelen efter policyförändringen och b är den predicerade andelen före policyförändringen. * B. Policyreform: ökning av studiebidraget med 3 000 kr/mån.. B1. Som i B men för kvartilen med lägst betyg. B2. Som i B. men för kvartilen med högst betyg. B3. Som i B. men för kvartilen med lägst faderns inkomst. B4. Som i B. men för kvartilen med högst faderns inkomst.

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992–2003. Modellen beskrivs i detalj

i appendix C.

I kolumn B1 och B2 i tabell 5.2 C redovisas hur bidragsökningen påverkar individer med olika gymnasiebetyg. Vi uppskattar andelsförändringarna inom den lägsta betygskvartilen (B1) och inom den högsta (B2).65 Resultaten visar att studenter med låga betyg i större utsträckning än tidigare väljer långa utbildningar

65 Den lägsta betygskvartilen innehåller de 25 procent av individerna i våra data som har lägst betyg och den högsta innehåller de 25 procent som har högst betyg.

(andelsförändringar på ca 1,6 procent), jämfört med studenter med höga betyg (ca 0,4 procent). Motsatsen gäller för korta studier. När studenterna rangordnas med avseende på faderns inkomst får vi kvalitativt samma resultat (se kolumn B3 och B4), nämligen att individer vars fäders inkomster är låga ökar sitt deltagande i längre utbildningar i större utsträckning än individer vars fäders inkomster är höga. Skillnaderna är dock mindre än vid en rangordning på gymnasiebetyg. Exempelvis är andelsökningen för långa utbildningar 0,9–1,3 procent för individer vars fäder har låga inkomster och 0,6–0,9 procent för barn vars fäder har höga inkomster.

Den ekonomiska förklaringen till skillnaderna mellan andelsförändringarna för olika grupper är att en studiebidragsökning med 3 000 kr i månaden innebär en större procentuell förändring av livsinkomsten för individer med låga än för individer med höga betyg. Detta beror på att individer med låga betyg i genomsnitt tjänar mindre än de med höga betyg.

I själva verket är fördelningen av studenter med avseende på gymnasiebetyg och faderns inkomst två sidor av samma mynt eftersom det finns ett positivt samband mellan familjebakgrund och gymnasiebetyg. Detta illustreras i tabell 5.3, som visar skillnaden mellan individer i den lägsta och den högsta betygskvartilen med avseende på föräldrarnas utbildningsnivå. Exempelvis har 23,9 procent av individerna med höga betyg föräldrar vars utbildningsnivå i genomsnitt motsvarar en lång universitetsutbildning, medan samma siffra bland dem med låga betyg är endast 6,7 procent. Samtidigt har 27 procent av individerna med låga betyg föräldrar vars utbildning motsvarar förgymnasial utbildning 9(10) år och motsvarande andel bland dem med höga betyg är 15,3 procent.

Tabell 5.3 Sambandet mellan föräldrarnas utbildningsnivå och betyg

Andelar, procent

Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

I den lägsta betygskvartilen 10,6 27 39,3 16 6,7 0,5 I den högsta betygskvartilen 5,4 15,3 29,4 22,3 23,9 3,7

Anm.: *Bygger på genomsnitt av moderns och faderns utbildningsnivåer. 1: Förgymn. utb. < 9 år; 2: Förgymn.

Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1995–2003.

På grund av det positiva sambandet mellan familjebakgrund och betyg är den förväntade ökningen av andelen studenter med låga betyg som väljer högre utbildningar delvis ett tecken på att den sociala snedrekryteringen minskar efter en ökning av studiebidraget. Våra resultat ger stöd åt en del tidigare studier som har gjorts på svenska data (Hammarström (1996) och delvis SOU 1992:122). Andra svenska studier (delvis SOU 1992:122) och forskning från USA och Australien pekar dock åt motsatt håll (Kane (1994) och Chapman (2005)). Det är viktigt att påpeka att det är svårt att jämföra våra resultat med andra studier eftersom det inte finns tidigare forskning som använder en liknande metod.

Vi har även gjort policysimuleringarna separat för kvinnor respektive män. Resultaten skiljer sig inte nämnvärt åt mellan könen och i stället för att redovisa dem i tabellform ger vi en sammanfattning av de viktigaste skillnaderna. En ökning av de relativa livsinkomsterna påverkar män i större utsträckning än kvinnor och detta gäller alla inriktningar och nivåer. Däremot ändras kvinnors utbildningsval mer av ett ökat bidrag, vilket motsäger Boudarbat (2004), som drar slutsatsen att kvinnors val påverkas mindre än mäns av förändringar i den förväntade inkomsten. Inom ramen för vår modell finns en tydlig förklaring till det empiriska resultatet: kvinnor har i genomsnitt lägre livsinkomster än män och bidragsökningen är därför större relativt livsinkomsten för kvinnor än för män. Vi såg ovan att en borttagning eller höjning av den statliga skatten inte påverkar individerna nämnvärt eftersom livsinkomsterna bygger på förväntade värden som sällan passerar gränsen för statlig skatt. En logisk följd av detta resonemang är att kvinnor, vars inkomster i genomsnitt ännu mer sällan kan förväntas passera denna gräns, ändrar sitt beteende i ännu mindre utsträckning. Vi ser detta i våra simuleringar, där kvinnors andelar inte alls påverkas av förändringar i den statliga skatten, medan män påverkas något mer än hela populationen. Enligt samma resonemang får vi resultatet att en sänkning av inkomstgränsen för statlig skatt påverkar män mer än kvinnor.

Som redan nämnts ovan gör vi ett viktigt antagande när vi analyserar policysimuleringarna, nämligen att in- eller utflödet av individer från gymnasiet till högre nivåer efter en reform inte förändrar studentsammansättningen med avseende på bakgrund. Under detta antagande stämmer både storleken och tecknet på resultaten. Om vi enbart är intresserade av tecknet (t.ex. av resultatet att snedrekryteringen minskar om studiebidraget ökar),

utan att fästa vikt vid själva storleken (dvs. vid hur mycket snedrekryteringen minskar), räcker det med ett mindre begränsande antagande. Detta antagande behöver inte utesluta studentflöden: Om in- eller utflödet av individer från gymnasiet till högre nivåer förändrar studentsammansättningen med avseende på bakgrund i samma riktning som resultaten från policysimuleringarna i detta kapitel, så är det skattade tecknet korrekt. Anta till exempel att policyreformen leder till att en större andel individer från sämre förhållanden läser vidare efter gymnasiet, och att denna förändring är större än för individer från bättre förhållanden. Detta, i kombination med resultaten från kolumn B1–B4 i tabell 5.2 C, skulle innebära att snedrekryteringen minskar totalt sett.

5.2. Val av utbildningsnivå

I detta avsnitt introducerar vi en modell med vilken det går att undersöka hur valet från gymnasiet till högskolan påverkas av ändrade ekonomiska incitament. Avsnittet bygger på Cameron & Heckman (1998) som presenterar en modell (se faktaruta 1.1 Ordlista) för val av utbildningsnivå. Först beskrivs huvuddragen i modellen med tonvikt på användningsområde. Sedan skattas modellen på våra data och ett antal olika policyreformer simuleras för att uppskatta hur ekonomiska incitament påverkar utbildningsvalet inom ramen för modellen.

5.2.1. Modellbeskrivning

De olika utbildningsnivåerna i modellen följer en naturlig ordning från lägsta till högsta och en individ antas skaffa en viss utbildningsnivå (men inte högre) om den individspecifika marginalavkastningen på utbildningen ligger mellan två specifika tröskelvärden. Marginalavkastningen på en viss utbildning är skillnaden mellan livsinkomsten med den nya utbildningen och livsinkomsten med den nuvarande, där vi tänker oss att hänsyn tas till eventuella utbildningskostnader. (En kort beskrivning av modellen ges i appendix D och betydligt fler detaljer finns i Cameron & Heckman (1998)). Nedan kallas modellen för

skolövergångsmodellen.66 I detta avsnitt fokuseras på hur modellen kan användas för att ge en uppskattning av förändringen av andelarna individer med olika utbildningsnivåer, givet en förändring av marginalavkastningen för en viss utbildningsnivå.

Skolövergångsmodellen skattas på ett stickprov (se faktaruta 1.1 Ordlista) bestående av personer som var 19 år gamla år 1992. Vi analyserar de fyra utbildningsnivåerna gymnasium, högskoleutbildning kortare än två år, högskoleutbildning längre en två år och forskarutbildning. De individer för vilka någon av variablerna som ingår i den skattade modellen saknas finns inte med i analysen. Efter detta urval finns 77 085 individers utbildningsval kvar och dessa används för att skatta skolövergångsmodellen.

Marginalavkastningen på utbildning skattas inte explicit i skolövergångsmodellen. Istället skattas ett antal tröskelvärden för att övergå till högre utbildning. Eftersom vi analyserar fyra utbildningsnivåer innebär det att det finns tre tröskelvärden, som kallas

(1)

l

,

(2)

l

och

(3)

l

, där

(1) (2) (3)

l l l

< <

Om individens marginalavkastning för att utbilda sig vidare från gymnasiet är lägre än så skaffar individen inte högre utbildning än gymnasium. Om marginalavkastningen är högre än

men lägre än väljer individen en kort högskoleutbildning,

medan en lång högskoleutbildning väljs om marginalavkastningen ligger mellan men lägre än . Slutligen väljs forskarutbildning om marginalavskastningen är högre än tröskelvärdet

.

(1) l

(1) l (2) l

(2) l (3) l

(3) l

5.2.2. Resultat

Skattningsresultaten finns i tabell 5.4 och alla parameterskattningar (se faktaruta 1.1 Ordlista) utom två är statistiskt säkerställda (se ordlista). Tabell 5.5 innehåller de skattade marginella förändringarna av sannolikheterna att nå olika utbildningsnivåer.67

66 Cameron & Heckman [1998] kallar den för en ordnad modell av diskreta val. I artikeln betecknar skolövergångsmodellen (”schooling-transition model”) i stället en annan modell. Vi väljer en annorlunda notation för enkelhets skull. 67 Alla marginella förändringar som avser diskreta variabler inklusive genomsnittsbetyg bygger på faktiska förändringar i de skattade sannolikheterna vid en viss förändring i variabeln, betingat på att de resterande variablerna antar genomsnittet för individurvalet.

En marginell förändring av sannolikheten att nå upp till en viss utbildningsnivå kan ses som ett mått på skillnaden mellan två olika individers benägenheter att välja denna utbildningsnivå, då individerna skiljer sig något med avseende på endast en av bakgrundsvariablerna, t.ex. betyg. Raderna i tabellen summerar till noll eftersom sannolikheterna alltid summerar till 100 procent. Exempelvis leder en ökning av genomsnittsindividens gymnasiebetyg från 3 till 4 till en minskning av sannolikheten att ha gymnasium som högsta utbildning med 13,7 procentenheter. Samtidigt ökar sannolikheterna att nå högre utbildningar; med 3,6 procentenheter för korta högskoleutbildningar, med 10 procentenheter för långa och slutligen med 0,05 procentenheter för forskarutbildning.

Tabell 5.4 Val av utbildningsnivå

Parameterskattning Standardfel

T-värde

l(1)

8,8

-0,109 [80,83]

l(2)

9,24

-0,109 [84,46]

l(3)

14,74

-0,125 [117,75]

Man/kvinna 0/1

0,31

-0,016 [19,35]

Sv.född/utl.född 0/1

0,13

-0,034

[3,64]

Antal syskon

-0,09

-0,008 [-11,08]

Gymnasiebetyg

1,51

-0,015 [100,64]

ln(faderns inkomst)

0,02

-0,003

[7,37]

ln(moderns inkomst)

0,01

-0,003

[2,92]

Faderns ink. saknas inte/saknas 0/1

-0,08

-0,078 [-1,09]

Moderns ink. saknas inte/saknas 0/1

-0,09

-0,137 [-0,64]

Faderns ålder

0,01

-0,002

[5,28]

Moderns ålder

0,03

-0,003 [10,59]

Faderns utbildningsnivå 1 – 6

0,26

-0,006 [40,26]

Moderns utbildningnivå 1–6

0,29

-0,007 [42,10]

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992–2003. Modellen beskrivs i

detalj i appendix D. Föräldrarnas utbildningsnivåer är 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Tabell 5.5 Marginella förändringar av sannolikheterna att nå olika utbildningsnivåer som högsta utbildning

Gymnasium Högskoleutb. < 2 år

Högskoleutb. ≥ 2 år

Forskarutbildning

P(kvinnor) - P(män)

-7,75 0,45 7,23

0,07

P(utlandsfödda) - P(svenskfödda) -3,26 0,16 3,08 0,03 P(1 syskon) - P(0 syskon) 1,99 -0,05 -1,92 -0,02 P(2 syskon) - P(1 syskon) 2,00 -0,08 -1,90 -0,02 P(3 syskon) - P(2 syskon) 2,00 -0,12 -1,86 -0,02 P(4 syskon) - P(3 syskon) 1,99 -0,15 -1,83 -0,02 P(5 syskon) - P(4 syskon) 1,98 -0,18 -1,78 -0,02 P(2 i snittbetyg) - P(1 i snittbetyg) -2,83 0,97 1,86 0,01 P(3 i snittbetyg) - P(2 i snittbetyg) -6,67 2,11 4,53 0,02 P(4 i snittbetyg) - P(3 i snittbetyg) -13,66 3,59 10,01 0,05 P(5 i snittbetyg) - P(4 i snittbetyg)

-21,47 3,28 18,06 0,13

∂ P/∂ (faderns inkomst) -3,72 0,22 3,47 0,04 ∂ P/∂ (moderns inkomst) -2,37 0,14 2,21 0,02 P(faderns utb. 2) - P(faderns utb. 1) -5,56 0,68 4,84 0,04 P(faderns utb. 3) - P(faderns utb. 2) -5,74 0,45 5,23 0,05 P(faderns utb. 4) - P(faderns utb. 3) -5,77 0,19 5,52 0,06 P(faderns utb. 5) - P(faderns utb. 4) -5,65 -0,10 5,67 0,08 P(faderns utb. 6) - P(faderns utb. 5) -5,39 -0,38 5,66 0,10 P(moderns utb. 2) - P(moderns utb. 1) -6,45 0,93 5,48 0,04 P(moderns utb. 3) - P(moderns utb. 2) -6,80 0,65 6,10 0,05 P(moderns utb. 4) - P(moderns utb. 3) -6,90 0,28 6,55 0,07 P(moderns utb. 5) - P(moderns utb. 4) -6,74 -0,13 6,78 0,09 P(moderns utb. 6) - P(moderns utb. 5) -6,35 -0,52 6,74 0,12

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992–2003. Modellen beskrivs i detalj

i appendix D. De marginella effekterna bygger på skattningarna i tabell 28. Föräldrarnas utbildningsnivåer är 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥= 2 år; 6: Forskarutbildning.

Bakgrundsfaktorernas betydelse

Tabell 5.5 innehåller en rad marginella förändringar i sannolikheten att nå högre utbildningar med avseende på förändringar i bakgrundsvariabler (antal syskon, faderns och moderns inkomster och utbildningsnivåer, kön och utländsk bakgrund). Vi finner liksom Cameron & Heckman (1998) och andra studier (se avsnitt 2.1) att betydelsen av familjebakgrund minskar med nivån på utbildning. Sambandet mellan gymnasiebetyg och val till långa universitetsutbildningar är starkt. Vidare är faderns inkomst mer betydelsefull än moderns, medan moderns utbildning är mer betydelsefull än faderns.

Men dessa marginella förändringar är inte intressanta ur policysynpunkt eftersom beslutsfattare inte kan styra över individernas bakgrund. Beslutsfattare kan däremot styra över marginalavkastningen på utbildning via studiemedels- eller skattesystemet. Eftersom marginalavkastningen på utbildning inte går att observera (dvs. samma individ kan inte ha två olika livsinkomster) kan vi forskare inte styra över den. Däremot kan vi simulera förändringar i de skattade tröskelvärdena, vilket beskrivs nedan.

Ändringar i marginalavkastningen på utbildning

Anta att minskar något. Detta innebär i praktiken ett skift uppåt i alla individers marginalavkastning på långa universitetsutbildningar, jämfört med korta. Därför kan vi, utan att ha tillgång till marginalavkastningen på utbildning, ändå simulera förändringar i den sistnämnda. Nackdelen jämfört med simuleringarna i avsnitt 5.1.2 är att vi inte kan styra livsinkomstförändringarna i detalj. Vi kan inte heller översätta en viss procentuell förändring i tröskelvärdena till en förändring i livsinkomsten.

(2) l

Rent praktiskt går vi till väga på följande sätt. Vi utgår från de skattade tröskelvärdena i tabell 5.4, och från resten av parameterskattningarna. Givet alla individers bakgrund kan vi predicera (se faktaruta 1.1 Ordlista) andelen individer som väljer olika utbildningsnivåer. Dessa prediktioner, tillsammans med de faktiska andelarna i vårt stickprov, redovisas i de två kolumnerna överst till vänster i tabell 5.6. Exempelvis är den faktiska andelen med gymnasieutbildning i vårt stickprov 51,8 procent och den

ˆ ˆ (1) (3) l l

predicerade andelen är 51,6 procent. Som framgår av värdena ligger de predicerade andelarna mycket nära de faktiska.

Tabell 5.6 Policysimuleringar

Utbildning

Andelar

Simuleringsresultat: %-förändringar i predicerade andelar*

Stickprov Prediktion

A

B

Resultat för hela stickprovet:

Gymnasium

51,8 51,6 0,0 -30,0

Högskoleutbildning < 2 år

7,9 7,9 182,7 195,0

Högskoleutbildning ≥ 2 år

39,7 39,8 -36,5 0,0

Forskarutbildning

0,6 0,6 0,0 0,0

Resultat för den lägre betygskvartilen:

Gymnasium

77,6 79,2 0,0 -18,9

Högskoleutbildning < 2 år

7,9 5,8 136,1 259,0

Högskoleutbildning ≥ 2 år

14,5 14,9 -52,9 0,0

Forskarutbildning

0,0 0,1 0,0 0,0

Resultat för den högre betygskvartilen:

Gymnasium

21,8 22,1 0,0 -47,5

Högskoleutbildning < 2 år

5,8 7,2 242,3 144,6

Högskoleutbildning ≥ 2 år

70,3 68,9 -25,5 0,0

Forskarutbildning

2,1 1,8 0,0 0,0

Resultat för den lägre kvartilen m.a.p. faderns inkomst:

Gymnasium

61,4 61,5 0,0 -26,2

Högskoleutbildning < 2 år

7,4 7,6 170,0 211,0

Högskoleutbildning ≥ 2 år

30,8 30,5 -40,0 0,0

Forskarutbildning

0,4 0,3 0,0 0,0

Resultat för den högre kvartilen m.a.p. faderns inkomst:

Gymnasium

32,8 35,0 0,0 -37,6

Högskoleutbildning < 2 år

8,9 7,8 210,0 169,7

Högskoleutbildning ≥ 2 år

57,0 55,9 -30,0 0,0

Forskarutbildning

1,3 1,3 0,0 0,0

Anm.: *Simuleringar: A. Förändring i predicerade andelar, 10 %-ökning i tröskelvärde 2. B. Förändring i

predicerade andelar, 10 %-minskning i tröskelvärde 1.

Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992--2003. Modellen beskrivs i

detalj i appendix D. Procentuella förändringar i predicerade andelar definieras som x=(a-b)/b, där x är det rapporterade värdet i tabellen, a är den predicerade andelen efter policyförändringen och b är den predicerade andelen före policyförändringen.

Kolumn A i tabell 5.6 innehåller de förändringar av predicerade andelar som följer av en ökning med 10 procent i det andra tröskelvärdet, . Denna ökning motsvarar i praktiken en minskning av marginalavkastningen på långa universitets-

ˆ(2) l

utbildningar till förmån för korta utbildningar.68 Resultatet för hela urvalspopulationen blir en minskning av andelen med långa universitetsutbildningar med 36,5 procent, medan andelen med korta utbildningar ökar med 183 procent.69 Bland individer med låga betyg leder experimentet till en minskning av långa utbildningar med 53 procent men en ökning av korta utbildningar med hela 136 procent. De motsvarande förändringarna för dem med höga betyg är: en minskning på 26 procent för de långa utbildningarna och en ökning med hela 242 procent för de korta utbildningarna. Dessa skillnader är stora och innebär med andra ord att andelen individer med låga betyg som läser långa universitetsutbildningar (som från början endast är 15 procent) mer än halveras, medan andelen med höga betyg (som från början är 69 procent) endast minskar med en fjärdedel. Detta betyder att en minskning av marginalavkastningen för långa jämfört med korta utbildningar förväntas leda till att andelen studenter med höga gymnasiebetyg blir än mer överrepresenterade bland de med långa utbildningar.

Liknande resultat gäller när vi analyserar effekten bland grupper av individer rangordnade med avseende på faderns inkomst. Skillnaderna mellan lägsta och högsta kvartilen är dock mindre än i betygsfallet. Exempelvis minskar andelen som läser långa utbildningar med 40 procent bland dem vars fäder har låga inkomster, medan motsvarande minskning bland individer vars fäder har höga inkomster är 30 procent. Sammantaget kan vi konstatera att snedrekryteringen väntas öka om skillnaden i marginalavkastningen på utbildning från korta till långa universitetsstudier minskar. Motsatsen gäller om marginalavkastningen ökar, dvs. snedrekryteringen väntas då minska.

Slutligen analyserar vi en minskning av marginalavkastningen på att utbilda sig från gymnasiet vidare till en kort universitetsutbildning. Andelen individer bland dem som har låga betyg som har nått högst gymnasiet är 79 procent, medan andelen bland dem med höga betyg är endast 22 procent. Siffrorna för den korta universitetsutbildningen är 5,8 procent och 7,2 procent för dem med låga respektive för dem med höga betyg. Vi minskar tröskelvärdet med 10 procent, vilket i praktiken innebär en

ˆ(1) l

68 Som redan nämnts vet vi dock inte hur stora procentförändringar i livsinkomster denna 10-procentökning motsvarar. 69 Anledningen till att förändringarna inte summerar till noll är att andelarna med kort respektive lång universitetsutbildning är olika.

ökning av marginalavkastningen på korta högskoleutbildningar. Resultaten, som redovisas i kolumn B i tabell 5.6, är följande: Andelen individer i hela stickprovet som läser korta högskoleutbildningar ökar med 195 procent samtidigt som andelen med gymnasium som högst uppnådda utbildning minskar med 30 procent. Andelen individer med låga betyg som läser korta högskoleutbildningar ökar med 259 procent, samtidigt som andelen med gymnasieutbildning minskar med 19 procent. Motsvarande siffror för individer med höga betyg är en ökning med 145 procent av andelen med kort högskoleutbildning och en minskning med 48 procent av andelen med gymnasieutbildning.

