Vad påverkar en elitishockeyspelares lön i Sverige?

Örebro Universitet Handelshögskolan

Nationalekonomi C, Uppsats, NA3003 Handledare: Anders Lunander

Examinator: Jörgen Levin VT2014 2014-05-07

Vad påverkar en elitishockeyspelares lön i

Sverige?

Abstract

Denna studie skattar en löneekvation för ishockeyspelare i Sverige. Det finns en växande empirisk litteratur inom detta område men ingen tidigare studie av svenska spelarlöner. Lönedata är taxerad årsinkomst 2012 för 285 spelare i den högsta svenska ishockeyserien Svenska Hockeyligan (SHL). Prestations- och egenskapsvariabler hämtades från databasen Eliteprospects och SHLs officiella hemsida. Faktorer med statistiskt signifikant effekt visade sig vara spelarposition, antalet mål och assist per SHL-match, seniorlandslagsmatcher och antal spelade SHL-, KHL- samt NHL-matcher i karriären. Samtliga dessa variabler förutom KHL-matcher hade positiv effekt. De enskilda variablerna med störst påverkan var mål, assist och landslagsmatcher.

Innehåll

1.Inledning ... 1

2. Yrkesgruppen ishockeyspelare och dess arbetsmarknad ... 3

3. Teoretisk bakgrund ... 4 3.1. Hedonisk prissättningsmodellering ... 4 3.2 Mincerekvationen ... 5 4. Tidigare studier ... 6 5. Data ... 9 5.1 Urval ... 9 5.2 Deskriptiv statistik ... 10

6. Empirisk modell och ekonometrisk specifikation ... 13

7. Resultat ... 15

8. Diskussion ... 17

8.1. Analys och diskussion om korrelationsresultaten ... 17

8.2. Analys och diskussion av regressionsresultaten ... 18

8.3. Kritisk diskussion om metod och data ... 20

9. Slutsatser ... 21

9.1. Tips på framtida forskning ... 21

Referenslista ... 22

Elektroniska källor (internet) ... 22

Vetenskapliga artiklar ... 22

Böcker ... 23

Appendix med Tabeller ... 24

1

1.Inledning

I samhället idag förs en diskussion om de allt högre idrottslönerna (Hockeysverige 2013). Speciellt i de största lagidrotterna omsätts mycket kapital och enligt Idrottens Affärer (2013) har medellönen i Svenska Hockeyligan på de senaste åren stigit med nästan 30 procent. Arbetsmarknaden för ishockeyspelare i Sverige är idag oreglerad men enligt Dagens Nyheter (2014), planeras nu att införa ett lönetak på ca 40-45 miljoner per klubb och säsong. Ur ett nationalekonomiskt perspektiv blir det således intressant att undersöka vad som driver den här arbetsmarknaden och empiriskt testa vilka egenskaper hos idrottarna som värdesätts av arbetsgivarna.

Forskningsfältet Sports Economics blir idag allt större, Heinemann (2005) beskriver hur forskare undersöker konkurrens i olika idrottsindustrier, hur de gör värderingar av idrottsklubbar och modellerar idrottares löneekvationer. I nationalekonomisk forskning finns metoder för att sätta pris på människors värderingar av olika varor och tjänster. Med dessa metoder mäts utvalda delar som produkters värde kan förklaras av för att se hur variation i dessa delar kan få oss att förstå variation i preferenser och värdet av produkten. Marginaleffekten utgör människors preferenser för en egenskap hos en produkt och är människors betalningsvilja för ytterligare kvalitet eller kvantitet av den egenskapen. På samma sätt görs även modellering för att värdera människors erfarenhet och kunskap, för att avgöra hur värdefull en person är på sin arbetsmarknad. Individers arbetskraft, eller marginalproduktivitet, blir produkten som prissätts. Arbetarnas marginalproduktivitet består av till exempel år av utbildning, värdet av erfarenhet i arbetslivet, tyst kunskap och andra personliga egenskaper.

I mikroekonomi är lönespridning en naturlig egenskap hos arbetsmarknader och efter Mincers (1974) arbete har åtskilliga studier dokumenterat relationer mellan lön och arbetares egenskaper, exempelvis Audini och Corrado 2010 samt . Forskare försöker förstå de kausala sambanden mellan dessa empiriska relationer. Den ökade tillgängligheten till matchande data för arbetare och företag med väsentliga longitudinella dimensioner möjliggör simultana identifikationer av arbetares och företags heterogenitet och skillnader. Utvecklingen av ekonometriska metoder anpassade för att utnyttja dessa data introducerades av Abowd et al. (1999), vilka kom upp med villkorade metoder för att skatta löneekvationer. Deras arbete har

2

bidragit starkt till analyser av lönebildning och den relativa betydelsen av arbetares och företags karaktäristika.

Lönesättning och löneekvationer är även väl utforskat inom idrott och framförallt på de stora lagidrotterna. För dessa är, som i de flesta andra branscher, lönerna satta på en arbetsmarknad. Företagen, i det här sammanhanget klubbarna, vill knyta till sig spelare med en hög marginalproduktivitet för att öka kvantiteten och kvaliteten på sin produkt som de säljer, vilket här kan anses vara antal vunna matcher. När forskare skattar marginalproduktiviteten utgår de ifrån människors ”avslöjade preferenser”, vilket i praktiken betyder att man utvärderar utifrån hur de tidigare har handlat genom att använda empiriska data. I många fall när man modellerar löneekvationer använder man sig av hedonisk prissättning och bygger ofta sin ekvation enligt Mincer’s teori. Olika tvärsnittsmodeller uppmäter marginaleffekten för att fastställa faktorerna som bestämmer värderingen av professionella atleter.

På samma sätt som en rad studier försöker att skatta löneekvationer för olika yrkeskategorier inom olika branscher, är det möjligt att försöka förklara observerad variation i lön hos elitidrottare med hjälp av mått på individuella prestationer och individuella egenskaper. I den här studien använder vi oss av löneekvationer för att försöka förstå sambandet mellan lön och individkaraktäristika hos professionella ishockeyspelare. Det övergripande syftet med studien är att undersöka i vilken utsträckning tillgänglig data om olika ishockeyspelare kan förklara variationen i observerad lön hos samma spelare. Utgångspunkten är att det existerar ett kausalt samband mellan observerad prestation i olika dimensioner och erbjuden lön. Givet att studien skulle påvisa signifikanta skattningar av olika koefficienter, så blir naturligtvis ett delsyfte med studien att undersöka hur stor marginaleffekt olika individuella egenskaper har på en ishockeyspelares lön. Eftersom de flesta liknande studier gjorts på nordamerikanska idrottsligor och marknader så blir denna studie unik, då den är den första i sitt slag som appliceras på den svenska spelarmarknaden och Svenska Hockeyligan.

Studiens disposition är enligt följande; i kapitel 2 ges en beskrivning av yrkesgruppen ishockeyspelare och arbetsmarknaden för dessa, i kapitel 3 görs en litteraturgenomgång av grundläggande ekonomiska teorier och modeller. I kapitel 4 görs en genomgång av vetenskapliga artiklar inom det specifika forskningsområdet. I kapitel 5 beskrivs studiens vetenskapliga metod och den insamlade datauppsättningen. Kapitel 6 består av den empiriska modellen och kapitel 7 av den empiriska specifikationen. I kapitel 8 presenteras och diskuteras resultaten. Därefter följer kapitel 9 med diskussion och kapitel 10 med slutsatser.

3

2. Yrkesgruppen ishockeyspelare och dess arbetsmarknad

Arbetsmarknaden för ishockeyspelare på elitnivå är global och den svenska spelarmarknaden är en del av både europeisk och nordamerikansk spelarmarknad, där de två världsledande är Kontinental Hockey League (KHL) och National Hockey League (NHL). Utöver dessa två ligor finns ca 40 andra proffsligor runtom i världen. Ishockeyarbetsmarknaden har traditionellt sett bestått av de nordamerikanska samt de europeiska marknaderna men växer för varje år och numera finns ligor även i mer hockeyavlägsna länder såsom Sydafrika, Nya Zeeland, Australien och Japan.

