UPPSATSER:
Kulturgeografiska institutionen
Högskolans effekt på gymnasieelevers studieresultat
En kvantitativ undersökning om en högskolas effekt på gymnasieelevers betyg i olika socioekonomiska
områdestyper
Maéva Hachem
2 ABSTRACT
Hachem, M. 2017. Högskolans effekt på gymnasieelevers studieresultat – En kvantitativ undersökning om en högskolas effekt på gymnasieelevers betyg i olika socioekonomiska områdestyper. Kulturgeografiska institutionen, Uppsatser, Uppsala universitet.
A university has been shown to have a positive effect on society and has led to greater awareness of the social problems found in our towns today and a willingness to openly discuss and resolve them. Universities have a social and civic role that improves the social living conditions in the areas surrounding them. A university also improves the local economy by creating jobs and attracting new businesses which in turn lead to an improved infrastructure and a subsequent decrease in residence segregation.
Residential segregation is a growing phenomenon in Sweden where students living in disadvantaged areas are less likely to succeed in school than students living in more advantaged areas, as is often shown by their school results.
The purpose of this study is to analyze a university’s effects on high school student’s grades in different socioeconomic living areas in Sweden. Is there a correlation between the student’s grades in these areas and the presence of a university in the region? To analyze these effects, a multilevel regression model in two scales has been used.
This thesis shows that a direct correlation exists between high school students’ grades and the presence of a university in the region. A university has a strong improving effect on the grades of students from highly resourceful areas. The study further illustrates that although a new university will lead to an improvement of the general standard of education of a region, the introduction of more universities does not result in an increase in the number of people with a university education.
Keywords: university effects, residential segregation, education, grades, school results Handledare: Lina Hedman, filosofie doktor i kulturgeografi.
3 INNEHÅLLSFÖRTECKNING
1. INLEDNING 4
1.1 Syfte och frågeställningar 5
1.2 Disposition 6
1.3 Begreppsanvändning 6
2. TEORETISKA UTGÅNGSPUNKTER 6
2.1 Universitetets effekt på samhället 6
2.2 Boendesegregation och utbildning 9
3. METOD OCH DATA 12
3.1 Data 12
3.2 Analys 15
4. RESULTAT 16
4.1 Områdesindelning 16
4.2 Betygsgenomsnitt för olika områdestyper 18
4.3 Högskoleutbildade och en högskolas närvaro 20
4.4 Regressionsanalys 22
5. AVSLUTANDE DISKUSSION 26
KÄLL- OCH LITTERATURFÖRTECKNING 29
4
1. INLEDNING
Högskolestudier är ett allt vanligare val bland ungdomar idag. Statistiska Centralbyrån (SCB) visar i en undersökning att antalet utfärdade examina på kandidatnivå har fördubblats på tio år och antalet utfärdade examen på denna nivå är högre än någonsin. Samtidigt är de examinerade allt yngre (SCB, 2014, ss. 2 – 3). En undersökning från Universitetskanslersämbetet (UKÄ, 2016a) visar att antalet ungdomar som väljer en högskoleutbildning har ökat kraftigt sedan 1980-talet, men återigen minskat under det senaste året. Undersökningen visar vidare att viljan hos gymnasieelever för eftergymnasiala studier har ökat.
Förutom ett ökande antal studenter och examinerade på grund- och avancerad nivå har Sverige också sett en stor ökning av antalet universitet och högskolor i de svenska kommunerna som en följd av forskningspolitikens framväxt. I Sverige finns idag 16 universitet och ett stort antal högskolor vars uppgift är att utbilda, forska och samverka med det omgivande samhället (UKÄ, 2016b). Vissa universitet är betydligt äldre, mer prestigefyllda och därmed mer etablerade än andra. De äldre universiteten har alltid konkurrerat med varandra men för de nya och yngre universiteten och högskolorna är konkurrensen stark då de konkurrerar med andra nyetablerade universitet men också med de större universiteten. På grund av den starka konkurrensen om ansökningarna till studieplatserna, har universiteten och högskolorna, stora som små, satsat mer och mer på sin marknadsföring. (Larsson & Wood, 2005). Faure (2009) visar att ett ökat antal universitet och en ökad geografisk utbredning leder till en större tillgång till den akademiska världen för ungdomar som i andra fall inte hade ansökt till högskoleutbildning på grund av universitetets eller högskolans läge. En av faktorerna som är avgörande för valet av högre utbildning är den lokala och regionala arbetsmarknaden (Skolverket, 2004). Näringslivets har också ett ökat behov av specialutbildad arbetskraft som högskoleutbildningar genererar (Pierre, 2014).
Med tanke på den ökade andelen högskoleutbildade och de ökade möjligheterna till högskolestudier i närheten av hemmet, väcks frågan om denna ökade akademiska närvaron har någon effekt på elevers ambitioner och studieprestationer i gymnasieskolan och på deras gymnasiebetyg vilka har en avgörande roll om ungdomen kan söka vidare till högskolestudier eller inte.
Universitet har enligt Fernández-Esquinas & Pinto (2014) en stor utvecklande effekt på staden. Förutom utbildning, forskning och ett tätt samarbete med kommunen bidrar ett universitet med högutbildad arbetskraft, ekonomisk utveckling, utveckling av den fysiska infrastrukturen i staden vilket leder till bland annat ett större samhällsengagemang. Alla dessa samhällsaspekter påverkar varandra och bidrar tillsammans till utvecklingen av staden och kommunen, med universitetet som drivkraft. Följderna av utvecklingen blir ett samhälle som är medvetet om och förmöget att påverka de sociala orättvisor och problem som finns i kommunen.
Boendesegregation är ett växande fenomen i Sverige och ett ökande antal områden kan karaktäriseras som socioekonomiskt ”utsatta”. Utbildningsnivån i denna typ av områden med låg socioekonomisk status är ofta låg och ungdomarna har i genomsnitt lägre betyg och en lägre ansökningsfrekvens till högskoleutbildningar efter gymnasiet jämfört med ungdomar från
5
välbärgade områden (Skolverket, 2004; Sundlöf, 2008. s. 32). Många forskare är eniga om att bostadsområdet kan påverka individens val av utbildning och karriär men kan också påverka en människas attityder och värderingar till exempelvis skolan och högre utbildning (Sundlöf, 2008; Lindvall, 2009; Andersson et al., 2010). Omgivningens betydelse för individens val av utbildning och karriär har behandlats i flera studier, bland annat av Gregory (2009) som konstaterat att den typ av område en person bor i kan ha betydelse för huruvida han eller hon kommer att utbilda sig vidare vid en högskola eller universitet. Bostadsområdet är också betydelsefullt för hur väl en elev kommer att prestera där skillnader har setts i skolresultaten beroende på hur välbärgat ett område är. Detta har enligt flera forskare, bland andra Kölegård Stjärne et al. (2007) en koppling till sociala nätverk där personer av samma sociala härkomst har en tendens att påverka varandra, till exempel genom att efterlikna varandras värderingar, handlingar och beteenden. En elev vars sociala nätverk inte lägger mycket vikt på skola och studieresultat kan själv komma att få liknande värderingar och inställningar till, i detta fall utbildning.
Närhet till en högskola påverkar alltså enligt Faure (2009) huruvida gymnasieelever söker vidare till högskoleutbildningar. Samtidigt som det finns tecken på att universitet är positiva för stadsutvecklingen och förbättrar villkoren för socialt utsatta grupper i staden genom att bidra med forskning och kunskap, växer boendesegregationen i de svenska städerna. Det finns även tecken på att universiteten påverkar utbildningsnivån i kommunen men också på områdesnivå där högutbildade väljer att bosätta sig i anslutning till universitet (Kölegård Stjärne et al., 2007).
Alla dessa faktorer som påverkar boendesegregation, vilka i sin tur påverkar ungdomars studieresultat väcker frågan om ett universitet eller högskola påverkar gymnasieelevers studieresultat och därmed chanser att söka vidare till högskolestudier i jämförelse med områden som inte har samma tillgång till universitet inom samma kommungräns. En del forskning har gjorts kring universitetens roll i samhället och påverkan på regionen de befinner sig i. Det har även gjorts en hel del forskning om hur ett område påverkar ungdomarnas studieresultat. Såvitt författaren är medveten om saknas dock forskning som knyter dessa två forskningsfält, om vilken effekt ett universitet har på studieresultat i olika områden. Rimligtvis påverkar gymnasiebetygen sannolikheten att söka vidare till en högskoleutbildning efter gymnasiet där ett högre betyg ökar elevens chanser att komma in på en högskoleutbildning. Denna uppsats ämnar därför att studera sambanden mellan gymnasiebetyg och olika områdens sociala karaktär och förekomsten av ett universitet eller högskola.