Resultaten då individerna delas upp i grupper med avseende på faderns inkomst är liknande: en ökning av andelen som väljer den korta högskoleutbildningen med 211/170 procent för gruppen vars fäders inkomster är låga/höga och en minskning av andelen i gymnasium med 26/38 procent för gruppen vars fäders inkomster är låga/höga. Sammantaget tyder dessa resultat på att underrepresentationen av individer med låga betyg eller vars fäders inkomster är låga, dvs. den sociala snedrekryteringen, minskar till följd av en ökning av de ekonomiska incitamenten att läsa vidare. På grund av det starka positiva sambandet mellan betyg och föräldrarnas utbildningsnivå (se kapitel 5.1 och tabell 5.3) är dessa resultat även ett tecken på att snedrekryteringen med avseende på föräldrarnas utbildningsnivå skulle minska.

Vi har även gjort simuleringar uppdelade efter kön, men vi rapporterar inte de fullständiga resultaten utan enbart de resultat där det finns könsskillnader. De procentuella förändringarna (jämför kolumn A och B i tabell 5.6) skiljer sig inte åt nämnvärt mellan kvinnor och män. De predicerade andelarna skiljer sig däremot åt. Anledningen till detta är att kvinnor i genomsnitt har högre utbildning än män, vilket även avspeglar sig i prediktionerna. Till exempel förutspår modellen att 46 procent av kvinnorna har gymnasieutbildning, jämfört med 57 procent för männen. De faktiska andelarna i våra data är 47 och 56 procent för kvinnor respektive män. För båda grundutbildningarna på högskolenivå gäller att kvinnor utbildar sig i större utsträckning, vilket även kan ses i prediktionerna. Men för den högsta utbildningsnivån förutspår modellen en större andel kvinnor än män (0,8 respektive 0,5 procent), medan förhållandet mellan de faktiska andelarna är det motsatta (0,5 respektive 0,7 procent).

5.3. Slutsatser

En viktig del av analysen i detta kapitel handlar om att bedöma effekten av förändringar i de ekonomiska incitamenten på andelen individer som väljer olika typer av utbildning. Våra resultat visar att andelen studenter som väljer en viss utbildning ökar vid en ökning av livsinkomsten som följer efter utbildningen. Detta gäller både utbildningsinriktning och -nivå. Förändringar i den statliga skattesatsen spelar samtidigt liten roll. En sänkning av inkomstgränsen för statlig skatt skulle dock medföra att andelen som läser utbildningar som leder till låga inkomster skulle öka i förhållande till andelen som läser utbildningar som leder till höga inkomster. Skattesystemets effekt på utbildningsvalet diskuteras t.ex. i Heckman (2000), men denna analys är gjord utifrån förhållanden som är specifika för USA och omfattar dessutom inte effekten på val av utbildningsinriktning.

Vi såg redan tidigare i bilagan att det finns en omfattande snedrekrytering till högre utbildning i Sverige (se avsnitt 4.2). Därför analyserar vi i detta kapitel också hur policysimuleringarna påverkar olika sociala grupper. Resultaten visar att snedrekryteringen till högre studier minskar när de ekonomiska incitamenten för studier ökar. I avsnitt 5.1 genomför vi en simulering som innebär en ökning av studiebidraget med 3 000 kronor per månad. Reformen leder till att individer med låga betyg eller vars fäders inkomster är låga ökar sitt deltagande i längre universitetsstudier i större utsträckning än individer med höga betyg eller vars fäders inkomster är höga. Snedrekryteringen minskar med andra ord, och på grund av att det finns ett positivt samband mellan betyg och föräldrarnas utbildningsnivå gäller resultaten även om vi mäter snedrekrytering med avseende på föräldrarnas utbildningsnivå.

Minskad snedrekrytering är dock endast en aspekt av den ökade andelen personer med låga betyg som läser vidare. En ytterligare aspekt är att personer med låga betyg rimligen tar längre tid på sig att klara av en viss utbildning, vilket innebär minskad effektivitet inom högskoleutbildningen. Med andra ord är det viktigt att komma ihåg att minskad snedrekrytering, om den uppnås genom att öka de ekonomiska incitamenten för att studera, visserligen leder till minskad snedrekrytering men samtidigt innebär minskad effektivitet och längre genomsnittlig studietid per student för att ta examen. Detta resonemang bygger på antagandet att betyg är ett

bra mått på studenternas förmåga att klara högskoleutbildningar i tid.

Medan avsnitt 5.1 handlar om flöden av studenter mellan universitetsutbildningar med olika längd, analyserar vi i avsnitt 5.2 hur flöden mellan gymnasiet och universitetet väntas påverkas av att de monetära incitamenten för att läsa vidare ökar. Eftersom snedrekryteringen minskar även i analysen från avsnitt 5.2 kan vi sammanfattningsvis dra slutsatsen att snedrekryteringen totalt sett minskar. Vi kan inte uppskatta hur mycket andelsökningen av studenter med sämre social bakgrund skiljer sig från andelsökningen av studenter med bättre bakgrund eftersom modellerna i avsnitt 5.1 och 5.2 skiljer sig åt och vi inte kan genomföra samma typ av policysimuleringar. Däremot är skillnadens tecken tydligt. Med andra ord minskar snedrekryteringen, men vi kan inte säga med hur mycket.

6. Effekter av val av lärosäte

I det här kapitlet studeras betydelsen av lärosäte (se faktaruta 1.1 Ordlista) för framtida utfall på arbetsmarknaden i form av inkomster och löner. Lönen är betingad på att en individ har ett arbete medan inkomsten också fångar upp risk för arbetslöshet, deltidsarbete och sjukskrivning. Liksom andra före oss har vi begränsat oss till att studera hur valet av lärosäte påverkar den genomsnittliga lönen och inkomsten (det skulle potentiellt också vara intressant att studera löne- och inkomstspridningen).

Detta kapitel ska ses i ljuset av det nya uppdrag som Högskoleverket aviserades i Budgetpropositionen 2008 (sid 123 volym 8) där ”...Högskoleverket [ges] i uppdrag att i samverkan med lärosätena utveckla uppföljningen av studenternas etablering på arbetsmarknaden...”. Det är också så att lärosätena redan i dag har i uppdrag att förbättra information och vägledning om utbildningsvägar och om arbetsmarknaden för olika utbildningar. En relevant fråga är vilken information som lärosätena kan ge framtida studenter och också vilka svårigheter det finns med att tillhandahålla denna information. Av denna anledning innehåller kapitlet också en detaljerad metodologisk diskussion kring möjligheten att skatta inkomst- och lönepremie av lärosäte.

I det första avsnittet ger vi en översikt av tidigare studier om inkomst-/lönepremier. Avsnitt 6.2 ger en beskrivning av de data som vi senare använder för att uppskatta lärosätespremier. I avsnitt 6.3 ges den metodologiska diskussionen och i avsnitt 6.4 uppskattas så till slut både löne- och inkomstpremier av lärosäte. En sammanfattande diskussion avslutar kapitlet i avsnitt 6.5.

6.1. Tidigare forskning

Inom nationalekonomi finns en lång tradition av att skatta avkastningen på utbildning.70 På senare tid har det också väckts ett intresse för att uppskatta effekten av val av lärosäte på anställningsbarhet och löner.71 Detta är givetvis av stort intresse för presumtiva studenter men det är också intressant ur ett samhälleligt rättvise- och effektivitetsperspektiv.

Den större delen av den vetenskapliga litteraturen kring lärosätespremie är från USA.72 De flesta av dessa studier visar att studenter från högstatusuniversitet kan få mellan 5 och 15 procent högre avkastning på sin utbildning än studenter från lågstatusuniversitet. Men det finns också studier som inte finner några skillnader i avkastning.73 Det finns vissa belägg för att kvinnor erhåller lägre premier för val av universitet än män. Ett undantag är studien av Chevalier & Conlon (2003) som finner en något högre avkastning av högstatusuniversitet för kvinnor än för män.

På svenska data har Lindahl & Regnér (2005) och Lundin (2006) funnit en inkomstpremie på 4 till 6 procent av att studera vid gamla universitet gentemot nya universitet.74 Eliasson (2006) å andra sidan finner inga inkomstskillnader. Gustafsson (1996), Gartell & Regnér (2002, 2005) och Lindahl & Regnér (2005) studerar skillnader i löner mellan studenter från enskilda universitet. De uppskattade inkomstskillnaderna är upp till 40 procent högre för vissa lärosäten jämfört med andra. Det är dock svårt att generalisera utifrån dessa studier eftersom resultaten är känsliga för ändringar i modellspecifikationen. I Lindahl & Regnér (2005) används data från 19 250 individer som alla har minst ett syskon. De använder sig av en mängd olika analyser av livsinkomsten och kontrollerar för icke observerbar (se faktaruta 1.1 Ordlista) förmåga genom att använda sig av syskon som har studerat vid olika universitet. Idén är att syskon har likartad icke observerbar förmåga. Om syskonen har studerat på olika lärosäten kan man uppskatta den relativa effekten mellan de två lärosätena genom att ta skillnaden mellan syskonens

70 Se t.ex. Card, D. [1999] för en sammanställning av resultat och Antelius, J. & Björklund, A. [2000] för studier på svenska data. 71 Det har också funnits en debatt om kvaliteten på de nyetablerade lärosätena (se Öckert & Regner [2000]). 72 Se t.ex. Black, D. m.fl. [1995, 1997, 2005] och Black, D. & Smith, [2004, 2006]. 73 Se t.ex. Berg, Dale & Krueger [2002]. 74 Universitet etablerade före 1965, dvs. Umeå , Uppsala, Lund, Stockholm och Göteborg, definieras som gamla universitet. Lundin betingar på att man läst ekonomiutbildning.

inkomster/löner. När man kontrollerat för syskonvariation så minskar de skattade (se faktaruta 1.1 Ordlista) effekterna för lärosäte till ungefär hälften mot när man endast kontrollerat för familjebakgrund.75 Utifrån denna studie kan man potentiellt säga att tidigare studerande vid Uppsala, Stockholm och Linköping universitet har högre löner än tidigare studerande vid andra lärosäten och mycket högre löner än tidigare studerande vid Jönköpings högskola.

6.2. Inkomst- och lönedata samt lärosäte

Lönerna som används i vår studie är från SCB:s lönestrukturstatistik och bygger på mätningar av individers grundlön plus rörliga lönetillägg. Deltidsarbete avspeglas inte i lönedata, eftersom deltidsarbetares faktiska löner omvandlas till heltidsekvivalenta löner. Inkomsterna bygger däremot på faktisk löneinkomst från skattedeklarationen, vilket medför att genomsnittliga (års)inkomster implicit tar hänsyn till risken för arbetslöshet, förekomsten av deltidsarbete och sjukskrivning. Varje år registreras ett antal individer som har fått förändrad utbildningsnivå och/eller -inriktning. Som en approximation av ingångslöner använder vi dessa personers löner från året efter den nya utbildningen registrerats. För en del är detta den första lön de någonsin får, andra kan ha arbetat tidigare, men med annan utbildning.

Innan vi går vidare och skattar lärosätespremier är det relevant att fundera på hur viktigt högskolevalet är som en förklarande faktor till skillnader i löner och inkomst i relation till andra faktorer som familjebakgrund, utbildningsinriktning och val av arbetsmarknad. För detta ändamål skattar vi linjära inkomst- och löneekvationer och inkluderar separat: 1) familjebakgrund och ålder, 2) gymnasiebetyg, 3) lärosäte, 4) utbildningsinriktning och slutligen 5) län där individen arbetar. I familjebakgrund inkluderar vi moderns och faderns utbildning, antal syskon och utländsk bakgrund. Utifrån de skattade separata regressionerna beskriver vi sedan hur mycket av variationen i lön/inkomst vår modell förklarar i relation till den totala variationen i lön/inkomst. För detta ändamål använder vi förklaringsvärdet,

2

R

,

som ligger mellan 0

och 100 procent.

75 De har inte tillgång till gymnasiebetyg, vilket är en variabel som kan användas för att uppskatta individers förmåga.

Skattningarna visar att familjebakgrund och ålder förklarar nästan 30 procent av variationen i ingångslön. Gymnasiebetyg förklarar endast 1 procent, lärosäte står för 9 procent, utbildningsinriktning för 22 procent och arbetslän förklarar 6 procent. Fem år efter avslutad utbildning har samtliga variabler ökat sitt förklaringsvärde. Familjebakgrund förklarar då 36 procent av variationen i lönerna, utbildningsinriktning förklarar hela 38 procent, gymnasiebetyg förklarar 7 procent, lärosäte förklarar 14 procent och arbetslän förklarar 11 procent.

Liknande resultat framkommer i fråga om vad som förklarar variationen i inkomster, men det finns några intressanta skillnader. För inkomst är utbildningsinriktning lika betydelsefullt eller mer betydelsefullt än familjebakgrund (29 procent mot 27 procent ett år efter avslutad utbildning och 27 procent för båda fem år efter avslutad utbildning). Arbetslän är mindre betydelsefullt (3 procent både ett år och fem år efter avslutad utbildning). Det kanske mest intressanta är att lärosäte endast förklarar 4 respektive 3 procent av variationen i inkomst ett respektive fem år efter avslutad utbildning.

När vi studerar betydelsen av dessa olika faktorer för inkomster och löner separat för kvinnor och män ser vi inga systematiska skillnader som är värda att diskutera.

Valet av lärosäte tillsammans med gymnasiebetyg och arbetslän är de tre faktorer som förklarar minst av den observerade inkomst- och lönespridningen i våra data.76 Det ser alltså ut som att valet av lärosäte är av mycket mindre betydelse för den framtida inkomstutvecklingen än valet av utbildningsinriktning men att det har ungefär samma betydelse som var man arbetar. Eftersom lärosäte och arbetslän är intimt sammanlänkade kan denna slutsats dock vara förhastad och i kapitel 6.4 avser vi att mer i detalj studera betydelsen av lärosäte för inkomster och löner. För att kunna göra det måste vi först definiera lärosätespremien samt diskutera metodologiska problem med att identifiera denna.

76 Det är värt att notera att detta gäller i än större utsträckning om vi justerar vår skattning av med antal parametrar som skattas i vår modell.

6.3. Teori och metod

När det gäller avkastning på utbildning finns det åtminstone två teorier som försöker förklara denna. Den första handlar om att utbildning leder till ökad produktivitet som i sin tur leder till ökade löner. Den andra handlar om att genomförd utbildning visserligen visar att individen har en viss förmåga, men att utbildningen i sig inte ökar produktiviteten. Samma typ av teorier används även för att analysera eventuella inkomstskillnader som beror av val av lärosäte.

Det finns emellertid problem (s.k. selektionsproblem) med att ta fram lärosätespremien genom att jämföra löner eller inkomster för individer som läst vid olika lärosäten. Anta t.ex. att det är svårare (eller anses vara svårare) att genomgå en utbildning vid ett lärosäte än vid andra lärosäten. Då kommer sannolikt individer med högre förmåga att söka sig till detta lärosäte. Samtidigt är det troligt att dessa individer med hög förmåga efter examen kommer att ha högre löner i genomsnitt jämfört med dem som studerat vid andra lärosäten. Skillnader i löner/inkomster mellan individer som studerat vid olika lärosäten behöver alltså inte bero på skillnader i utbildningens kvalitet.77

Ett tankeexperiment kan visa på hur selektionsproblemet potentiellt skulle kunna lösas. Anta att vi kan genomföra ett randomiserat experiment (se faktaruta 1.1 Ordlista), så att de individer som vill studera slumpas ut på de olika lärosäten som för närvarande finns i Sverige. Detta skulle innebära att studenternas förmåga blev jämnt fördelad över lärosäten. Sedan observerar vi anställning och ingångslön direkt efter avslutad utbildning. Problemet med detta är att skillnader i ingångslön mellan individer som läst på de olika lärosätena (men med samma utbildningsinriktning) inte skulle kunna tolkas som produktivitetsskillnader mellan lärosätena eftersom arbetsgivarna inte har information om individernas produktivitet. Den potentiellt högre observerade lönen för studenter från ett visst lärosäte skulle i stället kunna vara ett resultat av statistisk diskriminering och/eller en följd av regionala löneskillnader. Med statistisk diskriminering menas i detta sammanhang att arbetsgivare behandlar en enskild individ utifrån vilken grupp han/hon tillhör. Lönesättningen bygger i detta fall på arbetsgivarens tro eller vetskap om produktiviteten hos

77 Om en utbildning vid ett lärosäte endast anses svårare förutsätter vi att studenterna som blir antagna till utbildning är duktigare än de som inte blir antagna.

tidigare studenter från ett visst lärosäte. Regionala löneskillnader kan uppkomma på grund av arbetsmarknadsläget där lärosätet ligger, t.ex. får studenter från Stockholms universitet ofta jobb i stockholmstrakten. En annan orsak till regionala löneskillnader kan vara att individer som har läst på ett visst lärosäte systematiskt skaffar (eller tvingas skaffa) jobb i en höglöneregion, t.ex. får studenter från Uppsala universitet ofta jobb i Stockholm.

Detta tankeexperiment visar på två problem med att uppskatta kvaliteten hos lärosäten med ett hypotetiskt randomiserat experiment.78 Det första är att man inte kan kontrollera för arbetsmarkandsläge och det andra att man inte kan kontrollera för att ingångslönen för en individ baseras på tidigare studenters förmågor. Tidigare svenska studier har ofta försökt att skapa en experimentsituation liknande den ovan genom att med observerbara variabler (t.ex. familjebakgrund och betyg) kontrollera för individers förmåga. I dessa studier anses då valet av lärosäte i princip vara slumpmässigt när man betingat på dessa variabler; en tidigare student med ett visst medelbetyg från gymnasiet som läst på ekonomutbildningen i Umeå och som har högskoleutbildade föräldrar kan då jämföras med en likartad student som läst på Handelshögskolan i Stockholm. I Eliasson (2006) och Lundin (2006) används en sådan s.k. icke-parametrisk metod (se faktaruta 1.1 Ordlista). Detta är ett utmärkt sätt att hantera selektionsproblemet (se faktaruta 1.1 Ordlista) på men samtidigt begränsas policyvärdet (se faktaruta 1.1 Ordlista) av analysen avsevärt eftersom det inte går att jämföra enskilda lärosäten med varandra p.g.a. för få jämförelseindivider. För att finna tillräckligt många jämförbara studenter från olika lärosäten tvingas forskaren nämligen klumpa ihop lärosätena så att endast jämförelser mellan t.ex. små och stora lärosäten, eller gamla och nya lärosäten, kan göras. Ett alternativ till att direkt jämföra individer med varandra är att skatta en regressionsmodell (se faktaruta 1.1 Ordlista). I en sådan beskrivs individens lön som en funktion av lärosäte och t.ex. familjebakgrund och betyg. Ett problem med denna ansats är att den antagna relationen mellan lön och de andra variablerna kan vara felaktig, vilket leder till skeva (eller felaktiga) skattningar av lärosätespremien.

78 Vad man skulle behöva göra är att slumpa ut de nyutexaminerade studenterna som också via slumpen fick studera vid ett helt nybildade lärosäten på olika regionala arbetsmarknader.

Det kanske mest begränsande med metoderna ovan är dock antagandet att man observerar allt som styr individernas val av studieort och som samtidigt påverkar deras inkomst. Lindahl & Regnér (2005) försöker kontrollera för icke observerbar förmåga genom att använda syskon i sin analys. Idén är att syskon har samma icke observerbara förmåga (vilket också är ett starkt antagande)79 och att eventuella skillnader i löner/inkomster mellan syskon som studerat vid olika lärosäten är en uppskattning av skillnaden i kvalité mellan lärosätena.

En ytterligare komplikation är att studenter interagerar med varandra. Om det finns en sortering (se faktaruta 1.1 Ordlista) av en viss typ av individer med goda kontakter till vissa lärosäten så kan detta i sig själv skapa möjligheter att få jobb och hög lön via dessa kontakter. De nätverkskontakter som existerade före studierna bör inte tillskrivas lärosätet eftersom denna effekt endast generats via sorteringen.80 Men lärosäten kan också aktivt arbeta för att generera nätverk, och i detta fall bör nätverkseffekten ingå i lärosätespremien. Vid det hypotetiska randomiserade experimentet som nämndes ovan kontrolleras för den första effekten (eftersom individernas lärosätesval har genererats av slumpen) och man skulle då potentiellt även fånga den andra effekten. När vi inte kan genomföra ett randomiserat experiment utan måste förlita oss på registerdata (i vilka studenternas val inte genererats av slumpen) är det i princip omöjligt att lösa problem med nätverkseffekter på grund av selektion.81 Detta innebär att om de föreslagna metoderna löser problemet med selektion på förmåga så fångar en lärosätespremie inte bara en potentiell kvalitetsaspekt av lärosäte utan också alla eventuella nätverkseffekter via sortering.

Slutsatsen är att det är svårt att använda löner och/eller inkomster som mått på lärosäteskvalitet. Men anta att vi hade tillgång till ett centralt framtaget prov som studenterna genomförde i slutet av sin utbildning. Om vi kunde använda

79 I framtida studier vore det önskvärt att hitta något som styr valet av studieort men som är frikopplat från icke observerbar förmåga – ett instrument – så att man på ett tillförlitligt sätt skull kunna uppskatta en lärosätespremie med registerdata. Ett instrument fungerar som en randomisering. Ett möjligt instrument är distans till lärosäte från bostadsort, vilket kan fungera bättre i Sverige än i USA eftersom svenska studenter troligtvis är ganska osäkra på en eventuell lärosätespremie. 80 Detta kallas för en endogen sorteringseffekt. Med detta menas att individer med vissa egenskaper studerar vid samma lärosäte och att utfall i termer av löner skulle ha varit höga/låga för denna grupp p.g.a. nätverkseffekter oavsett lärosäte. 81 Det skulle potentiellt gå att kontrollera för förekomsten av nätverk om dessa nätverk vore observerbara.

resultat från ett sådant prov i stället för inkomst eller lön tror vi att det med tillräckliga kontroller (gymnasiebetyg, familjebakgrund m.m.) skulle vara möjligt att mäta kvaliteten på utbildningen. Provresultaten från ett sådant prov skulle förmodligen vara påverkade av förmågan i elevernas nätverk men sannolikt inte av elevernas kontakter på arbetsmarknaden. Detta är en fördel när vi vill uppskatta lärosätespremien. Det finns dock också vissa nackdelar med att använda provresultat. Den mest uppenbara är av praktisk natur – centralt framtagna prov görs inte på universitet idag medan löner och inkomster finns tillgängliga via våra register. Ett annat potentiellt problem är frågan om huruvida centrala prov kan utformas så att de mäter individers produktivitet. Om intresset ligger i att mäta hur väl studenterna är lämpade för att lösa verkliga problem går det naturligtvis att skapa centrala prov som mäter just detta. Ligger fokus istället på akademiska kunskaper av mer abstrakt slag är det möjligt att utforma proven därefter.