En ishockeyspelare kan bli professionell och leva på sitt idrottsutövande från ca 18-22-års ålder och därifrån har de oftast en aktiv period till de blir runt 35-40 år gamla. Det betyder att de har ca 15-20 år som elitaktiva då de har möjligheten att tjäna pengar som de ofta kan leva på resten av sina liv när de avslutat karriären. En professionell ishockeyspelares vardag består av mycket resande, fysisk träning och matchning samt stora mediala event, vilket kräver att spelaren är mycket flexibel i sin arbetstid och inte har några problem med att snabbt förflytta sig mellan olika geografiska områden, både för matcher och för mindre regelbundna klubbyten. Arbetsåret är uppdelat mellan tävlingssäsong, där en grundserie på ca 40-82 matcher spelas, plus eventuella slutspel och kval, då spelaren måste finnas tillgänglig för klubben 24 timmar om dygnet. Efter detta följer en försäsong där spelarna ska göra sig fysiskt och mentalt redo för en ny tävlingssäsong och ofta får de sköta sin egen träning under sommaren, för att sedan ansluta till laget runt augusti-september för laguttagningar, träningsläger och träningsmatcher.

Ishockeyspelare har i sin förhandlingsprocess nästan alltid en spelaragent som företräder denne vi kontraktsförhandlingar med sportchefer och general managers i de olika klubbarna. Agenterna har en egen licensiering och de får kontraktera spelare först efter att de fyllt 16 år i Sverige. Varje klubb har en sportslig enhet med anställda sportchefer eller general managers som sköter spelarrekryteringen åt laget och har en spelarbudget att hålla sig efter och i vissa ligor även ett lönetak med ett maximalt belopp som klubben får betala ut till hela laget och/eller till en enskild spelare. Ett problem som SHL fått på senare år är konkurrensen från KHL, som grundades år 2008. KHL var från början bara bestående av lag från ryska Superligan men är idag utbredd över hela Europa och vissa delar av Asien. KHL är bland annat finansierade av energijätten Gazprom vilket har gjort att ligan kunnat växa otroligt mycket under sina första år. I KHL har man idag ett mycket högt lönetak som ger klubbarna

4

rätt att spendera 100 miljoner svenska kronor på en grupp med 21 spelare plus 40 miljoner på fyra stycken stjärnspelare, det vill säga en total spelarbudget per lag om 140miljoner kronor per säsong (år). Det finns dessutom ett undantag till den här regeln, om man kontrakterar en

spelare med kontrakt i NHL så räknas inte den spelarens lön in under lönetaket, vilket kan höja lönebudgeten ännu högre. Denna lönebudgetnivå kan jämföras med SHL där de lag som ligger högst har en spelarbudget på runt 50-60 miljoner kronor per säsong, men som dock inte begränsas av något lönetak. Detta är bara en av orsakerna till att spelarlönerna i SHL skjuter i höjden. Enligt artiklar i Idrottens Affärer (2013) så sägs bruttomånadslönen i snitt per spelare ligga någonstans runt 90- 100 000 kr, där den bara för några år sedan sades ligga runt 70 000 kr. Vi kan dock se i dataavsnittet i denna studie att utifrån mitt urval så tjänar spelarna ca 52 000 kr i bruttomånadslön. Här finns dock vissa skevheter som att många högavlönade utländska spelare exkluderats och dessutom att spelarna lägger undan stora delar av sin totala ersättning i pensionsfonder för att få skattemässiga fördelar.

3. Teoretisk bakgrund

3.1. Hedonisk prissättningsmodellering

Ett exempel på en marknad där hedonisk prissättning används mycket är fastighetsmarknaden. Där kommer värdet av två olika egenskaper (som kan jämföras) att variera beroende på olika miljömässiga bekvämligheter som finns tillgängliga i de omkringliggande områdena av dessa fastigheter. Om det finns en mätbar prissänkning på fastigheter i närheten av en soptipp (jämfört med andra lägen), pekar skillnaderna i priser på den externa kostnaden av soptippen. Det är den marginella betalningsviljan (för högre huspriser) för de givna skillnaderna i renhet och ”lugn och ro” som kommer med fastighetens läge. Hedoniska regressionsmodeller används för att uppmäta dessa skillnader i pris.

När man applicerar den hedoniska prissättningsmetoden är det första antagandet som görs att värdet av produkten är påverkad av en särskild kombination av egenskaper som den besitter, givet att produkter med bättre kvaliteter ”efterfrågar” högre priser jämfört med produkter med sämre egenskaper. Till exempel priset på en hockeyspelare(produkt) kommer att påverkas av dess karaktäristika i form av prestationsindikatorer (s1, s2,s3,…,sn), strukturella egenskaper (n1, n2, n3…) och lagmässiga attribut (e1, e2, e3…).

Prestationsindikatorer utgörs av exempelvis, målsnitt, poängsnitt, antal spelade matcher och utvisningsminuter. Strukturella egenskaper kan vara alltifrån spelarens kroppslängd, ålder och

5

ursprung. Lagmässiga attribut kan vara exempelvis lagets intäkter, tabellplacering eller inspelade poäng. Stjärnstatus eller rykte kan också inkluderas i form av exempelvis olika individuella utmärkelser, selektering till ”Allstar”-lag, tidigare kaptensuppdrag eller representation i junior- och seniorlandslag. Prisfunktionen blir:

) ... , , ; ... , , ; ... , , (s1 s2 s3 sj n1 n2 n3 nj e1 e2 e3 ej f P (1.0)

Denna funktion kan vara linjär eller icke-linjär. Priset kan förändras i en ökande eller minskande takt när de olika egenskaperna förändras till följd av dess marginella effekter. När prisfunktionen varieras genom någon av de ovan nämnda egenskaperna så erhåller man den implicita prisfunktionen för den specifika egenskapen, dess marginaleffekt på priset. Den anses vara implicit eftersom prisfunktionen är indirekt avslöjad för oss genom vad klubbarna är villiga att betala för att erhålla högre kvaliteter eller kvantiteter av egenskapen. I en regressionsanalys kommer förändringar i spelarens värde (lön) att förklaras av en enhets förändring i varje egenskap/variabel, givet att alla andra egenskaper. Vissa variabler kan dock vara korrelerade, vilket kommer resultera i liknande förändringar i deras värden.

3.2 Mincerekvationen

Mincer-ekvationen är en humankapital-lönefunktion, namngiven efter Jacob Mincer (Mincer, 1974). Lemieux (2006) menar att den är en av de mest använda modellerna i empirisk nationalekonomi. En vanlig specifikation är att anta att logaritmen av löner förklaras av antal år av utbildning och år av arbetslivserfarenhet enligt formeln:

2 2 1 0 ln lny y rS   (2.0)

Där variablerna har följande innebörder; y är lönen (𝑦0är lönen för någon med ingen utbildning och ingen erfarenhet); S är antalet skolår av utbildning, X är år av potentiell arbetslivserfarenhet av arbetsmarknaden. I den här studien är arbetsmarknaden den globala ishockeyarbetsmarknaden men där endast den svenska spelarmarknaden (SHL) utgör grunden för analysen. Utbildning, S, utelämnas och olika prestationsvariabler samt spelaregenskaper och erfarenhetsfaktorer inkluderas i X.

6

4. Tidigare studier

Det har gjorts mycket forskning på lönefaktorer och modellering av löneekvationer inom professionell idrott. Exempel på tidigare forskning som den här studien bygger på är Vincent och Eastman (2009). Deras studie inkluderade karriärinformation på 625 NHL-spelare varav 407 forwards och 218 backar. Genom att använda data från perioden före 2004/2005 lockouten, gör de kvartilregression för att estimera en löneekvation för forwards och backar i NHL. Med OLS erhöll de resultatet att koefficienterna för erfarenhet, poängsnitt, selektering till Allstar-laget, att ha blivit draftad i de två första rundorna samt spelarens aggressivitet (mätt som utvisningsminutsnitt) har det förväntade positiva tecknet och de skattade parametrarna är signifikanta till 95-procentsnivån. De skattade parametrarna för de bakgrundsvariablerna, vilken liga spelarna kom ifrån till NHL, var inte signifikanta och hade försumbara koefficienter. Koefficienten för spelarnas längd var inte signifikant medan vikt hade ett negativt tecken och signifikant till 90-procentsnivån. Genom att kontrollera för variabeln längd kunde man se att det verkar som att tyngre forwards inte kan vara lika offensivt produktiva och därför inte lika välavlönade även om marginaleffekten på lönen var ganska liten. Genom uppmätning med pseudo-𝑅2 _{för kvartilregressionerna kunde visas att} löneekvationen förklarar 32 procent av variationen vid den 10:e kvartilen och förklaringskraften ökar stadigt över den villkorade fördelningen till 62 procent vid 75:e och 90:e kvartilerna.

