De udsatte unge - En alternativ definition

Transkript

1 METODENOTAT De udsatte unge - En alternativ definition I dette notat gennemgås metoden, der anvendes til at definere unge, som er udsatte, i de forberedende tilbud. I modsætning til tidligere analyser på feltet, som har undersøgt betydningen af deltagelse i forberedende tilbud for de unges påbegyndelse/gennemførelse af en ungdomsuddannelse efter endt grundskolen, er de udsatte unge i nærværende analyseprojekt ikke defineret ud fra enkelte faktorer eller det faktum, at de ender på et forberedende tilbud, men derimod ud fra deres risiko for senere i livet at ende på mere end 52 ugers passiv forsørgelse. Denne metode er valgt, da formålet i analyseprojektet er at analysere, i hvilket omfang de forberedende tilbud er med til at løfte de udsatte unge væk fra en sandsynlig livsbane eller om det er andre faktorer der gør, at de udsatte unge bryder dette livsmønster. Profilering Identificering af risikogruppen bygger på profilering, der især bruges inden for arbejdsmarkedsteorien, hvor metoden bruges til at identificere ledige personer, der er i risiko for at ende i langtidsledighed samt identificere, hvilke arbejdsmarkedsprogrammer der muligvis kan hindre dette. Valget af arbejdsmarkedsprogram baseres på den score som modellen forudsiger. Scoren er et udtryk for i hvor høj grad den ledige har behov for hjælp til at vende tilbage til beskæftigelse. Modellen er i de fleste tilfælde en varighedsmodel eller en binær-model, hvor udfaldet er et defineret ledighedsbegreb f.eks. langtidsledighed. Modellen tilskriver karakteristika for den ledige en værdi efter, hvor meget disse karakteristika er med til at forklarer det valgte udfald. Den forudsagte værdi baseret på modellen er dermed et udtryk for, hvor stor sandsynligheden er for at udfaldet indtræffer. Ud fra et givent skæringspunkt kan man dermed vælge, hvilken indsats den ledige skal på. Denne proces kan skrives som: S i = E [Y i 0 Z = z i ] A i = 1(S i S) hvor S i er målet for risikoen for, at den ledige ender ud i langtidsledighed. Denne risiko baseres på det forventede udfald Y i 0, hvis den ledige ikke deltager i et arbejdsmarkedsprogram ud fra de observeret personkarakteristika z i. E er udtryk for det regime, der er fastsat af den politiske beslutningstager, modellen er betinget på. A i er et givent arbejdsmarkedsprogram, der gives til den ledige, hvis dennes risiko overstiger grænsen, S. Tænketanken DEA Fiolstræde København K Udarbejdet af: Kasper Marc Rose Nielsen, seniorøkonom

