Olika metoder kommer att användas för att bedöma problemnärhet och problemeffektivitet i kommunal policy på konkret problemnivå. Statistiska metoder används i bearbetningen av sociala indikatorer, medan andra metoder används när samma fenomen följs genom institutioner och aktörsinsatser. Här kommenteras enbart de metoder som behöver ett förtydligande.
Metoder för analys av förändringar i problem och policy
I analyserna av förändringar och variationer i samhällsproblem och policy kommer den univariat ARIMA-metoden och deskriptiv statistik att användas. Hur den beskrivande statistiken kommer att användas redogörs för i samband med resultatredovisningen.
Univariat ABJMA-analys
Tidsserieanalys omfattar en samling metoder som utvecklats för att analysera förändrings
processer. I tidsserieanalys uppfattas en indikators förändring över tid spegla en underliggande process. I policyanalysens tidsserieanalyser är tidsintervallet år och i en undersökning av samhällsproblem och policy under mer än hundra år är det ett rimligt tidsintervall, men inte i alla avseenden idealt. När arbetslöshetsproblem undersöks skulle månadsvärden i vissa fall behövas för att ge rättvisa åt detta problem. Men månadsstatistik saknas för flertalet variabler, varför den möjligheten inte finns i en historisk policyanalys.
Den univariata ARIMA-metoden används för att skapa en modell av den process som antas återspeglas genom en tidsserie. De förändringsmönster som framträder i ARIMA-analyser kommer att tolkas utifrån avhandlingens analysram.
McCleary & Hay (1980:22) hävdar att tidsserien måste representera "den sanna sociala processen" som ligger bakom tidsserien för att rimliga och valida slutsatser ska kunna dras.
Detta gäller inte bara tidsserieanalys, utan all sta tistisk metodanvändning. Vanligtvis inleds tidsserianalyser med ett antagande om att tidsserien representerar det undersökta fenomenet väl. Eftersom det inte finns någon teoretisk lösning för hur representativa indikatorerna är för de undersökta fenomenen, måste detta noggrant undersökas och prövas varje gång en analys genomförs (jfr Duncan 1984). I sämsta fall identifieras en modell som inte har någon koppling till det undersökta fenomenet.
Univariat ARIMA-analys är en induktiv metod som skapar unika modeller för den process som undersöks. Modellbyggandet stämmer bra med de krav man kan ställa på en metod som skall användas i en post-positivistisk policyanalys. Sayers (1989:71) och Cromwell m.fl. (1994) hävdar att det svåraste momentet i en tidsserieanalys är att identifiera rätt modell för tidsserien.
Identifieringen av ARIMA-modeller kan förstås som en teknik att filtrera fram viktig information ur tidsserien. För att det ska vara meningsfullt att identifiera speciella komponenter i en tidsserie måste man acceptera föreställningen att det finns en drivande kraft i den underliggande process som tidsserien antas avspegla. Det kan, enligt Box-Jenkins, som är arkitekterna bakom ARIMA-metodologin, uttryckas som ett antagande om att det finns en
"slumpmässig chock" som driver tidsserien (McCleary & Hay 1980:18). En slumpmässig chock bakom t.ex. en befolkningstidsserie kan vara tusentals döds- och födelsefaktorer som sammantaget förklarar befolkningsutvecklingen i en stad.
Eventuella mönster eller egenskaper i den "slumpmässiga chocken" kan identifieras när tidsserien passerar genom ett ARIMA-filter. Om det finns något mönster i tidsserien kommer det att framträda och fastna i "filtret". ARIMA-modeller byggs med hjälp av tre komponenter:
AutoRegressive, Integrated och Moving Average (McCleary & Hay 1980, kapitel 2 och 3).
Komponenterna är analytiska konstruktioner. Alla chocker som påverkar tidsserien kan inte identifieras i en ARIMA-modell och de oidentifierade passerar filtret som "brus", vilket illustreras i figur 6:1.