1.1 Syfte och frågeställningar
Studien undersöker sambanden mellan en akademisk närvaro i de svenska kommunerna och de genomsnittliga gymnasiebetygen för olika områden indelade efter deras socioekonomiska karaktär. Syftet med denna studie är att undersöka en högskolas effekt på den allmänna utbildningsnivån men också den effekt som högskolan har på gymnasiebetygen på områdesnivå.
Frågeställningarna lyder:
1. Hur skiljer sig elevers gymnasiebetyg på områdesnivå åt beroende på om det finns en högskola i kommunen eller inte?
6
2. På vilka sätt påverkar en högskola i kommunen gymnasiebetygen i de olika områdestyperna?
3. Hur påverkas andelen högutbildade i kommunen av en eller flera högskolors närvaro i kommunen?
1.2 Disposition
Uppsatsen består av fem kapitel med ett första introducerande kapitel där uppsatsens syfte och tillhörande frågeställningar presenteras. Därefter följer ett teoretiskt kapitel där de mest relevanta teorier beskrivs tillsammans med den tidigare forskningen om ämnet. Kapitlet fungerar som en teoretisk utgångspunkt för uppsatsens analys och är uppdelat i två delar. Första delen presenterar forskning om universitets påverkan på kommunen och staden som de befinner sig i medan den andra delen ger en introduktion om forskning som berört boendesegregation och utbildning.
Vidare följer ett metodavsnitt där tillvägagångsättet för analysen presenteras. Här presenteras material, förklaras val av analysmetod, vilka variabler som använts till analysen och varför, men behandlar också viktiga begrepp. Detta metodkapitel följs av ett resultatkapitel där analyserna presenteras och förklaras tillsammans med tolkning av resultaten. Uppsatsen avslutas med ett sammanfattande diskussionskapitlet där resultaten kopplas med studiens syfte och frågeställningar.
1.3 Begreppsanvändning
I uppsatsen används både ordet universitet och ordet högskola. Skillnaden mellan en högskola och ett universitet är enligt UKÄ (2016b) att universitet har tillstånd att utfärda examen på forskarnivå. Författare till olika studier som presenteras i kommande kapitlen ser dock en skillnad mellan de olika begreppen. Därför används de begrepp som författaren till studien själv använder i de teoretiska delarna av uppsatsen. Med högskola menas, i uppsatsens egna analysdel och resultatdel både universitet och högskola.
2. TEORETISKA UTGÅNGSPUNKTER
Många forskare har intresserat sig för boendesegregation i kombination med utbildning och hur de påverkar varandra. I följande kapitel presenteras en del av forskningen som gjorts om universitetets påverkan på samhället men också om boendesegregation och utbildning samt de grundläggande teorier kring ämnet som använts som utgångspunkter i studien.
2.1 Universitetets effekt på samhället
Ett universitets etablering i en stad kan påverka stadens utvecklingsgrad. Fernández-Esquinas- Esquinas och Pinto (2014) har undersökt hur staden och universitetet påverkar varandra på olika platser. De har fokuserat på städer vars ambitioner är att tillhöra det akademiska samhället med en hög andel högutbildad arbetskraft och ett centrum för forskning. I studien visas att lågutvecklade städer som strävar till att konkurrera med mer utvecklade städer har stor nytta av en tillgång till ett universitets resurser som innebär bland annat forskning och urban utveckling.
7 2.1.1 Universitets effekt på stadsutvecklingen
Enligt Fernández-Esquinas et al. (2014) lyfter många författare problemen med att mäta universitets inverkan på samhället och platsen som de befinner sig på. Problemen grundar sig i att flera aspekter måste tas i beaktande beroende på vilken nivå analysen ligger på. Vissa aspekter är relevanta på lokalnivå men inte på regional- och globalnivå samtidigt som huruvida universitetet påverkar på lokal-, regional- eller globalnivå har tydliga samband med hur framgångsrikt universitet är. Ju mer framgångsrikt universitetet är, desto mer globalorienterat och mindre lokalorienterat är det. Det som efterfrågas på lokalnivå är dock inte besvarat av forskningen som riktar sig på en global nivå och de forskningsresultaten är svåra att tillämpa på lokalnivå. Därför syns inte heller alltid universitetets delaktighet i stadens utvecklingsprocess som kan vara tätt kopplad till universitetet (Fernández-Esquinas et al., 2014, s.1468). Problemen i att mäta universitetens effekter på olika nivåer kan vara en förklaring till varför det är svårt att hitta forskning om ett universitets effekt på utsatta områden.
Universitetets roll är större än att fungera som en utbildnings- och forskningsenhet utan bidrar med utvecklingen av, som Fernández-Esquinas et al. (2014, s.1479) tar upp, fyra viktiga samhällsfunktioner: fysisk infrastruktur, ekonomisk utveckling, arbetskraft och samhällsengagemang som i sin tur samverkar och påverkar varandra. Ju större andel högutbildade, desto bättre kunskap finns i staden. Detta leder i sin tur till bättre infrastruktur som har en stark koppling till den kommunala ekonomiska förutsättningen men kunskapen skapar också bättre lösningar för sociala orättvisor, ett större ansvar från samhället för att lösa sociala orättvisor och ett mer jämlikt samhälle. Törnqvist (2009, s. 108) tillägger att forskningen idag är ofta ett samarbete med företag vars modeller utvecklas och effektiviseras av den akademiska världen. Den högutbildade arbetskraften lockar företag att etablera sig i kommunen, vilket leder till fler arbetstillfällen, en förbättrad infrastruktur och ekonomisk utveckling i kommunen (Fernández-Esquinas et al. 2014, ss. 1460 – 1470).
Universitet och städer har ofta ett samarbete där universitetet påverka stadsutvecklingen genom att bidra med kompetent arbetskraft som staden i andra fall inte hade lyckats få fram utan universitet. Pierre (2014, s. 189) påpekar att kommunens nära samarbete med en högskola är självklar eftersom en högskola direkt och indirekt erbjuder nya arbetstillfällen och därmed en naturlig utveckling av kommunen. Universitetets forskning och antal examinerade påverkar på ett positivt sätt den urbana utvecklingen, dels genom att påverka stadens sociala struktur (det vill säga att man genom forskning och kunskap främjar social rättvisa), dels den urbana utvecklingen och företagandet i staden. Universitet har också en betydelse för hur staden utformas spatialt och socialt, men kan också ha en inverkan på det ekonomiska och politiska styret (Fernández-Esquinas et al., 2014, s. 1463). Massey et al. (1992) och Fernández-Esquinas et al. (2014) är eniga om att universitet och Science Parks för med sig, med utbildning och forskning, en stor drivkraft i stadens ekonomi. Särskilt de äldre universiteten som är direkt kopplade till staden och regionen de befinner sig i där hela regionen blir en stark symbol för forskning och expertis. Universitet som Uppsala, Oxford eller Cambridge påverkar starkt regionens marknadsföring vilket i sin tur främjar regionutvecklingen (Power & Malmberg, 2008, s. 242). Universitet har också en direkt inverkan på sociala problem i deras absoluta omgivning såsom exempelvis bostadssegregation, social exkludering eller utbildning hos socialt utsatta grupper. De bidrar även med aktiviteter som främjar medborgarna till kollektivt
8
handlande (Fernández-Esquinas et al., 2014). Watson (2007 se också Fernández-Esquinas et al. 2014, s.1466;) anser att universiteten borde bidra med mer för att förbättra de sociala förhållandena i staden som de befinner sig i och att begreppet social commitment borde vara universitetens grundpelare. Med social commitment menas universitetens engagemang i att bekämpa social utsatthet och exkludering men ska också driva viktiga frågor rörande hälsa och utbildning i utsatta områden (Goddard, 2009, s.9).