2 Et eksempel på en profileringsmodel som bygger på varighedsmodellen er den danske profileringsmodel af Hammer, Svarer og Rosholm (2004) samt Staghøj, Svarer og Rosholm (2007). Her opstilles en varighedsmodel på baggrund af det data en sagsbehandler vil have til rådighed, DREAM-databasen, der skal kunne screene de ledige for at identificere dem med risiko for at ende i ud langtidsledighed. Dermed vil det være muligt for sagsbehandleren at anvende modellen sammen med indledende samtaler med den ledige for at finde frem til det arbejdsmarkedsprogram med størst sandsynligheden for at hindre den ledige i at blive langtidsledig. Valget af en varighedsmodel gør det nemlig muligt at betinge valget af et givent arbejdsmarkedsprogram på de antal uger en person har været ledig, dermed inddrages den lediges ledighedshistorik. Den irske profileringsmodel er et eksempel på en binær-model, hvor man opstiller en probit-model til at beregne sandsynligheden for om den ledige er ledig efter et givent antal uger som ledig. I O Connell, McGuinness og Kelly (2012) diskuteres mulighederne for at etablere en profileringsmodel for Irland. Formålet er ligesom i den danske, at skabe et redskab til at identificere ledige med risiko for langtidsledighed og identificere den rette indsats for den enkelte. Dermed ligger der også i disse modeller et mål om at optimere indsatsen ikke kun overfor den ledige, men også i forhold til, at der ikke sættes ind overfor ledige som i princippet selv vil kunne klare sig. Den irske model adskiller sig som sagt fra den danske ved at være en binær-model, nærmere bestemt en probit-model, der bestemmer risikoen for, at den ledige er ledig i mere end 12 måneder. Argumentet for valget af probit-modellen er, at det vil være lettere at forstå og videreformidle resultatet for sagsbehandleren, når modellen forudsiger at være ledig i mere end tolv måneder eller ej, dermed vil modellen ikke som i den danske inddrage betydningen af tidspunktet for, hvornår den ledige udsættes for et givent arbejdsmarkedsprogram. Profilering har dog nogle mangler som skal nævnes. Hvis modellen opstilles dårligt vil man medtage personer, som i virkeligheden ikke tilhører gruppen af ledige som er i risiko for at blive langtidsledig. Da modellen forsøger at forudsige ledighed vil den være stærkt påvirket af den givne konjunktursituation, dermed vil den forudsagte risiko variere alt efter, hvilken periode modellen er estimeret på. Model Formålet med den ønskede model er at kunne identificere unge i 14-årsalderen, der vil have en given sandsynlighed for at ende på langvarig passiv forsørgelse senere i livet, når personen er i alderen 26 til 40 år. I valget mellem at basere modellen på en varigheds- eller binær-model vil det at inddrage ledighedsperioden i udvælgelsen af risikogruppen være at gå for langt, da vi ønsker at forudsige risikoen for at ende på langvarig passiv forsørgelse baseret på faktorer som eksisterede ved 14-årsalderen. Vi har ingen interesse i at analysere yderligere på ledighedsforløbet end det det ønskede udfald. Den opstillede probit-model bygger på antagelsen om, at de hændelser som indtræffer op til 14-årsalderen, (x i ), har betydning for et senere arbejdsmarkedsudfald (y i ). y i = x i β + u i Vi medtager dog kun om personen ender ud i 52 uger på passiv forsørgelse eller ej, altså et binært udfald. Dette betyder, at vi estimerer følgende model y i probit = (y i > 0) dermed sikrer modellen, at den predikterede sandsynlighed vil ende mellem 0 og 1. 2

3 Forskellen mellem den klassiske arbejdsmarkedsprofileringsmodel og vores model er vi ikke kan basere vores profilering udelukkende på ledige personer, da vi dermed overser selektionen ind i ledighed. Dermed er vores model nødsaget til at tage udgangspunkt i alle personer som er med i aldersgruppen. Dette valg betyder også, at vi ikke kan indsætte tidsspecifikke variable i modellen for overgangen til passiv forsørgelse. Dette betyder, at der ikke betinges på makroforhold som konjunkturudsving. Denne effekt løses til dels ved at vi ser på gennemsnitseffekter over perioden 2008 til Den overskyggende ulempe ved denne metode er, at der ses bort fra hændelser, som indtræffer mellem personerne er i alderen 15 til 40 år til at forklare udfaldet på arbejdsmarkedet, der i mindst ligeså høj kan forklare udfaldet. Grundet dette ses der bort signifikansniveauer i modellen, dermed medtages alt til at, hvad der giver mening, i modellen. Risikofaktorer Sandsynligheden for at ende ud i mere end 52 uger på passiv forsørgelse forsøges forudsagt ud fra risikofaktorer, der kan knyttes til personen, familien, sognet og grundskolen. De personspecifikke karakteristika dækker over: køn, etnicitet, anbringelse, sygdomme og psykiske lidelser. Familie definerer vi som den familie personen tilhørte som 14-årig, dermed kan vi inddrage karakteristika både for forældre og eventuelle søskende. For forældrene ses der nærmere på den højeste fuldførte uddannelse og lønindkomst, dermed fås også en indikation af tilknytningen forældrenes tilknytning til arbejdsmarkedet. Indkomsten vælger vi at vægte i forhold til familiens størrelse, ækvivalerede indkomst. Dette indkomstmål er valgt, da vi ikke ønsker, at forskellen i indkomst skal være drevet af størrelsen på familien. Yderligere tages gennemsnittet over tre år af indkomsten, dermed vil vi få et mere generelt billede af indkomstniveauet. Dette sikrer, at målet ikke baseres på enkeltstående gode eller dårlige år. Derudover inddrager vi også forældrenes og søskendes sygdomshistorik og kriminalitet, her er det både for at se på opvækst og overførelse af adfærd mellem børn og det miljø de er vokset op i. Sognet er medtaget for inddrage det nærområde personen er opvokset i. Der medtages oplysninger om andelen af ufaglærte, faglærte, personer med en kort, mellemlang og lang videregående uddannelse samt indkomstniveauet. Yderligere medtager vi også karakteristika for den grundskole personen har gået på. Dette gøres igen for at udvide antallet af kanaler, der kan have påvirket personen under opvæksten. De samme mål anvendes som for nabolaget. For grundskolen er det ikke oplysninger om eleverne, men deres forældres, der bruges til at danne de forskellige risikofaktorer. Data Til at kortlægge personernes forløb på passiv forsørgelse og overgange fra beskæftigelse og/eller uddannelse til passiv forsørgelse benyttes Beskæftigelsesministeriets forløbsdatabase DREAM. Databasen indeholder alle personer som siden medio 1991 og frem til slut 2015 har været på offentlig forsørgelse i en given uge i perioden. Ydelsesoplysningen dækker dagpenge, sygedagpenge, kontanthjælp, uddannelseshjælp, statens uddannelsesstøtte, orlov mv. Den ugentlige markering påføres, hvis personen modtager en ydelse en af ugens dage, da en person i samme uge kan modtage flere ydelser er der fra Arbejdsmarkedsstyrelsen rangere mellem de forskellige ydelser f.eks. er ledighedsoplysninger ran- 3