6.4. Lärosätespremier

Utifrån diskussionen ovan kan vi konstatera att individers bakgrund och förkunskaper till stor del bestämmer valet av lärosäte. Hänsyn måste också tas till arbetsmarknadsläget där lärosätena är belägna. Dessutom bör lönen mätas en tid efter avslutade studier när arbetsgivaren fått mer information om arbetstagarens produktivitet. I bilagan kontrollerar vi för selektionseffekter (se faktaruta 1.1 Ordlista) med hjälp av observerbar familjebakgrund och med de studerandes genomsnittliga gymnasiebetyg. Vi kontrollerar för arbetsmarknadsläget genom att använda län där individen arbetar och vi analyserar löner och inkomster fem år efter avslutad utbildning. Som ett komplement studeras även löner och inkomster ett år efter avslutad utbildning. Med denna metod har vi inte möjlighet att kontrollera för nätverk som genererats via sortering och således kan potentiella skillnader mellan lärosätena drivas av nätverkseffekter. Skattningarna (se faktaruta 1.1 Ordlista) benämns ändå, för enkelhetens skull, lärosätespremie.

Två komplementära ansatser används. Den första bygger på individdata och skiljer sig från de flesta andra svenska studier i och med att vi skattar separata premier för olika utbildningsgrupper. Detta innebär att ett lärosäte kan ha en hög premie för en utbildningsinriktning men en låg premie för en annan. Nackdelen

med denna analys är att det är svårt att sammanfatta resultaten och att vi tvingas anta att vi inte har någon icke observerbar förmåga i vår modell. Studien skiljer sig också från tidigare studier genom att vi inte skattar livstidslön utan löner och inkomster ett och fem år efter avslutad utbildning. Detta gör det möjligt att diskutera stabilitet i resultaten och att studera eventuell statistisk diskriminering.

Den andra ansatsen syftar till att skatta en genomsnittlig lärosätespremie och går ut på att vi kontrollerar för utbildningsgrupp och sedan skattar lärosätespremien på aggregerade data. Fördelen är att vi kan kontrollera för den genomsittliga men icke observerbara förmågan på lärosätet med den specifika utbildningen. Nackdelen jämfört med Eliasson (2006) och Lundin (2006) är att vår metod bygger på att våra modellantaganden är korrekta.82

6.4.1. Selektion på observerbara variabler

I detta avsnitt försöker vi, analogt med principen bakom löneregressioner där man skattar relationen mellan antal skolår och lön, skatta en relation mellan lärosäte och lön/inkomst. Våra skattningar lider därmed potentiellt av ovan nämnda selektionsproblem. Liknande problem finns i de flesta andra studier. Selektionsproblemets storlek är naturligtvis svårt att uppskatta, men det är värt att nämna att Card (1999), med stöd i ett antal empiriska studier, hävdar att selektionseffekten inte är särskilt stor när det gäller avkastningen på utbildningens längd.83 Vi analyserar visserligen inte relationen mellan utbildningens längd och lönen, men det är troligt att selektion till lärosäte fungerar på liknade sätt.

Separata löneregressioner skattas för varje utbildningsgrupp som består av alla inriktningar på den längre högskoleutbildningen enligt SUN 2000. Vi använder upprepat tvärsnittsdata från 1995 till 2003. Kravet för att ett lärosäte ska vara med vid skattningen ett

82 Som diskuterats i teori och metodkapitlet (6.3) använde Eliasson (2006) och Lundin (2006) icke-parametriska metoder. Nackdel med dessa metoder är att man tvingas slå ihop lärosäten till t.ex. Gamla mot nya vilket begränsar policyvärdet med analysen. 83 Studier av enäggstvillingars löner och utbildning, som bygger på antagandet att enäggstvillingars initiala förmåga är lika, ger vid handen att skattningar då man kontrollerat för observerbara karaktäristika med regressionsanalys överskattar avkastningen på ett års extra utbildning med ca 10 procent. Samtidigt visar flera studier som jämfört med studier som använt instrumentalvariabler (detta är variabler som skapar en variationen i individers utbildning som är slumpmässig) med vanliga regressions skattningar att dessa vanligtvis överskattar effekten av utbildning.

visst år är att det finns åtminstone 30 individer som har studerat vid detta. I regressionerna kontrolleras för kön, faderns och moderns utbildning, antal syskon, utländsk bakgrund, ålder och genomsnittliga slutbetyg från gymnasiet. Våra skattade inkomstpremier relateras alltid till ett referenslärosäte, som i alla utom en av våra regressioner är Umeå universitet.84

I diagram 6.1 till 6.12 (se Appendix F) presenteras procentuella skillnader i löner och inkomster ett år efter avslutad utbildning mellan Umeå universitet och andra lärosäten uppdelade i sex olika utbildningsinriktningar. Dessa inriktningar är pedagogik och lärarutbildning; humaniora och konst; samhällsvetenskap, juridik, handel och administration; naturvetenskap; matematik och data; teknik och tillverkning samt hälso- och sjukvård och social omsorg. I diagram 6.13 till 6.24 (se Appendix F) presenteras motsvarande procentuella skillnader fem år efter avslutad utbildning. De mörka staplarna innehåller de procentuella skillnaderna när vi inte kontrollerat för arbetsmarknadsläge, familjebakgrund och betyg medan de grå staplarna innehåller de procentuella skillnaderna när vi gjort dessa kontroller med hjälp av regressionsanalys. En statistiskt säkerställd skattning markeras med * när selektion inte beaktas och @ när selektion beaktas.

Vi presenterar lärosätena sorterade efter relativa inkomster/löner jämfört med Umeå universitet sedan vi har kontrollerat för selektion. Detta innebär att om alla staplarna ligger under noll har studenter från Umeå de högsta lönerna/inkomsterna medan om alla staplarna ligger över noll har studenterna från Umeå de lägsta lönerna efter avslutad utbildning. För att ge ett exempel på tolkning kan vi i diagram 6.1 (löneskillnader för pedagogik och lärarutbildning) se att studenter från Stockholms universitet har ca 25 procent högre ingångslöner än studenter från Umeå universitet. När vi kontrollerar för arbetsmarknadsläge, familjebakgrund och betyg skattas löneskillnaden till endast ett par procent. Denna skattning är dessutom inte statistiskt säkerställd. Liknande resultat framkommer för de flesta lärosäten. Även om de obetingade skillnaderna kan vara stora så är skillnaderna när vi

84 Umeå universitet används som referenshögskola på grund av att den har ordningsnummer ett i vår databas. I en av regressionerna saknas data för Umeå universitet och då fungerar nästa universitet i ordningsföljden (Uppsala universitet som har nummer fem) som referenshögskola. Anledningen till att antalet lärosäten kan skilja sig åt mellan utbildningarna är dels att vissa lärosäten är specialiserade och därmed inte erbjuder alla utbildningar, dels att vi saknar tillräckligt med data för vissa inriktningar och lärosäte (minst 30 individer som studerat).

kontrollerar för arbetsmarknadsläge, familjebakgrund och betyg ganska blygsamma (oftast under 5 procent). Det finns dock undantag. Ett exempel är Handelshögskolan i Stockholm (se diagram 6.9) där studenter har ca 50 procent högre ingångslöner än studenter från Umeå då vi inte kontrollerat för selektion. När vi kontrollerat för arbetsmarknad, familjebakgrund och betyg har de knappt 20 procent högre lön. Denna jämförelse är dock inte helt rättvis eftersom Handelshögskolan endast utbildar ekonomer som generellt sett har ett högre löneläge än många andra samhällsvetare.

Det kan också vara värt att nämna att när vi har kontrollerat för bakgrund är det väldigt små skillnader i lönepremier mellan olika lärosäten i teknik och tillverkning samt hälso- och sjukvård (se diagram 6.11 och 6.12). En annan iakttagelse är att de procentuella inkomstskillnaderna (se diagram 6.1–6.6) generellt sett är större än skillnaderna i löner. Det kan också finnas stora skillnader mellan lärosätenas rangordning beroende på om vi studerar löner eller inkomster (detta gäller för båda analyserna, dvs. utan och med kontrollvariabler). Som ett exempel kan vi se på pedagogik och lärarutbildning (se diagram 6.1 och 6.7). När det gäller löner har studenter från Umeå de näst högsta lönerna när vi betingar på bakgrund medan för motsvarande analys med inkomster så kommer dessa studenter först på tionde plats. Detta tyder på att det finns stora skillnader i möjlighet att få arbete efter avslutad utbildning. Umeås arbetsmarknad är sannolikt mer begränsad för utbildade pedagoger än orter i mellan- och Sydsverige.

I fråga om löner/inkomster fem år efter avslutad utbildning (se diagram 6.13–6.24) ser bilden i stort sett likartad ut som för löner och inkomster ett år efter avslutad utbildning för pedagogik och utbildning (jämför diagram 6.1 och 6.13 samt 6.7 och 6.19). Samma sak gäller humaniora och konst (jämför diagram 6.2 och 6.14 samt 6.8 och 6.20). För samhällsvetenskap (jämför diagram 6.3 och 6.15 samt 6.9 och 6.21) verkar det som att spridningen i löner har ökat något medan spridningen i inkomster har minskat. Löneskillnaderna för naturvetenskap, matematik och data är fortfarande små (se diagram 6.4 och 6.16) medan inkomstskillnaderna (se diagram 6.10 och 6.22) har minskat dramatiskt. För teknik och tillverkning är det ganska stora förändringar i rangordningen av lärosäten men spridningen i löner är i princip oförändrad (se diagram 6.5 och 6.17). Spridningen i inkomsterna har däremot minskat avsevärt mellan de två tidsperioderna (se diagram 6.11 och 6.23). För utbildningsinriktningen vård och omsorg är spridningen i löner ganska oförändrad (se diagram 6.6 och 6.18). Vad gäller

inkomster för denna inriktning är spridningen ganska stor och denna har potentiellt även ökat mellan de två tidsperioderna (se diagram 6.12 och 6.24).

Vi betraktar alltså lönen/inkomsten ett år efter slutförd utbildning som ingångslön/-inkomst och följer sedan upp skillnaderna efter ytterligare fyra år. Generellt är skillnaderna mellan lärosäten större när det gäller inkomst (som även tar hänsyn till deltidsarbete, arbetslöshet och sjukfrånvaro) än när det gäller årslön. Detta betyder att risken för arbetslöshet och sjukfrånvaro och benägenheten att arbeta deltid skiljer sig åt mellan grupper som har läst på olika lärosäten. Risken beror dock även på vilken inriktning individen har valt, varför vi inte kan peka ut ett lärosäte som det “bästa” oavsett inriktning.

Vi är tveksamma till att tolka eventuella skillnader i löner och/eller inkomster mellan individer som har studerat vid olika lärosäten som skillnader i lärosäteskvalitet. Även om vi med hjälp av familjebakgrund och betyg har lyckats kontrollera för selektion på förmåga har vi potentiellt problem med sortering och nätverk. Ytterligare ett potentiellt problem är att vår uppdelning av utbildning är något för grov. En finare uppdelning skulle dock kunna leda till att vi får väldigt få individer för varje uppdelning. Ett sätt att lösa detta problem är att skatta livstidsinkomster och livstidslöner i stället för inkomster/löner ett visst antal år efter utbildning. Detta kan göras genom att skatta inkomst-/löneekvationer för alla i våra register som studerat en specifik utbildning (t.ex. ekonomi, socialt arbete, läkare) vid ett lärosäte. Sedan kontrollerar man för en gemensam inkomstprofil genom att kontrollera för ålder i regressionsmodellen.85 I detta arbete har vi valt att inte genomföra sådana skattningar men denna typ av information är något som är intressant och som skulle kunna tillhandhållas årligen, t.ex. genom att presentera resultat på Högskoleverkets hemsida.

85 Antagande om att studenter som har läst vid de olika lärosätena har samma inkomstutveckling kan ifrågasättas.

6.4.2. Aggregerade data och instrumentalvariabelskattning

Detta avsnitt berör skattning av lärosätespremie med aggregerade data. Aggregeringen löser två problem: dels problemet med att individer vid samma utbildning interagerar, dels problemet med att individernas förmåga inte är helt observerbar. Nedan ges en kort metodbeskrivning och mer detaljer kring modellantaganden och skattning finns i appendix D.

Vi antar följande:

1. Individens lön/inkomst efter avslutad utbildning bestäms av (i) vilket lärosäte han/hon studerat vid, (ii) vilken inriktning han/hon studerat och (iii) hans/hennes förmåga; 2. Individens förmåga bestäms av familjebakgrund men också av en icke observerbar faktor och 3. Förmågan kan mätas med gymnasiebetyg och familjebakgrund. Denna mätning sker med mätfel men i genomsnitt mäts förmågan korrekt.

Utifrån dessa tre antaganden är den genomsnittliga inkomsten/lönen för tidigare studenter med en viss inriktning vid ett lärosäte en funktion av (i) lärosäte, (ii) inriktning, (iii) genomsnittligt betyg och genomsnittlig familjebakgrund, men också av (iv) det genomsnittliga mätfelet för studenternas förmåga. Detta mätfel är icke observerbart och är per definition korrelerat med det genomsnittliga betyget. Detta innebär att den ”vanliga” skattningsmetoden ger felaktiga (eller skeva) skattningar av lärosätespremien.86 Under antagandet att mätfelen är oberoende mellan olika kohorter (födelsekullar) kan vi använda tidigare kohorters betyg som instrument (se faktaruta 1.1 Ordlista) för att få icke felaktiga (skeva) skattningar av lärosätespremien.87

Vi justerar för arbetsmarknadsläget genom att kontrollera för län där individerna arbetar.88 Exempelvis justeras lönen för dem

86 Med vanlig menas här ”minsta-kvadrat-metoden”. Denna metod är en beslutsregel (estimator) som innebär att man minimera de kvadratiska felen vid skattning av parametrar. Den betecknas oftast med OLS i litteraturen. 87 För inferens används justerade standardfel. Vi viktar också observationer med antal individer som har använts för att skatta medelvärdet. 88 Den justerade lönen är lönen i relation till den förväntade som skattats via individregressioner med en faktor för län där individen arbetar.

som arbetar i Stockholm med lönenivån i Stockholm, oavsett var individen har studerat. Skattningarna är gjorda separat för årslön och inkomst och urvalet av lärosäten har skett enligt följande: genomsnittsinkomst/ lön beräknas endast om (i) vi har minst fem individer för en inriktning vid ett visst lärosäte; (ii) vi har minst fem observationer (på aggregerad nivå) för ett lärosäte för varje utbildningsinriktning och (iii) lärosäten finns representerade med minst två, fyra eller sex olika utbildningsinriktningar.

Antalet lärosäten i urvalet är fler för årsinkomst än för årslön, eftersom lönedata delvis bygger på urvalsundersökningar, medan inkomstdata täcker hela den arbetsföra befolkningen. De aggregerade bakgrundsvariablerna som används är andel kvinnor, andel med invandrarbakgrund, genomsnittligt antal syskon och andel med olika nivåer av faderns och moderns utbildning.

Vi kan först konstatera att tidigare kohorts gymnasiebetyg fungerar väl som instrument för samtliga skattningar.89 Resultaten från skattningen med löner och inkomster fem år efter avslutad utbildning och för ingångslöner/-inkomster (dvs. löner och inkomster ett år efter examen) presenteras i tabell 6.1/6.2 (ett år efter examen) och i tabell 6.3/6.4 (fem år efter examen). I tabellerna presenteras lärosätespremien och om premien relativt Umeå universitet är statistiskt säkerställd på 1 (**) respektive 5 (*) procents risknivå (se faktaruta 1.1 Ordlista). I varje tabell presenteras resultat när vi begränsat lärosätet till att innehålla minst två, fyra eller sex olika utbildningsinriktningar. Detta innebär att vissa lärosäten endast finns representerade i sammanlagt två kolumner (en i tabellen för inkomster och en i tabellen för löner) medan andra större och äldre lärosäten finns med i samtliga kolumner. De mest tillförlitliga resultat finns i den fjärde kolumnen i samtliga fyra tabeller eftersom dessa jämförelser sker mellan lärosäten som har ett mer likartat utbud av utbildningar.

89 Detta innebär att tidigare kohorts genomsnittsbetyg är korrelerat med innevarande kohorts betyg. Vi behöver också göra ett antagande om att mätfelen är oberoende mellan kohorter och att funktionell form är korrekt. Det första antagandet är inte testbart.

Tabell 6.1 Skillnader mellan ingångslöner för studenter från olika högskolor jämfört med studenter från Umeå universitet

Antal utbildningsinriktningar per högskola

2 4 6

Luleå tekniska universitet

0,04

0,04

0,04

Uppsala universitet

0,07** 0,07** 0,07**

Högskolan i Gävle

0,02

0,01

0,01

Högskolan Dalarna

0

-0,01

-0,01

Mälardalens högskola

0,02

0,01

0,01

Örebro universitet

-0,01

-0,01

-0,01

Stockholms universitet

0,1** 0,1** 0,1**

Lärarhögskolan i Stockholm

0,04

Linköpings universitet

0,09** 0,09** 0,09**

Högskolan i Jönköping

0,04

0,03

Göteborgs universitet

0,07** 0,07** 0,07**

Chalmers tekniska högskola

0,16**

Karlstads universitet 0,01 0,01 0,01 Högskolan i Skövde 0,02 0,02 0,01 Högskolan i Borås 0,06* 0,05* 0,05 Lunds universitet 0,05* 0,06* 0,06* Högskolan i Halmstad 0,05 0,05 0,05 Högskolan i Kalmar 0,05 0,05 0,05 Växjö universitet 0,01 0,01 0,01 Högskolan Kristianstad 0,05 0,04 Kungl. Musikhögsk. i Stockholm -0,03 Sveriges lantbruksuniversitet 0,19** Blekinge tekniska högskola 0 -0,01 -0,02 Högskolan i Trollhättan/Uddevalla 0,05 0,05 Idrottshögskolan i Stockholm 0,09* Mitthögskolan -0,02 -0,03 -0,03 Södertörns högskola 0,03 Malmö högskola 0,11** 0,1** 0,1**

Bakgrundsvariabler

Humaniora och konst

0,06** 0,06** 0,07**

Samhällsvet., jur., handel, adm.

0,07** 0,07** 0,08**

Naturvet., matematik och data

-0,01

-0,01

0

Teknik och tillverkning

-0,13** -0,12** -0,11**

Hälso- och sjukvård, social oms.

0,1** 0,1** 0,11**

Tjänster 0,01 0,01 0,01 Kvinna/man 1/0 -0,27** -0,26** -0,26** Utl-/svenskfödd 1/0 0,44** 0,53** 0,55** Antal syskon 0,07* 0,07* 0,08* Faderns utb.nivå 2 1/0 0,33** 0,35** 0,38** Faderns utb.nivå 3 1/0 0,21** 0,22** 0,26** Faderns utb.nivå 4 1/0 0,62** 0,62** 0,66** Faderns utb.nivå 5 1/0 0,26** 0,29** 0,35** Faderns utb.nivå 6 1/0 0,22 0,33 0,36 Moderns utb.nivå 2 1/0 0,18 0,2 0,14 Moderns utb.nivå 3 1/0 0,3** 0,3** 0,26**

forts. Tabell 6.1 Skillnader mellan ingångslöner för studenter från olika högskolor jämfört med studenter från Umeå universitet

Antal utbildningsinriktningar per högskola

Bakgrundsvariabler

2 4 6

Moderns utb.nivå 4 1/0

0,59** 0,56** 0,48*

Moderns utb.nivå 5 1/0

0,5** 0,47** 0,44**

Moderns utb.nivå 6 1/0

1,06** 0,92*

0,9*

Konstant

13,08** 13,16** 13,22**

Betyg

-0,38** -0,41** -0,43**

Betyg(t-1) (från första steget)

0,48** 0,5** 0,49**

Anm: Skattning på aggregerade data. Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1991–2003. **/* betyder att värdet är

statistiskt säkerställt på 1/5 % nivån. Skillnaderna bygger på aggregerade löneregressioner; se kapitel 6 eller appendix D för detaljer kring skattningen.

Tabell 6.2 Skillnader mellan ingångsinkomster för studenter från olika högskolor jämfört med studenter från Umeå universitet

Antal utbildningsinriktningar per högskola

2 4 6

Luleå tekniska universitet

0,05

0,04

0,04

Uppsala universitet

0,04

0,06* 0,05*

Högskolan i Gävle

0,09* 0,08* 0,08*

Högskolan Dalarna

0,07

0,05

0,05

Mälardalens högskola

0,11** 0,09** 0,09**

Örebro universitet

0,06* 0,05* 0,05*

Stockholms universitet

0,13** 0,14** 0,14**

Lärarhögskolan i Stockholm

0,13**

Linköpings universitet

0,15** 0,16** 0,16**

Högskolan i Jönköping

0,12** 0,12**

Göteborgs universitet

0,07** 0,07** 0,07**

Chalmers tekniska högskola

0,15**

Karlstads universitet

0,07* 0,06* 0,06*

Högskolan i Skövde

0,1** 0,09** 0,09**

Högskolan i Borås

0,14** 0,13** 0,13**

Lunds universitet

0,04

0,05

0,05

Högskolan i Halmstad

0,08* 0,07* 0,07*

Högskolan i Kalmar

0,1** 0,1** 0,1**

Växjö universitet

0,07*

0,06

0,06

Högskolan Kristianstad

0,11** 0,1**

Kungl. Musikhögsk. i Stockholm

0,02

Sveriges lantbruksuniversitet

0,24**

Blekinge tekniska högskola

0,07*

0,06

0,06

Högskolan i Trollhättan/Uddevalla

0,15** 0,14** 0,14**

Idrottshögskolan i Stockholm

0,08

Mitthögskolan 0,05 0,04 0,04

forts. Tabell 6.2 Skillnader mellan ingångsinkomster för studenter från olika högskolor jämfört med studenter från Umeå universitet

Antal utbildningsinriktningar per högskola

2 4 6

Södertörns högskola

0,1*

0,08

Malmö högskola

0,13** 0,13** 0,13**

Kungl. Tekniska högskolan

0,17**

Konstfack

0,22**

Bakgrundsvariabler

Humaniora och konst

0,01

0,01

0,02

Samhällsvet., jur., handel, adm.