Resultatet från Vincent och Eastman (2009) studie visar att koefficienterna för erfarenhet, poängsnitt och stjärnstatus har positivt tecken och signifikant effekt på lönen. Samtidigt fann man att de skattade parametrarna för längd, plusminus och klubbens intäkter inte var signifikant vid någon av kvartilerna. Koefficienten för spelares vikt hade en negativ och marginellt signifikant påverkan endast vid medianen. Kvartilregressionerna visade också att förhållandet mellan utvisningssnitt och lönen är mer komplext än det som föreslås av tidigare studier (OLS). Även om den skattade parametern för utvisningssnitt är signifikant i tidigare studier, visar kvartilregressionerna att koefficienten är signifikant enbart för spelarna på den övre halvan av inkomstfördelningen. Lag betalar alltså tid spenderat i utvisningsbåset för vissa spelare från medianlön och uppåt men lågavlönade spelare belönas inte för att sätta sitt lag i numerärt underläge.

Säsongen efter 2004-2005 års lockout, slöts ett nytt kollektivavtal mellan NHL och spelarfacket NHLPA. I detta avtal skrevs att en spelare under 27 år som har mindre än 7 års

7

erfarenhet i NHL skulle anses vara ”restricted free agent”. Det påverkar vad man har rätt till i förhandlingar av nya kontrakt och förväntas därför påverka resultatet av regressionen. Peck (2012) inkluderar data på 710 spelare vilket var alla som uppträdde i mer än 15 av 82 grundseriematcher i NHL säsongen 2011-2012. Peck (2012) fann i sin regressionsanalys fyra signifikanta skattade parametrar för variabler i form av mål, assist, antal matcher i karriären och position. Som förväntat var tecknet positivt för mål, assist och spelade matcher. Den skattade parametern för spelarposition påverkade lönen negativt. Det visade att backar i medelvärde tjänar mer än forwards. Resultaten stödjer tesen om att grupperna har inbördes skillnader som separerar dem. Tre koefficienter visade sig vara insignifikanta. Dessa var för variablerna plusminus, lagets intäkter och Allstar-uppträdande, vilka inkluderats för att se vad som påverkar marginalintäkten av arbetskraften för klubben.

Resultaten illustrerar att det finns anmärkningsvärda likheter mellan sportarbetsmarknader och normala arbetsmarknader. Det som skiljer sig är den guldgruva av data som finns tillgänglig för produktiviteten hos varje enskild spelare. På grund av det här unika faktumet blir variation i lön lättare att analysera, med erfarenhet, men även prestationsindikatorer, såväl som mått på marginalintäkt som förklarande variabler.

Jolly och Hill (2012) skriver i sin studie att traditionella fackförbund försöker institutionalisera betalning(lön) mellan arbetare genom att minska produktivitetsrelaterade skillnader i löner och ökande betalningsskillnader baserat på högre rang och lång tjänstgöringstid eller andra icke produktivitetsrelaterade egenskaper. Förändringar som gjorts av kollektivavtalet i basketligan National Basketball Association (NBA) påverkar lönefördelningen för spelarna över tid. I studien undersöker man lönebestämmande-processen i världens bästa basketliga utifrån dessa aspekter.

Jolly och Hill (2012) använder sig av årlig statistik för NBA-spelare mellan 1989 och 2008, lönedata mellan 1990 och 2008 och biografiska data, vilka består av längd, vikt, födelsedatum och en dummy-variabel, lika med noll för amerikanska spelare med afrikanskt ursprung och ett för alla andra. Syftet med denna studie är att analysera hur kollektivavtalet som infördes 1998 alternerade lönefördelningen och erfarenhetens inkomstprofil för basketspelare över tid. Med fokus på samtliga spelare i urvalet, visade resultaten att ojämlikheten ökade avsevärt till mitten av 1990-talet oavsett vilken data som användes. Gini-koefficienten är som högst 1997 med ett värde på 0,53 och Theil indexet når en topp på 0,547 år 1996. Efter dessa år avtar och minskar de båda måtten. Regressionen där lönen är den beroende variabeln visar att alla

8

använda koefficienterna för erfarenhet, produktivitet och draftnummer har förväntat tecken och är signifikanta till 99-procentsnivån. Koefficienterna för spelarens längd och ursprung visar att längd har det förväntade positiva tecknet och är signifikant på lägre nivå mellan åren 1995-1997, signifikant på hög nivå över samtliga år och positiv men inte signifikant för perioden 1998-2004. Koefficienten för dummy-variabeln ursprung är inte signifikant för hela den undersökta perioden, men positiv och signifikant på 99-procentsnivån för de sista perioderna. De argumenterar att detta resultat kan bero på korrelationen mellan längd och ursprung. Även den här studien visar att man kan förklara variationen i löner hos elitidrottare med hjälp av regressionsmodeller med prestationsindikatorer och egenskaper och få signifikanta resultat.

Leeds et al. (2011) analyserar förklarande variabler för spelarlöner i Nippon Professional Baseball (NPB) genom användning av prestationsdata från 2004 till 2006 och kompenserande data från 2005 till 2007. De finner att lönerna i NPB bestäms av andra faktorer än de som de som avgör lönerna i Major League Baseball (MLB). De finner även att erfarenhet spelar en signifikant roll i lönesättningen, vilket betyder att den japanska prioriteringen av äldre spelare fortfarande existerar i NPB. Slutligen visar de att koefficienten för variabeln ”free agency”, alltså de spelare som är helt fria att förhandla på en konkurrensutsatt marknad, har relativt liten påverkan på lönerna i NPB, vilket betyder att spelarna i NPB utsätts för större monopsoni1 makt än spelare i MLB.

Lönen för professionella basebollspelare är förmodligen det mest studerade ämnet inom sports economics. Den existerande litteraturen har mestadels fokuserat på effekten av monopsoni makt, fackföreningar, diskriminering och ”free agency” på lönerna för nordamerikanska spelare i MLB. Studier för lönesättning i baseboll går tillbaka än till Rottenberg (1956) och hans analys av effekten av monopsoni makt utövad av ägarna. De mest anmärkningsvärda studierna på arbetsmarknaden för baseboll har för övrigt gjorts av Scully (1974), Zimbalist (1992), Krautman (1999) och Krautman et al. (2000). I samtliga dessa studier har de använt empiriska modeller som designats för att jämföra spelares löner med deras marginalproduktivitet. Scully (1974) och Zimbalist (1992) har samma ansats. De använder en tvåstegsmodell där de först mäter hur individuell prestation påverkar lagets prestation, mätt som vinstprocent. I nästa steg skattar de hur lagets vinstprocent påverkar klubbens intäkter.

9

Detta möjliggör att man kan simulera individuella spelares påverkan, marginaleffekt på klubbens intäkter, vilket blir spelarens marginalproduktivitet av arbetskraft.

5. Data

Till skillnad från en vanlig arbetsmarknad som använder faktorer som ålder, utbildning, erfarenhet med mera för att bestämma marginalproduktivitet för arbetaren, så är idrottsligorna unika på det sättet att egenskaper kan tas från förhållandevis lätt insamlande prestationsindikatorer. Det finns alltså stora fördelar när man ska hitta mått på förklaringsvariabler för idrottslöner. Lönedata i den här studien har hämtats från Skatteverket, dels via telefonkontakt, dels via email, och dels via ordinär postgång. Totalt kunde uppgifter för 285 SHL-spelares taxerade årsinkomst 2012 erhållas. För övrigt datamaterial har tre databaser använts, dessa är Svenska Ishockeyförbundets, Svenska Hockeyligan samt Eliteprospects,2 som innehåller namn, personnummer (6 siffror), längd, vikt, mål, assist, matcher, utvisningsminuter och plusminus för samtliga spelare. Dessutom fanns tillgänglig statistik för 147 av de 285 spelarna för istid per match, antal skott och tacklingar per säsong på SHLs hemsida för säsongen 2010/2011.