Figur 6:1 Illustration av Univariat ARIÅdA-analys
O AJUMA-fOJ ,0)
MODELL AR
"BRUS"
FILTER
Tidsserien för spädbarnsdödlighet passerar ett filter där tre egenskaper kan identifieras. I exemplet identifieras en trendkomponent (I), medan oidentifierade slumpmässiga "chocker"
passerar filtret som "brus". Kännetecknande för en AR-process är att effekter av "chocker" nära i tiden har störst effekt, och att effekten minskar exponentiellt. Händelser under föregående år påverkar efterföljande års förhållanden mest. Därefter avtar effekten utan att helt upphöra. AR-processer rör sig inte trendmässigt i någon bestämd riktning, utan pendlar runt ett långsiktigt medelvärde. ARIMA-(1,0,0) eller (2,0,0)-modeller representerar autoregressiva modeller av första respektive andra ordningen. Skillnaden ligger i att chockerna i ARIMA (2,0,0)-processer har längre varaktighet och avklingar en tidsenhet senare, än ARIMA (l,0,0)-processer. En ABÎMA-(1,0,0) eller (2,0,0)-modell representerar en trendfri process där händelser (chocker) nära i tiden påverkar tidsserien starkast.
En I-process har gemensamt med en AR-process att chockerna som driver processen kvarstår. Skillnaden ligger i att chockerna i I-processer inte avklingar utan integreras (därav namnet). Effekterna finns kvar oförminskade. Tidsserien förändras trendmässigt uppåt eller nedåt. ARIMA-(0,1,0) eller (0,2 ,0)-modeller representerar processer som trendmässigt rör sig i en viss riktning. En MA-processmodell skiljer sig från de två andra genom att en slumpmässig chock påverkar tidsserien vid ett enda tillfalle. Effekten lever inte vidare utan är av engångskaraktär.
Observera att den kan påverka tidsserien både uppåt och nedåt, varför de kallas "moving average processes". I likhet med AR-processer rör sig inte MA-processer trendmässigt i någon riktning. AR1MA-(0,0,1) eller (0,0,2)-modeller representerar stationära eller trendfria processer där chockerna har engångsejfekt.
Ibland identifieras mer sammansatta modeller, t.ex. speglar en ARIMA (1,1,0)-modell en autoregressiv-integrativprocess av första ordningen. I den empiriska analysen kommer alla typer av modeller att kunna identifieras. Metoden används framförallt för att identifiera om problem och policy utvecklas trendmässigt i någon riktning under olika tidsperioder.
Vad som kan förklara de mönster som identifieras med ARIMA-metoden kan inte den metoden ge svar på. I en s.k. interventionsanalys kommer också identifierade ARIMA-modeller att användas för att undersöka om kommunal policy (behandlad som en intervention)
påverkar problemtidsserierna. Men först och främst används metoden för att undersöka om olika tidsserier rör sig efter något eller några av de tre mönster som ARIMA-komponenterna kan fånga.
ARIMA-metoden används för att bedöma om problemen framträder som lösbara eller olösbara under hela eller delar av 120-årsperioden. luokala samhällsproblem som trendmässig ökar eller minskar; där ARIMA-metoden identifierar en trendkomponent (I-komponent), tolkas som lösbara problem.
Samhällsproblem som långsiktigt pendlar runt ett medelvärde, där ARIMA-metoden identifierar trendfria modeller (AR- eller MA-modeller), tolkas som olösbara problem.
I appendix redogörs för den stegvisa proceduren att identifiera en ARIMA-modell. Vissa tidsserier transformeras först för att kunna analyseras med ARIMA-metoden (se appendix 1).
Metodens teoretiska och metodologiska grundläggning beskrivs av McCleary & Hay (1980) och det är utifrån deras metodanvisningar som den tillämpas i policyanalysen. Tidsserieanalyserna utförs med hjälp av statistikprogrammet SPSS for Windows:Trends 6.1.
Metoder att bestämma problemnärhet och följsamhet
Närhet och följsamhet mellan lokala problem och kommunal policy kommer att analyseras på flera sätt: samvariation mellan variabler, resursmobilisering, avstånd mellan variablerna och slutligen hur nära civilsamhällets institutioner och problemuppfattningar policyn utvecklas.
Närheten eller följsamheten mellan problem och policy analyseras med hjälp av korrelationsanalys. När problem och policy är positivt korrelerade utvecklas de i takt (jfr figur 2:1). Negativ korrelation tyder på att problem och policy utvecklas i otakt. Det kan finnas direkt eller fördröjd korrelation mellan problem och policy. För att undersöka fördröjda korrelationer skapas fördröjda tidsserier genom att tidsserien för problemvariabeln fördröjs ("laggas") ett år.