0,03

0,04

0,04

Naturvet., matematik och data

-0,07** -0,06* -0,06*

Teknik och tillverkning

-0,22** -0,22** -0,22**

Hälso- och sjukvård, social oms.

0,08** 0,09** 0,1**

Tjänster -0,03 -0,03 -0,02 Kvinna/man 1/0 -0,35** -0,35** -0,35** Utl-/svenskfödd 1/0 0,5** 0,54** 0,57** Antal syskon 0,14** 0,15** 0,17** Faderns utb.nivå 2 1/0 0,72** 0,76** 0,7** Faderns utb.nivå 3 1/0 0,24* 0,32** 0,28** Faderns utb.nivå 4 1/0 0,9** 1,05** 1,09** Faderns utb.nivå 5 1/0 0,36** 0,43** 0,4** Faderns utb.nivå 6 1/0 0,39 0,36 0,3 Moderns utb.nivå 2 1/0 0,42* 0,44* 0,46* Moderns utb.nivå 3 1/0 0,74** 0,71** 0,72** Moderns utb.nivå 4 1/0 1,39** 1,46** 1,37** Moderns utb.nivå 5 1/0 0,99** 0,95** 0,98** Moderns utb.nivå 6 1/0 1,63** 1,63** 1,8** Konstant 12** 12,15** 12,1** Betyg 0,29** 0,35** 0,35** Betyg(t-1) (från första steget) 0,48** 0,51** 0,51** Anm: Skattning på aggregerade data. Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1995–2003. **/* betyder att värdet är

statistiskt säkerställt på 1/5 % nivån. Skillnaderna bygger på aggregerade löneregressioner; se kapitel 6 eller appendix D för detaljer kring skattningen.

Tabell 6.3 Skillnader mellan löner 5 år efter examen för studenter från olika högskolor jämfört med studenter från Umeå universitet

Antal utbildningsinriktningar per högskola

2 4 6

Luleå tekniska universitet

0,05

0,05

Uppsala universitet

0,06

0,05

0,04

Högskolan i Gävle

0,04

0,05

Högskolan Dalarna

0,04

0,05

Mälardalens högskola

0,07 0,07* 0,09*

Örebro universitet

0,03

0,03

0,04

Stockholms universitet

0,1** 0,1** 0,09**

Linköpings universitet

0,08* 0,07* 0,06*

Högskolan i Jönköping

0,04

Göteborgs universitet

0,02

0,02

0,01

Karlstads universitet

0,01

0,01

Högskolan i Skövde

0,05

Högskolan i Borås

0,08* 0,09*

Lunds universitet

0,01

0,01

0

Högskolan i Halmstad

0,03

0,03

Högskolan i Kalmar

0,03

0,03

Växjö universitet

0,02

0,03

Högskolan Kristianstad

0,05

Blekinge tekniska högskola

0,03

Högskolan i Trollhättan/Uddevalla

0,07

0,07

Idrottshögskolan i Stockholm

0,05

Mitthögskolan

0,06 0,06* 0,08*

Bakgrundsvariabler

Humaniora och konst

0

0

-0,04

Samhällsvet., jur., handel, adm.

0,06

0,04

0

Naturvet., matematik och data

-0,02

-0,02

-0,05

Teknik och tillverkning

-0,14** -0,15** -0,17**

Hälso- och sjukvård, social oms.

0,05

0,05

0,02

Tjänster

0,07

0,07

0,07

Kvinna/man 1/0

-0,22** -0,24** -0,25**

Utl-/svenskfödd 1/0

0,1

0,13

0,08

Antal syskon

-0,01

0,01

0,1

Faderns utb.nivå 2 1/0

0,09

0,12

0,25

Faderns utb.nivå 3 1/0

0,09

0,1

0,22

Faderns utb.nivå 4 1/0

0,2

0,24

0,49

Faderns utb.nivå 5 1/0

0,24* 0,24* 0,51**

Faderns utb.nivå 6 1/0

0,48* 0,42* 0,64**

Moderns utb.nivå 2 1/0

0,04

0,02

-0,13

Moderns utb.nivå 3 1/0

0,06

0,09

0

Moderns utb.nivå 4 1/0

0,51* 0,59*

0,25

Moderns utb.nivå 5 1/0

0,23

0,24

0,09

Moderns utb.nivå 6 1/0

0,36

0,32

-0,01

Konstant

12,78** 12,58** 12,23**

Betyg

-0,11

-0,07

-0,04

Betyg(t-1) (från första steget)

0,4** 0,41** 0,36**

Anm: Skattning på aggregerade data. Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1995–2003. **/* betyder att värdet är

statistiskt säkerställt på 1/5 % nivån. Skillnaderna bygger på aggregerade löneregressioner; se kapitel 6 eller appendix D för detaljer kring skattningen.

Tabell 6.4 Skillnader mellan inkomster 5 år efter examen för studenter från olika högskolor jämfört med studenter från Umeå universitet

Antal utbildningsinriktningar per högskola

2 4 6

Luleå tekniska universitet

0,03

0,03

Uppsala universitet

0,03

0,04

0,03

Högskolan i Gävle

0,06

0,06

0,07

Högskolan Dalarna

0,07

0,07

0,08

Mälardalens högskola

0,09* 0,09* 0,09*

Örebro universitet

0,06

0,06

0,06

Stockholms universitet

0,1** 0,1** 0,1**

Linköpings universitet

0,07* 0,06*

0,05

Högskolan i Jönköping

0,06

Göteborgs universitet

0

0,01

0

Karlstads universitet

0,03

0,03

Högskolan i Skövde

0,07* 0,06*

Högskolan i Borås

0,1*

0,1*

Lunds universitet

-0,03

-0,02

-0,03

Högskolan i Halmstad

0,04

0,04

Högskolan i Kalmar

0,06

0,06

0,06

Växjö universitet

0,03

0,03

Högskolan Kristianstad

0,1*

Blekinge tekniska högskola

0,06

Högskolan i Trollhättan/Uddevalla

0,11** 0,11*

Idrottshögskolan i Stockholm

0,06

Mitthögskolan

0,08* 0,08* 0,09**

Chalmers tekniska högskola

0,02

Kungl. Musikhögsk. i Stockholm

0,11*

Bakgrundsvariabler

Humaniora och konst

-0,01

-0,01

-0,03

Samhällsvet., jur., handel, adm.

-0,01

-0,01

-0,05

Naturvet., matematik och data

-0,09** -0,08** -0,11**

Teknik och tillverkning

-0,24** -0,24** -0,29**

Hälso- och sjukvård, social oms.

0

0,01

-0,02

Tjänster

0

0,01

-0,01

Kvinna/man 1/0

-0,36** -0,37** -0,44**

Utl-/svenskfödd 1/0

0,42** 0,44** 0,48**

Antal syskon

0,02

0,04

0,06

Faderns utb.nivå 2 1/0

0,27

0,26

0,19

Faderns utb.nivå 3 1/0

0,19* 0,21*

0,21

Faderns utb.nivå 4 1/0

0,28

0,29

0,44

Faderns utb.nivå 5 1/0

0,2*

0,19

0,21

Faderns utb.nivå 6 1/0

0,57*

0,46

0,33

Moderns utb.nivå 2 1/0

0,15

0,12

0,29

Moderns utb.nivå 3 1/0

0,4** 0,38** 0,51**

Moderns utb.nivå 4 1/0

0,79** 0,85** 1,07**

Moderns utb.nivå 5 1/0

0,47** 0,46** 0,53*

Moderns utb.nivå 6 1/0

0,39

0,31

0,46

Konstant

11,71** 11,68** 11,33**

Betyg

0,1

0,1

0,17

Betyg(t-1) (från första steget)

0,42** 0,42** 0,41**

Anm: Skattning på aggregerade data. Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1995–2003. **/* betyder att värdet är

statistiskt säkerställt på 1/5 % nivån. Skillnaderna bygger på aggregerade löneregressioner; se kapitel 6 eller appendix D för detaljer kring skattningen.

En första generell kommentar kring resultaten är att det inte finns några lärosäten som har statistiskt säkerställt lägre löner än Umeå universitet. Skillnaderna i resultat mellan kolumnerna är också ganska små. Det är dock något större skillnader och också mer statistiskt säkerställda skillnader i löner och inkomster ett år efter avslutad utbildning än fem år efter avslutad utbildning (se t.ex. antal lärosäten 4 och 6 för inkomster: Umeå /Linköping (ca 16 procent mot ca 5 procent), Stockholm/Umeå (ca 14 procent mot ca 10 procent) och Göteborg/Umeå (ca 7 procent mot ca 0 procent)). Trots att vi kontrollerat för var de tidigare studenterna har studerat kan detta mönster potentiellt härröra från statistisk diskriminering eller olikheter i arbetsmarknadsläge. Individer som har studerat i Umeå har troligtvis en mer begränsad arbetsmarknad, vilket medför att de har haft svårare att skaffa ett välavlönat arbete direkt efter avslutad utbildning. Det finns dock vissa undantag från denna regel (se t.ex. antal lärosäten 4 och 6 för inkomster; Mälardalens högskola (ca 9 procent mot ca 9 procent) och Mitthögskolan (0 procent mot ca 9 procent)).

Utifrån relativa jämförelser med Umeå kan vi se att tidigare studerande från Mälardalens högskola har ca 5 procent (14–9) lägre årsinkomst jämfört med tidigare studerande från Stockholm ett år efter avslutad utbildning. Fem år efter avslutad utbildning har de dock samma inkomster (10–9) som de tidigare studenterna från Stockholms universitet. Det finns alltså initiala skillnader i inkomster för tidigare studenterna men de försvinner fem år efter avslutad utbildning, vilket tyder på 1) att det är små skillnader i genomsnittlig produktivitet; 2) att det förekommer statistik diskriminering och 3) att den lokala arbetsmarknaden är betydelsefull för inkomsten.

Resultaten för Mitthögskolan kontra Stockholms universitet, Mälardalens högskola och Umeå universitet är lite mer svårtolkade: Jämfört med tidigare studenter från de två förstnämnda lärosätena har tidigare studenter från Mitthögskolan signifikant lägre ingångslöner i genomsnitt (14–0 och 9–0). Fem år efter avslutad utbildning finns inga genomsnittliga skillnader i årsinkomster (10– 9 och 9–9), däremot har de i genomsnitt 9 procent högre årslöner än tidigare studerande från Umeå universitet. Detta resultat kan bero på statistisk diskriminering. Jämfört med Umeå universitet kan det också röra sig om statistisk diskriminering eller att utbildningskvaliteten är bättre vid Mitthögskolan än vid Umeå universitet. Arbetsgivaren verkar dock inte tro att kvaliteten vid dessa lärosäten är bättre och därför är det initialt ingen skillnad i

löner. En annan förklaring är att det rör sig om statistik diskriminering i kombination med en bättre lokal arbetsmarknad för de tidigare studerande från Mitthögskolan jämfört med den för tidigare studerande vid Umeå universitet. En annan observation är att det är något mindre skillnader mellan lönerna än mellan inkomsterna vilket stöder tesen att den lokala arbetsmarknaden spelar en ganska stor roll för skillnaderna.

När vi skattar separata regressioner för män och kvinnor kan vi se samma mönster som för hela populationen. Antalet statistiskt säkerställda skillnader minskar dock på grund av att antalet observationer minskar. För män kvarstår resultaten från hela populationen. De män som har studerat vid Stockholms universitet har fem år efter avslutad utbildning en högre inkomstpremie jämfört med män som studerat vid Umeå universitet. Möjligen finns också en inkomstpremie fem år efter avslutad utbildning av att ha studerat vid Örebro universitet och Mitthögskolan. För kvinnor kvarstår effekten på inkomster för Stockholms universitet och troligen också en inkomstpremie för studier vid Mitthögskolan.

6.5. Slutsatser

Det primära resultatet i detta kapitel är att betydelsen av valet av lärosäte för inkomster och löner är underordnat valet av utbildningsinriktning. Från våra skattningar tycker vi oss finna att den lokala arbetsmarknaden (arbetsmarknad nära lärosätet där studierna bedrivits) är den faktor som har störst inverkan på de skillnader i löner och inkomster som finns. Vi kan konstatera att det är en fördel rent inkomstmässigt att studera vid Stockholms universitet och Mälardalens högskola mot att studera vid många andra lärosäten. Gissningsvis beror inte denna premie på skillnader i kvalitet utan härrör mest troligt från den lokala arbetsmarknaden. Förklaringen till detta är troligtvis att mobiliteten efter avslutade studier i Sverige är ganska låg. Vi har inte funnit några studier om mobilitet efter avslutade studier och efterfrågar en belysning av detta.90 En låg mobilitet härrör troligtvis från att lönespridningen inom yrken är låg i Sverige, vilket skapar relativt små ekonomiska

90 En bra belysning av arbetsmarknadsmobilitet ges i SOU 2007:35 men där ges ingen speciell beskrivning av studenters flyttbeteende, d.v.s. hur individer väljer att flytta till en studieort eller hur de flyttar efter sina avklarade studier.

incitament för individerna att flytta från studieorten. Arbetslöshet skapar incitament att flytta men denna flyttbenägenhet motverkas av relativt sett höga ersättningsnivåer i arbetslöshetsförsäkringen91och små regionala skillnader i arbetslöshet. Eftersom priset för boende och transporter är lägre i t.ex. Umeå än i Stockolm är det i det närmaste förvånande att lönepremien inte är större för dem som studerar vi Stockholms universitet jämfört med studenter från Umeå universitet.92

Med den lönesättning som idag råder på arbetsmarknaden är det svårt att mäta skillnader i kvalitet via löner. Eventuella kvalitetsskillnader kan sannolikt lättare upptäckas via arbetslöshet och således inkomst än via löner. Det vore intressant att i framtiden mer aktivt tillhandahålla information om löner/inkomster från olika lärosäten så att studenter kan göra informerade beslut. För att ge framtida studenter ett så bra beslutsunderlag som möjligt bör informationen finnas tillgänglig för en så hög utbildningsnivå som möjligt. Detta innebär troligtvis att man måste presentera både livsinkomster och livslöner, dvs. resultat från regressionsmodeller där man parametriskt kontrollerar (se faktaruta 1.1 Ordlista) för ålderprofiler i inkomster och löner. Det är dock viktigt att påpeka att informationen inte kan tolkas som kvalitet av lärosäte. För att få en bättre uppfattning om kvalitet på utbildningar och lärosäten tror vi att det krävs en uppföljning via kunskapsprov efter avslutad utbildning.

91 Arbetsvillkoret minskar troligt problemet med minskad rörlighet p.g.a. arbetslöshetsförsäkringen. För detaljer i arbetslöshetsförsäkringen se Svensk författningssamling, Lag (1997:238) om arbetslöshetsförsäkring. 92 Lönepremien kan ses som en kompenserande variation för att bo i en storstad.

Appendix A Data

De data som används i bilagan täcker alla individer mellan 16 och 64 år under perioden 1990–2003 och finns i den s.k. IFAUdatabasen, som länkar ihop ett antal databaser från SCB. Mycket av de data vi använder kommer ursprungligen från databasen Louise, som är en longitudinell databas kring utbildning, inkomst och sysselsättning. Utöver Louise använder vi även kompletterande utbildningsdata, lönestrukturstatistik, flergenerationsregistret och sysselsättningsstatus från RAMS93.

Grunddata består år 2003 av ca 6,5 miljoner individer. Vissa av resultaten som redovisas i bilagan är beräknade för alla individer, medan en del individer faller bort vid beräkningen av andra resultat. Exempelvis finns utbildningsnivå att tillgå för alla individer, medan inkomster enbart finns för dem som har en registrerad inkomst. Vidare bygger lönedata på undersökningar i vilka täckningsgraden beror på anställningssektor; det rör sig om totalundersökningar i den offentliga sektorn och om urvalsundersökningar i den privata.

Vi använder svensk utbildningsnomenklatur (SUN) för klassificering av utbildning. SUN innehåller information om nivå (t.ex. grundskola och högskola) och inriktning (t.ex. humaniora och samhällsvetenskap). Både valen av utbildningsnivå och av inriktning är intressanta men de data över utbildningsinriktning på gymnasienivå som vi har tillgång till är tyvärr bristfälliga.94 I huvudsak beror detta på att alltför många av dem som har gymnasieutbildning som högsta utbildning enligt SUN hamnar i den allmänna inriktningsgruppen. Exempelvis anses naturinriktningen på gymnasiet enligt SUN vara så generell att den klassas som allmän inriktning, trots att det även existerar en

93 Registerbaserad arbetsmarknadsstatistik, SCB. 94 Observera att gymnasieprogrammen (efter 2000) och gymnasielinjerna (före 2000) inte motsvarar uppdelningen enligt SUN.

naturinriktning i SUN. När det gäller valet av inriktning behandlar vi därför enbart högskoleutbildning.

Appendix B Beräkning av måttet för social snedrekrytering

Nedan följer en beskrivning av hur ett specifikt värde i tabell 4.8 beräknas. Exempelvis är svenskfödda kvinnor med gymnasieutbildning och med föräldrar som i snitt har läst mindre än två år på högskolan i genomsnitt 6,24 gånger mer benägna att studera än kvinnor med motsvarande sociala bakgrund men där föräldrarna har mindre än nio år i förgymnasial utbildning. Denna siffra kommer från följande beräkning: Vi utgår från delpopulationen svenskfödda kvinnor som har läst vidare från gymnasiet till någon av nivåerna kort respektive lång högskoleutbildning och med föräldrar som i snitt har läst mindre än två år på högskolan i genomsnitt. Denna delpopulation innehåller 77 150 individer för perioden 1991–2003. Det totala antalet individer som har läst vidare från gymnasiet till någon av nivåerna kort respektive lång högskoleutbildning är 1 194 339. Som ett första steg beräknar vi delpopulationens andel, som är lika med 77 150/1 194 339 eller 6,46 procent. Nästa steg handlar om att relatera denna andel till andelen svenskfödda kvinnor med föräldrar som i snitt har läst mindre än två år på högskolan av hela befolkningen som har minst gymnasium som utbildningsnivå och högst högskoleutbildning längre än två år. Denna andel är 4,14 procent och delpopulationens utbildningsbenägenhet är alltså 6,46/4,14 eller 1,56. Delpopulationen är alltså överrepresenterad bland dem som läst vidare. Slutligen relaterar vi utbildningsbenägenheten (1,56) till utbildningsbenägenheten för motsvarande delpopulation där föräldrarnas utbildning är som lägst, alltså med delpopulationen svenskfödda kvinnor med föräldrar som har mindre än nio år i förgymnasial utbildning. Den sistnämnda gruppens utbildningsbenägenhet är 0,25 och vi har att 1,56/0,25 är 6,24, som är den redovisade siffran i Tabell 4.8.

Appendix C Beskrivning och skattning av modellen för val av utbildning

Nedan följer en kortfattad beskrivning av modellen. En mer detaljerad genomgång finns i Angelov, Dagsvik & Johansson (2008). Individ har grundutbildningen och enligt modellens grundspecifikation består valmängden av alla möjliga utbildningar som individen har att välja mellan. Valmängden definieras som

i

0

u

1 2

J

U u u … u

= , , ,

. Individens nytta vid en viss utbildning

j

är en

funktion av konsumtion . Vidare innehåller nyttofunktionen en utbildningsspecifik konstant och en individspecifik stokastisk del. Nyttofunktionen kan något förenklat skrivas som

C

( ) ( )

ij

i

j

U C j u C

α ε

, = + + % ,

där

j

är ett index över den valda utbildningen, är en

utbildningsspecifik konstant och

ij

ε

%

är en stokastisk del.

I samband med utbildningsvalet maximerar individen sin nytta

för varje alternativ utbildning . Detta leder till den

indirekta nyttofunktionen

(

U C k

, )

k

95

ik ik k ik

V Y

γ α ε

= + + ,

95 Här har vi uteslutit ett antal steg av teknisk natur.

J

för

1 2

k …

= , , ,

, där är individens diskonterade kvarvarande

livsinkomst (utöver existensminimum) givet utbildning och

ik

Y

k

γ

är

en parameter som mäter hur sannolikheten att välja en viss utbildning påverkas av en ändring i livsinkomst. Slutligen väljs den utbildning

j

som ger den högsta nyttan. För den valda utbildningen gäller att

1 2

max{ }

ij

i i iJ

V V V …

> , , ,V

.

Modellen är tänkt att skattas på data över individuella utbildningsval. I den empiriska specifikationen går det att lägga till några kontrollvariabler som inte ingår i men som ändå påverkar utbildningsvalet. Enligt standardresultat inom teorin om diskreta val (se t.ex. Wooldridge (2002)) resulterar våra antaganden i följande uttryck för sannolikheten att individ väljer utbildning

ij

V

i

j

:

1

exp

ij

ij

J

ik

k

G

P

G

=

=

,

∑

där

ij ij j j i

G Y

γ α β

= + + x

, är en vektor med kontrollvariabler

för individ och

i

x

i

j

β

är en parametervektor. Detta uttryck används

för att definiera en log-likelihood funktion och parametrarna

γ

och

k

α

kan sedan skattas med hjälp av maximum likelihood-

metoden. Valmodellen brukar kallas multinominell logit.

I denna bilaga är vi främst intresserade av parameterskattningen

$

γ

. Som redan nämnts ger den en uppskattning av förändringen av sannolikheten att välja en viss utbildning, givet en ändring i livsinkomsten. Det exakta uttrycket för den marginella effekten ges av

(1 )

ij ij ij ij

P Y P P

γ

∂ /∂ =

, givet att andra variabler konstanthålls.

Efter att parametrarna skattats kan dessa användas för att simulera hur förändringar i skatte- och studiebidragssystemet påverkar individers (predicerade) utbildningsval. För att göra detta måste vi

som forskare ha full kontroll på de skattade förväntade livsinkomsterna – policysimuleringar går ut på att ändra dessa livsinkomster och se hur de predicerade andelarna individer med olika typer av utbildning ändras.

ˆ

ij

Y

Svenska registerdata ger goda möjligheter att skatta individspecifika livsinkomster. Beteckna individ :s förväntade framtida årsinkomst givet utbildning

i

j

och vid åldern med

t

ijt

I

.

