Derfor skal livrenter. betydning privatøkonomien. Forsikring & Pension Analyserapport 2011:7. Ann-Kathrine Ejsing. Andreas Østergaard Nielsen

Transkript

1 Analyserapport 2011:7 Derfor skal livrenter ikke Finansiel ind under forståelses betydning kr. s for loftet privatøkonomien AnnKathrine Ejsing Andreas Østergaard Nielsen Philip Heymans Allé 1, 2900 Hellerup, Telefon ,

2 Side 1

3 Indhold 1. Indledning Tidligere undersøgelser Interviewundersøgelsen Bortfaldsanalyse Vægtning Deskriptive resultater fra spørgeskemaundersøgelsen Resultater fra de økonometriske analyser Finansiel forståelse Dårlig betaler Implicit rente Konklusion Referencer Bilag Spørgsmål vedrørende finansiel forståelse Definition af variable Estimationsresultater fra vægtningsmodellen Robusthedsanalyse af finansiel forståelse modellen Robusthedsanalyse af dårlig betaler modellen Robusthedsanalyse af implicit rente modellen Side 2

4 Side 3

5 1. Indledning Flere tidligere analyser peger på, at forbrugerne generelt har begrænset finansiel forståelse, defineret ved kendskab til og viden om basale finansielle begreber og værktøjer. Dette er problematisk af flere årsager. Et problem er, at manglende finansiel forståelse betyder, at forbrugerne ikke er ordentlig rustet til at træffe velinformerede beslutninger om deres privatøkonomi, hvilket kan være omkostningsfuldt for den enkelte, se f.eks. Rooij m.fl. (2011) og Lusardi og Mitchell (2011). Finansiel forståelse er en vigtig faktor til at sikre en sund privatøkonomi. Alligevel er niveauet af finansiel forståelse lavt. Det gælder både i Danmark og i andre OECD lande, jf. OECD (2005). Samtidig er det få, der interesserer sig meget for privatøkonomi. Dette kan dels skyldes, at folk finder det svært, og dels, at folk mener, de har fint styr på de finansielle begreber og deres privatøkonomi. Men som svarerne i denne og tidligere undersøgelser viser, er der en tendens til, at folk overvurderer deres finansielle evner, jf. Rooij m.fl. (2011). Det kan være stærkt problematisk, da folk i så fald tror, at de handler på et informeret grundlag, men i virkeligheden famler delvist i blinde. Relativ lav finansiel forståelse blandt forbrugerne står i kontrast til forbrugernes stigende behov for finansiel forståelse, fordi den enkelte på stadig flere områder har fået mulighed og ansvar for at forvalte sin privatøkonomi. For det første har den finansielle deregulering betydet, at privatpersoner har fået lettere adgang til kredit, hvilket øger mulighederne for at udjævne forbruget over livet. Dereguleringen har ligeledes betydet, at der er kommet væsentlig flere finansielle instrumenter og investeringsmuligheder. F.eks. har realkreditmarkedet udviklet sig fra et valg mellem fast eller fleksibel rente til et lånemarked med mere end hundrede mulige låneformer. For det andet har hver enkelt generelt fået flere værdier både i form af human kapital og materielle goder såsom hus, bil og indbo, hvilket stiller større krav til den enkelte om at kunne tegne de rigtige forsikringer og opnå en passende dækning. For det tredje er der kommet mere valgfrihed i det danske arbejdsmarkedspensionssystem. Den enkelte har nu mulighed for selv at vælge risikodækningen og i en vis grad også investeringsprofilen. Formålet med denne analyserapport er dels at identificere, hvilke faktorer der påvirker finansiel forståelse, og dels at analysere, hvad der karakteriserer personer, der er dårlige betalere, med særligt fokus på den rolle finansiel forståelse spiller. Information om hvorvidt respondenterne karakteriseres som dårlige betalere er baseret på selvrapporteret information. Sammenholdes niveauet af dårlige betalere med niveauet i hele befolkningen, som det kan aflæses i debitorregistrene, ses, at det selvrapporterede niveau er undervurderet. Derfor anvendes ligeledes information om respondenternes implicitte rente til at vurdere en anden mulig konsekvens af manglende finansiel forståelse; nemlig en relativ dyr gæld. Sammenhængen mellem finansiel forståelse, sandsynligheden for at være dårlig betaler og den implicitte rente er ikke tidligere blevet analyseret med danske data. Rapporten bidrager således til en øget forståelse af konsekvenserne af manglende finansiel forståelse og viser samtidig, hvilke faktorer, der er afgørende for at sikre finansiel forståelse. Analysen hviler på en spørgeskemaundersøgelse foretaget ultimo I alt personer mellem 1874 år har besvaret spørgsmålene. Analysen adskiller sig fra andre internationale studier ved at koble data fra undersøgelsen med offentlige registre. I mange internationale spørgeskemaundersøgelser er baggrundsvariablene selvrapporterede. Analyserapporten viser, at danskernes finansielle forståelse fordeler sig ligeligt over lav, middel og høj finansiel forståelse, hvor uddannelse er en vigtig kilde til Side 4