Exempelvis undersöks om det finns en fördröjd korrelation mellan problem år 1900 och kommunal policy år 1901, om problem år 1901 samvarierar med policy år 1902 osv. Hur direkt och fördröjd korrelation fångas illustreras i figur 6:2.
Figur 6:2 Direkt (*)och fördröjd (**) korrelation mellan problem och policy
Tidsserie för: Ar
problem 1900* 1901 1902 1903 1904
fördröjda problem 1900** 1901 1902 1903
policy 1900* 1901** 1902 1903 1904
Samvariationer säger inget om omfattningen av problemen eller policyn och inget om avståndet mellan variablerna. En omfattande resursmobilisering för en viss typ av problem tolkas i avhandlingen som att policyn utvecklas nära lokala problem. Hälso- och försörjningspolicyns andel av kommunernas inkomster används härvid som indikator på resursmobilisering. När exempelvis 25% av en kommuns inkomster används för fattigvård, jämfört med 10% i en annan kommun med jämförbara problem, tyder det på att den högre resursmobiliseringen ligger närmare problemen.
I bedömningen av långsiktiga förändringsmönster och närheten mellan variablerna betraktas också relationen grafiskt. Tidsserier för problem och policy kan, som i diagram 6:1, plottas över tid. För att fånga in problem- och policytidsserier i samma diagram måste problemvariabeln multiplicerats med 10,100 eller 1.000. Skalan och den fokuserade tidsperioden kan påverka den bild av närheten mellan variablerna som framträder. Därför växlar analysen mellan delar och hela 120-årsperioden. I diagram 6:1 illustreras hur nära försörjningsproblem (mätt som bidragstagare per capita multiplicerat med 100) och socialpolicy (mätt per capita i indexerade kostnader) utvecklas under hela 120-årsperioden i Kalmar, Västerås och Skellefteå. Diagrammet illustrerar en kraftig expansion av policyn efter 1950, medan bidragstagare pendlar upp och ner under hela perioden. I ett 120-årsperspektiv illustrerar det hur avståndet mellan problem och policy ökar under 1950-talet. Det utesluter inte att problem och policy kan utvecklas i takt i en eller flera kommuner, men på en högre nivå.
Diagram 6:1 Bidragstagande och sodaipolig i Kalmar, Västerås och Skellefteå 1874-1990
400 V ;
300"
socialpolicy bidragstagare
1874,00 1894,00 1914,00 1936,00 1958,00 1978,00 1884,00 1904,00 1924,00 1946,00 1968,00 1988,00
År
För att bedöma det relativa avståndet mellan olika tidsserier används också måttet euklidiskt avstånd. Måttet mäter avståndet mellan variabler uttryckt som summan av de kvadrerade skillnaderna mellan variablerna (SPSS 1992:132f.). Det standardiserade avståndsmåttet används för jämförelser över tid och mellan kommuner. Låga värden tyder på att variablerna befinner sig nära varandra. Positiv korrelation mellan variabler och låga värden följs också åt.
Avståndsmått har den fördelen att de kan användas för att mäta problemnärhet eller följsamhet mellan variabler oberoende av om de är signifikant korrelerade till varandra eller inte.4
Problemnärheten undersöks också, som redogjorts för tidigare, genom kommunala problemlösningsinstitutioners närhet till civilsamhällets institutioner. Kommunalpolig som bygger vidare på ävilsamhällets egna problemlösningar och kommunal polig som avviker från vad staten vill att kommunerna skall göra tolkas i polig analysen ligga nära lokala prob lem. När staten tar över definitionen av policyproblem finns en risk att avståndet till lokala problem minskar. Det utesluter inte att statlig policy kan ligga nära lokala problem och problemuppfattningar, men det är en empirisk fråga. Om det föreligger stora skillnader i problemsyn mellan centrum och periferi, tyder det på att staten inte utvecklar problemnära policy.
Också kommunalt utvecklad policy kan ligga mer eller mindre nära problemuppfattningar i lokalsamhället. Policy som ligger nära lokala problemuppfattningar antas nå ut till relevanta målgrupper.