4 geret højere end kontanthjælpsoplysninger. Udover at indeholde oplysninger om den offentlige forsørgelse indeholder forløbsdatabasen også oplysninger om personens beskæftigelsesforhold siden Dette oplyses dog ikke på ugebasis, men på måned eller kvartal. Dermed er det muligt alene ud fra DREAM at kortlægge, hvorvidt personen har været på offentlig forsørgelse, i beskæftigelse eller selvforsørgende i den pågældende uge. Til dannelse af 14-års populationen benyttes befolkningsregistret (BEF) fra Fra disse registre er det muligt at sammenkoble personen med de forældre/voksne som personen boede sammen med, da denne var 14 år. Ligeledes vil det være muligt at sammenkoble personen med andre børn i samme familie, dermed kan vi identificere søskendeeffekten. Ligeledes fra disse registre kan vi identificere nabolaget, hvor personen er opvokset, da vi adgang til personens bopælskommune og placering i kommunen. Dette gør det muligt at identificere nabolagseffekten. Udover mål for nabolag og familie inddrages også oplysninger for den grundskole som personen var tilknyttet før eller gik på. Hvis personen ikke som 14-årig går på en grundskole findes seneste grundskole for personen. Grundskolen identificeres gennem elevregistret (KOTRE). Efter at have identificeret forældrene/de voksne som personen bor sammen med er det muligt at tilknytte husholdningens højeste fuldførte uddannelse ved at benytte uddannelsesregistret (UDDA) Herfra findes det højeste uddannelsesniveau blandt de voksne i familien. Forældrenes uddannelsesniveau bruges også til at danne uddannelsesfordelingen for nabolaget og grundskolen. Ligeledes for husholdningen dannes også den ækvivalerede indkomst, dermed er det ikke familiestørrelsen som vil afgøre forskellen mellem familierne. Til dannelse af den ækvivalerede indkomst bruges lønindkomst i alt fra indkomstregistret (IND), dermed inddrager vi også værdien af frynsegoder mv. Den ækvivalerede indkomst bruges også til at danne gennemsnitsindkomsten for nabolaget og grundskolen. Til at identificere anbringelse af barnet til og med det 14. leveår bruges registret for børn og unge anbringelse (BUA). I dette register kan det ses om personen har været anbragt, da vi ikke kan skelne mellem alvoren af de bagvedliggende faktorer indgår anbringelse som en 0/1-dummy, der antager værdien 1, hvis personen har været anbragt. Til at kortlægge personens sygdomshistorik sammenbringes forskellige registre. Til at bestemme tidlige diagnoser bruges diagnoser fra landspatientregistret (LPRDIAG), hvor vi på hovedgrupper markere om personen har fået stillet forskellige diagnoser op til det 14. leveår. Hovedgrupper er valgt, da vi ikke ønsker at foretage en rangering mellem diagnoser, derudover har vi fravalgt enkelte diagnoser på baggrund af størrelsen af gruppen, som har haft denne diagnose samt manglende langvarig effekt. Dermed er f.eks. hovedgruppen knoglebrud og graviditet fjernet fra diagnoserne. Tilstedeværelsen af en vilkårlig diagnose markeres ved 0/1-dummy, hvor 1 betyder, at den pågældende diagnose er stillet. Dermed tager vores mål ikke højde for, hvornår den pågældende diagnose forekommer op til 14-årsalderen eller, hvor svær diagnosen er. Til at identificere personer med handikap benyttes registret for handikapydelser (HANDIC). Dette register bruger vi til at identificere handikap ved at se om personen har modtaget nogen form for handikapydelse. Ligesom ved de andre registre omhandlende personens sygdomshistorik markeres handikap ved en forekomst, dermed skelnes der heller ikke her mellem typen af handikap. Ligeledes markeres handikap med en 0/1-dummy, som antager værdien 1 ved en markering af modtaget handikapydelse. Disse registre bruges også til at kortlægge sygdomshistorikken for medlemmerne af familien. Dette gøres for at inddrage eventuelt arvelige sygdomme samt for at beskrive miljøet for opvæksten udover uddannelse og arbejdsmarkedsforhold. 4