6 at forklare niveauet. Personer med videregående uddannelser har signifikant højere finansiel forståelse i forhold personer med lavere uddannelsesniveau. Finansiel forståelse som en del af uddannelsen bidrager yderligere til et højere niveau af finansiel forståelse. Rapporten viser også, at lav finansiel forståelse kan betyde, at man ikke er i stand til at forvalte sin privatøkonomi ansvarligt, hvilket giver dyrere gæld og større sandsynlighed for at være dårlig betaler. Rapporten er disponeret som følger. Afsnit 2 beskriver tidligere analyser af finansiel forståelse. Afsnit 3 beskriver interviewundersøgelsen, som resultaterne er baseret på. Bortfaldet i stikprøven undersøges i afsnit 4 og vægtene, som bortfaldet giver anledning til, er beregnet i afsnit 5. I afsnit 6 gives en deskriptiv præsentation af resultaterne, mens afsnit 7 præsenterer estimationsresultaterne. Afsnit 8 konkluderer. 2. Tidligere undersøgelser Traditionelt har finansiel forståelse været approksimeret med generel uddannelse, fordi der ikke har været data til rådighed, der eksplicit måler finansiel forståelse (Rooij m.fl., 2011). I de senere år anvendes i stedet resultaterne fra spørgeskemaer, der indeholder en række konkrete spørgsmål om finansielle begreber og værktøjer, for at afsløre respondenternes faktiske finansielle forståelse, jf. Rooij m.fl. (2011), Lusardi og Tufano (2009) og Lusardi og Mitchell (2011). Respondenterne kan derefter rangeres i forhold til finansiel forståelse på baggrund af antal rigtige svar. Med udgangspunkt i den udledte finansielle forståelse analyserer studierne, hvordan finansiel forståelse påvirker nettoformuen Rooij m.fl. (2011), gældssætning Lusardi og Tufano (2009) og pensionsplanlægning Lusardi og Mitchell (2011). Rooij m.fl. (2011) estimerer effekten af finansiel forståelse på størrelsen af nettoformuen, og finder, at den isolerede effekt af forskellen mellem nedre kvartil til øvre kvartil i fordelingen af finansiel forståelse betyder en ændring i nettoformue på ca Lusardi og Tufano (2009) finder, at lav finansiel forståelse (debt literacy) betyder dyrere lån, mens Lusardi og Mitchell (2011) viser, at finansiel forståelse øger sandsynligheden for aktiv pensionsplanlægning. OECD (2005) beskriver finansiel forståelse blandt medlemslandene. Niveauet af finansiel forståelse er generelt (overraskende) lavt. Rapporten finder, at finansiel forståelse er positivt korreleret med uddannelse og indkomst, samt at respondenterne ofte overvurderer deres niveau af finansiel forståelse. Samtidig synes mange, at finansiel forståelse dækker over et svært og komplekst område, og at det er svært at finde "easytounderstand information". 1 OECD peger på særlige kurser og uddannelsesforløb som effektive metoder til at forbedre finansiel forståelse. Forholdene i Danmark adskiller sig ikke meget fra OECD. En userneedsundersøgelse foretaget af blandt danskere viser, at også danskerne overvurderer deres egne evner, hvilket indikerer, at der er en væsentlig udfordring i at få danskerne til at interessere sig for privatøkonomi, særligt fordi mange tror, at de har styr på økonomien. 2 1 OECD (2005) s Andersen, M. B. og Kahlke, J. (2010): Danskernes finansielle forståelse, Forsikring & Pension Analyserapport 2010:05. Side 5

7 3. Interviewundersøgelsen Data, der ligger til grund for denne rapport, stammer fra en spørgeskemaundersøgelse koblet med registerdata. Spørgeskemaundersøgelsen er foretaget af Danmarks Statistik for i perioden 16. december marts Undersøgelsens hovedfokus er på forsikringssvindel, men en del af spørgsmålene omhandler finansiel forståelse. Alle interviewpersoner er blevet kontaktet via brev. Efterfølgende har de givet svar enten via telefon eller web. Omkring halvdelen af personerne, der har svaret, har givet svar via telefon, mens den anden halvdel har svaret via web. Danmarks Statistik har tilfældigt udvalgt deltagerne i interviewundersøgelsen via cprregistret blandt alle 1874årige danskere. Udvælgelsesmetoden sikrer, at alle personer i aldersgruppen har lige stor sandsynlighed for at blive udtrukket. Bruttostikprøven er dermed repræsentativ for de 1874årige i befolkningen. Bruttostikprøven er udtrukket i 4. kvartal 2010 og udgør personer. Af den udvalgte bruttostikprøve falder 14 pct. fra, fordi de enten er omfattet af forskerbeskyttelse, 3 er udvandrede, hjemløse eller afgået ved døden i perioden fra stikprøven trækkes til undersøgelsen igangsættes. Hvis bortfaldet ikke er tilfældigt kan det ikke garanteres, at nettostikprøven er repræsentativ for befolkningen. I det følgende afsnit analyseres det derfor, om bortfaldet er tilfældigt eller ej. Tilbage er nettostikprøven på personer. Her har personer svaret på spørgeskemaet. Det giver en svarprocent på 59,1 pct. Differencen mellem bruttostikprøven på og de respondenter kaldes bortfaldet. I Tabel 1 ses mulige årsager til bortfaldet i nettostikprøven. Knap 55 pct. af bortfaldet skyldes, at det ikke har været muligt at kontakte personerne. Det resterende bortfald benævnes øvrigt bortfald. Det bemærkes, at 35,7 pct. af bortfaldet skyldes, at personerne har nægtet at svare. En del af undersøgelsen omhandler forsikringssvindel, hvilket kan betyde, at folk er mindre villige til at besvare undersøgelsen. 4 Tabel 1 Bortfaldet i nettostikprøven Nettostikprøve Bortfald antal pct. pct. Svar ,1 Ikke truffet 442 8,8 21,5 Nægter ,6 35,7 Øvrigt bortfald 130 2,6 6,3 Sprogvanskeligheder 58 1,2 2,8 Ikke relevant 4 0,1 0,2 Ikke kontakt på tlf.nr ,8 11,7 Ikke fundet tlf.nr ,9 21,8 Total Kilde: Egne beregninger på spørgeskema og registerdata. 3 I perioden har det været muligt at forskerbeskytte sig på flyttemeddelelsesblanketten. Omkring personer i den danske befolkning er forskerbeskyttet, hvilket betyder at de ikke kan kontaktes ved interviewundersøgelser udført af Danmarks Statistik. Da unge i større omfang flytter, er bortfaldet i særlig grad skævt for de unge. Omkring en fjerdedel af de unge mellem 20 og 29 år har valgt at forskerbeskytte sig ved optællingen i 2007 og Selvom man siden 2007 skal henvende sig til folkeregisteret for at blive tilmeldt forskerbeskyttelse, er tendensen stadig stigende. Se Fangel m.fl. (2007). 4 Forsikringssvindel er et tabubelagt område, som folk ikke ønsker at udtale sig om, selvom deltagelse i undersøgelsen er anonym. Side 6

