Regressionsanalysen har som syfte att förklara arbetslöshetgapet mellan Malmö och riket. I en re-gressionsmodell där arbetslöshet är den beroende variabeln, och en indikator variabel för Malmö är den oberoende variabeln, skattar vi först det totala arbetslöshetsgapet. Därefter försöker vi förklara gapet utifrån ett flertal kontrollvariabler. Som kontroll för demografiska faktorer inkluderar vi andelen kvinnor i kommunen, andelen individer i olika åldersgrupper (indelade i 5-årsgrupper)9, andelen med utrikes bakgrund uppdelat på 10 grupper från olika delar av världen (separat för både utrikes födda och så kallade andra generationens invandrare). Heterogenitet inom gruppen av utrikes födda antas till stor del fångas upp av utrikes bakgrund. Dvs., därför att faktorer som vistelsetid i Sverige och invandrarstatus (flyktinginvandrare, arbetskraftsinvandrare eller anhörig-invandrare) är nära kopplat till varifrån i världen individen invandrat från kommer våra kontroller för utrikes bakgrund även delvis fånga dessa aspekter10. För att ta hänsyn till utbildningsskillnader mellan Malmö och riket inkluderar vi befolkningsandelar för 13 olika utbildningsnivåer (från 8-20 års utbildning). Kommunens näringslivsstruktur kontrolleras för med andelen anställda i 18 bran-scher och 10 yrken.
Malmö är en mycket segregerad stad. Denna aspekt tar vi hänsyn till genom att inkludera andelen som bor i invandrartäta områden i kommunen (linjärt och i kvadrat). I kapitel 8, där vi deskriptivt analyserar skillnader i arbetslöshet och inkomster utifrån invandrartäthet, har vi förklarat indelnin-gen i invandrartäta områden närmre. Befolkningstäthet kan indelnin-genom så kallade agglomerationsef-fekter bidra till en högre arbetsproduktivitet. Denna aspekt kontrollerar vi för genom att inkludera kommunens befolkningstäthet per km2 (linjärt och i kvadrat).
Arbetslöshetsgapet mellan Malmö och riket skattas för i) arbetslöshet enligt SCB:s definition, och ii) enligt vårt årliga arbetslöshetsmått som mäter antalet individer som någon gång varit arbetslös under året (i relation till antalet individer i arbetsför ålder i kommunen). Vi använder två olika mod-eller: en som använder individdata och en som använder data på kommunnivå. Skillnaden mellan modellerna är att individmodellen viktar resultatet utifrån kommunernas befolkningsstorlek och
9 Vi inkluderar även pensionärer indelade i olika åldersgrupper och andelen unga (16-19 år) som inte studerar. Även om dessa grupper inte ingår i vår definition av den arbetsföra befolkningen kan dessa grupper indirekt påverka arbetsmarknaden och därför inkluderar vi andelar för dessa grupper också.
10 Det bör även påpekas att det svårt att kontrollera för dessa faktorer när vi studerar arbetslösheten aggregerat på kom-munnivå.
att kommunmodellen låter varje kommun få lika stor vikt11. Det finns ingen modell som i statistisk betydelse är mera korrekt utan modellerna besvarar olika frågor. Individmodellen besvarar om ar-betslösheten skiljer sig mellan Malmös befolkning och rikets befolkning medan kommunmodellen besvarar om arbetslösheten för Malmö kommun skiljer sig mot kommunernas genomsnittliga ar-betslöshet i riket. I praktiken handlar det framförallt om hur stor vikt storstädernas arbetsmarknad skall få på resultaten. I individmoddlen får Stockholms och Göteborgs kommun stor vikt på grund av att deras befolkning är stor medan i kommunmodellen får alla kommuner lika stor vikt. Tillsam-mans betyder detta att vi skattar 4 olika modeller: två med individdata och två med kommundata.
9.1 SKATTAT ARBETSLÖSHETSGAP FÖR 2017
Tabell 3 visar resultat för regressionsanalysen. Överst i tabell 3 visar vi det skattade arbetslöshets-gapet mellan Malmö och riket. Som vi tidigare noterat är arbetslöshets-gapet mindre när vi använder det årliga måttet som räknar fram andelen arbetslösa relativt befolkningen i arbetsför ålder. Vi ser även att ga-pet är något större när vi använder individdata än kommundata. Detta beror på förklaringen ovan:
med individdata får Stockholm och Göteborg, där arbetslösheten är relativt låg, större betydelse för resultatet.
Tabell 3. Arbetslöshetsgapet mellan Malmö och riket skattat med en regressionsmodell. 2017.