Inkomstprediktionerna för olika individer, , görs med hjälp av löneekvationer, dvs. regressioner av logaritmerad löneinkomst i vänsterledet och ett antal individspecifika kovariater i högerledet.

ijt

I$

96

Våra kovariater är:

  • ålder, ålder , ålder
  • man/kvinna 0/1
  • svensk-/utlandsfödd 0/1
  • då individen som gör utbildningsvalet är 19, där moderns inkomst är ett genomsnitt över de tre senaste årens inkomster
  • samma som ovan, men för fadern
  • ett index över föräldrarnas utbildningsnivå enligt första positionen i nivåmodulen enligt SUN 2000
  • ett antal variabler vars betydelse är av enbart teknisk natur

(se Angelov, Dagsvik & Johansson (2008) för en beskrivning)

Inkomstprediktionerna är gjorda på bruttoinkomster och omvandlas till nettotermer genom att använda det existerande skattesystemet i Sverige. Vi använder den genomsnittliga kommunala skattesatsen som var 31,6 procent under 2006 och den statliga skatten på 20 procent på inkomstprediktioner över 328 600 kr. Om valet görs då personen är år gammal och utbildningen tar

år att genomföra beräknas den diskonterade kvarvarande livsinkomsten i nettotermer som s

k

96 Se t.ex. Card (1999) för en genomgång av forskningen på detta område.

(1 )

T

ijt

ij

t s

t s k

I EM

Y

r

= +

K

= +

+

∑

,

(1)

där

EM

är existensminimum på årsbasis och den årliga

diskonteringsräntan är ,

r

K

är kostnader minus intäkter för att

utbilda sig och

T

är pensionsålder. Genom att sätta

T

lika med

pensionsåldern antar vi implicit att pensionen inte påverkas av utbildningsvalet. Detta är visserligen inte fallet i verkligheten, men i praktiken är antagandet oskyldigt på grund av att diskonteringsräntan är positiv. Vi sätter diskonteringsräntan till 2 procent. Existensminimum dras ifrån de predicerade livsinkomsterna eftersom vi är intresserade av inkomster utöver existensminimum. Existensminimum är summan av den så kallade riksnormen från Socialstyrelsen och genomsnittlig boendekostnad för ensamstående från Försäkringskassan. Konsumentprisindex (det breda KPI samt KPI för boende) används för att extrapolera för de år då riksnormen och boendekostnaderna inte finns tillgängliga.97

Svenska högskoleutbildningar är i de allra flesta fall avgiftsfria och därför finns endast två kostnadsposter att ta hänsyn till; utebliven lön under studietiden och studiemedel. Utebliven lön är medräknad i uttrycket för eftersom livsinkomsten beräknas från och med det datum då utbildningen är avslutad. När det gäller studiemedel består CSN-finansieringen av ett bidrag och en lånedel. Lånedelen är ett sätt att tidigarelägga konsumtion och om den ska räknas som en intäkt eller som en kostnad beror på skillnaden mellan låneräntan och individens tidspreferens för konsumtion. Bidragsdelen är en ren intäkt för individen, men den är inte betydande. Studiemedelssystemet brukar ofta betraktas som en nettointäkt för individen, men eftersom den är liten relativt livsinkomsten påverkar den inte skattningarna och vi sätter vi

vid estimeringen av modellen. Givet en viss skattning spelar

dock förändringar i

ij

Y

0

K =

K

roll, vilket vi utnyttjar vid

policysimuleringarna.

97 Vi har även estimerat modellen på ojusterade livsinkomster och kan konstatera att existensminimum är oväsentlig i sammanhanget.

Resultat från estimeringen av modellen finns i tabell 5.1. Vi inkluderar två typer av individspecifika bakgrundsvariabler: betyg samt moderns och faderns inkomster, med följande motivering. I den ursprungliga strukturella modellen antas att utbildningsvalet är fritt i betydelsen att varje individ med gymnasieutbildning kan välja (och klara av) valfri högre utbildning. I själva verket finns antagningsrestriktioner och en heterogenitet när det gäller individers förmågor att klara av högre studier som gör att valet inte är fritt. Att inkludera genomsnittliga gymnasiebetyg i skattningsekvationen kontrollerar för både antagningsrestriktioner (som ofta uttrycks i termer av gymnasiebetyg) och olika förmågor att klara av utbildningen. Föräldrarnas inkomster fungerar som ett slags generellt index för social bakgrund och bygger på inkomstgenomsnitt över de tre åren närmast innan individen fyller 19.98

Parameterskattningen av störst intresse,

ˆ

γ

, är positiv och

signifikant. En positiv förändring av livsinkomsten som en viss utbildning ger leder till högre sannolikhet att välja denna utbildning. För att få identifikation i modellen fungerar högskoleutbildning mindre än två år med inriktning mot pedagogik och lärarutbildning som en referensutbildning. Tolkningen för parametrarna som avser övriga utbildningar görs i relation till referensutbildningen.

Betygseffekterna är något krångligare att tolka än

γ

. Mer specifikt betyder en positiv parameter inte att sannolikheten för alternativet ökar vid en ökning i regressorn. Istället tolkas parameterskattningen relativt basalternativet. Till exempel kan det skattade -värdet på 0.31 för högskoleutbildning kortare än två år inom naturvetenskap, matematik och data, tolkas som att en ökning i gymnasiebetyget leder till ökad sannolikhet att välja naturinriktningen relativt sannolikheten att välja basalternativet pedagogik och lärarutbildning med samma längd. Alla parameterskattningar utom två är statistiskt säkerställda och av alla säkerställda är det endast en som är negativ medan resten är positiva. Den största förändringen av sannolikheten att välja en viss utbildning relativt basutbildningen gäller en lång lant- och skogsbruksutbildning. Generellt gäller att sannolikheterna att välja

98 Implicit antar vi att den "del" av utbildningsbeslutet som hänger ihop med på föräldrarnas inkomster tas strax efter det att individen har tagit gymnasieexamen.

utbildningar som är längre än två år ökar mer än sannolikheterna att välja kortare. Detta är ett väntat resultat eftersom högre betyg både påverkar möjligheten att bli antagen till en utbildning och möjligheten att klara av att läsa den, och båda effekterna borde vara starkare för högre utbildningar. Det kan vara svårare att förklara skillnaderna mellan utbildningar på samma nivå. Till exempel är parameterskattningen för lantbruk och djursjukvård 1,15, medan den för hälso- och sjukvård samt social omsorg är 0,81. Om respektive utbildning enbart innehöll läkarprogrammet och agronomprogrammet hade siffrorna inte varit intuitiva: Kraven på antagning till läkarstudier är högre och utbildningen tuffare än agronomprogrammet, vilket borde leda till ett högre skattat värde för hälso- och sjukvård. Men båda utbildningarna innehåller flera olika typer av program; till exempel veterinärprogrammet inom lantbruk och djursjukvård och sjuksköterskeprogrammet inom hälso- och sjukvård. Tyvärr tillåter inte våra data att vi gör en mer detaljerad analys genom att exempelvis inkludera andra siffran i SUN koden för inriktning. Mindre inriktningsgrupper skulle helt enkelt innehålla för få observationer för att skatta modellen.

Som redan nämnts ovan tolkar vi inte

j

α

-skattningarna här

utan nöjer oss med att konstatera att vi tillåter utbildningsspecifik nytta som inte har med inkomst att göra. Vi utför tre typer av simuleringar som har att göra med förändring av relativinkomsterna, förändring av studiebidragssystemet och förändring av skattesystemet. Policysimuleringarna görs i följande steg:

1. skatta modellen

2. använd parameterskattningarna och varje individs

kovariater (den predicerade livsinkomsten och de resterande variablerna) för att göra prediktioner av andelen individer med olika utbildningar

3. genomför förändringar i den predicerade livsinkomsten

och predicera andelen individer med olika utbildningar

4. jämför andelarna från de två sista stegen med varandra

Genomförandet av steg 3 beror på typen av simuleringar. Vi har följande typer:

  • procentuell förändring i relativlönerna för utbildning

j

görs genom att multiplicera den predicerade livsinkomsten för

j

med en faktor och hålla resten av utbildningarnas

livsinkomster konstanta

  • förändring av studiebidragssystemet simuleras som en höjning av den månatliga bidragsdelen med X kronor; beroende på utbildningens längd läggs den diskonterade summan av höjningen till den diskonterade livsinkomsten i ekvation (2) i stället för

K

  • förändring av skattesystemet görs genom att ändra skattesatsen och inkomsttröskeln för statlig skatt vid beräkningen av livsinkomster

Appendix D Skattning av modellen för val av utbildningsnivå

(För detaljer hänvisas till Cameron & Heckman (1998)). Anta att marginalavkastningen på utbildning ges av

(1)

i i

y

β

∗= +

x

i

u

,

där är en vektor med individspecifika variabler och är stokastisk. Då den latenta variabeln

i

x

i

u

i

y ∗

passerar ett antal okända

tröskelvärden väljer individen en allt högre utbildningsnivå. Vi skattar en ordnad logit-modell med följande sannolikheter att välja utbildningsnivå

j

:

0

{ (1)

i

P P y l

∗

= ≤ } ,

} ,

(2)

{ ( 1) ( )} för 1 2 1 och

j

i

P P l j y l j j … J

∗

=

  • < ≤ = , , , −

{ ( )

J

i

P P y l J

∗

= >

där är tröskelvärdena. Givet den funktionella formen i (1) och om följer den logistiska sannolikhetsfördelningen blir sannolikheterna

( )

l j

i

u

0

exp( (1) ) 1 exp( (1) )

i

i

l

P

l

β

β

= ,

+

  • x x

exp( ( ) ) exp( ( 1) )

för 1 2 1

1 exp( ( ) ) 1 exp( ( 1) )

i

i

j

i

i

l j l j

P j

l j l j

… J

β β

β β

  • −

=

  • = ,

+

  • +
  • −

x x

x x

, , −

och

exp( ( ) )

1

1 exp( ( ) )

i

J

i

l J

P

l J

β

β

= − .

+

  • x x

(3)

De marginella effekterna ges av

{ }

{ } { }

{ }

0

2

2

2

2

exp( (1) ) 1 exp( (1) )

exp( ( 1) ) exp( ( ) ) 1 exp( ( 1) ) 1 exp( ( ) )

för 1 1 och

exp( ( ) ) 1 exp( ( ) )

i

k

ik

i

j

i

i

k

ik

i

i

J

i

k

ik

i

P l x l

P l j l j x l j l j

j … J

P l J x l J

β

β

β

β β

β

β β

β

β

β

∂

= − ,

∂ +

⎛ ⎞ ∂

  • −

⎜ ⎟ =

⎜ ⎟ ∂ +

  • − +
  • ⎝ ⎠

= , , −

∂

= .

∂ +

  • x x x x x x x x

Ett positivt värde på

k

β

tolkas som att en ökning i variabeln leder

till en minskning av sannolikheten att ha gymnasium som högsta utbildning (

0

0

ik

P x ∂ ∂

<

) och en ökning av sannolikheten att skaffa

forskarutbildning (

0

J

ik

P x ∂ ∂

>

). Effekten för de två mellanliggande

utbildningarna beror på om differensen inom parentesen i uttrycket för

j

ik

P x ∂ ∂

,

1

j … J 1

= , , −

är positivt eller negativt. Av

uttrycken för de marginella effekterna framgår att tröskelvärdenas absoluta storlek och storlek i relation till varandra är avgörande för storleken på de marginella effekterna. Följande individspecifika variabler används vid skattningen:

  • kön: 0/1 om man/kvinna
  • invandrarbakgrund: 0/1 om svensk-/utlandsfödd
  • antal syskon registrerade via modern
  • genomsnittsbetyg från gymnasiet
  • faderns inkomst: ett genomsnitt över de senaste tre årens inkomst för fadern beräknad då individen är 19 år
  • moderns inkomst: se ovan
  • saknad inkomst för fadern under något av åren som ingår i genomsnittet: 0/1 om inte saknad/saknad
  • saknad inkomst för modern, se ovan
  • faderns ålder
  • moderns ålder
  • faderns utbildningsnivå 1–6 enligt första positionen i SUNkoden för utbildningsnivå och
  • moderns utbildningsnivå 1–6, se ovan
  • bildningsnivå 1–6, se ovan

Appendix E Tabeller

Tabell 4.2 Utbildningsnivå bland 30-talisterna

Procent

1990 1991 1992 1993 1994 1995 1996

Kvinnor

Förgymnasial utbildning kortare än 9 år

21,3 21,3 20,8 20,8 20,2 19,6 19

Förgymnasial utbildning 9 (10) år 2,6 2,6 2,5 2,5 4,2 4,2 4,2 Gymnasial utbildning 17,4 17,4 18,2 18,2 17,8 18,1 18,3 Eftergymnasial utbildning kortare än två år 0,5 0,5 0,5 0,5 0,5 0,5 0,6 Eftergymnasial utbildning två år eller längre 7,9 8 8 8 7,9 8,1 8,4 Forskarutbildning 0,1 0,1 0,1 0,1 0,1 0,2 0,2

Män

Förgymnasial utbildning kortare än 9 år

22,6 22,5 22,3 22,2 21,5 21,1 20,8

Förgymnasial utbildning 9 (10) år 1,5 1,5 1,4 1,4 2,2 2,3 2,3 Gymnasial utbildning 17,5 17,4 17,5 17,5 17 17,2 17,4 Eftergymnasial utbildning kortare än två år 0,8 0,8 0,8 0,9 0,8 0,9 0,9 Eftergymnasial utbildning två år eller längre 7,2 7,2 7,2 7,2 7 7,2 7,3 Forskarutbildning 0,6 0,6 0,6 0,7 0,6 0,7 0,7

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.2 Utbildningsnivå bland 30-talisterna

Procent

1997 1998 1999 2000 2001 2002 2003

Kvinnor

Förgymnasial utbildning kortare än 9 år

18,4 17,9 17,3 16,7 16,1 15,5 15

Förgymnasial utbildning 9 (10) år 4,3 4,4 4,4 4,4 4,4 4,4 4,4 Gymnasial utbildning 18,6 18,7 18,9 19,3 19,6 19,9 20,1 Eftergymnasial utbildning kortare än två år 0,6 0,6 0,6 0,6 0,6 0,7 0,7 Eftergymnasial utbildning två år eller längre 8,6 8,8 9,1 9,3 9,5 9,8 10 Forskarutbildning 0,2 0,2 0,2 0,2 0,2 0,2 0,2

Män

Förgymnasial utbildning kortare än 9 år

20,4 20 19,7 19 18,7 18,3 18,1

Förgymnasial utbildning 9 (10) år 2,4 2,4 2,5 2,5 2,5 2,6 2,7 Gymnasial utbildning 17,6 17,8 18 18,3 18,4 18,6 18,8 Eftergymnasial utbildning kortare än två år 0,9 1 1 1,1 1,1 1,1 1,1 Eftergymnasial utbildning två år eller längre 7,4 7,5 7,6 7,8 8 8 8,1 Forskarutbildning 0,7 0,7 0,8 0,8 0,8 0,8 0,8

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Tabell 4.3 Utbildningsnivå bland 40-talisterna

Procent

1990 1991 1992 1993 1994 1995 1996

Kvinnor

Förgymnasial utbildning kortare än 9 år

10 10 9,5 9,5 9,3 9,3 9,2

Förgymnasial utbildning 9 (10) år

4,2 4,2 3,9 3,8 5 5 5

Gymnasial utbildning 21,4 21,3 22 22 21,5 21,5 21,5 Eftergymnasial utbildning kortare än två år 0,9 0,9 0,9 1 1 1 1 Eftergymnasial utbildning två år eller längre 12,2 12,3 12,4 12,5 12,3 12,4 12,4 Forskarutbildning 0,2 0,2 0,2 0,2 0,2 0,2 0,2

Män

Förgymnasial utbildning kortare än 9 år

13,2 13,2 13,1 13,1 12,7 12,7 12,6

Förgymnasial utbildning 9 (10) år

3,7 3,7 3,6 3,6 4,4 4,4 4,4

Gymnasial utbildning

21,8 21,8 21,9 21,8 21,3 21,3 21,2

Eftergymnasial utbildning kortare än två år 1,8 1,9 1,9 1,9 1,8 1,9 1,9 Eftergymnasial utbildning två år eller längre 9,9 9,9 9,9 9,9 9,8 9,8 9,8 Forskarutbildning 0,7 0,7 0,7 0,7 0,7 0,7 0,7

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.3 Utbildningsnivå bland 40-talisterna

Procent

1997 1998 1999 2000 2001 2002 2003

Kvinnor

Förgymnasial utbildning kortare än 9 år

9,2 9,2 9,2 8,9 8,8 8,8 8,8

Förgymnasial utbildning 9 (10) år

5 5,2 5,2 4,9 4,9 4,8 4,8

Gymnasial utbildning 21,5 21,3 21,3 21,9 22 22 22,1 Eftergymnasial utbildning kortare än två år 1 1 1 1 1 1 1 Eftergymnasial utbildning två år eller längre 12,4 12,5 12,5 12,6 12,6 12,6 12,7 Forskarutbildning 0,2 0,2 0,2 0,3 0,3 0,3 0,3

Män

Förgymnasial utbildning kortare än 9 år

12,5 12,5 12,4 12 12 11,9 11,9

Förgymnasial utbildning 9 (10) år

4,5 4,5 4,5 4,3 4,3 4,3 4,3

Gymnasial utbildning

21,2 21,1 21,1 21,5 21,5 21,5 21,4

Eftergymnasial utbildning kortare än två år 1,9 1,9 1,9 2 2 2 2 Eftergymnasial utbildning två år eller längre 9,8 9,8 9,8 9,9 9,9 9,9 9,9 Forskarutbildning 0,8 0,8 0,8 0,8 0,8 0,8 0,8

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Tabell 4.4 Utbildningsnivå bland 50-talisterna

Procent

1990 1991 1992 1993 1994 1995 1996

Kvinnor

Förgymnasial utbildning kortare än 9 år

2,1 2,1 2 2 2,1 2,2 2,2

Förgymnasial utbildning 9 (10) år

8 7,9 7,4 7,3 7,3 7,2 7,2

Gymnasial utbildning 24,1 24 24,4 24,3 23,8 23,7 23,6 Eftergymnasial utbildning kortare än två år 1,3 1,3 1,4 1,5 1,5 1,5 1,6 Eftergymnasial utbildning två år eller längre 13,5 13,7 13,8 14 14,2 14,4 14,5 Forskarutbildning 0,1 0,1 0,1 0,1 0,2 0,2 0,2

Män

Förgymnasial utbildning kortare än 9 år

2,9 2,9 2,8 2,8 2,9 2,9 2,9

Förgymnasial utbildning 9 (10) år

10,1 10,1 9,9 9,9 9,9 9,8 9,8

Gymnasial utbildning

24,3 24,2 24,2 24,1 23,8 23,7 23,6

Eftergymnasial utbildning kortare än två år 3,7 3,8 3,8 3,9 3,8 3,9 3,9 Eftergymnasial utbildning två år eller längre 9,5 9,6 9,6 9,6 9,9 10 10 Forskarutbildning 0,4 0,5 0,5 0,5 0,6 0,6 0,6

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.4 Utbildningsnivå bland 50-talisterna

Procent

1997 1998 1999 2000 2001 2002 2003

Kvinnor

Förgymnasial utbildning kortare än 9 år

2,1 2,1 2,1 2 2 2 2

Förgymnasial utbildning 9 (10) år

7,2 7,3 7,3 6,3 6,2 6,1 6

Gymnasial utbildning 23,4 23,2 23 23,9 23,8 23,8 23,8 Eftergymnasial utbildning kortare än två år 1,7 1,7 1,7 1,6 1,6 1,7 1,7 Eftergymnasial utbildning två år eller längre 14,6 14,7 14,8 15,2 15,4 15,5 15,6 Forskarutbildning 0,2 0,2 0,2 0,3 0,3 0,3 0,3

Män

Förgymnasial utbildning kortare än 9 år

2,8 2,8 2,8 2,6 2,6 2,6 2,6

Förgymnasial utbildning 9 (10) år

9,9 9,9 9,9 9,1 9 9 8,9

Gymnasial utbildning 23,6 23,5 23,4 24,1 24,1 24 24 Eftergymnasial utbildning kortare än två år 3,9 4 4 3,9 3,9 3,9 3,9 Eftergymnasial utbildning två år eller längre 10 10 10,1 10,3 10,3 10,4 10,4 Forskarutbildning 0,6 0,7 0,7 0,7 0,7 0,7 0,8

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Tabell 4.5 Utbildningsnivå bland 60-talisterna

Procent

1990 1991 1992 1993 1994 1995 1996

Kvinnor

Förgymnasial utbildning kortare än 9 år

0,6 0,6 0,6 0,6 0,8 0,9 0,9

Förgymnasial utbildning 9 (10) år

6,9 6,8 6,4 6,3 6 6 5,9

Gymnasial utbildning 31,8 31 29,9 29,2 28,3 27,7 27,4 Eftergymnasial utbildning kortare än två år 2,2 2,2 3,2 3,4 3,2 3,3 3,3 Eftergymnasial utbildning två år eller längre 7,3 8,1 8,6 9,3 10,3 10,8 11,2 Forskarutbildning 0 0 0 0 0,1 0,1 0,1

Män

Förgymnasial utbildning kortare än 9 år

0,6 0,6 0,6 0,6 0,7 0,8 0,8

Förgymnasial utbildning 9 (10) år

8,3 8,3 8,1 8 7,8 7,7 7,6

Gymnasial utbildning

32,4 31,9 30,8 30,1 29,1 28,7 28,4

Eftergymnasial utbildning kortare än två år

5,4 5,4 6,1 6,3 6 6,2 6,1

Eftergymnasial utbildning två år eller längre 4,5 5 5,5 6,1 7,3 7,5 7,9 Forskarutbildning 0,1 0,1 0,1 0,1 0,2 0,3 0,3

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.5 Utbildningsnivå bland 60-talisterna

Procent

1997 1998 1999 2000 2001 2002 2003

Kvinnor

Förgymnasial utbildning kortare än 9 år

0,9 0,9 0,9 0,8 0,9 0,9 0,9

Förgymnasial utbildning 9 (10) år

6 6 6 4,6 4,4 4,3 4,1

Gymnasial utbildning

26,9 26,4 25,9 26,5 26,2 25,9 25,6

Eftergymnasial utbildning kortare än två år 3,4 3,5 3,6 3 3 3 3 Eftergymnasial utbildning två år eller längre 11,5 11,8 12,2 13,6 14,1 14,5 14,9 Forskarutbildning 0,2 0,2 0,2 0,3 0,3 0,3 0,4

Män

Förgymnasial utbildning kortare än 9 år

0,7 0,7 0,7 0,7 0,7 0,7 0,8

Förgymnasial utbildning 9 (10) år

7,8 7,8 7,8 6,6 6,5 6,4 6,3

Gymnasial utbildning 28,1 27,9 27,6 28,3 28,2 28 27,8 Eftergymnasial utbildning kortare än två år 6,1 6 6 5,2 5,1 5 5 Eftergymnasial utbildning två år eller längre 8,1 8,3 8,6 9,8 10 10,3 10,4 Forskarutbildning 0,4 0,4 0,5 0,6 0,7 0,7 0,7

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Tabell 4.6 Utbildningsnivå bland 70-talisterna

Procent

1990 1991 1992 1993 1994 1995 1996

Kvinnor

Förgymnasial utbildning kortare än 9 år

0,2 0,2 0,2 0,1 0,2 0,3 0,3

Förgymnasial utbildning 9 (10) år

28,7 25,3 22,2 19,5 17,9 17,6 13,8

Gymnasial utbildning

19,3 22,4 24,2 25,4 25,2 24,3 26,1

Eftergymnasial utbildning kortare än två år 0,4 0,6 1,8 2,8 3,7 4,5 5,7 Eftergymnasial utbildning två år eller längre 0,2 0,5 0,6 1,1 1,9 2,3 3,1 Forskarutbildning 0 0 0 0 0 0 0

Män

Förgymnasial utbildning kortare än 9 år

0,3 0,2 0,2 0,2 0,2 0,2 0,2

Förgymnasial utbildning 9 (10) år

29,6 26 23,1 20,4 18,6 18,7 14,9

Gymnasial utbildning

19,9 22,9 24,9 26,3 26,7 25,7 28,1

Eftergymnasial utbildning kortare än två år 1,2 1,7 2,5 3,6 4,1 5,1 6 Eftergymnasial utbildning två år eller längre 0,1 0,2 0,4 0,7 1,4 1,3 1,8 Forskarutbildning 0 0 0 0 0 0 0

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

forts. Tabell 4.6 Utbildningsnivå bland 70-talisterna

Procent

1997 1998 1999 2000 2001 2002 2003

Kvinnor

Förgymnasial utbildning kortare än 9 år

0,3 0,3 0,4 0,4 0,5 0,6 0,7

Förgymnasial utbildning 9 (10) år

10,4 6,7 6,2 4,6 4,3 4,1 3,8

Gymnasial utbildning 27,4 29 27,2 25,7 24,5 23,4 22,6 Eftergymnasial utbildning kortare än två år 6,9 7,8 8,8 5,1 4,5 4,1 3,7 Eftergymnasial utbildning två år eller längre 4 5,1 6,4 13,2 15,2 16,9 18,2 Forskarutbildning 0 0 0 0,1 0,1 0,2 0,2

Män

Förgymnasial utbildning kortare än 9 år

0,2 0,2 0,3 0,3 0,3 0,4 0,5

Förgymnasial utbildning 9 (10) år

11,6 8 7,5 6 5,7 5,5 5,3

Gymnasial utbildning

29,9 31,9 30,7 29,5 28,5 27,5 26,8

Eftergymnasial utbildning kortare än två år 7 7,8 8,5 5,2 4,8 4,3 4 Eftergymnasial utbildning två år eller längre 2,3 3 3,9 9,8 11,4 12,9 14 Forskarutbildning 0 0 0,1 0,1 0,2 0,2 0,3

Anm.: Varje kolumn summerar till 100. Källa: Egna beräkningar som bygger på IFAU-databasen.