8 Det er muligt at koble personerne, som har deltaget i interviewundersøgelsen, til meget detaljeret registerdata fra Danmarks Statistik, hvor der også eksisterer information om hele Danmarks befolkning, hvilket gør det muligt at lave en detaljeret undersøgelse af svarpopulationens repræsentativitet. Adgang til registerdata betyder ydermere, at undersøgelsen har adgang til oplysninger om socioøkonomiske karakteristika, hvilket i mange tilfælde er en fordel, da interviewpersonerne kan frivilligt eller ufrivilligt klassificere dem selv forkert. Hvis bortfaldet systematisk adskiller sig fra svarpopulationen, er det nødvendigt at korrigere for denne systematik for kunne generalisere resultaterne. Dette gennemgås i afsnit 4 og Bortfaldsanalyse Når bortfaldet systematisk adskiller sig fra svarpopulationen, giver det bias i de fundne resultater. Et skævt bortfald betyder, at svarpopulationen ikke længere er repræsentativ for den danske befolkning. Der er to måder, hvorpå repræsentativiteten af svarpopulationen kan undersøges. Man kan sammenligne fordelingerne af forskellige socioøkonomiske karakteristika for hhv. svarpopulationen og hele befolkningen eller for svarpopulationen og bruttostikprøven under antagelse af, at bruttostikprøven er repræsentativ. I denne analyse forfølger vi den første metode og sammenligner med hele den danske befolkning mellem 18 og 74 år pr. 1. januar I det følgende betegnes de personer i svarpopulation som stikprøven. I interviewundersøgelser er det velkendt, at f.eks. enlige og unge er underrepræsenteret, mens ældre og personer med højere uddannelse er overrepræsenteret, jf. Lundström og Särndal (2005). I det følgende undersøges repræsentativiteten af stikprøven i forhold til en række personkarakteristika, for at belyse på hvilke parametre stikprøven er eller ikke er repræsentativ. Tabel 2 viser fordelingen for køn, civilstatus, boligforhold, aldersgrupper, uddannelsesniveau, socioøkonomisk status, herkomst, region og indkomstdecil for hhv. stikprøven og befolkningen. Andelen af kvinder i stikprøven er 49,6 pct., mens den tilsvarende andel i befolkningen er 50,0 pct. Det testes med et ttest, om stikprøvens fordeling er statistisk signifikant forskellig fra kønsfordelingen i befolkningen. Ttestet for andelen af kvinder er 0,42 svarende til en pværdi på 0,66. Der er således ingen signifikant forskel på andelen af kvinder i stikprøven og befolkningen, og stikprøven er derfor ikke skæv mht. køn. I stikprøven er andelen af boligejere 66,9 pct., mens andelen i befolkningen kun er 56,9 pct. Den forskel er signifikant og betyder, at boligejere er overrepræsenteret i stikprøven. Tilsvarende er personer mellem 1824, 2529 og 3039 år signifikant underrepræsenteret, mens personer over 50 år er signifikant overrepræsenteret. Underrepræsentationen af de unge hænger formentlig sammen med muligheden for forskerbeskyttelse. Fordelt på uddannelse er stikprøven også skæv. Ufaglærte er underrepræsenteret, mens faglærte, KVU'ere og MVU'ere er overrepræsenteret. Andelen af personer i stikprøven med LVU er ikke signifikant forskellig fra andelen i populationen. 5 Pga. bortfaldet i bruttostikprøven har vi ikke adgang til den repræsentative bruttostikprøve, hvorfor hele befolkningen anvendes til at måle skævheden blandt de personer, der har svaret. Side 7