SCB:s arbetslöshetsmått Årligt arbetslöshetmått
Bransch och yrke 29% 25% 37% 31%
Invandrartäthet 48% 62% 57% 84%
Befolkningstäthet -5% -28% -7% -47%
11 Ett alternativ hade varit att inkludera befolkningsvikter i kommunmodellen. Att använda viktad kommundata eller indi-viddata är i princip samma sak. Skillnaden är att det påverkar standardfel och signifikans, vilket inte är i fokus för analysen.
att kommunmodellen låter varje kommun få lika stor vikt1. Det finns ingen modell som i statistisk betydelse är mera korrekt utan modellerna besvarar olika frågor. Individmodellen besvarar om ar-betslösheten skiljer sig mellan Malmös befolkning och rikets befolkning medan kommunmodellen besvarar om arbetslösheten för Malmö kommun skiljer sig mot kommunernas genomsnittliga ar-betslöshet i riket. I praktiken handlar det framförallt om hur stor vikt storstädernas arbetsmarknad skall få på resultaten. I individmoddlen får Stockholms och Göteborgs kommun stor vikt på grund av att deras befolkning är stor medan i kommunmodellen får alla kommuner lika stor vikt. Tillsam-mans betyder detta att vi skattar 4 olika modeller: två med individdata och två med kommundata.
9.1 SKATTAT ARBETSLÖSHETSGAP FÖR 2017
Tabell 3 visar resultat för regressionsanalysen. Överst i tabell 3 visar vi det skattade arbetslöshets-gapet mellan Malmö och riket. Som vi tidigare noterat är arbetslöshets-gapet mindre när vi använder det årliga måttet som räknar fram andelen arbetslösa relativt befolkningen i arbetsför ålder. Vi ser även att ga-pet är något större när vi använder individdata än kommundata. Detta beror på förklaringen ovan:
med individdata får Stockholm och Göteborg, där arbetslösheten är relativt låg, större betydelse för resultatet.
Tabell 3. Arbetslöshetsgapet mellan Malmö och riket skattat med en regressionsmodell. 2017.
SCB:s arbetslöshetsmått Årligt arbetslöshetmått
Bransch och yrke 29% 25% 37% 31%
Invandrartäthet 48% 62% 57% 84%
Befolkningstäthet -5% -28% -7% -47%
1 Ett alternativ hade varit att inkludera befolkningsvikter i kommunmodellen. Att använda viktad kommundata eller indi-viddata är i princip samma sak. Skillnaden är att det påverkar standardfel och signifikans, vilket inte är i fokus för analysen.
Valet av modell avgör också om vi kan förklara arbetslöshetsgapet mellan Malmö och riket. Med SCB:s data kan vi inte förklara gapet: med både individdata och kommundata återstår 1,9 procen-tenheter i arbetslöshet mellan Malmö och riket. Men det bör samtidigt konstateras att även för SCB:s mått: förklarar vi en betydande del av gapet, 75 procent, eller cirka 5,5-5 procentenheter.
Skillnaden i gap av att använda individ- eller kommundata förklaras även bort för SCB:s mått, vilket betyder att de faktorer som särskiljer storstädernas från riket fångas av kontrollvariablerna. För det årliga arbetslöshetsmåttet förklarar vi en lika stor andel, 75 procent, av gapet med individdata men en större andel med kommundata, 86 procent. I denna sista modell förklarar vi, alltså, nästan hela gapet.
Men i hur stor utsträckning förklarar de olika förklaringsfaktorerna arbetslöshetsgapet? Detta är svårt att besvara för de olika kontrollvariablerna samvarierar kraftigt. Det betyder att när vi exempel-vis kontrollerar för utbildning så kommer betydelsen av utbildning även påverkas av befolkningens sammansättning, framförallt andelen utrikes födda som i genomsnitt har en låg utbildningsnivå.
Därav är det svårt att separera ut betydelsen av olika kontrollvariabler. Trots denna brasklapp finns det olika metoder som man kan använda för att, grovt, försöka uppskatta kontrollvariablernas betydelse för arbetslöshetsgapet. Här kommer vi skatta enkla modeller där man endast inkluderar en faktor i taget till modellen. Ett alternativ hade varit att inkludera kontrollvariablerna stegvis till modellen men i det fallet kommer de olika faktorernas betydelse helt och hållet avgöras av i vilk-en ordning vi inkluderar variablerna12. Därför anser vi att den enkla ansatsen är att föredra. Dock måste även resultaten för denna ansats tolkas försiktigt. Det bör också konstateras att andelen som förklaras av vardera faktor inte bör tolkas bokstavlig, utan förklaringsandelarna indikerar främst de olika faktorerna relativa betydelse, dvs vilken faktor som är viktigast, näst viktigast etc.