5.1 Urval

Spelare som representerat ett SHL-lag i minst fem av de 55 ordinarie omgångarna i grundserien säsongen 2011-2012 och/eller 2012-2013 och där lönedata funnits tillgänglig har inkluderats i studien. 285 av totalt 370 utespelare som spelat minst en match i SHL säsongen 2012-2013 har inkluderats, varav 97 backar och 188 forwards. Det betyder att mer än 77 procent av spelarpopulationen är med i urvalet. Av de 85 spelarna som exkluderades var ca 40 procent utländska spelare och 60 procent var juniorer som ännu inte hade ett a-lagskontrakt. Till följd av bortfallet som inkluderade förhållandevis många utländska spelare, vilka ofta tillhörde högproducerande spelare så kan vi förvänta oss att den totala lönenivån i verkligheten ligger något högre än den som anges i denna studie. Dock skall tilläggas att många av de som exkluderats vilka inte ännu hade fått något a-lagskontrakt, oftast spelade utan lön. Det gör att lite av effekten som blir av att de högavlönade utländska spelarna exkluderats, tonas ned av motsatta effekt av de lågavlönade spelarna som exkluderats.

10

5.2 Deskriptiv statistik

Studien inkluderar totalt 285 spelare som spelat mer än fem SHL-matcher, under taxeringsår 2012, d v s säsongen 2011-2012 samt 2012-2013. Lönedata visar att den totala utbetalda lönen till de 285 spelarna för taxeringsår 2012 var 177 511 884 kr, vilket ger en medellön på ca 52 000 kr i månaden, enligt Tabell 5.1 och en hypotetisk spelarbudget per lag på ca 20 miljoner kr. Inom urvalet finns en stor spridning mellan lågavlönade, oetablerade juniorer, och högavlönade, etablerade stjärnor, vilket visar sig tydligt i lönens standardavvikelsen på ca 42 000 kr. Av de undersökta spelarna har ca 32 % representerat seniorlandslaget och ca 74 % har representerat pojk- eller juniorlandslag. De har i medelvärde spelat ca 117 SHL-matcher, i medianvärde spelat 50 SHL-matcher med en standardavvikelse på 149 matcher. Spelarna har ett målsnitt per SHL-match på ca 0,08 med en relativt hög standardavvikelse på ca 0,1. Spelarna har producerat i medelvärde 0,19 poäng per match, har i medelvärde 0,39 utvisningsminuter per match och plus 2,1 mål i karriären, vilka är de viktigaste (mest använda) måtten på offensiv produktion, aggressivitet och defensiv kapacitet när man skattar spelares marginalproduktivitet. Vad gäller spelares strukturella egenskaper finner vi att spelarnas medelålder i SHL är 26,4 år och medellängd ca 184 cm, medelvikt ca 87 kg vilket ger att medelvärdet för spelarnas BMI är 25. Antalet spelade KHL- och NHL-matcher skiljer sig mycket åt inom urvalet vilket speglas av de höga standardavvikelserna på 16 matcher för KHL-spel och hela 110 matcher för NHL-spel. Detta beskriver faktumet att väldigt många spelare har ej överhuvud taget spelat i NHL, medan ett fåtal haft långa karriärer i NHL med flera hundra matcher innan de återgått till SHL-spel.

De övriga prestationsvariablerna istidssnitt, spelade minuter per match samt antal skott och tacklingar per säsong, ger stora standardavvikelser och visar de stora skillnaderna mellan stjärnspelare med mycket speltid och oetablerade spelare få spelade minuter per match. Medelvärdet för samtliga spelare är ca 6,4 minuter, vilket inte är representativt för etablerade spelare. Antal skott på mål per säsong fick ett medelvärde på ca 59, men även där märker vi att det finns väldigt stor variation mellan spelare. Tacklingar är jämnare fördelat över urvalet men har en standardavvikelse på ca 25 tacklingar per säsong.3

Variablerna med starkast positiv korrelation har koefficienter över 0,5, där vi kan se en rad intressanta samband. Vi ser att beroende variabeln lön, har en stark positiv korrelation med SHL-matcher, ålder och antalet skott samt mål-, asisst-, poäng- och istidssnitt. Att ha

11

representerat seniorlandslag har också relativt stark korrelation med lön (0,4534). Vi ser även att forward har en stark positiv korrelation med målsnitt. Att ha representerat seniorlandslag korrelerar starkt med erfarenhetsmåtten SHL-matcher, ålder, samt de indirekta produktivitetsmåtten istidssnitt och skott. Dessutom ser vi att erfarenhet i form av antalet spelade matcher i SHL samt spelarens ålder samvarierar starkt med lönen. Dessutom korrelerar SHL-matcher positivt med poäng- och istidssnitt och allra starkast med det andra erfarenhetsmåttet, d v s spelarens ålder.

Tabell 5.1. Deskriptiv statistik

Variabel Medelvärde Median Std.av Min Max n Lön 51 904 44 083 41 630 0 235 800 285 Back 0,34 0 0,48 0 1 285 Forward 0,66 1 0,48 0 1 285 Landslag 0,33 0 0,47 0 1 285 Juniorlandslag 0,74 1 0,44 0 1 285 SHL-matcher Målsnitt Assistsnitt Poängsnitt Utvisningsminutsnitt Plusminus Ålder Längd Vikt BMI KHL-matcher NHL-matcher Istidssnitt Skott Tacklingar 117 0,08 0,12 0,19 0,40 2,07 26,38 183,56 87,43 25 3,25 26,04 6,43 58,62 25,27 50 0,03 0,07 0,11 0,26 0 26 184 87 25 0 0 15,21 59 20 149,44 0,10 0,13 0,22 0,54 20,41 5,36 5,11 6,61 0 16,15 109,79 8,40 39,45 25,04 0 0 0 0 0 -74 18 168 69 21,45 0 0 0 0 0 744 0,47 0,53 0,85 2,93 131 41 204 107 29,03 196 798 24,05 178 121 285 285 285 285 285 285 285 285 285 285 285 285 147 147 147 Skatteverket, Eliteprospects.com och SHL.se

Att ha spelat många matcher i SHL korrelerar också starkt med att ha representerat seniorlandslaget. Detsamma gäller även för spelarens ålder, ju äldre spelare ju större chans är det att denne har representerat sitt landslag i seniorsammanhang. Målsnitt korrelerar starkt med assistsnitt. Intressant är även att assistsnitt, som är ett mått på offensiv produktivitet, har en stark positiv korrelation med det defensiva produktivitetsmåttet plusminus. Mål-, assist-

12

och poängsnitt korrelerar alla starkt positivt med ålder. Både assist- och poängsnitt (målsnitt precis under 0,5) korrelerar starkt med istidssnitt. Desto mer en spelare är på isen desto fler poäng gör denne. Ännu starkare positivt samband finns mellan antalet skott på mål och spelarens mål-, assist- och poängsnitt, där målsnitt och skott på mål korrelerar allra starkast med en positiv korrelation på ca 0,73. Utvisningsminuter korrelerar starkt med tacklingar och dessutom korrelerar istid och skott starkt positivt med varandra. 4