9 Fordelt på socioøkonomisk status er der 2 pct. point flere lønmodtagere på højt niveau i stikprøven i forhold til befolkningen, mens der er godt 2 pct. point færre personer uden for arbejdsstyrken i stikprøven. Fordelt på de øvrige socioøkonomiske grupper kan forskellen ikke afvises at skyldes statistisk usikkerhed. På civilstatus er par med børn overrepræsenteret, mens enlige med børn er underrepræsenteret. Dette er ligeledes en velkendt observation, da det er mere sandsynligt at træffe par med børn hjemme, jf. Lundström og Särndal (2005). Personer med anden herkomst end dansk er signifikant underrepræsenteret i stikprøven, mens personer med dansk herkomst er tilsvarende overrepræsenteret. Stikprøven er underrepræsenteret på personer fra Region Hovedstaden og overrepræsenteret i forhold til personer fra Jylland og Fyn. Endelig er der for få personer i stikprøven blandt de laveste indkomstdeciler og for mange personer blandt de højeste indkomstdeciler. Skævheden i stikprøven adskiller sig ikke fra den skævhed, der normalt findes i stikprøver pga. systematisk bortfald. Samlet kan bortfaldet i stikprøven tilskrives en underrepræsentation af lejere, unge, lavere uddannede, personer uden for arbejdsmarkedet, anden herkomst end dansk og relativt lave indkomster. Skævhed, der tilskrives disse karakteristika, forventes også at påvirke fordelingen af danskernes finansielle forståelse. Undersøgelsens resultater skal derfor korrigeres for det systematiske bortfald for at kunne anvendes som en repræsentativ beskrivelse af befolkningens finansielle forståelse. Korrektionen består i at tildele personerne i stikprøven en vægt, der er omvendt proportional med deres repræsentativitet. Dvs. personer i stikprøven, der er overrepræsenterede, tildeles en mindre vægt end personer, der er underrepræsenteret. Det følgende afsnit beskriver dannelsen af de individuelle vægte. Side 8

10 Tabel 2 Fordelingen af personkarakteristika i stikprøven, befolkningen og den vægtede stikprøve, pct. Stikprøve Population pværdi Vægtet Kvinde 49,6 50,0 0,670 50,9 Ejer 66,9 56,9 0,000 57,5 Alder 1824 år 9,4 11,7 0,000 11, år 5,4 7,6 0,000 7, år 15,6 18,3 0,000 18, år 20,8 20,5 0,649 20, år 20,5 18,1 0,001 18, ,4 23,8 0,000 23,8 Uddannelse Grundskole 26,7 32,3 0,000 31,4 Gymnasium 6,7 8,3 0,002 8,4 Faguddannet 35,9 33,1 0,001 33,2 KVU 5,9 4,9 0,011 4,9 MVU 17,5 14,5 0,000 15,0 LVU 7,3 6,9 0,406 7,1 Sociostatus Selvstændig 5,3 4,6 0,101 4,8 Lønmodtager højt niveau 13,4 11,4 0,000 11,7 Lønmodtager lavt niveau 49,8 49,2 0,537 50,3 Arbejdsløs 1,2 1,5 0,288 1,5 Uddannelsessøgende 5,2 5,4 0,662 5,4 Uden for arbejdsstyrken 25,1 28,0 0,001 26,4 Civilstatus Par med børn 31,7 30,1 0,057 30,5 Par uden børn 38,5 33,7 0,000 33,7 Enlig med børn 3,8 4,3 0,132 4,2 Enlig uden børn 20,7 27,3 0,000 26,9 Hjemmeboende barn 5,4 4,7 0,081 4,7 Oprindelsesland Danmark 94,3 90,0 0,000 90,2 Mere udviklede lande 3,4 4,8 0,000 4,5 Mindre udviklede lande 2,3 5,2 0,000 5,3 Regioner Region Hovedstaden 26,2 31,0 0,000 30,5 Region Sjælland 14,1 14,7 0,364 14,7 Region Syddanmark 23,8 21,4 0,001 21,2 Region Midtjylland 24,5 22,6 0,012 22,9 Region Nordjylland 11,4 10,4 0,090 10,7 Indkomstdeciler 1. decil 8,4 10,0 0,004 9,8 2. decil 7,9 10,0 0,000 10,0 3. decil 8,9 10,0 0,039 9,7 4. decil 8,9 10,0 0,052 10,0 5. decil 9,5 10,0 0,402 9,9 6. decil 10,8 10,0 0,172 10,1 7. decil 10,6 10,0 0,263 10,3 8. decil 10,6 10,0 0,290 10,1 9. decil 11,9 10,0 0,001 10,0 10. decil 12,4 10,0 0,000 10,1 Anm.: En pværdi <0,050 angiver, at fordelingerne i stikprøven og populationen er signifikant forskellige på 5 pct. signifikansniveau. Kilde: Egne beregninger på spørgeskema og registerdata. Side 9

11 5. Vægtning Formålet med vægtningen er at korrigere for det systematiske bortfald, som stikprøven lider under, jf. afsnit 4. Vægtene skal sikre, at de, som i svarpopulationen er underrepræsenteret i forhold til hele befolkningen, tæller lidt mere, og de, der er overrepræsenteret, tæller lidt mindre. I denne analyse beregnes individuelle inverse probability weights (IPW), hvor vægten svarer til den inverse af sandsynligheden for at besvare spørgeskemaet, jf. Horvitz og Thompson (1952) og Fitzgerald m.fl. (1998). På denne måde vægter personer med større sandsynlighed for at besvare spørgeskemaet lavere end personer med mindre sandsynlighed for at besvare spørgeskemaet. Der opstilles en statistik model, der søger at forklare sandsynligheden for at besvare spørgeskemaet på baggrund af personkarakteristika, se Boks 1. Afsnit 4 viser, at stikprøven er skæv på bestemte variable, og derfor forventes det også, at den statistiske model, på baggrund af disse variable, kan adskille personer, der har besvaret undersøgelsen fra de, der ikke har. Fordelen ved at anvende en statistisk model til at beregne vægte er, at man kan anvende mange forklarende variable i opregningen, hvorimod anvendelsen af traditionel direkte vægtning, hvor stikprøven inddeles i grupper efter personkarakteristika, betyder, at det i praksis kun er muligt at beregne vægte på baggrund af få variable, da antallet af observationer i hver gruppe bliver begrænset, jf. Lundström og Särndal (2005). Inverse probability vægtene,, anvendes til at opregne svarene i spørgeskemaet til populationsniveau. Som en illustration af vægtenes evne til at korrigere for bortfaldet er der i Tabel 2 vist de vægtede fordelinger af stikprøven. Det bemærkes, at for de variable, hvor stikprøven er skæv, f.eks. andelen af boligejere, betyder vægtningen, at den vægtede stikprøves fordeling næsten svarer til populationens fordeling. I populationen er 56,9 pct. boligejere, mens der i stikprøven er 66,9 pct., men når vægtene anvendes, svarer dette til 57,5 pct., hvilket viser, at vægtene retter op på skævheden i stikprøven. Side 10