Sedan 1990-talet har det blivit aktuellt att universiteten kopplas samman med den lokala befolkningen genom ett större politiskt samarbete som i sin tur påverkar stadens sociala hållbarhet. Detta speciellt hos mer prestigefyllda universitet som exempelvis Harvard som marknadsför sig och staden i ett. Resultatet av den starka marknadsföringen och samarbetet mellan stad och universitet är en större kunskap och ett större engagemang hos medborgarna (Fernández-Esquinas et al. 2014, s.1466). Fernández-Esquinas et al. (2014, s. 1475) menar att ett samhälle som har en högre andel högutbildade människor också har bättre kognitiv förmåga att förstå och lösa sociala problem. Fernández-Esquinas et al. (2014) menar vidare att medborgarna har ett större politiskt engagemang vilket återspeglas i kommunalpolitiken som i sin tur är mer lyhörda och kan föra en mer öppen dialog om sociala problem som finns i staden jämfört med politiker som inte är högutbildade i samma grad. Genom att större engagemang hos medborgarna och ett aktivt och medvetet samhälle som universitetet är med att skapa borde rimligtvis även denna inställning speglas på skolprestationerna i de olika mer eller mindre socialt utsatta områdena i staden. Dock finns ingen forskning som kan stödja detta påstående.
2.1.2 Universitetets effekt på infrastrukturen
Ett universitet kan enligt Fernández-Esquinas et al. (2014, s. 1471) ha en positiv inverkan på stadens fysiska infrastruktur och främjar en god stadsutveckling i de områdena som universitetet etablerar sig på.
Genom att lokalisera universitetets olika campus på strategiska platser har man på vissa ställen lyckats förbättra livskvalitén i området och bidragit till ett mer blandat boende. I vissa fall etableras campus i områden med hög social status, men i andra fall har de etablerats i problemområden och områden med låg social status vilket har förändrat den sociala dynamiken i området. I vissa fall har campus även använts som korridorer som ska minska segregationen i staden och jämnar ut sociala ojämnheter mellan två områden (Fernández-Esquinas, et al., 2014, s.1472). Massey, Quintas & Wield (1992, s.115 – 168) talar om science parks påverkan på sociala klasser. De håller dock inte med Fernàndez et al. (2014) utan menar att en akademisk närvaro snarare ökar de sociala skillnaderna genom att utse en teknisk elit i samhället vilket leder till större separatism mellan de sociala klasserna.
Eftersom universitetet har en direkt effekt på samhället skulle det vara intressant att veta hur denna effekt speglar sig på ungdomars skolprestationer. Dock finns ingen forskning om elevers studieresultat på liknande sätt förändras beroende på var skolan befinner sig, i förhållande till ett universitet.
2.1.3 Universitet och lokal utbildningsnivå
Individers val att fortbilda sig efter gymnasiet är inte endast beroende av sociala faktorer utan är också relaterade till spatiala faktorer och närhet till högre utbildning. Att fler människor
9
väljer att utbilda sig vidare efter gymnasiet är enligt Faure (2009, s. s.93 – 108) kopplat till den spatiala närheten till universitet och högskolor. Exempelvis har antalet franska universitet fördubblats och fördelats över både mellanstora och stora franska städer de senaste 50 åren.
Ökningen av antalet universitet och deras strategiska placering har lett till en stor ökning av antalet individer som väljer en eftergymnasial utbildning (Faure, 2009, s.93 – 108). Närheten till högre utbildning lockar även den sociala grupp som med hög sannolikhet inte hade sökt sig vidare efter gymnasiet om universitetet inte fanns placerat i närheten av hemmet. Den spatiala tillgången till universitet leder därför till en minskad social ojämlikhet. Däremot påpekar Faure (2009) att utbildningssegregationen finns kvar där personer från högre sociala grupper väljer att utbilda sig i de prestigefyllda universiteten med naturvetenskapliga inriktningar medan grupper av låg social status väljer humanistiska inriktningar i nyare och mindre prestigefyllda universitet. Convert (2003, ss.68 – 70) bekräftar att de nya universiteten som är placerade på strategiska platser så att de kan nå hela befolkningen i mellanstora städer har lett att fler gymnasieelever, inklusive ungdomar från socialt utsatta områden söker sig vidare till en högskoleutbildning i högre utsträckning. Valet av universitet och högskola blir som ett så kallat desperadoval där känslan finns att man inte har något att förlora eftersom möjligheten finns att studera nära hemmet. Valet att studera vidare nära hemmet lockar främst kvinnor och personer från socialt utsatta områden, särskilt de elever som fått mediokra skolresultat under gymnasiet (Convert, 2003, ss. 68 – 70). Pierre (2014) menar att valet av universitet varierar beroende på landet ungdomen bor i. Hos svenska ungdomar är valet av utbildningsort varierat men närheten till universiteten kan vara ett sätt att sänka kostnaderna för studierna.
2.2 Boendesegregation och utbildning
Med boendesegregation menas att åtskillnaden sker efter boende där en grupp människor bor åtskilda från andra grupper. Kategoriseringen av grupper brukar grunda sig på etnicitet, socioekonomisk status eller demografi (Andersson et al. 2015, s.8). Boendesegregation har varit ett växande fenomen de senaste trettio åren samtidigt som en hög migration och flyktinginvandring tagit fart de senaste årtionden med en ökning av utomeuropeiskt födda invånare från 4 procent 1960 till 13,8 procent 2008 (Andersson et al. 2010; Hedman &
Andersson, 2015, s.15). Sundlöf (2008, s. 38) menar att ökningen av boendesegregation kan förklaras av bland annat polariseringsteorin. Polariseringsteorin går ut på att de rika samhällsgrupperna blir rikare och de fattiga fattigare till följd av den ekonomiska strukturförändringen som blir alltmer inriktad mot en serviceekonomi (Sundlöf, 2008, s.39).
Denna typ av ekonomi kräver en alltmer utbildad arbetskraft. Den ökade efterfrågan för utbildad arbetskraft ledde enligt Sassen (1991, se Sundlöf 2008, s.39) till en tillväxt av välbetalda arbeten och lågbetalda arbeten medan medelklassarbeten minskade. Sassen (1991) tror att det är det fenomenet som lade grunden till polariseringen. Vidare anser hon att polariseringen i inkomstfördelningen och yrkesförändringen har lett till en starkare boendesegregation där människor blir fast till vissa bostadsområden på grund av deras inkomst.
Antalet högutbildade är färre i utsatta områden jämfört med andra områden med högre socioekonomisk status samtidigt som att studieresultaten är sämre i utsatta områden. Burgess et al (2005 se Gregory 2009 s. 674) bekräftar att barn från utsatta områden har en mer problematisk skolgång, detta även på universitetsnivå utanför deras hemstäder, än individer från
10
mer resursstarka områden. Skolverket (2004, ss. 64 – 70) argumenterar vidare att barn och ungdomar födda utomlands, men även svenskfödda ungdomar med utländsk bakgrund, har lägre betyg än ungdomar med svensk bakgrund. Detta gäller både grundskolebetygen och gymnasiebetygen. Skolverket (2004, ss. 64 – 70) påpekar att skillnaderna mellan gymnasiebetygen ökar i gymnasiet eftersom de elever som har låga resultat i grundskolan får sämre resultat i den relativa betygspositionen i gymnasiet. Gymnasiebetygen var också färre för ungdomar med utländsk bakgrund eller med föräldrar av utländsk bakgrund jämfört gymnasiebetygen hos svenskfödda med svensk bakgrund. De låga gymnasiebetygen påverkar i sin tur deras möjligheter att söka till högskoleutbildning (Skolverket, 2004, ss. 64 – 70).
2.2.1 Boendesegregation och studieresultat
Människors levnadssätt, normer, värderingar och beteenden formas i deras närmaste omgivning vilket leder till så kallade grannskapseffekter. Manski (1993, se Sundlöf 2008, s. 44) skiljer på tre typer av mekanismer för hur grannskapseffekter överförs: endogena, exogena och korrelerade. En endogen effekt går ut på att en människa i ett bostadsområde påverkar en annan människas attityder, värderingar och beteende i samma bostadsområde. En exogen effekt är effekten en människa har på en annan människa utan att han eller hon kan påverka den. Ett exempel på en sådan effekt är hur en persons hudfärg eller kulturmönster påverkar en annan persons handlingar. I en exogen effekt anpassas beteendet efter trygghetskänslan. Personer känner sig mer eller mindre trygga bland personer som är likasinnade (Sundlöf 2008, s.49). En korrelerad effekt beror på områdets förutsättningar som gynnar eller missgynnar det. Här handlar det bland annat om områdets geografiska läge, om det är långt ifrån arbetsplatser (spatial mismatch), hur god tillgången till samhällsfaciliteter som sjukhus och skolor är; men också allmänna kommunikationer och stigmatiseringen i ett område vars rykte kan försämra den boendes möjlighet till exempelvis arbete eller ny bostad (Sundlöf 2008, s. 50).