Tabell 5.2. Korrelation

Lö n

Fw Land J-l SHL Mål Ass Po Utv P-M Å L V BMI KHL NHL Lön 1,0 0 Forward 0,0 1 1,00 Landslag 0,4 5 0,00 1,00 J-landslag 0,1 1 -0,01 0,15 1,00 SHL-matcher 0,5 3 0,08 0,61 0,02 1,00 Mål 0,5 5 0,51 0,40 -0,18 0,47 1,00 Assist 0,5 7 0,25 0,42 -0,22 0,46 0,77 1,00 Poäng 0,6 0 0,37 0,45 -0,22 0,51 0,92 0,96 1,00 Utvis.min 0,3 1 0,05 0,36 0,04 0,44 0,36 0,28 0,33 1,00 Plusminus 0,2 5 0,07 0,19 -0,20 0,29 0,39 0,52 0,49 0,17 1,00 Ålder 0,6 3 0,08 0,58 -0,25 0,79 0,61 0,61 0,65 0,48 0,35 1,00 Längd 0,1 1 -0,14 0,12 0,00 0,05 -0,05 -0,09 -0,08 0,08 0,03 0,06 1,00 Vikt 0,1 4 -0,12 0,20 -0,09 0,18 0,01 -0,08 -0,04 0,27 -0,06 0,23 0,64 1,00 BMI 0,0 6 0,00 0,13 -0,12 0,19 0,07 0,00 0,04 0,26 -0,11 0,24 -0,20 0,63 1,00 KHL-matcher 0,0 8 0,04 0,21 -0,09 0,21 0,21 0,23 0,24 0,07 0,16 0,25 0,06 0,04 -0,01 1,00 NHL-matcher 0,2 9 0,02 0,26 0,03 0,20 0,23 0,26 0,26 0,19 0,23 0,44 0,10 0,07 -0,01 0,09 1,00

Skatteverket, Eliteprospects.com och SHL.se

Intressant är även att forward korrelerar negativt med egenskaperna längd, vikt och BMI. Forward korrelerar negativt med istid vilket gör att vara forward gör att man jämförelsevis har mindre speltid än backar. Att ha representerat sitt land i pojk- och/eller juniorlandslaget korrelerar negativt med alla variabler utom SHL-matcher, utvisningsminuter, NHL-matcher och tacklingar. Både mål- och assistsnitt har en negativ korrelation med spelarnas längd. Plusminus har en negativ korrelation med spelarnas vikt och BMI. Intressant är även att

13

tacklingar korrelerar negativt med plusminus. Dessutom korrelerar spelarens längd negativt med både istid och skott, vilka kan sägas beskriva hur mycket en spelare används och hur aktiv spelaren är i sitt offensiva spel.

6. Empirisk modell och ekonometrisk specifikation

Den empiriska modellen består av 13 variabler där lön är den beroende variabeln som förklaras med hjälp av 12 variabler som ska motsvara spelarnas offensiva produktivitet, defensiva kapacitet, aggressivitet, kroppsliga egenskaper samt erfarenhet och stjärnstatus.

matcher NHL Matcher KHL BMI Längd us Plus utsnitt Utvisnings t Assistsnit Målsnitt matcher SHL slag Juniorland Landslag Back LÖN                             12 11 10 9 min 8 min 7 6 5 4 3 2 1              (3) Dummy-variabeln för back/forward ska visa de olika spelarpositionernas påverkan på spelarlönen. Referensvariabeln back förväntas få ett positivt tecken även om forward är den position som oftare får mer medial uppmärksamhet och avgör fler matcher, detta i enlighet med resultaten i tidigare studier. Landslag är en dummy-variabel där de som spelat i sitt lands seniorlandslag innan säsongen 2011-2012 fått en etta och alla andra en nolla. Att representera seniorlandslaget är ett erfarenhetsmått såväl som ett stjärnstatusmått vilket förväntas ha positivt tecken. Variabeln juniorlandslag fungerar på samma sätt som landslag och är ytterligare ett mått på erfarenhet och stjärnstatus. Att spelaren representerat något av lagen eller både pojk- och juniorlandslag från U16 till J20 förväntas höja lönen, speciellt om spelaren fortfarande är ung och kan anses ha stor utvecklingspotential och vara ett löfte för framtiden.

SHL-, KHL- och NHL-matcher fångar tidsaspekten som är av stor betydelse för spelares erfarenhet och tar i viss mån med samma egenskaper som åldern fångar. Dessa förklaringsvariabler är erfarenhetsmått och kan även inkludera värden som rutin, en spelares förmåga att hålla sig skadefri eller att ha vunnit många matcher i sin karriär. Dessa parametrars förväntade tecken är positiva, där varje extra match som spelarna skaffar sig i erfarenhet värdesätts så att lönen höjs, dock förväntas en avtagande marginalnytta för dessa tidsbaserade variabler. Dessutom förväntas NHL-matcher ha större positiv påverkan på lönen än KHL-matcher, samtidigt som KHL-matcher förväntas ha större påverkan än SHL-matcher, vilket är i enighet med de olika ligornas världsranking.

14

Tabell 6.1. specificerar förväntat tecken för respektive variabel

Oberoende Variabel Förväntat tecken

Back + Landslag + Juniorlandslag + SHL-matcher + Målsnitt + Assistsnitt ₊ Utvisningsminutsnitt - Plusminus ₊ Längd + BMI + KHL-matcher + NHL-matcher +

Målsnitt är ett mått på offensiv produktivitet och förväntas ha positiv påverkan på lönen. Att göra fler mål per match förväntas öka lönen, speciellt för forwards men även för backar. Assistsnitt är ytterligare ett prestationsmått som mäter hur många målgivande passningar spelaren har gjort under sin karriär per spelad match. Assistsnitt är det andra huvudsakliga offensiva produktivitetsmåttet och bildar tillsammans med målsnitt spelarens totala poängsnitt. För offensiva spelartyper är detta den ultimata estimatorn för offensiv produktivitet och därför förväntas dessa variabler ha stor positiv påverkan på lönen. Utvisningsminutsnitt är ett mått på spelarens aggressivitet eller intensitet i spelet, vilket i vissa studier har haft ett förväntat positivt tecken. Dock är minuter spenderade i utvisningsbåset ofta en nackdel för det egna laget och förväntas i den här studien ha ett negativt tecken, d v s ju fler utvisningsminuter per spelad match ju lägre lön. Utvisningsminutsnitt förväntas också ha mindre negativ påverkan för defensiva spelartyper som ofta sätts i situationer på planen där det är nödvändigt att ta en utvisning för att förhindra motståndaren från att göra viktiga mål. Därmed förväntas en mindre negativ påverkan på lönen för backar än för forwards.

Plusminus är ett mått på defensiv produktivitet. Det mäter hur många gånger som spelaren befunnit sig på isen när det egna laget gjort mål minus när motståndarna gjort mål, vid spel

15

med lika många spelare på planen. Att ha varit på planen vid fler plusmål förväntas ha en positiv påverkan på lönen. Kroppslängd och kroppssammansättning, mätt som längd i centimeter och BMI, förväntas ha en positiv påverkan på lönen. Större spelare har i allmänhet större styrka än mindre spelare, vilket anses positivt för förutsättningarna att prestera, speciellt i defensiven. Därmed förväntas en positiv påverkan med ökande kroppsstorlek, dock med avtagande marginalnytta, då en för tung eller överviktig spelare inte kommer att ha fördel av att bli tyngre. BMI har valts som mått, eftersom det är relaterat till kroppslängden och ger en bild av spelarens kroppsliga sammansättning. BMI blir för hockeyspelare i regel ett mått på hur mycket muskelmassa man har och därigenom ett indirekt mått på fysisk styrka. En starkare spelare förväntas ha fördelar i det defensiva spelet och därmed är det förväntade tecknet på koefficienten för BMI positiv.

7. Resultat

Studien presenterar resultat från tre olika regressionsmodeller. I Modell 1 inkluderas samtliga 18 förklaringsvariabler. I Modell 2 har de tre variablerna istidssnitt, skott och tacklingar tagits bort för att kunna få fler observationer på övriga 15 variabler. I Modell 3 har hänsyn tagits till korrelation mellan dessa 15 variabler och variablerna poängsnitt, ålder och vikt uteslöts på grund av sin höga korrelation med andra variabler. Resultaten från regressionsanalysen visar att variablerna; landslag, juniorlandslag, SHL-matcher, poängsnitt, ålder, vikt och NHL-matcher har positiva koefficienter samt att utvisningsminutsnitt har en negativ koefficient. I Modell 1 är samtliga signifikanta till 90-procentsnivån utom juniorlandslag och utvisningsminuter, vilka är signifikanta till 90-procentsnivån i Modell 2 men är inte signifikanta i Modell 3. De uppmätta p-värdena i Modell 2 visar att fem av 15 är signifikanta till 95-procentsnivån och 9 av 15 är signifikanta till 90-procentsnivån.