12 Boks 1 IPW estimation I udgangspunktet er vi interesserede i en model for den afhængige variabel forklaret af vektoren, men pga. det systematiske bortfald vil den model give skæve estimater, fordi (og delvist også ) kun observeres for personer i stikprøven. Den statistiske model til beregning af IPW baseres på antagelsen om, at der kan identificeres variable, der kan forklare bortfaldet. Stikprøven betragtes som et selected sample, hvor selektionen kan beskrives som selection on observables modsat selection on unobservables, jf. Fitzgerald m.fl. (1998). 6 Lad være en binær indikatorvariabel, der er 1, hvis personen er med i stikprøven og 0 ellers. Sandsynligheden for at være med i stikprøven er givet ved:,, ), (1) hvor, er de variable vi er interesserede i, men kun observerer når 1. er en vektor af variable, der forklarer sandsynligheden for at være med i stikprøven. Selection on observables defineres som:,,, (2) mens selection on unobservables opstår, hvis ligning (2) ikke holder. Når det ikke er nødvendigt at betinge på og i ligning (2), skyldes det, at det antages, at indeholder tilstrækkelig information til at beskrive selektionsmekanismen. Fitzgerald m.fl. (1998) betragter som en vektor, der ikke tilhører modellen for givet, men er korreleret med fejlleddet i modellen for. Det afgørende for selection on observables er, at det antages, at vi kan finde variable, der forklarer selektionen. Er dette ikke muligt, fordi selektionsmekanismen skyldes uobserverbare karakteristika, skal der anvendes metoder, der korrigerer for selection on unobservables, som f.eks. Heckmans sample selection model, jf. Wooldridge (2002). IPW beregnes som 1/, hvor 1 ; er den forudsagte sandsynlighed for at være i stikprøven estimeret i en logit model: /. (3) Estimationsresultaterne for logitmodellen ses i bilag Resultaterne viser, at sandsynligheden for at være med i stikprøven er signifikant positivt korreleret med at være boligejere og have en længere videregående uddannelse. Sandsynligheden er signifikant negativ korreleret med anden etnisk herkomst end dansk. Dette er i overensstemmelse med de variable, hvor bortfaldsanalysen viser, at stikprøven er skæv, hvilket indikerer, at den statistiske model er i stand til at adskille de personer, der besvarer spørgeskemaet, fra resten af populationen. Vægtene normaliseres til /, hvor N er populationens størrelse og S er stikprøvens størrelse. Disse individuelle vægte kan direkte anvendes til at opregne stikprøven til populationsniveau, hvor der korrigeres for bortfaldet i stikprøven. 6 Fitzgerald m.fl. (1998) analyserer bias som følge af bortfald i panel data, hvor stikprøven i første periode er tilfældigt udvalgt, men i anden periode findes et systematisk bortfald. Denne metode kan anvendes til korrektion af bortfaldet i nærværende analyse, hvis hele befolkningen sidestilles med den første periode, mens stikprøven sidestilles med anden periode. Side 11

13 6. Deskriptive resultater fra spørgeskemaundersøgelsen I dette afsnit beskrives resultaterne af spørgeskemaundersøgelsen, hvor svarpopulationen er vægtet op til populationsniveau. Spørgeskemaundersøgelsen søger at afdække danskernes finansielle forståelse ud fra seks spørgsmål, der relaterer sig til basale finansielle forhold. For at forstå hvorfor nogle personer har høj finansiel forståelse, mens andre ikke har, spørges der også til en række bagvedliggende faktorer, der tænkes at påvirke finansiel forståelse. F.eks. spørges til interessen for privatøkonomi. Formålet er at afdække årsager til variation i basal finansiel forståelse. Vi undersøger kun basal finansiel forståelse, og ser ikke på forskelle mellem basal og avanceret finansiel forståelse som f.eks. Rooij m.fl. (2011). På baggrund af de seks spørgsmål om finansiel forståelse er dannet et indeks, svarende til antal rigtige svar. 7 Indekset går fra 0 til 6, hvor 0 tolkes som ingen finansiel forståelse. 12 tolkes som lav, 34 som middel, 56 som høj finansiel forståelse. Tabel 3 viser fordelingen af finansiel forståelse indekset. 6,6 pct. har ingen finansiel forståelse, mens 22,4 pct. har lav finansiel forståelse, hvilket viser, at lidt under hver tredje dansker har ingen eller begrænset finansiel forståelse. Yderligere en tredjedel har middel finansiel forståelse, mens den sidste tredjedel har høj finansiel forståelse. Tabel 3 Fordeling af finansiel forståelse indeks, pct. Ingen Lav Middel Høj I alt 6,6 22,4 35,6 35,4 100,0 Anm.: Finansiel forståelse indekset går fra 0 til 6. Ingen=0, lav={1,2}, middel={3,4}, høj={5,6}. Tallene er vægtet til populationsniveau. Kilde: Egne beregninger på spørgeskema og registerdata. Figur 1 viser sammenhængen mellem scoren på indekset og respondenternes egen vurdering af kendskab til deres privatøkonomi. Der ses en positiv sammenhæng mellem kendskab til privatøkonomi og finansiel forståelse. Mere end 80 pct. af dem, der har en høj finansiel forståelse, mener, at de har tilstrækkeligt eller meget stort kendskab. Det gælder kun for godt 50 pct. blandt de, der ingen finansiel forståelse har. Omvendt er det betænkeligt, at 50 pct. af de med ingen finansiel forståelse angiver, at de har meget stort eller tilstrækkeligt kendskab til privatøkonomi. Blandt de med ingen finansiel forståelse er det kun hver femte der angiver, at de intet kendskab har. Det tyder på, at danskerne har en tendens til at overvurdere deres egne evner. 7 Spørgsmålene fremgår af bilag Spørgsmålene er inspireret af en lignende test fra The Financial Literacy Center drevet af RAND Corporation, Dartmouth College og the Wharton School of the University of Pennsylvania. Side 12