5 Udover de sygdomsorienteret var ønsket også at kortlægge personens kriminalitet historik, men da vi kun opgøre til og med personen er 14 år vil dette ikke kunne lade sig gøre grundet den kriminelle lavalder. For at opnå et mål for kriminalitet bruger vi dermed forældrenes, ældre søskende og forældrene til skolekammeraterne kriminalitetsoplysninger. Dermed indgår kriminalitet i højere grad som en del af det miljø som personen er vokset op under. Ligeledes her markeres der på hovedgrupper om en pågældende dom. Dette kan ses ud fra registreret afgørelser (KRAF). Forløb på passiv forsørgelse Udover valget af model vil profileringen i ligeså høj grad afhænge, hvad vi vælger som udfald samt, hvordan vi opgør perioden på passiv forsørgelse. Udfaldsvariablen er som tidligere skrevet en periode på over 52 ugers passiv forsørgelse, hvor vi inddrager uger i jobtilbud, overgangsydelse, fleksydelse, integrationsydelse, uddannelseshjælp, dagpenge, kontanthjælp, ledighedsydelse, for revalidering, revalidering, fleksjob, skånejob, førtidspension, jobafklaring og sygedagpenge. En overgang mellem tilstande defineres som en ændring over 4 ugers varighed. Dette betyder, at en overgang fra beskæftigelse eller uddannelse til passiv forsørgelse indtræffer, hvis vi observerer 4 sammenhængende på passiv forsørgelse efter en periode på uddannelse eller beskæftigelse. Omvendt ved en overgang fra passiv forsørgelse til uddannelse eller beskæftigelse. Et tænkt eksempel, hvor personen efter færdiggørelse af sin uddannelse er 3 uger på passiv forsørgelse, men inden den fjerde uge som ledig påbegyndes finder personen beskæftigelse, dermed forekommer der ikke en overgang fra uddannelse til dagpenge, da personen ikke har været væk fra uddannelse/beskæftigelse i 4 uger eller mere. Efter et stykke tid i beskæftigelse overgår personen til ledighed. Denne gang vare ledighedsperioden i 34 uger, dermed er der en overgang fra uddannelse/beskæftigelse til ledighed. Denne definition er valgt, da ugeoplysningerne i DREAM baseres helt ned på enkelt dagsobservationer f.eks. vil en person som har modtaget dagpenge en dag i ugen være markeret som dagpengemodtager i hele ugen. Dermed sikrer vi ved at anvende 4 sammenhængende uger, at der er tale om en egentlig overgang og ikke kun en midlertidig tilstand. Denne tilgang er også valgt, da vi går ud fra, at ikke alle i aldersgruppen i år vil påbegynde en ledighedsperiode, hvis de afgår fra beskæftigelse eller uddannelse uden et job på hånden. Derfor er den opgjorte dato for påbegyndt dagpengeperiode i DREAM ikke anvendt i denne opgørelse. 5