När man studerar de olika faktorernas betydelse finner vi att andelen som bor i invandrartäta om-råden förklarar störst andel av arbetslöshetsgapet mellan Malmö och riket, från 48 procent till 84 procent av gapet beroende på modell13. Sannolikt fångar man ett flertal viktiga aspekter när man inkluderar invandrartäthet, dels socioekonomiska och dels demografiska faktorer. Men inte desto mindre är betydelsen av invandrartäthet anmärkningsvärt stor.
Skillnader i utbildningsnivåer förklarar också en stor andel av arbetslöshetsgapet, cirka 45–50 pro-cent. Därutöver förklarar bransch och yrke cirka 30 procent, och utrikes bakgrund cirka 25 procent av gapet. Malmös unga befolkning har en viss påverkan, cirka 10-15 procent. Effekterna av
12 Man kan även från den fulla modellen dekomponera ut de olika faktorernas betydelse. Men pga. att stora set av variabler inkluderas för ett flertal av de enskilda faktorerna blir en del av dessa variabelskattningarna uppenbart felskattade i den fulla mod-ellen. Sannolikt fångar de upp andra aspekter än vad som är avsikten vilket betyder att dekomponeringen också blir fel. Jämför man dekomponeringsansatsens resultat med de två ansatserna som beskrivs i texten ovan skiljer sig dekomponeringsansatsens resultat kraftigt från de andra ansatserna.
13 Dock bör det påpekas att vi låter invandrartäthet förklaras separat för Stockholmsregionen (dvs. när specifika variabler för Stockholms läns invandrartäthet inkluderas). Gör vi inte det blir invandrartäthetens betydelse mindre. Men vi tolkar detta främst som att det är Stockholmsregionen som skiljer ut sig och inte Malmö.
Malmös könssammansättning och täthet går, å andra sidan, i motsatt riktning, vilket innebär att enligt dessa faktorer borde Malmö ha en lägre arbetslöshet än riket. Att Malmö har en något högre andel kvinnor än riket och att kvinnor är arbetslösa i mindre utsträckning än män förklarar resul-tatet för könsammansättningen.
Utrikes bakgrund har en mindre påverkan på gapet än förväntat. Det indikerar att en stor andel utrikes födda främst bidrar till en hög arbetslöshet om det förenas med en stor etnisk boendeseg-regation.
9.2 SKATTAT ARBETSLÖSHETSGAP FÖR 2001 OCH 2008
Vi har även skattat gapet för två tidigare år: 2001 och 2008. År 2008 är intressant för det är strax innan finanskrisen då arbetslöshetsgapet mellan Malmö och riket var betydligt mindre, cirka 3-4 procentenheter. För 2001 har arbetsmarknaden återhämtat sig efter 1990-talskrisen men arbet-slösheten var fortfarande på en relativt hög nivå (något högre än 2017, både för Malmö och riket).
Figur 20 visar de skattade resultat för de tre åren grafiskt. Figuren visar resultat för individmodellen men vi noterar att resultaten är mycket lika när vi använder kommundata. De svarta linjerna visar de faktiska arbetslöshetsgapen mellan Malmö och riket: den streckade svarta för SCB:s data (som vi dock saknar för 2001) och den heldragna för vårt årliga mått. De röda linjerna visar motsvarande gap när vi inkluderar samtliga kontrollvariabler. De gråa linjerna visar hur många procentenheter av gapet vi förklarar med kontrollvariablerna (mätt på den högra y-axeln).
Figur 20. Skattade arbetslöshetsgap mellan Malmö och riket för 2001 och 2008.
Från figur 20 framgår ett mycket intressant resultat: för både 2001 och 2008 är arbetslöshetsgapet negativt när man ta hänsyn till kontrollvariabler (se de röda linjerna). Alltså, betingat på Malmös be-folkningssammansättning, socioekonomi, näringslivsstruktur, täthet och invandrartäthet är Malmös arbetslöshet 2-3 procentenheter lägre än rikets arbetslöshet. För 2008 är resultatet inte oväntat:
därför att kontrollvariablerna har en ungefär lika stor betydelse för arbetslöshetsgapet 2008 som för 2017 (se de grå linjerna som visar hur många procentenheter kontrollvariablerna förklarar) medför ett mindre faktiskt gap att det betingade gapet blir negativt. För att få ett positivt gap för 2008 hade kontrollvariablerna varit tvungna att förklara en mindre andel av arbetslöshetsgapet mellan Malmö och riket än 2017.