Tabell 4.9 Snedrekrytering till Umeå universitet:

gruppandelar bland de som har läst på Umeå universitet relativt respektive gruppandelar bland alla som har skaffat högskoleutbildning

Basutbildning och social bakgrund Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

0,53 0,53 0,58 0,61 0,57 0,75

Gymnasieutbildning, man, utl. bakgrund

0,33 0,32 0,39 0,35 0,39 0,38

Gymnasieutbildning, kvinna, ej utl. bakgrund

0,61 0,67 0,75 0,76 0,63 0,67

Gymnasieutbildning, kvinna, utl. bakgrund

0,27 0,28 0,6 0,51 0,46 0,35

Högskoleutb, < 2 år, man, ej utl. bakgrund

1,32 1,34 1,32 1,33 1,12 1,15

Högskoleutb, < 2 år, man, utl. bakgrund

0,49 0,78 0,75 0,71 0,69 1,02

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

1,34 1,37 1,44 1,45 1,2 1,17

Högskoleutb, < 2 år, kvinna, utl. bakgrund

0,44 0,71 0,95 0,84 0,72 0,86

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

1,89 1,73 1,88 1,76 1,55 1,71

Högskoleutb, ≥ 2 år, man, utl. bakgrund

0,53 0,8 1,19 1,54 0,7 1,02

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

1,87 2,07 2,09 2,07 1,67 1,33

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

0,56 1,1 1,47 1,18 1,62 1,2

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Exempel: Ett tabellvärde på 1 betyder att gruppen varken är under- eller överrepresenterad bland dem

som har läst på Umeå universitet, jämfört med alla som har läst vidare. Ett värde som är högre än 1 betyder överrepresentation. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen (1991–2003).

Tabell 4.10 Snedrekrytering till Uppsala universitet:

gruppandelar bland de som har läst på Uppsala universitet relativt respektive gruppandelar bland alla som har skaffat högskoleutbildning

Basutbildning och social bakgrund Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

0,21 0,33 0,37 0,5 0,86 1,55

Gymnasieutbildning, man, utl. bakgrund

0,38 0,41 0,46 0,53 0,7 1,22

Gymnasieutbildning, kvinna, ej utl. bakgrund

0,31 0,35 0,42 0,57 0,89 1,55

Gymnasieutbildning, kvinna, utl. bakgrund

0,4 0,43 0,47 0,63 0,71 1,15

Högskoleutb, < 2 år, man, ej utl. bakgrund

0,76 0,96 1,03 1,18 1,84 3,13

Högskoleutb, < 2 år, man, utl. bakgrund

1,04 0,97 1,2 1,41 1,76 2,68

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

0,85 0,94 1,06 1,33 1,98 3,13

Högskoleutb, < 2 år, kvinna, utl. bakgrund

1,14 0,89 1,07 1,28 1,62 2,65

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

1,43 1,35 1,36 1,56 2,22 3,6

Högskoleutb, ≥ 2 år, man, utl. bakgrund

0,83 1,89 1,51 1,37 1,83 3,19

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

1,23 1,37 1,49 1,83 2,53 3,87

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

1,76 1,1 1,75 2,5 2,31 3,6

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Exempel: Ett tabellvärde på 1 betyder att gruppen varken är under- eller överrepresenterad bland dem

som har läst på Uppsala universitet, jämfört med alla som har läst vidare. Ett värde som är högre än 1 betyder överrepresentation. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen (1991–2003).

Tabell 4.11 Snedrekrytering till Stockholms universitet:

gruppandelar bland de som har läst på Stockholms universitet relativt respektive gruppandelar bland alla som har skaffat högskoleutbildning

Basutbildning och social bakgrund Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

0,27 0,34 0,45 0,66 0,95 1,15

Gymnasieutbildning, man, utl. bakgrund

0,59 0,48 0,58 0,93 1,09 1,15

Gymnasieutbildning, kvinna, ej utl. bakgrund

0,27 0,42 0,6 0,84 1,14 1,37

Gymnasieutbildning, kvinna, utl. bakgrund

0,62 0,77 0,91 1,08 1,31 1,32

Högskoleutb, < 2 år, man, ej utl. bakgrund

0,53 0,76 0,93 1,22 1,62 2,01

Högskoleutb, < 2 år, man, utl. bakgrund

1,13 1,16 1,16 1,6 1,96 1,76

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

0,65 0,86 1,08 1,5 1,95 2,51

Högskoleutb, < 2 år, kvinna, utl. bakgrund

1,5 1,44 1,53 2,03 2,23 2,06

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

0,61 0,66 0,81 1,05 1,32 1,7

Högskoleutb, ≥ 2 år, man, utl. bakgrund

0,65 1,14 1,38 1,92 1,96 1,73

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

0,49 0,76 0,85 1,16 1,48 1,96

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

1,59 0,92 1,33 1,32 1,56 2,19

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Exempel: Ett tabellvärde på 1 betyder att gruppen varken är under- eller överrepresenterad bland dem

som har läst på Stockholms universitet, jämfört med alla som har läst vidare. Ett värde som är högre än 1 betyder överrepresentation. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen (1991–2003).

Tabell 4.12 Snedrekrytering till Linköpings universitet:

gruppandelar bland de som har läst på Linköpings universitet relativt respektive gruppandelar bland alla som har skaffat högskoleutbildning

Basutbildning och social bakgrund Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

0,69 0,6 0,58 0,61 0,7 0,65

Gymnasieutbildning, man, utl. bakgrund

0,8 0,46 0,38 0,5 0,49 0,7

Gymnasieutbildning, kvinna, ej utl. bakgrund

0,62 0,49 0,51 0,54 0,58 0,55

Gymnasieutbildning, kvinna, utl. bakgrund

0,47 0,38 0,42 0,36 0,37 0,57

Högskoleutb, < 2 år, man, ej utl. bakgrund

1,53 1,45 1,52 1,55 1,66 1,29

Högskoleutb, < 2 år, man, utl. bakgrund

1,67 1,54 1,2 1,09 1,21 1,22

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

1,37 1,26 1,25 1,15 1,17 0,94

Högskoleutb, < 2 år, kvinna, utl. bakgrund

1,27 1,11 0,91 0,82 0,93 0,94

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

2,32 2,24 2,31 2,26 2,33 1,5

Högskoleutb, ≥ 2 år, man, utl. bakgrund

3,03 1,84 2,05 1,76 1,13 2,09

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

1,57 1,75 1,7 1,65 1,54 1,26

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

1,49 1,49 0,87 1,23 1,01 1,82

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Exempel: Ett tabellvärde på 1 betyder att gruppen varken är under- eller överrepresenterad bland dem

som har läst på Linköpings universitet, jämfört med alla som har läst vidare. Ett värde som är högre än 1 betyder överrepresentation. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen (1991–2003).

Tabell 4.13 Snedrekrytering till Göteborgs universitet:

gruppandelar bland de som har läst på Göteborgs universitet relativt respektive gruppandelar bland alla som har skaffat högskoleutbildning

Basutbildning och social bakgrund Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

0,58 0,56 0,52 0,59 0,76 0,97

Gymnasieutbildning, man, utl. bakgrund

0,49 0,34 0,66 0,68 0,83 0,81

Gymnasieutbildning, kvinna, ej utl. bakgrund

0,81 0,77 0,8 0,9 1,06 1,26

Gymnasieutbildning, kvinna, utl. bakgrund

0,89 0,79 0,82 0,9 1,16 1,11

Högskoleutb, < 2 år, man, ej utl. bakgrund

1,08 0,99 0,91 0,99 1,15 1,4

Högskoleutb, < 2 år, man, utl. bakgrund

1,07 0,94 1,13 1,06 1,12 1,41

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

1,24 1,21 1,27 1,33 1,48 1,71

Högskoleutb, < 2 år, kvinna, utl. bakgrund

1,46 1,21 1,25 1,43 1,73 1,58

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

1,55 1,28 1,04 1,2 1,19 1,37

Högskoleutb, ≥ 2 år, man, utl. bakgrund

1,69 1,11 1,01 0,9 1,26 1,16

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

1,72 1,52 1,43 1,48 1,7 1,98

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

0,58 0,56 0,52 0,59 0,76 0,97

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Exempel: Ett tabellvärde på 1 betyder att gruppen varken är under- eller överrepresenterad bland dem

som har läst på Göteborgs universitet, jämfört med alla som har läst vidare. Ett värde som är högre än 1 betyder överrepresentation. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen (1991–2003).

Tabell 4.14 Snedrekrytering till Lunds universitet: gruppandelar bland de som har läst på Lunds universitet relativt respektive gruppandelar bland alla som har skaffat högskoleutbildning

Basutbildning och social bakgrund

Föräldrarnas utbildningsnivå*

1 2 3 4 5 6

Gymnasieutbildning, man, ej utl. bakgrund

0,63 0,58 0,6 0,71 0,96 1,61

Gymnasieutbildning, man, utl. bakgrund

0,4 0,41 0,63 0,83 0,98 1,03

Gymnasieutbildning, kvinna, ej utl. bakgrund

0,44 0,48 0,55 0,71 0,97 1,61

Gymnasieutbildning, kvinna, utl. bakgrund

0,35 0,64 0,7 0,82 0,98 1,53

Högskoleutb, < 2 år, man, ej utl. bakgrund

1,34 1,08 1,09 1,15 1,43 2,2

Högskoleutb, < 2 år, man, utl. bakgrund

1,07 0,91 1,17 1,44 1,58 1,76

Högskoleutb, < 2 år, kvinna, ej utl. bakgrund

1,02 1,06 1,07 1,26 1,56 2,43

Högskoleutb, < 2 år, kvinna, utl. bakgrund

0,89 1 1,24 1,43 1,55 2,29

Högskoleutb, ≥ 2 år, man, ej utl. bakgrund

1,65 1,41 1,33 1,37 1,71 2,73

Högskoleutb, ≥ 2 år, man, utl. bakgrund

2,28 1 1,26 1,54 1,81 2,92

Högskoleutb, ≥ 2 år, kvinna, ej utl. bakgrund

1,06 0,97 0,93 1,08 1,44 2,26

Högskoleutb, ≥ 2 år, kvinna, utl. bakgrund

0,64 1,21 1,34 1,33 1,61 1,95

* Bygger på genomsnitt av moderns och faderns utbildningsnivåer. Anm.: Exempel: Ett tabellvärde på 1 betyder att gruppen varken är under- eller överrepresenterad bland dem

som har läst på Lunds universitet, jämfört med alla som har läst vidare. Ett värde som är högre än 1 betyder överrepresentation. 1: Förgymn. utb. < 9 år; 2: Förgymn. Utb. 9 (10) år; 3: Gymnasial utb.; 4: Högskoleutb. < 2 år; 5: Högskoleutb. ≥ 2 år; 6: Forskarutbildning.

Källa: Egna beräkningar som bygger på IFAU-databasen (1991–2003).

Tabell 4.17 Förvärvsarbetande i olika utbildningsgrupper som

andel av totalbefolkningen 16–64 år inom respektive grupp

Utbildningsgrupp 1990 1991 1992 1993 1994 1995 1996 Förgymn. utb. < 9 år; inr: Allmän utbildning 0,73 0,71 0,67 0,62 0,61 0,61 0,6 Förgymn. utb. 9 (10) år; inr: Allmän utbildning

0,64 0,59 0,52 0,46 0,49 0,48 0,47

Förgymnasial utbildning

0,69 0,65 0,59 0,53 0,54 0,53 0,52

Gymnasieutb.; inr: samtliga

0,86 0,83 0,78 0,71 0,72 0,73 0,73

Högskoleutb. < 2 år; inr: Pedagogik och lärarutbildning 0,88 0,86 0,7 0,53 0,44 0,42 0,47 Högskoleutb. < 2 år; inr: Humaniora och konst 0,77 0,75 0,58 0,46 0,44 0,44 0,44 Högskoleutb. < 2 år; inr: Samhällsvet,. juridik, handel, admin. 0,88 0,86 0,7 0,62 0,61 0,6 0,6 Högskoleutb. < 2 år; inr: Naturvetenskap, matematik och data 0,87 0,84 0,66 0,53 0,48 0,5 0,5 Högskoleutb. < 2 år; inr: Teknik och tillverkning 0,86 0,83 0,8 0,73 0,81 0,8 0,8 Högskoleutb. < 2 år; inr: Lant- och skogsbruk, djursjukvård 0,89 0,89 0,86 0,81 0,82 0,81 0,82 Högskoleutb. < 2 år; inr: Hälso- och sjukvård, soc. omsorg 0,73 0,73 0,42 0,38 0,37 0,23 0,27 Högskoleutb. < 2 år; inr: Tjänster 0,96 0,95 0,93 0,87 0,82 0,87 0,87 Högskoleutb. < 2 år; inr: Okänd 0,76 0,73 0,67 0,58 0,64 0,66 0,66 Alla högskoleutb. < 2 år 0,85 0,83 0,73 0,64 0,65 0,64 0,63 Högskoleutb. ≥ 2 år; inr: Pedagogik och lärarutbildning 0,95 0,94 0,94 0,91 0,89 0,89 0,9 Högskoleutb. ≥ 2 år; inr: Humaniora och konst 0,86 0,86 0,83 0,77 0,74 0,75 0,75 Högskoleutb. ≥ 2 år; inr: Samhällsvet,. juridik, handel, admin. 0,92 0,92 0,9 0,87 0,85 0,85 0,85 Högskoleutb. ≥ 2 år; inr: Naturvetenskap, matematik och data 0,9 0,9 0,88 0,85 0,76 0,78 0,8 Högskoleutb. ≥ 2 år; inr: Teknik och tillverkning 0,91 0,9 0,87 0,82 0,77 0,84 0,86 Högskoleutb. ≥ 2 år; inr: Lant- och skogsbruk, djursjukvård 0,89 0,91 0,89 0,84 0,82 0,83 0,84 Högskoleutb. ≥ 2 år; inr: Hälso- och sjukvård, soc. omsorg 0,93 0,93 0,92 0,9 0,89 0,89 0,89 Högskoleutb. ≥ 2 år; inr: Tjänster 0,93 0,93 0,92 0,88 0,88 0,87 0,88 Högskoleutb. ≥ 2 år; inr: Okänd 0,77 0,76 0,71 0,66 0,41 0,32 0,31 Alla högskoleutb. ≥ 2 år 0,92 0,92 0,91 0,87 0,85 0,86 0,86

forts. Tabell 4.17 Förvärvsarbetande i olika utbildnings grupper som andel av totalbefolkningen 16–64 år inom respektive grupp

Utbildningsgrupp 1990 1991 1992 1993 1994 1995 1996 Forskarutbildning; inr: Pedagogik och lärarutbildning 0,96 0,95 0,94 0,94 0,94 0,92 0,92 Forskarutbildning; inr: Humaniora och konst

0,92 0,92 0,91 0,87 0,84 0,84 0,84

Forskarutbildning; inr: Samhällsvet,. juridik, handel, admin.

0,93 0,93 0,93 0,89 0,86 0,87 0,88

Forskarutbildning; inr: Naturvetenskap, matematik och data

0,92 0,92 0,92 0,9 0,83 0,85 0,86

Forskarutbildning; inr: Teknik och tillverkning 0,93 0,93 0,92 0,9 0,92 0,93 0,93 Forskarutbildning; inr: Lant- och skogsbruk, djursjukvård 0,93 0,94 0,93 0,91 0,86 0,87 0,87 Forskarutbildning; inr: Hälso- och sjukvård, soc. omsorg 0,94 0,95 0,95 0,94 0,9 0,91 0,91 Forskarutbildning; inr: Tjänster -- -- -- -- -- -- -- Forskarutbildning; inr: Okänd 0,81 0,81 0,8 0,77 0,62 0,64 0,66 Alla forskarutbildningar 0,92 0,93 0,92 0,9 0,86 0,88 0,88

forts. Tabell 4.17 Förvärvsarbetande i olika utbildnings grupper som andel av totalbefolkningen 16–64 år inom respektive grupp

Utbildningsgrupp 1997 1998 1999 2000 2001 2002 2003 Förgymn. utb. < 9 år; inr: Allmän utbildning 0,59 0,59 0,58 0,59 0,59 0,59 0,57 Förgymn. utb. 9 (10) år; inr: Allmän utbildning

0,46 0,48 0,49 0,5 0,49 0,49 0,47

Förgymnasial utbildning

0,51 0,52 0,52 0,53 0,52 0,52 0,5

Gymnasieutb.; inr: samtliga 0,73 0,75 0,76 0,75 0,76 0,76 0,75 Högskoleutb. < 2 år; inr: Pedagogik och lärarutbildning

0,47 0,56 0,6 0,63 0,53 0,51 0,5

Högskoleutb. < 2 år; inr: Humaniora och konst

0,44 0,5 0,52 0,57 0,61 0,6 0,59

Högskoleutb. < 2 år; inr: Samhällsvet,. juridik, handel, admin.

0,6 0,64 0,65 0,7 0,72 0,7 0,69

Högskoleutb. < 2 år; inr: Naturvetenskap, matematik och data 0,51 0,54 0,54 0,56 0,68 0,67 0,66 Högskoleutb. < 2 år; inr: Teknik och tillverkning 0,8 0,82 0,82 0,85 0,81 0,81 0,81 Högskoleutb. < 2 år; inr: Lant- och skogsbruk, djursjukvård 0,79 0,81 0,6 0,66 0,61 0,63 0,64 Högskoleutb. < 2 år; inr: Hälso- och sjukvård, soc. omsorg 0,28 0,35 0,38 0,42 0,49 0,47 0,45 Högskoleutb. < 2 år; inr: Tjänster 0,85 0,85 0,85 0,64 0,66 0,66 0,64 Högskoleutb. < 2 år; inr: Okänd 0,67 0,7 0,71 0,64 0,63 0,62 0,62 Alla högskoleutb. < 2 år 0,62 0,65 0,66 0,71 0,71 0,7 0,69 Högskoleutb. ≥ 2 år; inr: Pedagogik och lärarutbildning 0,89 0,89 0,89 0,88 0,87 0,87 0,86 Högskoleutb. ≥ 2 år; inr: Humaniora och konst 0,74 0,76 0,75 0,67 0,7 0,69 0,68 Högskoleutb. ≥ 2 år; inr: Samhällsvet,. juridik, handel, admin. 0,85 0,86 0,86 0,81 0,82 0,8 0,79 Högskoleutb. ≥ 2 år; inr: Naturvetenskap, matematik och data 0,8 0,82 0,82 0,71 0,76 0,74 0,73 Högskoleutb. ≥ 2 år; inr: Teknik och tillverkning 0,87 0,89 0,89 0,84 0,82 0,8 0,79 Högskoleutb. ≥ 2 år; inr: Lant- och skogsbruk, djursjukvård 0,84 0,85 0,85 0,84 0,83 0,82 0,82 Högskoleutb. ≥ 2 år; inr: Hälso- och sjukvård, soc. omsorg 0,88 0,89 0,89 0,87 0,88 0,88 0,87 Högskoleutb. ≥ 2 år; inr: Tjänster 0,87 0,87 0,86 0,85 0,84 0,85 0,84 Högskoleutb. ≥ 2 år; inr: Okänd 0,32 0,36 0,42 0,49 0,51 0,54 0,55 Alla högskoleutb. ≥ 2 år 0,85 0,86 0,87 0,83 0,83 0,82 0,82

forts. Tabell 4.17 Förvärvsarbetande i olika utbildnings grupper som andel av totalbefolkningen 16–64 år inom respektive grupp

Utbildningsgrupp 1997 1998 1999 2000 2001 2002 2003 Forskarutbildning; inr: Pedagogik och lärarutbildning 0,91 0,92 0,92 0,82 0,8 0,81 0,83 Forskarutbildning; inr: Humaniora och konst

0,84 0,84 0,83 0,83 0,83 0,83 0,84

Forskarutbildning; inr: Samhällsvet,. juridik, handel, admin.