Många forskare tar stöd av Manskis (1993) teori om endogena effekter av bostadssegregation på ungdomars studieresultat. Sundlöf (2008) kommer fram till i sin studie som behandlar bostadsområden och grannskapseffektens påverkan på individens utbildnings- och karriärval senare i livet, att boende i resurssvaga områden har en negativ effekt på individens utbildningsval och att individens utbildningsnivå är starkt kopplat till individens sociala näromgivning. Bergsten (2010) bekräftar att bostadsområdet är en avgörande faktor där individen har större sannolikhet att gå vidare efter gymnasiet om hen kommer från ett välfungerande område. Lindvall (2009, s. 20 – 25) argumenterar vidare att nyexaminerade gymnasieelevers tendenser att söka vidare till högskole- eller universitetsutbildning skiljer sig åt mellan bostadsområdena beroende på vilken grupp det handlar om. Han kommer fram till att en individ med svensk bakgrund bosatt i ett område med hög andel personer med annan etnisk bakgrund än svensk ansöker i högre utsträckning till högskoleutbildning. Även ungdomar med annan etnisk bakgrund tenderar att ansöka till högskolestudier i högre grad ju högre andel personer med utländsk bakgrund som finns i bostadsområdet. Han finner också att ansökningsfrekvenserna till högskolestudier är lägre ju lägre andelen högutbildade är i bostadsområdet. Kölegård Stjärne et al. (2007, s. 157) tror därför att om få personer i en människas näromgivning har arbete eller utbildning, blir också antalet positiva förebilder färre.
Detta bekräftas av Lindvall (2009, s. 5) som menar att ett bostadsområde formar en viss
11
inställning och särskilda normer och värderingar som skapas av förebilderna i bostadsområdet.
Han menar vidare att antalet förebilder i ett bostadsområde kommer att ha en inverkan på hur ungdomarna värderar skola och utbildning och vilka målsättningar de har i framtiden. I ett område med färre förebilder är det mindre troligt att ungdomarna förstår vikten med utbildning och hur skolan och studieresultat ligger till grunden för framtida inkomster.
Kölegård Stjärne et al. (2007, ss.156 - 170) trycker även på vikten av sociala nätverk som påverkar en persons utgångsläge på marknaden. En arbetslös person missgynnas av att vara omgiven av andra personer med samma arbetsstatus eftersom de sociala nätverken är då svagare än i resursstarka områden där de flesta har ett arbete. En individ som står inför ett utbildningsval kommer att basera sina val inte bara utifrån sina egna preferenser men kommer också bli direkt påverkad av sin närmaste omgivning, sin referensgrupp. Ungas sociala nätverk har också en stor effekt på deras framtidsambitioner eftersom de påverkar varandra genom varandras erfarenheter. Om deras föräldrar är arbetslösa och saknar utbildning, förs den inställningen vidare till barnen. Om flera barn vars föräldrar delar en mindre gynnsam socioekonomisk situation interagerar och blir del av varandras sociala nätverk, blir effekterna på framtidsambitionerna negativa (Kölegård Stjärne et al., 2007, ss. 156 – 170). Denna negativa effekt speglas på ungdomarnas studieresultat (Lundqvist, 2010, s.28).
En annan anledning till lägre studieresultat i socialt missgynnade områden kan istället bero på en korrelerad effekt som Manski (1993) behandlar. I detta fall kan, enligt Kölegård Stjärne et al. (2007, ss. 151 – 171) en låg kunskap om det svenska utbildningssystemet1 och möjliga karriärvägar leda till sämre prestationsambitioner och lägre studieresultat. En annan orsak kan vara skolornas lokalisering där valet av skolor kan vara begränsat i bostadsområdets närområde och därmed påverka studieresultaten.
2.2.2 En förändrad arbetsmarknad
Dagens utbildningskrav på arbetsmarknaden ser enligt Lundqvist (2010, s. 151) annorlunda ut än för föregående generation och gapen mellan två generationer kan vara mycket stora. Enligt henne innebär det att individerna själva måste planera sina karriärvägar där en bred allmän utbildning är att föredra. Även utbildningsmöjligheterna ser annorlunda ut idag. De är både större och bredare.
Trots en ökad individualisering i valet av utbildning och karriär är de individuella valen påverkade av individens socioekonomiska situation, etnisk bakgrund och kön vilka utgör ett sämre utgångsläge än andra individer med svensk bakgrund. Lundqvist (2010, s.50 – 60) menar vidare att ungdomar från socialt utsatta områden blir osäkra inför valet av utbildning eftersom det finns tecken på en svår etablering på arbetsmarknaden för personer med utländsk bakgrund och därför ökar riskerna för att de investeringar de gjort på sina utbildningar går till spillo. Om man ser till gymnasieelever är ambitionerna om fortsatta studier hos ungdomar med annan etnisk bakgrund höga för de flesta. En anledning till att dessa ambitioner inte speglar realiteten kan enligt skolverket (2004) bero på att betygen inte räcker till. Däremot har skolverket (2004) kommit fram till i sina undersökningar att elevernas socioekonomiska bakgrund är mer
1 Enligt svenska Kungörelse 2 kap 18 § har alla barn skolplikt. Alla barn ska ha samma tillgång till gratis utbildning oavsett kön, etnicitet, adress eller socioekonomisk situation. Detta gäller även för statlig eftergymnasial utbildning som också är gratis. Detta innebär att föräldrar inte behöver lägga ner några resurser för sina barns utbildning, för varken skolmaterial eller skolmat, till skillnad från andra länder (Brännström 2008, s. 466)
12
avgörande än den etniska bakgrunden, därför kan sociala skillnader som är nära kopplade till boendesegregation förklara de låga skolresultaten. De ungdomar från en lägre socioekonomisk grupp som väljer att utbilda sig vidare efter gymnasiet väljer mindre prestigefyllda universitet och högskolor än studenter tillhörande medelklassen (Reay et al. 2005:162).
2.2.3 Sammanfattning
Sammanfattningsvis kan boendesegregation påverka ett barns prestationer och skolresultat (Sundlöf, 2008; Lindvall, 2009; Bergsten 2010). Detta kan dels vara en effekt av Manskis (1993) teorier om grannskapseffekter där beteendet på de personer som ingår i en ungdoms nätverk speglar sig på ungdomens värderingar om skolan och därmed på skolbetygen. Även ambitionsnivån kan påverka gymnasiebetygen. De lägre betygen kan även bero på att det låga antalet förebilder som enligt Lindvall (2009) har effekt på gymnasieelevers ambitioner att söka vidare till högskoleutbildning. Likaså kan arbetsmarknaden ha en liknande effekt på gymnasieelevers ambitioner vilket också kan vara en anledning till de lägre betygen (Lundqvist, 2010, s. 30 – 35).
3. METOD OCH DATA
I detta avsnitt redogörs tillvägagångsättet från uppsamling av data, bearbetning och analys av datamaterialet samt beskrivning av metoderna som använts för att mäta datamaterialet där förklaringar finns om varför just denna metod använts. Analysen görs på områdesnivå med hjälp data som mäts i SAMS-områdena i Sveriges kommuner år 2014 och på kommunnivå med data från Sveriges kommuner år 2014.
3.1 Data
De data som använts till analysen är datauppgifter från Institutet för bostads- och urbanforsknings (IBF), Uppsala Universitet, databas GeoSweden, som ursprungligen hämtats från Statistiska Centralbyråns olika register. Datamaterialet innefattar detaljerad demografisk, socio-ekonomisk och geografisk information och täcker hela Sveriges befolkning mellan åren 1990 – 2014. De data som använts i uppsatsens analys är från 2014. Individdatat i GeoSweden har aggregerats till områdes- och kommunnivå2. Samtliga variabler kommer från ovannämnda databas, inklusive data för SAMS-områdena.