För 2001 är dock arbetslöshetsgapet mellan Malmö och riket lika stort som för 2017. För 2001 är det istället kontrollvariablernas betydelse som är större (se den streckade gråa linjen). Sålunda, för 2001 förklarar kontrollvariablerna över 8 procentenheter i arbetslöshet (och med ett faktiskt gap på 6 procentenheter blir gapet negativt) och för 2008 och 2017 förklarar kontrollvariablerna en skillnad på cirka 4-5 procentenheter (vilket betyder, att med faktiska gap på cirka 2-7 procenten-heter, får vi ett negativt betingat gap för 2008 och ett positivt betingat gap för 2017).
Resultaten tyder alltså på att kontrollvariablernas förmåga att förklara skillnaden i arbetslöshet mel-lan Malmö och riket blir sämre över tid. För det årliga arbetslöshetsmåttet är detta tydligt (se den streckade grå linjen) men för SCB:s arbetslöshetsmått som vi bara har för 2008 och 2017 förklarar vi något mer av gapet för 2017 än för 2008. Vi finner alltså stöd för att någon, eller några, faktorer som vi inte tar hänsyn till blir mera betydelsefull mellan 2001 och 2008. Eventuellt skulle denna faktor kunna vara arbetspendlingen till Danmark. Därför att Öresundsbron invigdes först 2000 var arbetspendling ingen viktig faktor 2001, men för 2008–2009 då arbetspendlingen nådde sin topp är arbetspendlingen, rimligtvis, en mycket viktig faktor. Efter att arbetspendlingen minskat efter 2009 ökar eventuellt (åtminstone enligt SCB:s mått) den relativa betydelsen av kontrollvariablerna igen.
Det kan även noteras att över tid tycks det som att invandrartäthet och utbildning blir viktigare för att förklara arbetslöshetsgapet mellan Malmö och riket, och bransch och yrke blir mindre viktigt (ej rapporterat i tabell eller figur).
9.3 SKATTAT GAP I EKONOMISKT BISTÅND FÖR 2017
Vi har även förklarat gapet i ekonomiskt bistånd mellan Malmö och riket. Ekonomiskt bistånd mäts som andelen hushåll med ekonomiskt bistånd. Jämfört med riket har Malmö 3,9 procentenheter fler mottagare av ekonomiskt bistånd än riket (enligt individdata). Mätt som skillnader i andelen bidragsmottagare mellan kommuner är skillnaden något mindre, 3,5 procentenheter. När vi förk-larar andelen biståndsmottagare framkommer ett intressant resultat: för individdata kan vi förklara en ganska stor andel av gapet mellan Malmö och riket, 59 procent, men för skillnader mellan
kom-muner förklarar vi endast 15 procent av gapet.
Studerar vi resultaten för individdata finner vi att precis som för arbetslöshet har invandrartäthet en stor påverkan på gapet i bidragsmottagande mellan Malmö och riket. Även utrikes bakgrund och Malmös näringslivsstruktur har en relativt stor påverkan, 32 procent och 23 procent vardera. Dock har utbildning en liten påverkan, endast 9 procent. Malmös ålder- och könsammansättning visar omvända effekter, dvs att Malmö borde ha färre bidragsmottagare än riket.
Med kommundata är det endast invandrartäthet som förklarar en del av gapet mellan Malmö och riket. Resterande faktorer föreslår att Malmö borde ha en lägre andel bidragsmottagare än riket.
Detta något märkliga resultat som vi finner med kommundata beror på att modellen inte viktar upp stora kommuner. När småkommuner får lika stor vikt som stora kommuner kan skillnaderna mel-lan Malmö och rikets kommuner inte förklaras med vårt urval av kontrollvariabler. Slutsatsen är att för mindre kommuner varierar inte andelen bidragsmottagare på samma sätt som för storstäderna.
När en relativt stor vikt läggs på småkommuner kommer kontrollvariablerna inte förklara gapet i andelen bidragsmottagaren mellan Malmö och andra kommuner. Varför mönstret är så olika för större och mindre kommuner är oklart men det tyder på att det finns institutionella faktorer som spelar en viktig roll, dvs. att kommuner har olika sätt att hantera och betala ut bistånd som på något avgörande sätt skiljer sig åt mellan stora och små kommuner. Delvis finns sådana skillnader även mellan stora städer för även med individdata återstår det 40 procent av gapet i bidragsmottagande som inte kan förklaras med våra kontrollvariabler.
Tabell 4. Gapet i ekonomiskt bistånd mellan Malmö och riket skattat med en regressionsmodell. 2017.
Ekonomiskt bistånd