Förklaringsvärdet i form av justerade 𝑅2_{är 0,43 i Modell 3 och 0,49 i Modell 2, där ytterligare} tre oberoende variabler i form av poängsnitt, ålder och vikt inkluderades. I Modell 1 inkluderades ytterligare tre variabler, vilka var istidssnitt, skott och tacklingar per säsong och hade en förklaringsgrad på 0,49. De koefficienter som avviker mot det förväntade tecknet i den slutgiltiga regressionen, Modell 3, är för variablerna back, plusminus och KHL-matcher. Av dessa är back och KHL-matchers koefficienter signifikanta till 95-procentsnivån medan plusminus skattade parameter inte är signifikant i någon av modellerna. Genom att utesluta den oberoende variabeln poängsnitt som är starkt korrelerad med målsnitt och assistsnitt så

16

skiftade koefficientens tecken från negativt till det förväntade positiva och både mål- och assistsnitt blev signifikanta till 95-procentsnivån.

Tabell 7.1 visar de tre regressionsmodellerna som använts i studien

Modell 1 Modell 2 Modell 3

Variabel Koefficient T-värde Koefficient T-värde Koefficient T-värde

Back 9 043 1,44 9 075*** 2,13 9 604*** 2,15 Landslag -1 612 -0,27 11 815*** 2,16 15 963*** 2,81 Juniorlandslag 2 538 0,39 8 679** 1,95 641 0,14 SHL-matcher 24 0,89 2 0,09 54*** 2,77 Målsnitt 33 000 0,27 -9 714 -0,08 112 011*** 2,60 Assistsnitt -22 873 -0,21 -51 577 -0,41 72 617*** 2,49 Poängsnitt 71 402 0,66 105 604 0,86 Utvisningsminussnitt -3 095 -0,57 -9 128*** -2,05 -7 552 -1,62 Plusminus -95 -0,98 -77 -0,79 -93 -0,90 Ålder 1 346 1,27 3 334*** 5,26 Längd -13 697 -1,30 -10 937** -1,66 141 0,37 Vikt 15 116 1,39 11 394** 1,66 BMI -51 559 -1,41 -39 360** -1,7 1 040 0,77 KHL-matcher -432*** -2,16 -322*** -2,69 -296*** -2,36 NHL-matcher 16 0,71 4 0,23 35** 1,91 Istidssnitt 1 340** 1,69 Skott 42 0,40 Tacklingar -10 -0,08 Konstant* 2 511 722 1,29 1 974 008 1,63 -29 775 -0,37 n= 147 285 285 Justerade R²= 0,49 0,49 0,43

**=P-värde mindre än 0,1 ***=P-värde mindre än 0,05 Skatteverket, Eliteprospects.com och SHL.se

De skattade parametrarna med lägst t-värden i Modell 3 är för juniorlandslag, plusminus, längd och BMI, vilket delvis är ett resultat av att det finns en stor spridning hos de variablerna med relativt höga standardfel. Koefficienterna för variablerna back/forward, landslag, SHL- och KHL-matcher samt mål- och assistsnitt är signifikanta på 95-procentsnivån. Erfarenhets- och stjärnstatusmåttet NHL-matchers koefficient är signifikant på 90-procentsnivån. Genom att utesluta den oberoende variabeln ålder och behålla SHL- tillsammans med KHL- och NHL-matcher som erfarenhetsmått kunde signifikansen höjas till 95-procentsnivån för dessa skattade parametrar.

17

Storleken på koefficienterna visar att spelarposition, landslagsmeriter, målsnitt och assistsnitt är de variabler som har störst påverkan på lönen. Dessutom kan vi se att i samtliga tre modeller har utvisningsminutsnitt en stor negativ påverkan på lönen.

8. Diskussion

8.1. Analys och diskussion om korrelationsresultaten

Hög offensiv produktivitet påverkar lönen starkt positivt, både genom att höja sitt mål- och assistsnitt så kommer lönen att öka. Eftersom forwards i medelvärde har högre offensiv produktivitet än backar förväntade vi oss högre lön i medelvärde för forwards. Men eftersom lagen använder sig av fler forwards än backar så kommer standardavvikelsen för forwards lön att vara större än backars, även sett över hela ligan, eftersom lönen kommer att skilja sig mycket mer mellan de mest högavlönade och de lågavlönade forwards jämfört med backarna. Variabeln landslag korrelerar starkt med erfarenhetsmåtten SHL-matcher och ålder, där tidsaspekten är av vikt för den underliggande förklaringen. Desto äldre man blir, ju fler matcher man spelar, desto större är chansen att få representera landslaget. Detta gör att alla de här erfarenhetsmåtten tillsammans får väldigt stor positiv påverkan på lönen, vilket gör att äldre spelare får högre lön och ålder blir en signifikant faktor med stor påverkan men egentligen är det inte den stigande åldern som spelare belönas för. De indirekta produktivitetsmåtten istidssnitt och skott korrelerar också starkt med landslaget, vilket betyder att ju fler skott och ju mer istid en spelare har desto större chans är det att denne kommer med i landslaget. Att ha mycket speltid och därmed synas mycket och få mycket tid på sig att vara aktiv och produktiv i sitt offensiva spel genom att skjuta mycket och göra mycket poäng kommer att öka chansen att få representera landslaget.

Målsnitt korrelerar starkt med assistsnitt vilket tyder på att en offensivt produktiv spelare ofta är produktiv både genom att göra mål själv och passa pucken till sina lagkamrater som gör mål. Det är också intressant att assistsnitt, har stark positiv korrelation med det defensiva produktivitetsmåttet plusminus. Kanske har en spelare med bra spelförståelse förmågan att ”läsa spelet” bra i både offensiva och defensiva situationer? Intressant är dessutom att se positionen forward korrelerar negativt med längd, vikt och BMI, vilket tyder på att spelarens storlek har mindre betydelse för en forward än för en back. Poängsnitt korrelerar negativt med storlek och kanske är det så att små spelare måste vara mer offensivt produktiva för att få

18

speltid i SHL medan stora spelare ofta anses ha defensiva fördelar, genom att med sin fysik kunna sätta stopp i spelet för motståndarna. Tacklingar som tillhör både offensiv och defensiv produktion beroende på hur de utnyttjas, korrelerar negativt med plusminus. Kanske är det så att de som tacklas mycket spelar i de lägre rankade ”femmorna”, där istiden är mindre och där man ofta spelar med mindre offensivt produktiva spelare vilket gör att man inte är inne på lika många plusmål framåt som de i de högre rankade femmorna.

8.2. Analys och diskussion av regressionsresultaten

Back hade som förväntades en positiv koefficient och påverkan på lönen vilket överensstämmer med tidigare forskning. Det kan bero på att backar ofta har mer speltid än forwards, vilket gör att de blir viktiga för laget. Vi kan se att de skattade parametrarna för samtliga tre offensiva produktivitetsvariabler har stor och signifikant effekt på spelarnas lön, vilket är i enlighet med tidigare forskningsresultat. Att den skattade koefficienten för offensiv produktivitet är högre än koefficienten för spelade matcher överrensstämmer med att spelarna i medelvärde har många fler spelade matcher än mål och assist. Men över tid så ger extra matchers erfarenhet ändå relativt stor påverkan på lönen, eftersom de samlar på sig fler matcher än poäng.

En av variablernas koefficienter vars tecken skiljde sig från förväntat tecken och inte var signifikant var plusminus, vilket är svårt att förklara men troligen så finns en del av förklaringen i att även denna korrelerar väldigt starkt med mål-, assist- och poängsnitt. Dessutom kan det finnas andra bakomliggande förklaringar såsom lagets kvalitet och resultat, som ger väldigt stor effekt på en spelares plusminus, vilket kanske inte alltid speglar hans individuella defensiva prestationsförmåga eller hur arbetsgivarna ser på denna. Det finns en logik i att försöka mäta en spelares defensiva kapaciteter som en del av hans lönegrundande faktorer, men detta är den allra mest svårfångade faktorn. Den skicklighet som för ett tränat öga kanske är uppenbar, till exempel hos en coach, kanske däremot inte är lika lätt att skriva ner på papper och göra mätbar. Dessutom som Ashman och Lambrinos (2007) påpekar i sin studie så är de bästa defensiva spelarna oftast på isen när motståndarna har sina bästa offensiva spelare ute. Det betyder att de bästa defensiva ofta har de allra tuffaste defensiva arbetsuppgifterna och därmed blir ett mått där detta inte tagits hänsyn till, såsom plusminus, svårt att använda för statistiska jämförelser. När man då jämför backar med andra backar rakt över och inte tar hänsyn till vilka de har matchats med och mot så förstår vi att de kan bli en jämförelse mellan spelare som har utsatts för helt olika situationer med olika förutsättningar.