0,88 0,88 0,89 0,85 0,84 0,83 0,84

Forskarutbildning; inr: Naturvetenskap, matematik och data

0,87 0,88 0,86 0,85 0,85 0,85 0,84

Forskarutbildning; inr: Teknik och tillverkning 0,93 0,94 0,94 0,91 0,9 0,9 0,89 Forskarutbildning; inr: Lant- och skogsbruk, djursjukvård 0,87 0,88 0,89 0,87 0,87 0,87 0,87 Forskarutbildning; inr: Hälso- och sjukvård, soc. omsorg 0,91 0,92 0,92 0,91 0,91 0,91 0,9 Forskarutbildning; inr: Tjänster -- -- -- 0,86 0,86 0,84 0,81 Forskarutbildning; inr: Okänd 0,67 0,63 0,6 0,63 0,65 0,64 0,62 Alla forskarutbildningar 0,89 0,89 0,89 0,87 0,87 0,87 0,86 Källa: Egna beräkningar som bygger på IFAU-databasen.

Tabell 5.1 Val av utbildningsnivå och –inriktning

Parameterskattning Standardfel T-värde

γ ∂ P(ij)/∂ Y(ij)=γ

P(ij)(1 -

P(ij))

0,58 0,02 [28,5]

Utbildningsspecifika konstanter

Högskoleutb < 2 år, Pedagogik och lärarutbildning

0

Högskoleutb. < 2 år, Humaniora och konst -1,12 0,23 [-4,88] Högskoleutb. < 2 år, Samhällsvetenskap, juridik, handel, adm. -0,8 0,21 [-3,82] Högskoleutb. < 2 år, Naturvetenskap, matematik och data -2,23 0,26 [-8,63] Högskoleutb. < 2 år, Teknik och tillverkning 1,19 0,21 [5,69] Högskoleutb. < 2 år, Hälso- och sjukvård samt social omsorg -0,05 0,27 [-0,2] Högskoleutb. < 2 år, Tjänster -2,74 0,53 [-5,19] Högskoleutb. ≥ 2 år, Pedagogik och lärarutbildning -0,52 0,19 [-2,72] Högskoleutb. ≥ 2 år, Humaniora och konst -2,52 0,2 [-12,33] Högskoleutb. ≥ 2 år, Samhällsvetenskap, juridik, handel, adm. -3,76 0,19 [-19,5] Högskoleutb. ≥ 2 år, Naturvetenskap, matematik och data -3,05 0,2 [-14,92] Högskoleutb. ≥ 2 år, Teknik och tillverkning -4,49 0,2 [-22,88] Högskoleutb. ≥ 2 år, Lant- och skogsbruk samt djursjukvård -7 0,33 [-21,35] Högskoleutb. ≥ 2 år, Hälso- och sjukvård samt social omsorg -2,54 0,19 [-13,15] Högskoleutb. ≥ 2 år, Tjänster -2,41 0,24 [-10,06]

Betyg Högskoleutb. < 2 år, Pedagogik och lärarutbildning

0

Högskoleutb. < 2 år, Humaniora och konst

0,29 0,04 [6,78]

Högskoleutb. < 2 år, Samhällsvetenskap, juridik, handel, adm.

0,23 0,04 [5,68]

Högskoleutb. < 2 år, Naturvetenskap, matematik och data

0,31 0,05 [6,41]

Högskoleutb. < 2 år, Teknik och tillverkning -0,11 0,04 [-2,78] Högskoleutb. < 2 år, Hälso- och sjukvård samt social omsorg 0,03 0,05 [0,54]

forts. Tabell 5.1 Val av utbildningsnivå och –inriktning

Parameterskattning Standardfel T-värde

γ ∂ P(ij)/∂ Y(ij)=γ

P(ij)(1 - P(ij)) 0,58

0,02 [28,5]

Högskoleutb. < 2 år, Tjänster

0,1 0,1 [1,03]

Högskoleutb. ≥ 2 år, Pedagogik och lärarutbildning

0,55 0,04 [15,07]

Högskoleutb. ≥ 2 år, Humaniora och konst

0,65 0,04 [16,89]

Högskoleutb. ≥ 2 år, Samhällsvetenskap, juridik, handel, adm.

0,94 0,04 [26,06]

Högskoleutb. ≥ 2 år, Naturvetenskap, matematik och data

0,66 0,04 [17,29]

Högskoleutb. ≥ 2 år, Teknik och tillverkning

1,03 0,04 [28,18]

Högskoleutb. ≥ 2 år, Lant- och skogsbruk samt djursjukvård

1,15 0,06 [20,03]

Högskoleutb. ≥ 2 år, Hälso- och sjukvård samt social omsorg

0,81 0,04 [22,13]

Högskoleutb. ≥ 2 år, Tjänster

0,36 0,04 [8]

Faderns inkomst

Högskoleutb. < 2 år, Pedagogik och lärarutbildning

Högskoleutb. < 2 år, Humaniora och konst

0,15 0,04 [3,71]

Högskoleutb. < 2 år, Samhällsvetenskap, juridik, handel, adm.

0,19 0,04 [5,28]

Högskoleutb. < 2 år, Naturvetenskap, matematik och data

0,18 0,04 [4,18]

Högskoleutb. < 2 år, Teknik och tillverkning

0,18 0,04 [4,94]

Högskoleutb. < 2 år, Hälso- och sjukvård samt social omsorg

-0,03 0,05 [-0,58]

Högskoleutb. < 2 år, Tjänster

0,08 0,09 [0,93]

Högskoleutb. ≥ 2 år, Pedagogik och lärarutbildning

0,16 0,03 [4,81]

Högskoleutb. ≥ 2 år, Humaniora och konst

0,22 0,04 [6,31]

Högskoleutb. ≥ 2 år, Samhällsvetenskap, juridik, handel, adm.

0,32 0,03 [9,7]

Högskoleutb. ≥ 2 år, Naturvetenskap, matematik och data

0,23 0,04 [6,69]

Högskoleutb. ≥ 2 år, Teknik och tillverkning

0,3 0,03 [8,89]

Högskoleutb. ≥ 2 år, Lant- och skogsbruk samt djursjukvård

0,07 0,05 [1,27]

Högskoleutb. ≥ 2 år, Hälso- och sjukvård samt social omsorg

0,19 0,03 [5,54]

Högskoleutb. ≥ 2 år, Tjänster

0,21 0,04 [5,32]

forts. Tabell 5.1 Val av utbildningsnivå och –inriktning

Parameterskattning Standardfel T-värde

γ ∂ P(ij)/∂ Y(ij)=γ

P(ij)(1 - P(ij)) 0,58

0,02 [28,5]

Moderns inkomst

Högskoleutb. < 2 år, Pedagogik och lärarutbildning

0

Högskoleutb. < 2 år, Humaniora och konst

-0,05 0,07 [-0,72]

Högskoleutb. < 2 år, Samhällsvetenskap, juridik, handel, adm.

0,03 0,06 [0,43]

Högskoleutb. < 2 år, Naturvetenskap, matematik och data

-0,1 0,07 [-1,35]

Högskoleutb. < 2 år, Teknik och tillverkning

-0,26 0,06 [-4,28]

Högskoleutb. < 2 år, Hälso- och sjukvård samt social omsorg -0,14 0,08 [-1,78] Högskoleutb. < 2 år, Tjänster -0,2 0,16 [-1,28] Högskoleutb. ≥ 2 år, Pedagogik och lärarutbildning -0,05 0,06 [-0,83] Högskoleutb. ≥ 2 år, Humaniora och konst

0,17 0,06 [2,91]

Högskoleutb. ≥ 2 år, Samhällsvetenskap, juridik, handel, adm.

0,12 0,05 [2,21]

Högskoleutb. ≥ 2 år, Naturvetenskap, matematik och data

0,11 0,06 [1,89]

Högskoleutb. ≥ 2 år, Teknik och tillverkning

0,04 0,06 [0,69]

Högskoleutb. ≥ 2 år, Lant- och skogsbruk samt djursjukvård

-0,15 0,09 [-1,72]

Högskoleutb. ≥ 2 år, Hälso- och sjukvård samt social omsorg

0,01 0,06 [0,13]

Högskoleutb. ≥ 2 år, Tjänster

0,11 0,07 [1,67]

Anm.: Modellen beskrivs i detalj i appendix B. Källa: Egna beräkningar som bygger på IFAU-databasen under perioden 1992–2003.

Appendix F Diagram

Diagram 6.1A Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

St oc kh ol m s uni v. *

Up ps al a uni v. *@

Kar ls ta ds un iv . *@

Väx jö uni v. *

Gö te bo rgs un iv . *

Hö gs k. D al ar na *

Li nk öpi ngs un iv . *

M al m ö hö gs k. *

Lär ar hö gs k. i St oc kh ol m *

Idr ot ts hö gs k. i St oc kh ol m

Hö gs k. i Bo rås

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, pedagogik och lärarutbildning.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.1B Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Jö nk öp in g

Hö gs k. K ris tia ns ta d

Hö gs k. i Gä vl e *

Hö gs k. i Ka lm ar

M itt hö gs k. *

Lu le å te kn is ka u ni v. * @

Ör eb ro u ni v. @

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla *

Lu nd s un iv . * @

Hö gs k. i Ha lm st ad * @

M äl ar da le ns h ög sk . * @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, pedagogik och lärarutbildning.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.2 Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Sk öv de *

Ka rls ta ds u ni v.

M äl ar da le ns h ög sk . *

Li nk öp in gs u ni v.

Up ps al a un iv .

Lu nd s un iv. *

Gö te bo rg s un iv .

St oc kh ol m s un iv. @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, humaniora och konst. Mörka/ljusa staplar

är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.3A Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Bl ek in ge te kn is ka h ög sk . * @

Hö gs k. i Bo rå s *@

HH S *@

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla * @

Hö gs k. i Jö nk öp in g *@

Hö gs k. i Gä vl e *

M äl ar da le ns h ög sk . *

Hö gs k. K ris tia ns ta d

Lu le å te kn is ka u ni v.

Hö gs k. i Sk öv de

Hö gs k. i Ka lm ar

Vä xjö u ni v. *

Ojust.

Just.

Diagram 6.3B Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Li nköpin gs un iv. *

Ör eb ro u niv. *

Karls ta ds un iv . *

M itt högsk. *

Gö te bo rgs uni v. *

Hö gsk. Dal ar na

Högsk. i H alm st ad

Uppsala u ni v. @

St ockhol ms uni v.

*@

Lu nds u ni v. @

M alm ö högsk.

Sö de rtörns högsk.

@

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, samhällsvet., juridik, handel, adm.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.4A Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Ka lm ar

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla *

Li nk öp in gs u ni v. *

Sv er ig es la nt br uk su ni v.

Gö te bo rg s un iv .

Up ps al a un iv . @

Lu le å te kn is ka u ni v.

St oc kh ol m s un iv . @

Lu nd s un iv . * @

Ojust.

Just.

Diagram 6.4B Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Ka lm ar

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla *

Li nk öp in gs u ni v. *

Sv er ig es la nt br uk su ni v.

Gö te bo rg s un iv .

Up ps al a un iv . @

Lu le å te kn is ka u ni v.

St oc kh ol m s un iv . @

Lu nd s un iv . * @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, naturvet., matematik och data.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.5A Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla * @

Hö gs k. K ris tia ns ta d

Lu le å te kn is ka u ni v. * @

Hö gs k. i Sk öv de *

Hö gs k. i Gä vl e *

Sv er ig es la nt br uk su ni v.

Ör eb ro u ni v.

Li nk öp in gs u ni v. *

Hö gs k. i Jö nk öp in g

KT H *

Bl ek in ge te kn is ka h ög sk .

M al m ö hö gs k.

Ojust.

Just.

Diagram 6.5B Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Vä xjö u ni v.

Hö gs k. i Ka lm ar

M itt hö gs k.

Kar ls ta ds u ni v.

M äl ar dal ens h ög sk .

Hö gs k. i Bo rå s

Lu nd s un iv .

Hö gs k. i Ha lm st ad

Hö gs k. D al ar na

Ch al m er s te kn is ka hö gs k. *

Up ps al a un iv . @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, teknik och tillverkning. Mörka/ljusa staplar

är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.6A Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. D al ar na * @

Vå rd hö gs k. F al un @

M al m ö hö gs k. @

Vå rd hö gs k. i Vä st er ås *

Hä ls oh ög sk . V äs t i V än er sb or g

Hö gs k. i Gä vl e *@

Hö gs k. K ris tia ns ta d

Vå rd hö gs k. i Bo rå s

Vå rd hö gs k. i M al m ö *

Ka ro lin sk a in st . *

Hä ls oh ög sk . i U m eå *

Ojust.

Just.

Diagram 6.6B Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Vä xjö u ni v. *

Hä ls ou ni v. et i ös te rg öt la nd *

M äl ar da le ns h ög sk .

Li nk öp in gs u ni v. *

Up ps al a un iv . *

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla

Vå rd hö gs k. K ris tia ns ta d *

Hä ls oh ög sk . V äs t, Sk öv de *

Ör eb ro u ni v.

Hö gs k. i Ha lm st ad

M itt hö gs k.

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb

≥

2 år, hälso- och sjukvård, soc. omsorg.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.6C Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Ka rls ta ds u ni v. *

Gö te bo rg s un iv .

Vå rd hö gs k. i Vä xjö

Hö gs k. i Sk öv de *

Vår dh ögs k. i Up ps al a *

Lu nd s uni v. @

Hä ls oh ög sk . i St oc kh ol m *

Vå rd hö gs k. L un d/ He ls in gb or g *

Hä ls oh ög sk . i Jö nk öp in g *@

Hö gs k. i Bo rå s

Hä ls oh ögs k. i Vä rm lan d

Ojust.

Just.

Diagram 6.6D Inkomstskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Jö nk öpi ng *@

Vå rd hö gs k. B od en *

So ph ia he m m et H ög sk .

Hö gs k. i Ka lm ar

Vå rd hö gs k. i Gö te bo rg * @

Vå rd hö gs k. G äv le *

Bl ek in ge te kn is ka hö gs k.

St oc kho lm s un iv . * @

Rö da ko rs et s hö gs k.

Vå rd hö gs k. i ör eb ro *

Lu le å te kni sk a un iv . @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb

≥

2 år, hälso- och sjukvård, soc. omsorg.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.7A Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

St oc kho lm s un iv . *

Upp sa la u ni v. *

Vä xjö u ni v. @

Hö gs k. D al ar na @

Ka rls ta ds u ni v. * @

Lu nd s un iv . *@

Li nk öp in gs un iv . @

M al m ö hö gs k. * @

Hö gs k. i Ha lm st ad * @

Ör eb ro u ni v. * @

Ojust.

Just.

Diagram 6.7B Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Gö te bo rgs un iv . *@

Lär ar hö gs k. i St oc kh ol m *@

M äl ar da le ns h ög sk . * @

Lul eå te kni sk a uni v. *@

Hö gs k. i Ka lm ar * @

M itt hö gs k. *@

Hö gs k. i Jö nk öp in g *@

Hö gs k. Kr is tia ns tad * @

Hö gs k. i Gäv le * @

Hö gs k. i Bo rå s *@

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb

≥

2 år, pedagogik och lärarutbildning. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.8 Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Up ps al a un iv . *

Gö te bo rg s un iv . *

Lu nd s un iv .

St oc kh ol m s un iv . * @

Li nk öp in gs u ni v. *

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, humaniora och konst . Mörka/ljusa staplar är

beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.9A Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

HH S *@

Gö te bo rg s un iv . * @

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla *

Li nk öp in gs u ni v. *

Vä xjö u ni v. *

Hö gs k. i Jö nk öp in g *

Ka rls ta ds u ni v.

Up ps al a un iv . *

M itt hö gs k.

Ör eb ro u ni v.

Lu nd s un iv .

Ojust.

Just.

Diagram 6.9B Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Bl ek in ge te kn is ka h ög sk .

M äl ar da le ns h ög sk . *

Lu le å te kn is ka u ni v.

Hö gs k. i Bo rå s

St oc kh ol m s un iv . * @

Hö gs k. K ris tia ns ta d *

Hö gs k. i Ha lm st ad @

Hö gs k. i Gä vl e @

Hö gs k. i Sk öv de

Sö de rtö rn s hö gs k. * @

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, samhällsvet., juridik, handel, adm.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.10A Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Ör eb ro u ni v. * @

Hö gs k. i Bo rå s *

M äl ar dal en s hö gs k. *

Vä xjö u ni v. *

Upp sa la un iv . *

Lu nd s un iv . *

Ka rls ta ds u ni v. *

Ojust.

Just.

Diagram 6.10B Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Li nk öp in gs u ni v. *

M itt hö gs k. *

Gö te bo rg s un iv . *

Hö gs k. i Ka lm ar

St oc kh ol m s un iv . * @

Bl ek in ge te kn is ka h ög sk . *

Sv er ig es la nt br uk su ni v.

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb

≥

2 år, naturvet., matematik och data . Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.11A Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Lu le å te kn is ka u ni v. * @

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla * @

Lu nd s un iv . @

Li nk öp in gs u ni v. * @

Bl ek in ge te kn is ka h ög sk . *

Hö gs k. i Ha lm st ad *

KT H *

Ch al m er s te kn is ka h ög sk .

Hö gs k. i Ka lm ar

M itt hö gs k. @

Hö gs k. i Gä vl e @

M äl ar da le ns h ög sk . @

Ojust.

Just.

Diagram 6.11B Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

M al m ö hö gs k.

Hö gs k. i Sk öv de *

Up ps al a un iv . @

Väx jö u ni v. *

Kar ls tad s un iv . @

Hö gs k. i Bo rå s *@

Hö gs k. D al ar na * @

St oc kh ol m s un iv . *

Ör eb ro u ni v. @

Hö gs k. i Jö nk öp in g @

Hö gs k. K ris tia ns tad * @

Sv er ige s la nt br uk su ni v. @

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb

≥

2 år, teknik och tillverkning. Mörka/ljusa staplar är

beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.12A Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Vå rd hög sk . K rist ia ns ta d *

Rö da k or se ts h ög sk . *

Vå rd hög sk . G ävl e *@

Vå rd hög sk . i V äs te rå s *

Up ps al a un iv . * @

Ka ro lin sk a in st . * @

Vå rd hög sk . F al un *

Hö gs k. K rist ia ns ta d *@

Hö gs k. i Gä vl e *@

M al m ö hö gs k. * @

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.12B Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hä ls oh ög sk . V äs t, Sk öv de *

M äl ar da le ns h ög sk . *

Li nk öp in gs u ni v.

Vä xjö u ni v. *

Vå rd hö gs k. i Vä xjö *

Vå rd hö gs k. i ör eb ro *

Gö te bo rg s un iv .

Hä ls oh ög sk . i S to ck ho lm *

Hä ls oh ög sk . V äs t i V än er sb or g *

Lu nd s un iv . *

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.12C Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Ka lm ar *

Hö gs k. i Sk öv de

Hö gs k. i Bo rå s

Hä ls ou ni v. et i ös te rg öt la nd *

Hö gs k. Da la rn a

Vå rd hö gs k. i M al m ö *

St oc kh ol m s un iv . * @

Bl ek in ge te kn is ka h ög sk .

Hä ls oh ög sk . i Jö nk öp in g *@

Vå rd hö gs k. L un d/ He ls in gb or g *@

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.12D Löneskillnader 1 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Ka rls ta ds u ni v. * @

M itt hö gs k. * @

Ör ebr o un iv . * @

Hä ls oh ög sk . i U m eå * @

Vå rd hö gs k. i Upp sa la * @

Vå rd hö gs k. i Gö te bo rg * @

Vå rd hö gs k. B od en * @

Hö gs k. i Jö nk öp ing @

Lu le å te kn is ka u ni v. * @

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.13A Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Vä xjö u ni v.

Li nk öp in gs u ni v.

Gö te bo rg s un iv .

Ka rls ta ds u ni v. *

Lu le å te kni sk a un iv . *

Hö gs k. K ris tia ns ta d

Lu nd s un iv .

Up ps al a un iv .

Ör eb ro u ni v.

Ojust.

Just.

Diagram 6.13B Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Ka lm ar *

Hö gs k. D al ar na

Hö gs k. i Jö nk öp in g *

Hö gs k. i Bo rå s

M äl ar da le ns h ög sk . *

Lä ra rh ög sk . i S to ckh ol m @

Hö gs k. i Ha lm st ad *

M itt hö gs k. * @

Hö gs k. i Gä vl e *@

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb

≥

2 år, pedagogik och lärarutbildning.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.14 Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Lu nd s un iv .

Upp sa la un iv .

St oc kho lm s un iv .

Gö te bo rg s uni v.

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, humaniora och konst. Mörka/ljusa staplar

är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.15A Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

HHS * @

Hö gs k. K ris tia ns ta d @

M äl ar da le ns h ög sk . * @

Hö gs k. i Gä vl e

Gö te bo rg s un iv . * @

Hö gs k. i Bo rå s

Hö gs k. i Ha lm st ad

Hö gs k. i Jö nk öp in g

Li nk öp in gs u ni v. *

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla

Ojust.

Just.

Diagram 6.15B Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

M itt hö gs k.

Lun ds u ni v.

Vä xjö u ni v.

Ör ebr o uni v.

Upp sa la uni v. *

Kar ls ta ds u ni v.

Hö gs k. i Kal m ar

St oc kho lm s un iv . *

Hö gs k. i Sk öv de

Hö gs k. D al ar na

Lu le å te kni sk a un iv .

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, samhällsvet., juridik, handel, adm.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.16 Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

M äl ar da len s hö gsk . *

M itt hög sk . *

Ka rlst ad s un iv. *

Up ps al a un iv. *

Göt eb or gs un iv .

Li nköp in gs un iv. *

Lu nd s un iv.

Hög sk. i Sköv de

St ock ho lm s un iv . @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, naturvet., matematik och data.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.17A Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. K ris tia ns ta d

Hö gs k. i Ka lm ar

Hö gs k. i Tr ol lh ät ta n/ Ud de va lla *

Lu nd s un iv .

Li nk öp in gs u ni v. *

Lu le å te kn is ka u ni v.

Bl ek in ge te kn is ka h ög sk .

Ch al m er s te kn is ka h ög sk .

Hö gs k. i Jö nk öp in g *

KT H *

Ojust.

Just.