14 Figur 1 Finansiel forståelse og kendskab til privatøkonomi Pct ,5 8,2 11, , ,3 50, , , ,7 29, , ,5 16,7 11,7 0 5,0 Ingen Lav Middel Høj Meget stort kendskab Tilstrækkeligt kendskab Utilstrækkeligt kendskab Slet intet kendskab Anm.: Respondenter, der nægter at svare eller svarer "ved ikke", er ikke med i figuren. Tallene er vægtet til populationsniveau. Kilde: Egne beregninger på spørgeskema og registerdata. Ses der på interessen for privatøkonomi og finansiel forståelse er det tydeligt, at lav finansiel forståelse er udpræget blandt personer med ingen eller lille interesse for privatøkonomi, se Figur 2. Næsten dobbelt så mange (ca. 70 pct.) blandt dem med ingen finansiel forståelse har ingen eller lille interesse for privatøkonomi i forhold til dem med høj finansiel forståelse (ca. 40 pct.). Figur 2 Finansiel forståelse og interesse for privatøkonomi Pct ,3 7,9 9,8 15,1 23,7 25,8 32,4 42,5 41,9 49,9 47,7 38,4 29,1 16,4 10,1 Ingen Lav Middel Høj Meget stor interesse Stor interesse Lille interesse Slet ingen interesse Anm.: Respondenter, der nægter at svare eller svarer "ved ikke", er ikke med i figuren. Tallene er vægtet til populationsniveau. Kilde: Egne beregninger på spørgeskema og registerdata. Side 13

15 Sammenholdes kendskab og interesse for privatøkonomi ses det som forventet, at større interesse hænger sammen med større kendskab, se Figur 3. Mere end 90 pct., der angiver stor interesse for privatøkonomi, har også stort eller tilstrækkeligt kendskab, mens der er ca. 30 pct., der angiver stort eller tilstrækkeligt kendskab, blandt de, der ingen interesse har. Figur 3 Interesse for og kendskab til privatøkonomi Pct ,7 56,8 Meget stor interesse 9,7 69,9 18,8 Slet intet kendskab Tilstrækkeligt kendskab 5,0 34,9 56,3 29,9 38,3 27,6 Stor interesse Lille interesse Slet ingen interesse Utilstrækkeligt kendskab Meget stort kendskab Anm.: Respondenter der nægter at svare eller svarer "ved ikke" er ikke med i figuren. Tallene er vægtet til populationsniveau. Kilde: Egne beregninger på spørgeskema og registerdata. Figur 4 viser sammenhæng mellem finansiel forståelse og respondenternes vurdering af deres egen privatøkonomi. Det ses, at 80 pct. af personerne med høj finansiel forståelse også angiver, at de har lav gæld, mens det kun gælder for 63 pct. blandt de der ingen finansiel forståelse har. Omvendt er der 12 pct. blandt de med ingen finansiel forståelse, der har høj gæld, mens det kun gælder 5 pct. blandt de med høj finansiel forståelse. Side 14

16 Figur 4 Finansiel forståelse og privatøkonomisk råderum Pct ,2 7,0 6,4 4, , ,0 23,3 25, ,4 70,9 70, , Ingen Lav Middel Høj Høj gæld Mellem gæld Lav gæld Anm.: Respondenter der nægter at svare, eller svarer "ved ikke" er ikke med i figuren. Tallene er vægtet til populationsniveau. Kilde: Egne beregninger på spørgeskema og registerdata. En mere objektiv vurdering af privatøkonomien fås ved at se på den implicitte rente, der er givet ved renteudgifter i forhold til gæld og udtrykker, hvor dyr gælden er. Figur 5 viser, at den gennemsnitlige implicitte rente er højest blandt de med ingen finansiel forståelse og faldende med højere finansiel forståelse. Rentespændet mellem høj og ingen finansiel forståelse er på 2,1 pct. point, hvilket betyder, at gælden blandt de med ingen finansiel forståelse er godt 35 pct. dyrere i forhold til dem med høj finansiel forståelse. Dette indikerer, at manglende finansiel forståelse betyder relativt højere låneomkostninger, hvilket også findes i Lusardi og Tufano (2009). Side 15