19

Detta kan naturligtvis ge ”skeva” eller missvisande resultat när man använder exempelvis plusminus som mått på defensiv prestation. Som påpekats tidigare så är det också svårt att fånga defensiv produktivitet med plusminus eftersom det även inkluderar offensiv produktivitet.

KHL-matcher har också negativ koefficient vilket strider mot det förväntade tecknet och är svårt att förstå intuitivt men det kan bero på olika faktorer som bör kontrolleras närmare. Till exempel bör kontrolleras för vilka spelare det är som spelat i KHL och sedan kommit till SHL. Kan det vara så att i stor utsträckning är det spelare som inte riktigt räckt till i KHL och kommer till SHL efter att inte ha platsat fullt uti KHL? Att erfarenhet av ett lyckat KHL-spel skulle ha negativ effekt på lönen är ologiskt och orsakerna till att regressionen visar signifikant negativ effekt av den skattade parametern bör sökas efter i framtida studier. Det är tämligen osannolikt erfarenhet av spel i världens näst bästa liga skulle värderas negativt av de som sätter lönen som spelaren sedan får i SHL. En annan möjlig orsak kan vara att spelaren tjänat så bra i KHL att denne väljer att avsätta en större del av sin ersättning i pensionsfonder och istället ha en lägre månadslön när spelaren kommer till SHL. En tredje orsak skulle kunna vara spelarens ålder, dvs att spelaren har nått sin ”peak” och är på dalande i karriären när de väljer att spela i SHL efter KHL-spel och därmed inte anses besitta lika stor framtida potential som en yngre spelare.

Vincent och Eastman (2009) argumenterar för att utvisningsminutsnitt kan fånga upp två olika effekter. De lågavlönade spelarna kanske i större utsträckning ådrar sig ”onödiga” hämndutvisningar, vilka inte är associerade med försök att göra mål. Dessa utvisningar skulle kunna kategoriseras som ”oproduktiva utvisningar”. Högavlönade spelare kanske i större utsträckning ådrar sig utvisningar medan de pressar motståndarna aggressivt och på det viset uppvisar mer intensitet i ambition om att erövra och få kontroll på pucken för att kunna göra mål. Här finns alltså en eventuell skiljande förklaringsmodell för hur utvisningsminuter påverkar lönen för lågavlönade respektive högavlönade spelare. Något som inte kunnat fångas in i den här studien.

I den tidigare forskningen har man ofta inkluderat en lagvariabel för att fånga in effekten som resterande spelarna i laget har på den enskilde spelarens lön. Lagets prestation påverkar alla delar i en specifik spelares prestation. Likaså hävdar Blair (2012), att en spelare kommer att ha en högre marginalproduktivitet om han sätts ihop med bättre spelare. Vad gäller marginalproduktiviteten så kommer naturligtvis ett lag att värdera en spelare med högre

20

marginalproduktivitet högre än en spelare med lägre sådan. Genom att addera ännu mer begåvade spelare till laget kan man få ut mer av de redan existerande spelarna. Man höjer ”overall utility” på alla sina spelare genom att addera en spelare med högre marginalproduktivitet. Därmed finns här en källa till mer förståelse och högre förklaringsgrad som inte utnyttjats i den här studien. Att inkludera lagets inspelade poäng under säsongen, hur många mästerskap ett lag vunnit eller på något sätt hitta ett mått för den aggregerade produktiviteten av resten av laget, genom att summera upp ett medelvärde för dessa skulle kunna hjälpa oss att förstå mer av vad som förklarar lönenivån eller en spelares totala värde på arbetsmarknaden. Rent intuitivt så känns konceptet med lagets påverkan på spelarens värde logiskt, ett lag med spelare med hög skicklighet kommer sannolikt att prestera bättre än en lag som har endast en skicklig spelare som är omringad av mediokra lagkamrater. Eftersom en spelares värde påverkas så pass mycket av laget som den spelar i så hade det varit intressant att inkludera en lagvariabel i en liknande framtida studie på SHL.

8.3. Kritisk diskussion om metod och data

Ett antal spelare som inkluderats i studien har 0 i poängsnitt, vilket inkluderar spelare som inte gjort någon poäng i SHL innan säsongen 2011-2012, ofta oetablerade spelare med minimal speltid. Det bidrar naturligtvis till en skevhet av de olika skattade parametrarnas påverkan över hela lönefördelningen i studien vilket hade kunnat skiljas på genom att dela upp spelarna i grupper, exempelvis så som Vincent och Eastman (2009) gjorde i sin studie där de delade upp dem i kvartiler utifrån olika grader av lön från lågavlönade spelare till högavlönade. Då kunde de fånga upp signifikanta skillnader mellan dessa grupper. Att många av spelarna som utgör bortfallet i den här studien också var utländska spelare, som ofta värvas in som toppspelare och därmed också ofta är bland de som har de högsta lönerna bidrar till att siffrorna som studien presenterar kan ligga på en lägre nivå än om dessa spelare hade inkluderats. Även de utländska spelarna som är med i studien kan mycket väl ha fått en högre ersättning än de som redovisats som taxerad årsinkomst hos Skatteverket då de kan få ”sign-on”-bonusar när de skriver på sitt första kontrakt. En annan mycket stor faktor är den att spelarna ofta lägger en del av sin totala ersättning från klubbarna i olika gynnsamma pensionsfonder vilka ofta sägs utgöra 30-40 procent av spelarens ersättning. Eftersom spelarna själva kan välja hur stor del av sin totala ersättning som de vill ta ut i lön respektive lägga undan i form av pensionsfonder så kommer även detta bidra till en skevhet i bilden av hur hög total ersättning spelarna har. Generellt sett brukar man också säga att de som tjänar mer lägger undan mer i pensionsfonder, då de vill hålla sin taxerade årsinkomst under vissa

21

nivåer för att få skattemässiga fördelar. Därmed så kanske de med allra högst ersättning ligger ännu högre än de siffror som den här studien använder.

Det finns dessutom fler variabler som förklarar och påverkar lönenivån för spelarna i SHL än de som inkluderats i den här studien. Detta kan vi exempelvis se på förklaringsgraden. Andra variabler som kan tänkas ha en stor påverkan är klubbens intäkter och lagets prestationer. Det finns, som nämnts tidigare, visat i tidigare forskning att spela med duktigare lagkamrater höjer en spelares värde. En annan egenskap som skulle kunna tänkas påverka lönen är fansens preferenser för spelaren och spelarens rykte och popularitet i media osv. Där har lagen en potential attraktionskraft och eventuellt ett etablerat namn som man kan tjäna pengar på genom att sälja matchtröjor och andra souvenirer.

9. Slutsatser

Studien visar i enlighet med tidigare forskning att prestationsindikatorerna mål, assist, poäng och spelade matcher förklarar variationen i spelarlöner. Studien visar även signifikanta resultat för andra variabler i form av utvisningsminuter och tidigare erfarenhet av landslagsspel, selektering i olika stjärnlag eller kroppsliga karaktäristika men dessa är inte lika enkla att tolka. I den här studien visas att en elitishockeyspelares lön påverkas starkast av spelarposition (back/forward), landslagsmeriter, målsnitt och assistsnitt.

Hur bestämmer då general managers sitt pris på spelarna när de skriver kontrakt, vad utgår de ifrån och hur bedöms spelarnas prestation gentemot den lön som de tilldelas varje månad? Att arbeta fram ekonomiska hjälpverktyg för att bedöma spelare, agenter, sportchefer, klubbägare och andras arbete blir mer och mer användbart ju mer kapital som idrotten omsätter. Fokus i den här studien är att applicera statistiska mätningar och nationalekonomisk teori i enlighet med tidigare forskning och lönebildningsteori på SHL och inte att ta fram några praktiska verktyg, men modellerna som tagits fram kan ändå anses vara användbara i sådana sammanhang.