Diagram 6.17B Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hö gs k. i Gä vl e *

Hö gs k. D al ar na *

Ka rls ta ds u ni v. *

Vä xjö u ni v. *

M itt hö gs k. *

Ör eb ro u ni v. *

Hö gs k. i Ha lm st ad

Hö gs k. i Bo rå s *

Up ps al a un iv .

M äl ar dal en s hö gs k. *

Hö gs k. i Sk öv de

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, teknik och tillverkning. Mörka/ljusa staplar

är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.18A Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hä ls oh ög sk . V äs t i V än er sb or g *

Vå rd hö gs k. i M al m ö

Vå rd hö gs k. K ris tia ns ta d

Hä ls oh ög sk . V äs t, Sk öv de

M äl ar da le ns h ög sk .

Vå rd hö gs k. F al un

Hä ls oh ög sk . i U m eå *

Vå rd hö gs k. L un d/ He ls in gb or g *

M itt hö gs k. * @

Vå rd hö gs k. i ör eb ro *

Up ps al a un iv . @

Ka ro lin sk a in st . @

Vå rd hö gs k. i Vä st er ås *

Hä ls oh ög sk . i V är m la nd

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.18B Inkomstskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Vå rd hö gs k. i Vä xjö

Li nk öp ing s uni v. @

Vå rd hö gs k. B od en * @

Gö te bo rg s un iv . @

Hä ls oh ögs k. i Jö nk öp in g *@

Lu nd s un iv . * @

Vår dh ögs k. i Up ps al a *@

Hö gs k. K ris tia ns tad

Vår dh ögs k. G äv le @

Ör eb ro u ni v. * @

Hä ls oh ögs k. i St oc kh ol m * @

Hä ls ou ni v. et i ös te rgö tlan d *@

Vår dh ög sk . i G öt eb or g *@

St oc kh ol m s un iv . @

Ojust.

Just.

Anm.: Inkomstskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.19A Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Up ps al a un iv . *

Ka rls ta ds u ni v. * @

Hö gs k. D al ar na * @

Li nk öp in gs un iv . @

Vä xjö u ni v. * @

Gö te bo rg s uni v. * @

Lu nd s un iv . *@

Hö gs k. i Ka lm ar * @

Hö gs k. i Gä vl e *@

Ojust.

Just.

Diagram 6.19B Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Lär ar hö gs k. i St oc kho lm @

Lul eå te kni sk a un iv . *@

Ör eb ro un iv . * @

Hö gs k. i Jö nk öpi ng *@

Hö gs k. K ris tia ns ta d *@

M itt hö gs k. * @

M äl ar dal ens hö gs k. * @

Hö gs k. i Hal m st ad * @

Hö gs k. i Bo rå s *@

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb

≥

2 år, pedagogik och lärarutbildning. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.20 Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Göteborgs univ. Stockholms univ. Lunds univ.

Ojust.

Just.

Anm.: Löneskillnader relativt Uppsala univ. för högskoleutb ≥ 2 år, humaniora och konst. Mörka/ljusa staplar

är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.21A Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

HH S *@

Hö gs k. i Ha lm st ad * @

Lu nd s un iv . *@

Gö te bo rg s uni v. * @

Upp sa la un iv . * @

Li nk öp in gs un iv . *

M äl ar dal en s hö gs k. *

St oc kho lm s un iv . *

Ojust.

Just.

Diagram 6.21B Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Vä xjö u ni v. *

Hö gs k. i Jö nk öp in g

Lu le å te kn is ka u ni v.

Ka rls ta ds u ni v. *

M itt hö gs k.

Ör eb ro u ni v.

Hö gs k. i Bo rå s

Hö gs k. i Sk öv de

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, samhällsvet., juridik, handel, adm.

Mörka/ljusa staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.22 Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Ka rls ta ds u ni v. *

Lu nd s un iv . *

Gö te bo rg s un iv . *

Li nk öp in gs u ni v. *

Up ps al a un iv .

St oc kh ol m s un iv. *

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, naturvet., matematik och data. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.23A Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Li nk öp in gs u ni v. * @

Hö gs k. i Ha lm st ad * @

Lu le å te kn is ka u ni v. * @

Lu nd s un iv . *

Ch al m er s te kn is ka h ög sk . *

KT H *

Hö gs k. i Ka lm ar

Hö gs k. i Bo rå s *

Up ps al a un iv . *

Ojust.

Just.

Diagram 6.23B Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Bl ek in ge te kn is ka h ög sk . *

Ka rls ta ds u ni v.

Hö gs k. D al ar na *

Vä xjö u ni v. *

Hö gs k. i Gä vl e *

M äl ar da le ns h ög sk . * @

M itt hö gs k. * @

Hö gs k. i Jö nk öp in g *@

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, teknik och tillverkning. Mörka/ljusa staplar är

beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Diagram 6.24A Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Ka ro lin sk a in st . *

Gö te bo rg s un iv . *

Up ps al a un iv .

Hö gs k. K ris tia ns ta d

Li nk öp in gs u ni v.

Vå rd hö gs k. i Vä st er ås *

M äl ar da le ns h ög sk . *

M itt hö gs k. *

Vå rd hö gs k. i M al m ö *

Lu nd s un iv . @

Vå rd hö gs k. L un d/ He ls in gb or g *@

Ojust.

Just.

Diagram 6.24B Löneskillnader 5 år efter examen

Procent

-60 -50 -40 -30 -20 -10

0 10 20 30 40 50 60

Hä ls oh ög sk . V äs t, Sk öv de * @

Vå rd hö gs k. G äv le *

Hä ls oh ög sk . i S to ck ho lm * @

Ör eb ro u ni v. * @

Vå rd hö gs k. i ör eb ro * @

Hä ls oh ög sk . i U m eå * @

Hä ls oh ög sk . i Jö nk öp in g *@

St oc kh ol m s un iv . * @

Hä ls ou ni v. et i ös te rg öt la nd * @

Vå rd hö gs k. i Up ps al a *@

Vå rd hö gs k. i Gö te bo rg * @

Ojust.

Just.

Anm.: Löneskillnader relativt Umeå univ. för högskoleutb ≥ 2 år, hälso- och sjukvård, soc. omsorg. Mörka/ljusa

staplar är beräknade utan/med hänsyn till selektion. Statistisk signifikans på minst 5 %-nivån betecknas med * när vi inte tar hänsyn till selektion (mörka staplar) och @ när vi gör det (ljusa staplar).

Källa: Egna beräkningar som bygger på IFAU-databasen.

Referenser

Akerlof, G. & Kranton, R. [2002], ”Identity and Schooling: Some

Lessons for the Economics of Education”, Journal of economic

Literature, vol XL, sid 1167-1201.

Andres, L. [1998], “Rational Choice or Cultural Reproduction?

Tracing Transitions of young Canadians to Higher Education”,

Nordisk Pedagogik, Vol 18, nr 4, sid 197-205.

Angelov, N., Dagsvik, J.K., & Johansson, P. [2008] "Analyzing the

Effect of Economic Incentives on Schooling Choice Behavior",

manuskript, Nationalekonomiska institutionen, Uppsala universitet. Antelius, J. & Björklund, A. [2000], “How Reliable are Register Data

for Studies of the Return on Schooling? An Examination of

Swedish Data”,

Scandinavian Journal of Education Research 44

(4), sid 341-355.

Becker, G. [1964], Human Capital: A Theoretical and Empirical

Analysis with Special Reference to Education, National Bureau of

Economic Research, New York.

Becker, R. [2003], “Educational Expansion and Persistent Inequalities of Education”, European Sociological Review, årg 19, nr 1, sid 1- 24. Berg, D. & Krueger, A. [2002], “Estimating the Payoff to Attending a More Selective College: An Application of Selection on

Observables and Unobservables”, Quarterly Journal of Economics 117 (4), sid 1491-1527.

Berg Dale, S. & Krueger, A. [2002], “Estimating the Payoff to

Attending a More Selective College: An Application of Selection

on Observables and Unobservables”, Quarterly Journal of

Economics 117 (4), sid 1491-1527.

Berger, M. [1988], “Predicted Future Earnings and Choice of College Major”,

Industrial and Labor Relations Review, årg 41, nr 3,

sid 418-429.

Berggren, C. [2006] Entering Higher Education, doktorsavhandling,

Institutionen för pedagogik och didaktik, Göteborgs universitet.

Björklund, A & Lindahl, M. [2005], Utbildning och ekonomisk

utveckling

– vad visar den empiriska forskningen om

orsakssambanden?, Rapport 2005:1 från Expertgruppen för Studier

i samhällsekonomi, Finansdepartementet.

Björklund, A, Lindahl, M. & Plug, E. [2006], “The Origins of

Intergenerational Associations: Lessons from Swedish Adoption

Data”,

Quarterly Journal of Economics 121 (3).

Black, D., Daniel, K. & Smith, J. [1995], “College Characteristics and the Wages of Young Women”, unpublished manuscript,

University of Maryland.

Black, D., Daniel, K. & Smith, J. [1997], “College Quality and the

Wages of Young Men”, unpublished manuscript, University of

Maryland. Black, D. & Smith, J. [2004], “How Robust is the Evidence on the

Effects of College Quality? Evidence from Matching”, Journal of

Econometrics 121 (1-2), sid 99-124.

Black, D., Daniel, K. & Smith, J. [2005], “College Quality and Wages

in the United States”, German Economic Review 6 (3), 415-443.

Black, D. & Smith, J. [2004], “How Robust is the Evidence on the

Effects of College Quality? Evidence from Matching”, Journal of

Econometrics 121 (1-2), sid 99-124.

Black, D. & Smith, J. [2006], “Estimating the Returns to College

Quality with Multiple Proxies for Quality”, Journal of Labor

Economics, forthcoming.

Borglund, L. [2002] “Vägvalet 2002 – en undersökning om ungdomars gymnasieval.” Tematidning, Greycells Communication ab. Boudarbat, B. [2004], “Earnings and Community College Field of

Study Choice in Canada”, Discussion Paper 1156, IZA, Bonn.

Boudon, R. [1974], Education, opportunity and social inequality, Wiley, New York. Bourdieu, P. [1977], “Cultural Reproduction and Social Reproduction”,

i Karabel & Halsey (red) “Power and ideology in education”, Oxford University Press, New York.

Breen, R. & Goldthorpe, J. [1997], “Explaining Educational Differentials”,

Rationality and Society, årg 9, nr 3, sid 275-305.

Breen, R. & Jonsson, J. [2000], “Analyzing Educational Careers: A Multinomial Transition Model”, American Sociological Review,

årg 65, nr 5, sid 754-772.

Brewer, D. & Ehrenberg, R. [1996], “Does it Pay to Attend an Elite

Private College? Evidence from the Senior High School Class of

1980”,

Research in Labor Economics 15, sid 239-271.

Brewer, D., Eide, E. & Ehrenberg, R. [1999], “Does it Pay to Attend

an Elite Private College? Cross-Cohort Evidence on the Effects of College Type on Earnings”, Journal of Human Resources 34 (1), sid 104-123.

Cameron, S. & Heckman, J. [1998], “Life Cycle Schooling and

Dynamic Selection Bias”, Journal of Political Economy, årg 106, nr

2, sid 262-333. Card, D. [1999], “The Causal Effect of Education on Earnings”, i

Ashenfelter, O. & Card, D. (eds.), Handbook of Labor Economics, Vol. 3A, Elsevier, Amsterdam.

Cebula, R. & Lopes, J. [1982], “Determinants of Student Choice of Undergraduate Major”,

American Educational Research Journal,

årg 19, nr 2, sid 303-312.

Chapman, B. [2005], “Income Contingent Loans for Higher

Education: International Reform”, Discussion paper nr 491, The Australian National University, Centre for Economic Research,

Canberra. Chevalier, A. & Conlon, G. [2003], "Does It Pay to Attend a

Prestigious University?", IZA Discussion Paper No. 848.

Diehl, J. [2006], “Råd och dåd för studenterna? En intervjustudie om arbetslivsinriktade och studierådgivande verksamheter vid 18

lärosäten i Sverige”, Sveriges Akademikers Centralorganisation,

Stockholm. Dresch, J. & Lovén, A. [2003], “Vägledning i förändring – om

omvärldsförändringar och dess betydelse för vägledning”, Malmö

högskola, Malmö. Dryler, H. [1998], “Educational choice in Sweden: Studies on the

Importance of Gender and Social Contexts”, Swedish Institute for Social Research, Stockholm.

Dynarski, S. [1999], “Does Aid Matter? Measuring the Effect of

Student Aid on College Attendance and Completion”, NBER Working paper 7422, Cambridge.

Easterlin, R. [1995], ”Preferences and Prices in Choice of Career”,

Journal of Economic Behaviour and Organization, årg 27, nr 2,

sid 1-34.

Edin, P-A. & Holmlund, B. [1995], “The Swedish Wage Structure:

The Rise and Fall of Solidarity Wage Policy?”, i Freeman, R. & Katz, L. (red), “Differences and Changes in Wage Structures”, The University of Chicago Press, Chicago.

Eliasson, K. [2006], College Choice and Earnings Among University

Graduates in Sweden, doktorsavhandling, Nationalekonomiska

institutionen, Umeå universitet.

Erikson, R. & Jonsson, J. [1994], Sorteringen i skolan, Carlssons, Stockholm. Erikson, R. & Jonsson, J. [1996], Can Education be Equalized?: The

Swedish Case in Comparative Perspective, Westview Press,

Boulder. Erikson, R. & Jonsson, J. [2002], ”Varför består den sociala snedrekryteringen?”, Pedagogisk forskning i Sverige, årg 7, nr 3, sid 210-217. Fredriksson, P. [1997], Education, Migration and Active Labor Market

Policy,

Doktorsavhandling, Nationalekonomiska institutionen,

Uppsala universitet.

Fredriksson, P. & Topel, R. [2006], “Wage Determination and

Employment in Sweden Since the early 1990s – Wage Formation

in a New Setting”, manuskript, Institutet för

arbetsmarknadspolitisk utvärdering, Uppsala.

Fredriksson, P. & Öckert, B. [2007], “The Supply of Skills to the Teacher Profession”, manuskript, Institutet för

arbetsmarknadspolitisk utvärdering, Uppsala.

Freeman, R. [1986], “Demand for Education”, Handbook of Labor

Economics,

Volym 1, North Holland, Amsterdam.

Gartell, M. & Regnér, H. [2002] ”Arbetsmarknaden för högskoleutbildade. Inkomstutveckling och geografisk rörlighet under 1990-talet”, Sveriges Akademikers Centralorganisation, Stockholm. Gartell, M. & Regnér, H. [2005], ”Sambandet mellan val av högskola

och inkomster efter examen för kvinnor och män”, IFAU-rapport

2005:12, Uppsala. le Grand, C., Szulkin, R. & Thålin, M. [2004] ”Överutbildning eller

kompetens-brist? Matchning på den svenska arbetsmarknaden 1974–2000” i Bygren, M., Gähler, M. & Nermo, M. (red) Familj

och arbete – vardagsliv i förändring. SNS förlag, Stockholm.

Gustafsson, L. [1996] ”Vilken högskola är bäst? En empirisk analys av

de svenska ekonomutbildningarna”, Rapport 1996:1, Statistiska

Centralbyrån.

Hammarström, M. [1996], Varför inte högskola? En longitudinell studie

av olika faktorers betydelse för studiebegåvade ungdomars utbildningskarriär, Doktorsavhandling, Institutionen för

pedagogik, Göteborgs universitet.

Hanushek, E. m.fl. [2003], ”Does Peer Ability Affects Student Achievement?”,

Journal of Applied Econometrics, årg 18, nr 5,

sid 527-544. Harding, D. [2003], “Counterfactual Models of Neighbourhood

Effects: The Effect of Neighbourhood Poverty on Dropping Out

and Teenage Pregnancy”,

American Journal of Sociology, årg 109,

nr 3, sid 676-719.

Heckman, J. [1999], “Policies to foster human capital”, Research in

economics, vol 54, sid 3-56.

Heckman, J, [2000], ”Policies to Foster Human Capital”, Research in

Economics, vol 54, sid 3-56.

Heckman, J. & Masterov, D. [2007], “The Productivity Argument for

Investing in Young Children”, Review of Agricultural Economics, Vol 29, nr 3, sid 446-493.

Henryson, L. [1994], SYO-kulturer I skolan: elever och skolpersonals

uppfattning av studie, yrkes- och arbetslivsorientering på några högstadieskolor I Stockholm”, Almqvist & Wiksell International,

Stockholm. Högskoleverket [2008], ”Bolognaprocessen”, http://www.hsv.se/densvenskahogskolan/forandringar/bolognapr ocessen.4.539a949110f3d5914ec800059481.html. Holmlund, H. Lindahl, M. & Plug, E. [2007], “Estimating Intergenerational Effects. A Comparison of Methods”, manuskript, Nationalekonomiska institutionen, Uppsala universitet. Härnqvist, K. [1993], Den sociala selektionen till gymnasieskola och

högskola, Rapport nr 1993:10, Institutionen för pedagogik,

Göteborgs universitet. Isacsson, G. [2005]. Finns det en skillnad mellan samhällets och

individens avkastning på utbildning?, IFAU-rapport 2005:5.

Johansson, M. & Katz, M. [2007] ”Wage Differences between Women

and Men in Sweden – The Impact of Skill Mismatch”, Working Paper 2007:13, IFAU.

Kane, T. [1994], ”College Entry by Blacks since 1970: The role of College Costs, Family Background, and the Returns to Education”,

The Journal of Political Economy, årg 102, nr 5,

sid 878-911.

Koch, J. [1972], “Student Choice of Undergraduate Major Field of

Study and Private Internal Rates of Return” Industrial and Labor

Relations Review,

årg 26, nr 1, sid 680-685.

Kim, L. [1998], Val och urval till högre utbildning, Doktorsavhandling,

Pedagogiska insitutionen, Uppsala universitet.

Lindahl, L. & Regnér, H. [2005], “College Choice and Subsequent

Earnings. Results Using Swedish Sibling Data”, Scandinavian

Journal of Economics, Vol 107, No. 3, September 2005 , pp. 437-

457(21). Lovén, A. [1990], ”Kvalet inför valet. Om elevers förväntningar och

möten med vägledare i grunskolan”, Lärarhögskolan i Malmö,

Malmö. Lundin, M. [2006], “Effects of College Choice on Income: Estimation

and Sensitivity Analysis”, Statistical Studies no. 35, Statistiska institutionen, Umeå universitet.

Manski, C. & Wise, D. [1983], College Choice in America, Harvard

University Press, Cambridge.

McPherson, A. & Willms, J. [1987], “Equalization and Improvement:

Some Effects of Comprehensive Reorganisation in Scotland”,

Sociology,

årg 21, nr 4, sid 509-539.

Meghir, C. & Palme, M. [1999], “Assessing the Effect of Schooling on Earnings Using a Social Experiment”, IFS Working paper W99/10, IFS, London. Need, A. & de Jong, U. [2001], “Educational Differentials in the

Netherlands, Testing Rational Action Theory”, Rationality and

Society,

årg 13, nr 1, sid 71-98.

OECD [2006], Education at a glance OECD [2007], Education at a glance Persson, H. [2008], Kunskapens läge 2008, Saco, Stockholm. SCB [2007], “Sambandet mellan utbildning och yrke – en studie om

högskoleutbildningar”, nr 1 2007, SCB, Stockholm.

SCB [2008], ”Etablering på arbetsmarknaden tre år efter

gymnasieskolan”, Temablad 2008:2, SCB, Stockholm.

Shavit, Y. & Blossfeld, H-P. (red) [1993], Persistent Inequality.

Changing Educational Attainment in Thirteen Countries, Westview

press, Boulder. Skolverket [1995], “Utvärdering av grundskolan 1995 (UG -95)”,

Skolverksrapport 126, Skolverket, Stockholm.

Skolverket [2005], ”Utvärdering av vägledning inom det offentliga

skolväsendet”, dnr 2004:03201, Skolverket, Stockholm.

Skolverket [2007] ”Kvalitetsgranskning av studie- och

yrkesorientering inom grundskolan”, dnr 2004:03201, Skolverket,

Stockholm. SOU 1992:122, Social bakgrund, studiestöd och övergång till högre

studier, Utbildningsdepartementet.

SOU 1993:85, Ursprung och utbildning, social snedrekrytering till högre

studier,

Utbildningsdepartementet.

SOU 2001:45, Karriärvägledning.se.nu, Vägledningsutredningen –

U 1999:11, Utbildningsdepartementet.

SOU 2003:96, Utbildningens fördelning en fråga om klass?,

Långtidsutredningen 2003/04, Finansdepartementet.

SOU 2007:35, Flyttning och pendling i Sverige, Långtidsutredningen

2008, Finansdepartementet.

SOU 2007:81, Resurser för kvalitet, Resursutredningen, U 2004:03, Utbildningsdepartementet. Willis, R. & Rosen, S. [1979], “Education and Self-selection”, The

Journal of Political Economy, årg 87, nr 5, sid 7-36.

Wooldridge, J.M. [2002], Econometric Analysis of Cross Section and

Panel data, MIT Press.

Öckert, B. & Regnér, H. [2000], ”Högre utbildning i Sverige: En problemorienterad diskussion om utbildningssatsningar”,

Institutet för social forskning, Stockholms universitet.

Bilagor till Långtidsutredningen 2008

Bilagor till Långtidsutredningen 2008 publiceras under 2007/2008. För närmare information, se www.regeringen.se/finans/lu2008

Nr Titel Författare Publicering

1

Sveriges ekonomi – utsikter till 2030 (prel. titel)

Martin Hill, Philip Löf & Thomas Pettersson, Finansdepartementet

2008

2 Plats för tillväxt?

Joakim Gullstrand, Lunds universitet och SLI & Cecilia Hammarlund, SLI

SOU 2007:25

3 Flyttning och pendling i Sverige

Kent Eliasson, ITPS och Umeå universitet Olle Westerlund & Johanna Åström, Umeå universitet

SOU 2007:35

4 Tjänster utan gränser?

Internationalisering av offentliga sektorns tjänster

Statskontoret

SOU 2007:95

5 Finansiella sektorn bär frukt

Analys av den finansiella sektorn ur ett svenskt perspektiv

Niclas Alsén, Finansdepartementet

SOU 2008:12

6

Timmar, kapital och teknologi – vad betyder mest?

En analys av produktivitetsutvecklingen med hjälp av tillväxtbokföring

Konjunkturinstitutet

SOU 2008:14

7 Permanent förändring

Globalisering, strukturomvandling och sysselsättningsdynamik

Institutet för tillväxtpolitiska studier

SOU 2008:21

8

Välja fritt och välja rätt

Drivkrafter för rationella

utbildningsval

Nikolay Angelov och Per Johansson, Uppsala universitet och IFAU, Louise Kennerberg, IFAU

SOU 2008:69