3.1.1 SAMS-områden
För att kunna utföra en analys på områdesnivå användes Statistiska centralbyråns områdesindelning SAMS (Small Area Market Statistics). De så kallade SAMS-områdena är en geografisk indelning av svenska kommunerna i delområden. Den ursprungliga tanken med SAMS-områdena var att de skulle utvecklas av SCB till företag i försäljningssyfte. Idag används områdesindelningen flitigt inom forskningen om bland annat sociala skillnader, grannskapseffekter och segregation (Sundlöf 2008, s.67; Amcoff, 2012, s. 93). Kommunerna har själva delat in sina kommuner i homogena delområden som sedan används av SCB som tar fram befolkningsdata för de olika områdena (Sundlöf 2008, s.67). Kommunerna använder
2 Detta på grund av sekretess och regler kring användning.
13
denna indelning som verktyg för planering av exempelvis barnomsorg eller infrastrukturplanering på olika sätt.
Ett problem som finns med användningen av SAMS-områdesindelningen för att jämföra bostadsområden med varandra är att befolkningen kan ha andra uppfattningar och mentala kartor om hur deras bostadsområde ser ut och vilka gränser det har. Det finns andra metoder som använts av forskare för att avgränsa bostadsområden, exempelvis genom att rita ett område som en individ uppfattar som sitt område runt varje individ och genom den rumsliga utformningen kan man dela in invånarna i bostadsområden som är nära deras egen adress (Sundlöf, 2009, ss. 67 – 68). Denna metod lämpar sig dock inte för denna studie eftersom studien ser till hela Sverige och en sådan indelning skulle vara orimligt tidskrävande.
Undersökningsområdet utgörs av totalt 8128 av de sammanlagda 9400 SAMS-områdena fördelade på Sveriges alla 290 kommuner. Alla områden med mer än 100 invånare är med i studien. Anledningen till att inte alla områden finns med i datamaterialet är för att bevara anonymiteten. SAMS-områdena skiljer sig storleksmässigt från varandra eftersom kommunerna själva har delat in områdena (Amcoff 2012, s.104). Stockholms kommun är exempelvis uppdelad i 180 SAMS-områden medan Göteborgs kommun är indelad i 703 olika områden.
3.1.2 Beskrivning av variabler
Härnäst presenteras de variabler som utgör datamaterialet och som legat till grund för samtliga analyser i studien. Samma variabler finns på områdes- och kommunnivå. Anledningen till att samma variabler finns på kommun- och områdesnivå är att de kan mätas mot varandra och användas i en regressionsanalys för att se om det finns samband mellan variablerna och hur de påverkar varandra i båda nivåer. Alla kalkyler och statistiska analyser har gjorts med hjälp av statistikprogrammet SPSS.
Variabler för kartläggning av boendesegregation
Kategoriseringen av områdestyper utgår från variablerna som rör medborgarnas födelseland, andel ej sysselsatta samt disponibel medelinkomst. Födelseland delas in i fyra grupper:
svenskfödd, Väst, Öst och Icke väst. Till gruppen ”Öst” hör Östeuropa och Ryssland. I Gruppen
”icke väst” ingår länderna i Afrika, Asien eller Latinamerika. Till analysen skapades variabeln andel utlandsfödda där antalet med födelseland från grupperna ”Öst” och ”icke väst” räknades till variabeln andel utlandsfödda3.
Disponibel medelinkomst är en variabel som mäter en individs inkomst efter skatt och transfereringar. I denna variabel ingår alltså också sociala bidrag (SCB 2009, s.274). Den disponibla medelinkomsten utgörs av områdets medelvärde. Endast personer i arbetsför ålder (20 – 64) har inkluderats i beräkningen.
Antal sysselsatta är en variabel som mäts i november månad, i detta fall november 2014, där varje individ som finns med i skatteregistret som aktiv eller som förvärvsarbetande räknas som sysselsatt (SCB 2009, s. 74). Utifrån den variabeln skapades variabeln andel ej sysselsatta som
3 Anledningen till att grupperna Öst och Ickeväst använts till att beräkna andelen utlandsfödda för att fastställa boendesegregationen är på grund av att det är dessa två grupper har varit de största migrationsgrupperna i Europa sedan 1980-talet (Hedman & Andersson, 2015).
14
är andelen individer som under november månad 2014 inte var sysselsatta enligt skatteregistret.
Även här inkluderas endast personer i arbetsför ålder.
Det finns givetvis flera variabler som kan användas för att kartlägga segregation, som exempelvis bostadsform, utbildningsnivå med flera. För analysen ansågs det räcka med de ovannämnda tre variabler för att avgöra områdets socioekonomiska status eftersom socioekonomisk status bestäms av ekonomiska tillgångar som påverkas av sysselsättningen och boendesegregation är kopplad till invandrartäthet (Hedman & Andersson, 2015).
Med hjälp av en klusteranalys skapades variabeln områdestyp som utgår från medelvärden för socioekonomiska förutsättningar för varje område. Variabeln är indelad i fyra olika områdestyper. Dessa representeras i form av dummyvariabler4 för varje områdestyp.
Variabler för att mäta utbildningsnivå
Variabeln andel högskoleutbildning är andelen individer som har fullgjort en kandidatexamen, alltså tre års universitets- eller högskolestudier. Det hade varit intressant att se om andelen högutbildade i utsatta områden skiljer sig åt beroende på om det finns en högskola i kommunen eller inte. En högre eftergymnasialutbildning innebär bättre arbetsmöjligheter och därmed högre socioekonomisk status. Tyvärr är det stor risk att eventuella skillnader beror på omflyttning och inte på var människor växte upp. Som Sundlöf (2008) nämner att personer med låg social status tenderar att bosätta sig i områden med människor av likvärdig socioekonomisk situation. Personer med hög utbildningsnivå bor därför nödvändigtvis inte kvar i områden med lägre socioekonomisk status och områden med hög arbetslöshet trots att de är uppväxta i dessa utsatta områden. De kommer sannolikt att söka sig till områden som motsvarar deras sociala tillhörighet. Att använda variabeln andel högutbildade som en jämförande variabel mellan olika områden skulle därför missvisa det rätta antalet högutbildade som kommer från ett visst område.
En annan orsak till att användandet av variabeln andel högutbildade på områdesnivå inte är nödvändigtvis representativ är på grund av att ungdomar och unga vuxna som läser på högskola eller universitet inte heller nödvändigtvis bor kvar i familjehemmet utan snarare bosätter sig i anslutning till campus eller i studentbostäder. Studentbostadsområden kan därför få en mycket hög andel högskolestudenter men de boende är endast bosatta där under en kortare period. Att endast se till andelen högutbildade i olika områden kan därför vara missvisande.
Variabeln andel högutbildade jämförs istället på kommunnivå, och på SAMS-nivå i jämförelse med kommunnivå.
För att jämföra utbildningsnivån mellan SAMS-områdena används istället variabeln gymnasiebetyg som är de sammansatta betygen för gymnasieelever i årskurs 3 i hundratalspoäng år 2014. Gymnasiebetyg används eftersom ungdomar i gymnasiet är för det mesta under 18 år och är sannerligen bosatta hos föräldrarna. Personer från utsatta områden har, som grundligt beskrivits i kapitel 2.2, sämre förutsättningar att lyckats lika bra i skolan som personer från områden med högre socioekonomisk status. Gymnasiebetygen borde därför spegla områdets socioekonomiska status. Gymnasiebetyget är också till stor betydelse för en persons förutsättningar att komma in på en högskola eller ett universitet efter gymnasiet. Genom
4 En dummyvariabel är en binär kategorisk variabel på intervallskala som används vid regressionsanalyser.
Variabeln kan delas in i två värden, 0 och 1 där analysenheten får värdet 1 om den tillhör en kategori som man är intresserad av; och tilldelas värdet 0 om den inte gör det (Upton & Cook, 2014).
15
att använda variabeln gymnasiebetyg kan områdena jämföras på ett mer representativt sätt eftersom man då kan jämföra studieresultaten mellan socialt utsatta områden och övriga områden men kan också mäta det mot samma variabel på kommunnivå.