9.1. Tips på framtida forskning

Framtida forskning borde undersöka fler förklaringsvariabler för att fånga in mer av det som förklarar variationen i spelares löner. Det kan inkludera exempelvis lagmässiga attribut, såsom inspelade poäng eller klubbens totala intäkter, men även att försöka hitta bättre

22

spelares defensiva egenskaper där det i nuläget råder brist på bra statistiska mått. Intressant vore även att inkludera fler bakgrundvariabler som exempelvis vart man spelade som junior eller vilken nation man kommer ifrån. Ett annan intressant sak hade varit att få tillgång till data på den totala ersättningsnivån för att inkludera pensionsavsättningar, olika bonusar och även få med alla utländska spelare som ofta har en annorlunda lönebild jämfört med de svenska. Det behövs även noggrannare, mer djuptgående studerande av bakomliggande faktorer till spelarpositionernas marginaleffekt på lönen för att förstå detta, samt varför KHL-erfarenhet i den här studien visade sig ha signifikant negativ påverkan på lönen.

Referenslista

Elektroniska källor (internet)

Hockeysverige; http://old.hockeysverige.se/blogg/mikael-mjornberg/14503048/offentliga-loner-vore-bra 2013/06/09 Pucksnack; http://pucksnack.com/2013/11/22/hockeyloner-och-stolta-svenskar/ Idrottens Affärer; http://www.idrottensaffarer.se/kronikor/2013/12/hockeylonerna-aktuella-igen www.dn.se/sport/shl-planerar-lonetak-for-klubbarna/ Vetenskapliga artiklar

Audini, Corrado, “A Dynamic Mincer Equation with an Application to Portuguese Data”, Applied Economics, June-July 2010, v. 42, iss. 16-18, pp. 2091-98

Vincent, Claude; Eastman, Byron, 2009, ”Determinants of Pay in the NHL: A Quantile Regression Approach”, Journal of Sports Economics, Juni 2009, v. 10, iss. 3, pp. 256-77 Kahane, Leo H, 2012, “Salary Dispersion and Team Production: Evidence from the National Hockey League”, The oxford handbook of sport economics, volume 2, Economics through sports, ISBN 0-19-538778-3, 978-0-19-538778-0, 2012-01-01, pp.153-171.

Peck, Kevin, 2012, “Salary Determination in the National Hockey League: Restricted, Unrestricted, Forwards, and Defensemen”, Honors Theses. Paper 2327.

23

James R. Hill, Nicholas A. Jolly 2012, “Salary Distribution and Collective Bargaining Agreements: A Case Study of the NBA”, Volume 51, Issue 2, pages 342–363, April 2012 Lemieux, Thomas, 2006, "The 'Mincer equation' Thirty Years after Schooling, Experience, and Earnings" in Jacob Mincer: A Pioneer of Modern Labor Economics, Shoshanna Grossbard, ed., Springer: New York. pp. 127–145.

Mincer, Jacob, 1974, “Schooling, Experience and Earnings”, New York: National Bureau of Economic Research.

Mincer, Jacob, 1958, "Investment in Human Capital and Personal Income Distribution", Journal of Political Economy 66 (4): 281–302. JSTOR 1827422

Lambrinos, James, och Thomas Ashman, 2007, "Salary Determination in the National Hockey League Is Arbitration Efficient?", Journal of Sports Economics 8.207 (2007): n. pag. Leeds, Michael A.; Sakata, Sumi; von Allmen, Peter, 2012,“Labor Markets and National Culture: Salary Determination in Japanese Baseball”, Eastern Economic Journal, v. 38, iss. 4, pp. 479-94

Krautmann, Anthony, 1999 “What’s Wrong with Scully-Estimates of a Player’s MRP?” Economic Inquiry, 37(April): 369–381

Krautmann, Anthony C., Larry Hadley, och Elizabeth Gustafson. 2000, “Who Pays for Minor League Training Costs?” Contemporary Economic Policy, 18(Januari): 37–47

Krautmann, Anthony C., Peter von Allmen, och David Berri. 2009, “The Underpayment of Restricted Players in North American Sports Leagues”, International Journal of Sport Finance, 4(Augusti): 161–175

Rottenberg, Simon, 1956, “The Baseball Players’ Labor Market”, Journal of Political Economy, 64(Juni): 242–258

Scully, Gerald, 1974, “Pay and Performance in Major League Baseball”, American Economic Review, 64(December): 915–930

Zimbalist, Andrew, 1992, “Salaries and Performance: Beyond the Scully Model”, Diamonds are Forever: The Business of Baseball. av Paul M. Sommers, Washington, DC: Brookings Institute.

Abowd, J, Finer, H, Kramarz, F, 1999, "Individual and Firm Heterogeneity in Compensation: An Analysis of Matched Longitudinal Employer and Employee Data for the State of

Washington", in J.Haltiwanger, J. Lane, J. Spletzer, K. Troske eds, The Creation and Analysis of Employer-Employee Matched Data, North-Holland, 3-24.

Böcker

Heinemann, K., 1995, An introduction to sports economics: a handbook, 3-7780-1571-0, 1996180776

24

Blair, Roger D, 2012 “Sports Economics”, New York: Cambridge UP, 2012.

Zimbalist, Andrew, 1992, “Baseball and Billions” New York: Basic Books.

Appendix med Tabeller

Deskriptiv statistik

Tabell A.1. ovan visar deskriptiv statistik för samtliga 97 backar som inkluderades i studien

Variabel Medelvärde Median Std.av Min Max n

Lön 51612 43583 40257 0 171200 97 Landslag 0,75 1 0,47 0 1 97 Juniorlandslag 0,75 1 0,43 0 1 97 SHL-matcher 114,78 39 156,49 0 744 97 Målsnitt 0,04 0 0,05 0 0,19 97 Assistsnitt 0,09 0,06 0,11 0 0,53 97 Poängsnitt 0,12 0,07 0,15 0 0,64 97 Utvisningsminutsnitt 0,40 0,30 0,48 0 2,26 97 Plusminus 1,42 0 19,32 -39 131 97 Ålder 25,96 25 5,6 18 41 97 Längd 184,87 184 5,41 175 204 97 Vikt 88,9 88 7,47 72 107 97 BMI 26 26 1,62 21,50 29,03 97 KHL-matcher 2,86 0 12,85 0 86 97 NHL-matcher 16,17 0 78,34 0 628 97 Istidssnitt 14,89 16,53 6,55 0 24,05 53 Skott 45,02 38 36,5 0 139 53 Tacklingar 22,26 14 25,41 0 99 53

25

Figur A.2. ovan visar deskriptiv statistik för samtliga 188 forwards som inkluderades i studien

Variabel Medelvärde Median Std.av Min Max n

Lön 52 055 45 084 42 426 0 235 800 188 Landslag 0,32 0 0,47 0 1 188 Juniorlandslag 0,73 1 0,45 0 1 188 SHL-matcher 117 53 146,10 0 673 188 Målsnitt 0,10 0,07 0,11 0 0,47 188 Assistsnitt 0,13 0,09 0,14 0 0,52 188 Poängsnitt 0,23 0,16 0,24 0 0,85 188 Utvisningsminutsnitt 0,39 0,22 0,56 0 2,93 188 Plusminus 2,40 0 21 -74 118 188 Ålder 26,59 27 5,24 18 39 188 Längd 182,89 183,5 4,82 168 193 188 Vikt 86,68 87 6,01 69 102 188 BMI 25,9 25,9 1,35 21,45 29 188 KHL-matcher 3,45 0 17,64 0 196 188 NHL-matcher 31,14 0 122,80 0 798 188 Istidssnitt 13,03 14,46 4,72 0 20,18 94 Skott 66,29 65,50 39,16 0 178 94 Tacklingar 26,96 22 24,81 0 121 94

Skatteverket, Eliteprospects.com och SHL.se

Tabell A.2.2. ovan visar fullständig korrelationsdata för samtliga variable för de 97 backarna i studien

26

Tabell A.2.3 visar korrelationskoefficienter för samtliga variabler för de 188 forwards som inkluderades i studien