17 Figur 5 Finansiel forståelse og implicit rente Pct Ingen Lav Middel Høj Anm.: Tallene er vægtet til populationsniveau. Den implicitte rente er renteudgifter i forhold til bruttogæld. Kilde: Egne beregninger på spørgeskema og registerdata. Samlet indikerer de fem figurer, at der er samvariation mellem større interesse for privatøkonomi, større kendskab til privatøkonomi og større finansiel forståelse. Endelig er der også tegn på en positiv korrelation mellem finansiel forståelse og billigere gæld og større privatøkonomisk råderum. I det følgende forsøges at bestemme de vigtigste sammenhænge mellem de betragtede variable. 7. Resultater fra de økonometriske analyser Den empiriske analyse består af tre dele. Først analyseres hvilke faktorer, der har betydning for finansiel forståelse. Dernæst analyseres det, om finansiel forståelse har effekt på sandsynligheden for at være dårlig betaler. Endelig ses der på betydningen af finansiel forståelse for gældspleje, hvor gældspleje er målt ved den implicitte rente på bruttogælden. For at korrigere for skævheden i stikprøven anvendes vægte i analyserne Finansiel forståelse Til at forklare niveauet af finansiel forståelse opstilles en statistisk model, hvor den afhængige variabel er finansiel forståelse indekset. Som forklarende variable indgår variable, der repræsenterer kendskab og interesse for privatøkonomi, samt personkarakteristika såsom køn, alder, herkomst, uddannelse, civilstatus og indkomst. Se bilag 10.2 for definitioner og deskriptiv statistik af de anvendte variable. Der medtages indikatorer for henholdsvis risikoaversion og utålmodighed. Det er forventeligt, at mere risikoaverse personer i højere grad ønsker at planlægge og disponere deres privatøkonomi, hvilket kan motivere dem til at tilegne sig finansiel forståelse. Indikatoren er dannet på baggrund af svaret på et spørgsmål, om hvorvidt respondenten er villig til at påtage sig risiko mod et større forventet af 8 Konklusionerne ændres ikke kvalitativt, hvis vægtene udelades. Side 16

18 kast. 9 Det påpeges i Rooij m.fl. (2011), at utålmodighed er negativt korreleret med evner og dermed også finansiel forståelse, hvorfor en indikator for utålmodighed er medtaget. Det er også muligt, at mere utålmodige personer er mindre tilbøjelige til at investere tid i en lang uddannelse, hvilket formentlig vil mindske finansiel forståelse. Finansiel forståelse indekset er ordinalt, hvilket vil sige, at indekset har en ordning således, at en score på finansiel forståelse indekset på 2 er bedre end 1, men ikke nødvendigvis dobbelt så god. Den statistiske model tager højde for denne egenskab ved den afhængige variabel, jf. Boks 2. Boks 2 Ordered response model Lad den afhængige variabel finansiel forståelse indekset være givet ved,,,,,,. Variablen er ordinal, hvorfor det er oplagt at anvende en ordered response model, se Wooldridge (2002). Ordered response modellen er principielt en generalisering af de velkendte binære sandsynlighedsmodeller. Modellen adskiller sig hovedsageligt fra disse ved, at de forklarende variable ikke indeholder en konstant, fordi der estimeres cut points,, i stedet. Modellen forklarer sandsynligheden for, at den afhængige variabel antager værdien. Der antages en underliggende lineær model givet ved: således at: (4) Sandsynlighedsmodellen er herefter givet ved: hvor er cdf for normalfordelingen. De marginale effekter beregnes for hvert udfald af den afhængige variabel og afhænger samtidig af værdierne af de forklarende variable. Det betyder, at de marginale effekter kan være svære at generalisere, fordi de afhænger af den valgte referenceperson og kun kan tolkes i forhold til referencepersonens karakteristika. De marginale effekter fra ordered response modellen er evalueret i en referenceperson defineret ved en 48årig faglært mand af dansk herkomst, som er 9 Se bilag 10.2 for den præcise definition. Side 17