Det kan dock finnas olika uppfattningar om vilken policy som når ut. Därför undersöks i en delanalys samma kommunala policy ur två synvinklar, dels ur kommunala näringslivs
företrädares synvinkel, dels ur lokala företags synvinkel. Metoden att bedöma näringslivs-policyns närhet till lokala näringslivsproblem, bygger på en analys av näringslivskontakter som når ut till lokala företag och är en form av textanalys. Utifrån en egen intervjuundersökning (Hanberger 1992) jämförs kommunledningars beskrivning av den egna policyn med företagens upplevelser av vilken kommunal policy som når fram.
För att kunna besvara avhandlingens övergripande frågeställning är ett renodlat aktörsperspektiv, alternativt ett struktur- eller institutionsperspektiv inte tillfredsställande var för sig. De behöver användas tillsammans och uppfattas också i policyanalysen spegla olika dimensioner av fenomenen. Kännetecknande för den post-positivistiska policyanalysen är att den närmar sig fenomenen från olika utgångspunkter och väger samman olika bilder av fenomenen i ett försök^att ge rättvisa åt de mångdimensionella fenomenen.
Metoder att bedöma problemeffektivitet
Problemeffektivitet kommer att analyseras i förhållande till lösbara och olösbara samhälls
problem (jfr figur 4:1). När policyn bidrar till att minska eller undanröja lösbara problem bedöms den vara effektiv. Problemeffektiv policy i förhållande till olösbara problem är polig som bidrar till att behålla problemen på en låg nivå .
Effekter av policy kan förväntas uppträda under samma år eller med ett eller flera års fördröjning. Fördröjda policyeffekter undersöks med hjälp av fördröjda ("laggade") policytidsserier. Bidrar policy år 1900 till att minska problemen år 1901, bidrar policy år 1901 till att problemen minskar 1902 osv.? I figur 6:3 illustreras hur direkta och fördröjda policyeffekter undersöks.
Figur 6:3 Direkt (*) och fördröjd (**) effekt av policy bedömd iförhållande tillproblem
Tidsserie för: Ar
policy 1900* 1901 1902 1903 1904
fördröjd policy 1900** 1901 1902 1903
problem 1900* 1901** 1902 1903 1904
I avhandlingen används minsta kvadratmetoden tillsammans med ARIMA-interventionsanalys för att utvärdera problemeffektivitet i kommunal policy. Negativa regressionskoeffiâenter tolkas indikera problemeffektiv policy.
Minsta kvadratmetoden reducerar och uttrycker relationen mellan två eller flera variabler i form av en eller flera regressionslinjer. Det finns många tänkbara linjer som kan dras mellan två eller flera variabler. Minsta kvadratmetoden väljer en linje som minimerar summan av de kvadrerade
avvikelserna runt den skattade linjen (Andersson m.fl. 1994:30). Denna metod brukar användas för att förklara samband mellan oberoende och beroende variabeler. För att det ska vara rimligt att söka en eller flera linjer som uttrycker relationen mellan variablerna och därefter uppskatta värden på dessa, måste antas att det finns ett linjärt samband mellan variablerna. Om detta är ett rimligt antagande blir den regressionslinje och de koefficienter som räknas fram relevanta.
Finns många avvikelser ("outliers") från en tänkt rät linje, finns det skäl att inte använda metoden.
I regressionsanalysernas residualer samlas olika typer av fel vid skattning av linjen (ibid:50, SPSS:1993). Där återfinns summan av enskilda observationers avvikelser från regressionslinjen.
Ett vanligt förekommande problem i tidsserieanalys är att residualerna är korrelerade till varandra. För att kunna dra slutsatser om regressionskoefficienter måste tidsseriernas residualer vara oberoende, helst okorrelerade till varandra. Risken finns annars att falska samband identifieras. Ett Durbin-Watson test (D.W) används för att undersöka eventuell autokorrelation i residualen (Andersson m.fl. 1994:168). Varnar testet för autokorrelation, genomförs en efterföljande autoregressionsanalys (SPSS:1993) för att pröva om regressionsanalysens signifikanta värden står sig. Visar autoregressionsanalysen också signifikanta värden, kan en av de vanligaste orsakerna till falska samband i tidsserieanalys uteslutas, autokorrelation mellan tidsserier. I tabell 6:4 redovisas vilka parametrar som kommer att redovisas i regressionsanalyserna.