Övriga variabler
Variabeln Folkmängd har använts som bas för andelsuträkningarna på övriga variabler: andel utlandsfödda, andel sysselsatta och andel högutbildade. Vidare har befolkningen delats in i olika ålderskategorier: Ålder 0 – 19, Ålder 20 – 24, Ålder 25 – 29, Ålder 30 – 64 och Ålder 65+. De olika ålderskategorierna valdes för att dela in folkmängden i undersökningsbara åldersspann som motsvarar antalet unga som är i en utbildningsålder och antalet vuxna som är i en arbetsålder samt antalet pensionärer.
Variablerna Högskola i kommun och Antal högskolor är variabler som indikerar om det finns en högskola, ett universitet eller campus i kommunen eller inte, men också antalet högskolor, universitet eller campus i kommunen om sådana finns. Anledningen till att antalet högskolor är en enskild variabel är för att mäta ifall antalet valmöjligheter inom en kommun påverkar antalet högskoleutbildade på områdesnivå. Variabeln Högskola i kommun är en så kallad dummyvariabel där 1 representerar en högskola och 0 betyder att ingen högskola finns.
Data för dessa variabler utgår ifrån en lista över Sveriges universitet, högskolor och campus som finns tillgänglig på Universitetskanslersämbetet (2016b). Listan ställdes mot en lista över Sveriges kommunkoder som sammanställts av SCB (2016). Resultatet av sammanföringen utgör datamaterialet i variablerna om antalet högskolor i varje kommun och dummyvariabeln som indikerar om det finns en högskola i kommunen eller inte.
3.2 Analys
I följande kapitel presenteras de olika analysmetoderna som använts för att besvara syftet med uppsatsen och dennes frågeställningar som ställdes i kapitel 1.
3.2.1 Klusteranalys
För att svara på frågeställningarna som ställdes i kapitel 1, gjordes först en klusteranalys där variablerna inkomst, andel icke sysselsatta och andelen utlandsfödda användes som grundvariabler för att särskilja olika områdestyper. En klusteranalys är en analysmetod där data från olika variabler jämförs med varandra och grupperas till den grupp av data de närmast tillhör, vilket bildar olika kluster som grupperar data med liknande egenskaper (Upton & Cook, 2014).
Klusteranalysen är nödvändig för att bestämma fördelningen av SAMS-områdena i olika grupper baserade på de socioekonomiska variablerna. Antalet kluster bestämdes utifrån det klusterantalet som datamaterialet fördelades bäst på. Antalet kluster som skapades av datamängden är baserat på dataförutsättningarna.
3.2.2 Regressionsanalys
En regressionsanalys är en analysmetod vars syfte är att visa samband mellan en beroende variabel och en eller flera oberoende variabler (Upton & Cook, 2014). För att besvara uppsatsens syfte och frågeställningar om vilka samband som finns mellan betygen och en
16
högskolas närvaro är därför en regressionsanalys en lämplig metod för ändamålet. I analysen användes en flerstegs multivariat regressionsanalys där den beroende variabeln ställdes mot flera oberoende variabler. Oberoende variabler är de variabler som kan komma att påverka den beroende variabeln (Upton & Cook, 2014).
I regressionsanalysen agerade variabeln gymnasiebetyg på områdesnivå som beroende variabel eftersom det är gymnasiebetygen som är den centrala undersökningsvariabeln i studien.
Alla variabler som kan tänkas påverka gymnasiebetygen är de oberoende variablerna. Dessa variabler är klusterindelningen och högskolenärvaron i kommunen.
I första fallet gjordes först en regressionsanalys med dummyvariabler, detta för att se om det finns samband mellan gymnasiebetygen och områdets socioekonomiska indelning som bestämdes av klusteranalysen. Genom att skapa dummyvariabler för varje kluster kan man mäta samband mellan områdets egenskaper och gymnasiebetygen. Tre av de fyra dummyvariablerna användes sedan i regressionsanalysen och den fjärde dummyvariabeln fungerade som en referensgrupp som jämfördes med de andra grupperna. I detta fall var dummyvariablerna för kluster 1, utsatt område, kluster 2, något utsatt område, och 3, medelresursstarka områden oberoende variabler i analysen och kluster 4, resursstarka områden var referensgrupp.
Därefter skapades fyra interaktionsvariabler som användes i den andra regressionsanalysen. En interaktionseffekt är när en variabels effekt varierar mellan olika grupper. I detta fall finns en misstanke om att områdesindelningens potentiella samband med gymnasiebetygen påverkas av en högskolenärvaro i kommunen. Interaktionsvariablerna skapades genom att multiplicera antalet högskolor med dummyvariabeln för varje kluster.
4. RESULTAT
I kommande kapitel redovisas resultaten från de olika kalkylerna som gjorts för att besvara syftet och frågeställningarna som ställdes i kapitel 1. Resultaten inleds av ett delkapitel med beskrivande statistik över de variabler som använts. Därefter följer redovisningen av klusteranalysen, jämförandeanalysen över medelvärden och resultaten av regressionsanalyserna.
4.1 Områdesindelning
Klusteranalysen genomfördes i statistikprogrammet SPSS för att hitta och gruppera de SAMS- områdena vars värden liknar varandra och skapa kluster utifrån dessa grupperingar (Sundlöf 2008, s.92), detta för att mäta graden av boendesegregation och kunna skilja mellan de olika områdestyperna. Klusteranalysen är grunden till övriga analyser som gjorts, bland annat regressionsanalyserna.
4.1.1 Deskriptiv statistik
För att skapa sociogeografiska typområden har tre variabler på SAMS-nivå legat till grund i analysen: disponibel medelinkomst, andel icke sysselsatta och andel utlandsfödda. På detta sätt kan man på ett säkert sätt särskilja olika områdestyper. Målet är att få kluster, som Sundlöf (2008, s.92) beskriver det, som är internt homogena och externa heterogen.
Tabell 1 visar deskriptiv statistik över de variabler som använts i klusteranalysen.
17
Variabel N Medelvärde Standardavvikelse Min Max
Andel utlandsfödda 8127 0,09 0,10 0 0,82
Andel ej sysselsatta 8127 0,15 0,12 0 1
Medelinkomst disponibel
(i kronor)
8127 25 487,5 654 802,3 129 774
Tabell 1: Deskriptiv statistik över variablerna som använts vid klusteranalysen.
I ovanstående tabell redovisas antalet observationer i populationen (N), medelvärdet, standardavvikelse, det vill säga hur mycket de olika värdena avviker från medelvärdet (Upton
& Cook, 2014), och extremvärden (minimum och maximum) för de olika variablerna som använts till klusteranalysen.
4.1.2 Fyra socioekonomiska områdestyper
När variablerna ställdes mot varandra i klusteranalysen kunde man dela in värdena i fyra kluster som fick kategorierna ett till fyra: 1: utsatt område, 2: Något resurssvagt område, 3:
medelresursstarkt område och 4: Resursstarkt område.
Klustren redovisas i tabell 2 som visar den procentuella fördelningen av variablerna för andelen sysselsatta, andel utlandsfödda och medelinkomst disponibel för varje kluster. Den sistnämnda variabeln är en genomsnittlig månadsinkomst i kronor för varje kluster.
18
Kluster 1 2 3 4
Andel av samtliga områden
5,7 % 26,2 % 60,4 % 7,7 %
Andel ej sysselsatta 47 % 23 % 9 % 8 %
Andel utlandsfödda 40 % 14 % 4 % 6 %
Medelinkomst disponibel (i kronor)
16 192 21 879 25 861 41 191
Tabell 2: Klusterfördelning av områdena baserad på variablerna ”andel sysselsatta”, ”andel utlandsfödda” och ”medelinkomst disponibel”.
Utsatta områden utgör 5,7 procent av SAMS-områdena och är den gruppen som har högst andel ej sysselsatta med 47 procent, högst andel utlandsfödda med 40 procent och lägsta disponibla medelinkomst som ligger på i genomsnitt 16 192 kronor.
Kluster nummer två som utgör de något resurssvaga områdena har ett relativt högt antal ej sysselsatta med 23 procent i jämförelse med nästa kluster som har en betydligt lägre andel ej sysselsatta på 9 procent. Andelen utlandsfödda är 14 procent vilket är högre än medianen som ligger på 5 procent och en lägre genomsnittlig disponibel inkomst, 21 879 kronor, i jämförelse med medianen som ligger på 24 422. De något resurssvaga områdena utgör 26,2 procent av SAMS-områdena.