19 lønmodtager på lavt niveau med en disponibel indkomst på , og som er i parforhold med børn og bor i ejerbolig. I det følgende gennemgås resultaterne vedrørende udfaldet høj finansiel forståelse (y=6). 10 Tabel 4 viser sandsynligheden for at score 6 på finansiel forståelse indekset. Den typiske person referencepersonen har 6,6 pct. sandsynlighed for at score 6 på finansiel forståelse indekset. Denne sandsynlighed stiger med 3,6 pct. point, hvis finansiel forståelse har været en del af referencepersonens uddannelse. Kendskab til og interesse for privatøkonomi er signifikante og bidrager hver for sig med ca. 4 pct. point. Disse effekter viser, at uddannelse inden for finansiel forståelse, men også den enkeltes interesse for privatøkonomi, er korreleret med høj finansiel forståelse. De mest risikoaverse i undersøgelsen har 2,5 pct. point signifikant større sandsynlighed for at have høj finansiel forståelse, mens de mest utålmodige har 1,9 pct. point mindre sandsynlighed for at have høj finansiel forståelse. Lønmodtagere på højt niveau har 4,5 pct. point større sandsynlighed for høj finansiel forståelse end lønmodtagere på lavt niveau. 11 Det er interessant, at effekten er endnu større for studerende, der har 6,0 pct. point større sandsynlighed for at have høj finansiel forståelse. På tværs af uddannelseskategorier er der markante forskelle. Niveauet af finansiel forståelse stiger generelt med længden af uddannelsen. En person med en lang videregående uddannelse har 15 pct. point større sandsynlighed for at have høj finansiel forståelse i forhold til referencepersonen, der er faglært. Generel uddannelse og ikke kun uddannelse, hvor finansiel forståelse er en del af pensum er således korreleret med finansiel forståelse. Effekterne af generel uddannelse rækker ud over effekten af at have finansiel forståelse som en del af uddannelsen. Der er således en betydelig effekt af almen uddannelse og en yderligere positiv effekt af finansiel forståelse som en del af uddannelsen. 12 Kvinder har signifikant lavere sandsynlighed for høj finansiel forståelse i forhold til mænd. Denne effekt kan måske skyldes, at kvinder i mindre grad involverer sig i husstandens (privat)økonomi end deres ægtefælle. Herkomst har isoleret set ingen signifikant betydning for, om man har høj finansiel forståelse. Med hensyn til civilstatus har en person i par uden børn signifikant større sandsynlighed for at have høj finansiel forståelse i forhold til en person i par med børn. Enlige med og uden børn adskiller sig ikke signifikant fra referencepersonen, der er i par med børn. Personer, der bor i lejebolig, har signifikant lavere sandsynlighed, mens forskellen på ejere og andelsboligejere ikke er signifikant. En forklaring kan være, at både andelshavere og boligejere har opnået større finansiel forståelse i forbindelse med huskøb, som personer i lejebolig ikke har opnået. Højere alder bidrager positivt indtil det 50. år. Dette kan skyldes, at behovet for finansiel forståelse i dagligdagen er vigtig indtil 50årsalderen, hvor de fleste og vigtigste privatøkonomiske beslutninger er truffet, hvilket betyder, at man fremadrettet ikke har samme behov for at ajourføre sig. 10 Prediktionen for de øvrige udfald vil ikke blive gennemgået. 11 Lønmodtagere på hhv. højt og lavt niveau er baseret på Danmarks Statistiks DISCOkoder, der opdeler beskæftigede efter færdighedsniveau. 12 Jf. anmærkningen til Tabel 4, er effekten af finansiel forståelse som en del af uddannelsen ydermere positivt korreleret med uddannelsesniveauet. Side 18

20 Tabel 4 Sandsynlighed for højest finansiel forståelse Sandsynlighed Signifikansniveau pct.point pværdi Finansiel forståelse på uddannelse 3,63 0,003 Kendskab til privatøkonomi 3,93 0,000 Interesse for privatøkonomi 3,57 0,000 Risikoaversion 2,53 0,001 Utålmodighed 1,87 0,092 Selvstændig 0,44 0,708 Lønmodtager, højt niveau 4,52 0,001 Arbejdsløs 2,49 0,157 Uddannelsessøgende 5,98 0,005 Uden for arbejdsstyrken 1,59 0,040 Folkeskole 1,58 0,013 Gymnasium 5,91 0,001 KVU 9,98 0,000 MVU 7,95 0,000 LVU 14,97 0,000 Kvinde 4,19 0,000 Par uden børn 1,83 0,036 Enlig med børn 2,95 0,080 Enlig uden børn 0,11 0,893 Hjemmeboende barn 0,96 0,606 Mere udviklede lande 0,46 0,778 Mindre udviklede lande 1,73 0,198 Andelsbolig 0,96 0,312 Lejebolig 2,57 0,000 Disponibel indkomst 0,00 0,085 Alder 0,64 0,000 Alder 2 0,01 0,000 Estimeret ssh. for referenceperson 6,55 N Loglikelihood 5.163,71 Anm.: Første kolonne viser ændringen i sandsynligheden for at have høj finansiel forståelse, defineret som en score på 6 på finansiel forståelse indekset. Effekterne af de enkelte variable tolkes som bidrag til sandsynligheden i forhold til referencepersonen. Anden kolonne viser om bidraget er signifikant forskelligt fra referencepersonen. En pværdi < 0,050 betyder, at effekten er signifikant på 5 pct. signifikansniveau. Signifikante sandsynligheder er markeret med fed. Referencepersonen er mand, lønmodtager på lavt niveau, faglært, i par med børn, dansk herkomst, bor i ejerbolig, er 48 år, har i disponibel indkomst. Det giver en sandsynlighed på 6,55 pct. for at score 6 på finansiel forståelse indekset. Det bemærkes, at de marginale effekters størrelse afhænger af de valgte karakteristika for referencepersonen. F.eks. er effekten på sandsynligheden for at score 6 af at have finansiel forståelse som en del af uddannelsen større, hvis referencepersonen er LVU'er i forhold til faglært. Kilde: Egne beregninger på spørgeskema og registerdata. Resultaterne viser, at interesse, kendskab og finansiel uddannelse er vigtig i forhold til sandsynligheden for at have høj finansiel forståelse. For at vurdere resultaternes robusthed er modellen også estimeret, hvor variablene inkluderes sekventielt. 13 Bilag 10.4 viser resultaterne af robusthedsanalysen. Det ses, at effekterne af de enkelte variable ændres, når der inkluderes ekstra information i modellen. Dette tages som udtryk for, at de forklarende variable er relativt korrelerede. Samtidig er alle variablene signifikante, når de inkluderes og er med til 13 Metoden er en specifictogeneral procedure, hvor ideen er at undersøge, om de initiale relationer påvirkes af at tilføje mere information, jf. Rooij m.fl. (2011). Side 19