Tabell 6:4 Statistiska parametrar i regressionsanalyser Minsta kvadratmetoden:
B o standardiserad regressionskoefficent
Beta standardiserad regressionskoefficient (-1 till +1)
T-värde signifikansvärde
R2 total förklarad varians
D.W-test för kontroll av autokorrelation i residualen
N Antal
Autoregressionsanalys:
AR-värde Autoregressiva parametrar
B, Beta, T (som ovan)
I huvudtexten koncentreras framställningen på de standardiserade regressionskoeffienterna (Beta-värdena). Övriga parametrar kommer i mindre utsträckning att kommenteras, men behövs för att uppvisa reliabilitet i procedur och beräkningar.
ARIMA-interventionsanalys är en annan metod som används för att analysera problem
effektiviteten i kommunal policy. Interventionsanalysen bygger på antagandet att
"interventionen" (policy) kan representeras av en dummyvariabel. Det förutsätter att det finns en tydlig period före och en tydlig period efter interventionen. Statistiskt översätts interventionen med en "etta" som ligger kvar från interventionen och hela tiden därefter.
Perioden innan representeras följaktligen med en "nolla".5
Grunden för interventionsanalysen är de ARIMA-modeller som identifieras för olika problemtidsserier. Den matematiska bearbetningen liknar minsta kvadratmetoden, men sker mot ARIMA-modellen och inte mot en skattad regressionslinje. Syftet med att använda interventionsanalysen är att utnyttja en teknik som ger stor rättvisa åt den ursprungliga tidsserien och att jämföra den med vad som kommer fram med minsta kvadratmetoden.
Poängen med att använda två olika metoder som bearbetar samma data, men med olika teknik, är att kritiskt kunna diskutera metodvalets betydelse för analysresultatet.
Till skillnad mot regressionsanalys används i interventionsanalyser ett s.k. Box-Ljung test och visuell analys av residualens ACF och PACF (se ARIMA-appendix) för att utesluta autokorrelation i residualen. Valet av residualanaly s teknik motiveras med att den vanligtvis används vid ARIMA-(Interventions) analys och förespråkas av McCleary & Hay (1980) och det är deras metodanvisningar som policyanalysen utgår från.
Kan detfinnas ett metodproblem?
Korrelationsanalys av problemnärhet och regressionsanalys av problemeffektivitet är relaterade till varandra. Positiv korrelation (problemnärhet) och positiva samband (problemineffektivitet) visar sig uppträda samtidigt. Det tycks finnas en paradox när statistisk analys används för att analysera dessa båda fenomen. I teori och praktik kan problemnära och problemeffektiv policy förekomma samtidigt, men inte när fenomenen analyseras med dessa två metoder. En lösning på den "statistiska paradoxen" är att låta problemeffektivitet inte enbart definieras som negativa samband. Framförallt när effektiviteten i förhållande till olösbara problem analyseras och när problemen ligger på en låg nivå kan man inte förvänta sig att problemeffektiv policy skall ge signifikant negativa regressionskoefficienter.
När policy utvecklas problemnära (positiv korrelation) kommer analys av problem
effektiviteten att leda till positiva samband. Det tyder på att policyn bidrar till att problemen ökar. För att en sådan tolkning skall vara rimlig måste omfattningen av policyn också beaktas.
Om policy av begränsad omfattning visar sig bidra till att problemen växer är detta en orimlig slutsats. Däremot kan slutsatsen vara rimlig när policyn är av stor omfattning. Statistiska bearbetningar måste tolkas i forhållande till kontext, rimlighet och tillsamman s med flera andra bedömningar av problemnärhet och effektivitet.
Problemeffektiviteten analyserad genom konkreta problemlösningar
Problemeffektiviteten bedöms också i den historiska policyanalysen genom konkreta problemlösningar. Om en kommun t.ex. inrättar kommunala arbeten i samband med arbetslöshet tolkas detta som en problemeffektiv lösning. Det finns dock ingen möjlighet att systematiskt följa problemeffektiviteten på detta sätt. Avhandlingen använder försöksmässigt lokalhistoriska källor för att söka konkreta problemeffektiva problemlösningar. Att enbart använda statistisk analys för att bedöma problemnärhet och problemeffektivitet är otillräckligt.