De områden som kategoriserats i kluster tre är medelresursstarka områden. Dessa områden har som tidigare nämnt i genomsnitt 9 procent som inte är sysselsatt och ligger i underkant i förhållande till medianen som är 12 procent. Andelen utlandsfödda är lågt med 4 procent och medelinkomsten är 25 861 kronor vilket är en inkomst som är medelhög medelinkomst. Klustret medelresursstarka är det största klustret och omfattar 60,4 procent av SAMS-områdena.
Det sista klustret inrymmer 7,7 procent av SAMS-områdena och grupperar de resursstarka områden. Denna grupp är den mest välmående gruppen som utmärker sig med en hög disponibel medelinkomst som ligger långt över medianen med i genomsnitt 41 191 kronor.
Andelen utlandsfödda är 6 procent och andelen ej sysselsatta är 8 procent vilket är två värden som ligger nära motsvarande värden för de medelresursstarka områdena och de något resurssvaga områden.
4.2 Betygsgenomsnitt för olika områdestyper
Följande diagram visar de genomsnittliga gymnasiebetygen för varje kluster. Genom ett stapeldiagram kan man se hur medelvärdet skiljer sig åt mellan områdeskategorierna.
19
Tabell 3: stapeldiagram över de genomsnittliga gymnasiebetygen fördelade i varje kluster.
Här syns en tydlig trend där betygen är högre ju högre socioekonomisk status området har. Det lägsta betygsgenomsnittet återfinns i klustret för utsatta områden medan det högsta betygsgenomsnittet finns i klustret för de resursstarka områdena.
En intressant jämförelse är att se hur de genomsnittliga gymnasiebetygen skiljer sig åt för de områden som har en högskola i kommunen. Denna jämförelse visas i ett stapeldiagram i följande tabell, tabell 4.
20
Tabell 4: Stapeldiagram jämförande de genomsnittliga gymnasiebetygen för de olika områdena beroende på om det finns en högskola i kommunen eller inte.
Värdena som motsvarar de genomsnittliga gymnasiebetygen fördelade mellan områdena där det inte finns någon högskola skiljer sig inte mycket ifrån de värden för genomsnittliga gymnasiebetygen mellan områdena där det finns en högskola i kommunen. Men en tydlig trend syns där gymnasiebetygen är i genomsnitt högre för varje områdeskluster om det finns en högskola i kommunen. Den största betygspåverkan är på de något resurssvaga områdena som presterar högre med i genomsnitt 40 högre poäng om det finns en högskola i kommunen jämfört med om det inte finns någon högskolas närvaro. Betygen för utsatta områden påverkas också positivt av att det finns en högskola i kommunen eftersom de får en ökning med 25 poäng.
Liknande inverkan får de resursstarka områdena med en ökning med 26 poäng. Det området som påverkas minst men vars värden fortfarande ökas om det finns en högskola i kommen är de medelresursstarka områdena vars genomsnittliga gymnasiebetyg var 12 poäng högre än det genomsnittet för betygen i området utan högskolenärvaro.
4.3 Högskoleutbildade i kommunen och en högskolas närvaro
För att undersöka hur den allmänna utbildningsnivån ser ut i olika kommuner och om denna varierar beroende på om det finns en högskola i kommunen eller inte gjordes en jämförelse av medelvärden med andelen högskoleutbildade på kommunnivå och om det finns en högskola i kommunen eller inte.
21
Tabell 5 visar den genomsnittliga andelen högutbildade i kommunen beroende på om det finns en högskolenärvaro i kommunen eller inte.
Tabell 5: Genomsnittlig andel högskoleutbildade i kommunerna där det finns respektive inte finns någon högskolenärvaro.
Tabell 5 visar att det är skillnad på andelen högskoleutbildade i kommunen beroende på om det finns en högskola i kommunen eller inte. Andelen högskoleutbildade i en kommun där det inte finns någon högskola är 3 procent lägre än andelen högskoleutbildade i kommuner där en högskolenärvaro finns.
I två regressionsanalyser (tabell 6 och 7) undersökts om antalet högskolor har en effekt på andelen högutbildade i kommunen.
Variabler B-värde Signifikansnivå
(Konstant) ,168 ,000
Dummyvariabel högskola finns i kommunen eller inte
,030 ,000
R-Square värde ,290
Beroende variabel: Andel högskoleutbildade i kommunen
Tabell 6: regressionsanalys över effekten av en högskolas närvaro i kommunen på andelen högskoleutbildade i kommunen.
22
Andelen högskoleutbildade kan dock förklaras med hög säkerhet av att det finns en högskolenärvaro i kommunen. R-Square värdet för regressionen är 29 procent. Ett R- Squarevärde är ett statistiskt mått som mäter den förklarade variansen mellan de oberoende variablerna och den beroende variabeln (Upton & Cook, 2014). I ovanstående fall visar R- Square värdet att 29 procent av variationen i andelen högskoleutbildade mellan kommuner kan förklaras av att det finns en högskola i kommunen eller inte. B-värdet 0,030 visar att en högskola har en positiv effekt på andelen högskoleutbildade i kommunen.
Tabell 7 visar resultaten av regressionsanalysen som visar om antalet högskolor i kommunen har en betydelse för andelen högskoleutbildade i kommunen.
Variabler B-värde Signifikansnivå
(Konstant) ,178 ,000
Antal högskolor ,004 ,000
R-Square värde ,097
Beroende variabel: Andel högskoleutbildade i kommunen
Tabell 7: Regressionsanalys över antalet högskolors effekt på andelen högskoleutbildade i kommunen.
R-Square värdet är lågt och förklarar med 9,7 procent de sambanden som finns i regressionen.
Sambandet mellan antalet högskolor och andelen högutbildade i kommunen är positivt men svagt. En högskola i kommunen påverkar alltså andelen högutbildade i kommunen men antalet högskolor påverkar inte andelen högskoleutbildade i kommunen.
4.4 Regressionsanalys
I en regressionsanalys kan man jämföra sambanden mellan grupperna och se om det finns några effekter som påverkar variablernas värden (Upton & Cook, 2014). I följande tabell redovisas resultatet av en multipel regressionsanalys i en flerstegsanalys. En flerstegsanalys är användbar för att undersöka om vissa variabler inverkar mer eller mindre på den beroende variabeln.
Beroende variabeln i samtliga regressionsanalyser är gymnasiebetygen på områdesnivå.
Sammanlagt analyserades två modeller där bakgrundsvariablerna analyserades stegvis, först variabler rörande utbildningsnivå och studieresultat på kommunnivå och antalet högskolor i kommunerna, därefter tillades tre interaktionsvariabler om en högskolas närvaro i kommunen och ett enskilt område.
4.4.1 Deskriptiv statistik
Nedanstående tabell visar en sammanställning av de variabler som användes i regressionsanalysen där medelvärdet, extremvärden och standardavvikelse visas för varje variabel.
23
Variabel: N Medelvärde Standardavvikelse Min Max
Antal högskolor i kommunen
8127 0,88 2,177 0 17
Andel
högskoleutbildade på kommunnivå
8127 18 % 0,03 11 % 24 %
Genomsnittliga gymnasiebetyg på
kommunnivå
8127 1278,53 58 1089,42 1473,56
Tabell 8: Tabell över deskriptiv statistik som användes till regressionsanalysen.
I ovanstående tabell redovisas antalet observationer i populationen (N), medelvärdet, standardavvikelse, det vill säga hur mycket de olika värdena avviker från medelvärdet (Upton
& Cook, 2014), och extremvärden (minimum och maximum) för de olika variablerna som använts till regressionsanalysen.
4.4.2 Resultat av multipla regressionsanalysen i två steg
Följande tabell visar den sammanlagda multipla regressionsanalysen uppdelad i de två olika stegen, modell ett och två. I första modellen ställds gymnasiebetygen på områdesnivå, regressionens beroende variabel, mot kontrollvariablerna för områdestyp, för andel högskoleutbildade, antal högskolor och betyg på kommunnivå. I andra modellen fortsätter samma regressionsanalys, dock läggs interaktionsvariabler för områdestyp tillsammans med antalet högskolor och universitet i kommunen.
24
Tabell 9: Redovisning av regressionsanalys av variablers olika effekt på gymnasiebetyg på områdesnivå.
Beroende variabel:
Gymnasiebetyg på områdesnivå Modell 1 Modell 2
Oberoende variabler B Signifikans B Signifikans
(konstantvärde (a)) 452,913 ,000 408,166 ,000
Högskola i kommun 1,561 ,141 63,536 ,000
Andel högskoleutbildade på kommunnivå
-70,953 ,457 -258,802 ,022
Genomsnittligt gymnasiebetyg på kommunnivå
,733 ,000 ,735 ,000
Resursstarka områden Referens Referens Referens Referens
Utsatt område -217,571 ,000 -199,457 ,000
Något resurssvaga områden -136,560 ,000 -129,467 ,000
Medelresursstarka områden -74,800 ,000 -52,237 ,000
Utsatta områden beroende på om det finns en högskola i kommunen eller ej
-46,347 ,092
Något resurssvaga område beroende på om det finns en högskola i kommunen eller ej
-24,100 ,204
Medelresursstarka områden beroende på om det finns en högskola i kommunen eller ej
-55,079 ,002
N 8127 8127
R-Square värde ,109 ,112
25
Regressionsanalysen i den första modellen har ett R-Square värde på 10,9 %. Det innebär att 10,9 % av skillnaden i gymnasiebetyg mellan områden kan förklara av de oberoende variablerna.
Signifikansnivån för de olika variablerna varierar. Variablerna som står för om det finns en högskola eller inte och andelen högskoleutbildade i kommunerna kan uteslutas som variabler som kan ha effekt på hur gymnasiebetygen på områdesnivå, detta på grund av deras signifikansnivå som är över 0,05. En signifikansnivå anger sannolikheten för att göra ett typ 1 fel5 där en låg signifikans innebär låg sannolikhet för fel. De övriga variablerna, gymnasiebetygsgenomsnitten för kommunerna och områdesindelningen har en signifikansnivå på 0,000 vilket innebär att sambanden som finns mellan variablerna är fullständiga. Om man ser till dessa variablers B-koefficientvärde6 kan man se att de genomsnittliga gymnasiebetygen för kommunen som har B-värdet 0,733 har en positiv effekt på gymnasiebetygen på områdesnivå. Kort sagt, är de genomsnittliga gymnasiebetygen höga på kommunnivå kommer gymnasiebetygen på områdesnivå att vara i genomsnitt högre och tvärtom, om gymnasiebetygen på kommunnivå är lägre är också betygen lägre på områdesnivå.
De olika områdesindelningarna har, som tidigare sagt, en signifikant effekt på gymnasiebetygen i områdena. Däremot är dessa negativa vilket innebär att medelbetygen i utsatta, något resurssvaga och medelstarka områden har i genomsnitt är lägre betyg än medelbetygen i resursstarka områden. Effekten är dock störst i utsatta områden. I de medelstarka områdena är skillnaden mot de resursstarka områdena betydligt lägre (-74,8 jämfört med -217,6 för utsatta områden). Områdets effekt på gymnasiebetygen på områdesnivå är alltså linjär utifrån vilken socioekonomisk status området har, med högst betyg i resursstarka områden och lägst i utsatta områden.
I följande modell, modell 2, har interaktionsvariablerna lagts in i regressionsanalysen. I detta fall är målet att testa om antalet högskolor i en viss områdestyp påverkar gymnasieelevernas genomsnittliga betyg. Därför används dummyvariablerna för utsatta-, något resurssvaga-, och medelresursstarka områden tillsammans med variabeln som visar om det finns en högskola i kommunen eller inte. Genom att multiplicera variabelvärdet för de olika områdestyperna med antalet högskolor i kommunen får man variablernas interaktionseffekt.
Denna interaktionseffekt plockas sedan in i regressionsanalysen där vi kan se om interaktionsvariablerna har någon effekt på gymnasiebetygen.
R-Square värdet har förändrats från modell 1 till 2, från ,109 till ,112. Värdets ökning innebär att analysen blir bättre med interaktionsvariablerna och förklarar ytterligare variation mellan de olika områdestyperna och gymnasiebetygen. Även B-värdena för de variabler som använts även i första modellen har ändrats. Variabeln vars värde anger om det finns en högskola i kommunen eller ej har fått en fullständig signifikans och B-värdet har fått en rejäl ökning (från 1,561 till 63,536). Det finns alltså ett positivt samband mellan en högskolas närvaro och gymnasiebetyg på områdesnivå, med andra ord påverkas gymnasiebetygen överlag positivt av
5 Ett typ 1 fel är ett statistiskt fel som kan visa att ett samband inte finns trots att det egentligen finns (Upton &
Cook, 2014)
6 B-koefficient är sannolikhetsmått för att någon variabel ska påverka den beroendevariabeln. Ju närmare 1, desto högre sannolikhet att variabeln påverkar medan ett värde närmare 0 indikerar på att variabeln med liten sannolikhet kommer att påverka utfallet för den beroende variabeln (Upton & Cook, 2014).
26
att det finns en högskola i kommunen. Även signifikansnivån för andelen högskoleutbildade på kommunnivå och gymnasiebetygen på områdesnivå har sänkts till ,022, vilket innebär att det nu finns ett signifikant samband mellan dessa två variabler. B-värdet för denna variabel har också sänkts från -70,953 till - 258,802 vilket innebär att andelen högskoleutbildade i kommunen har en negativ effekt på gymnasiebetygen i områdena. Även värdena för områdesindelningarna har sänkts av att lägga in interaktionsvariablerna i regressionsmodellen.
Gällande interaktionsvariablernas värden kan B-värdet för de något resurssvaga områden i kombination med om det finns en högskola i kommunen eller inte förkastas eftersom sambandet inte är signifikant. Däremot finns ett starkt signifikant samband mellan medelresursstarka områden som har en högskola i kommunen och gymnasiebetygen. Intressant nog är sambandet negativt. Det innebär att medelstarka områden har lägre betyg än resursstarka områden om det finns en högskola i kommunen. Elever från medelresursstarka områden som har en högskola i kommunen presterar alltså sämre än elever från medelstarka områden som inte har någon högskola i kommunen. Vid kombinerad effekt mellan värdet för högskolan i kommunen 63,536 och värdet för medelstarka områden i kombination med en högskolas närvaro -55,079 blir visserligen sambandet positivt men svagt. Liknande effekt syns på det negativa B-värdet - 46,347 för interaktionsvariabeln utsatta områden där det finns en högskola i kommunen. Detta negativa samband innebär alltså att ungdomars gymnasiebetyg i utsatta områden påverkas i liten grad av en högskolas närvaro vid kombinerande av värdena med högskolans påverkan på gymnasiebetygen. Sambandet kan dock ifrågasättas på grund av dess något lägre signifikansnivå. Effekten som en högskolenärvaro i utsatta områden har på gymnasiebetygen i området har en säkerhetsnivå på 90,8%.
De starkt negativa B-värdena för medelstarka områden och utsatta områden, i kombination med en högskola i kommunen, visar att det finns ett starkt positivt samband mellan en högskolas närvaro och gymnasiebetyg på områdesnivå men bara för resursstarka områden som är regressionsanalysens referensgrupp. En högskolas effekt är alltså mycket stark på gymnasiebetygen hos elever i resursstarka områden.
5.
AVSLUTANDE DISKUSSION
Denna studie har haft till syfte att undersöka en högskolas effekt på den allmänna utbildningsnivån men också den effekt som högskolan har på gymnasiebetygen på områdesnivå.
Den första frågan som ställdes var hur gymnasiebetygen skiljer sig åt beroende på om det finns en högskola i kommunen eller inte?
En ökad tillgång till en högskola innebar enligt Faure (2009) och Convert (2003) ett ökat sökande till högskolestudier, även hos ungdomar i utsatta områden. Med en förändrad arbetsmarknad (Lundqvist, 2010) och ett ökat antal universitet (UKÄ, 2016b) borde rimligtvis gymnasieelever i olika områden, särskilt i utsatta områden komma närmare den akademiska världen och nå högre studieresultat än områden som inte har samma tillgång till högskola.
Betygsmedelvärdena är som förväntat högre i områden vars kommun har en högskola. Trenden syns tydligt i tabell 4 som illustrerar att betygen är högre ju högre socioekonomisk status ett område har och betygen blir också högre om det finns en högskola i kommunen. Skillnaden var