6 Resultater I tabel 1 er vist resultaterne fra den kørte profileringsmodel, der bruges til at beregne sandsynligheden for, at en årig ender ud på langvarig passiv forsørgelse. I tabellen er vist koefficienten for den enkelte forklarende variabel samt standardafvigelsen og gennemsnittet. Det er disse koefficienter, som bruges til at forudsige sandsynligheden for at en 14-årige ender på langvarig passiv forsørgelse, altså en out-of-sample-estimering. Tabel 1: Modellens resultater Den 14-årige Mand Nydansker Handikap Foranstaltninger Anbringelser Psykisk lidelse Lungesygdomme Mave-tarmsygdomme Næse-, øre- og halssygdomme Sygdomme i bevægelsessystemet Øjensygdomme Familie Ækvivaleret lønindkomst Uddannelsesniveau - Ufaglært - Faglært -0, , , , , , , ,07 64 Koefficient Gennemsnit 0,51 0,04 0,05 0,13 0,17 10,85 0,25 0,41 6

7 - KVU - MVU - LVU Sygdomme i arterier Sygdomme i bevægesystemet Endokrine sygdomme Sygdomme i hjertet Lungesygdomme Sygdomme i mamma Mave-tarmsygdomme Psykisk lidelse Næse-, øre- og halssygdomme Sygdomme i nervesystem Øjensygdomme Dom ift. ejendomsforbrydelser Dom ift. lov om euforiserende stoffer Dom ift. færdselsuheld Dom ift. færdselslov spiritus Dom ift. mangler ved køretøj Dom ift. seksualforbrydelser Dom ift. skatte- og afgiftslove -0, , , , , , , ,17 0,06 0,18 0,10 0,07 0,04 0,06 7

8 Dom ift. våbenloven Dom ift. voldsforbrydelser Dom ift. øvrige særlove Dom ift. andre forbrydelser Grundskole Andel ufaglærte Andel faglærte Andel med KVU Andel med MVU Andel med LVU Gennemsnitsindkomst Spredning i indkomst Andel med dom ift. seksualforbrydelser Andel med dom ift. voldsforbrydelser Andel med dom ift. ejendomsforbrydelser Andel med dom ift. færdselslov spiritus Andel med dom ift. mangler ved køretøj Andel med dom ift. færdselsuheld Andel med dom ift. lov om euforiserende stoffer Andel med dom ift. våbenloven Andel med dom ift. skatte- og afgiftslove 0, , , ,41 0,0483-0, ,30 0, ,05 0,2405 0,25 0,0860 0,36 0,0401 0,29 0,0674-0,11 0,0546 0, ,30 0,1339 0,24 0,1227-0,36 0,2183 0,44 0,31 0,15 0,10 12,87 8

9 Andel med dom ift. øvrige særlove Andel med dom ift. andre forbrydelser Antal forældrepar Lokalområde Andel ufaglærte Andel faglærte Andel med KVU Andel med MVU Andel med LVU Gennemsnitsindkomst Spredning i indkomst Andel med dom ift. seksualforbrydelser Andel med dom ift. voldsforbrydelser Andel med dom ift. ejendomsforbrydelser Andel med dom ift. færdselslov spiritus Andel med dom ift. mangler ved køretøj Andel med dom ift. færdselsuheld Andel med dom ift. lov om euforiserende stoffer Andel med dom ift. Våbenloven Andel med dom ift. skatte- og afgiftslove Andel med dom ift. øvrige særlove - 0,0762 0, , , ,70 2,3416-6,60 2,3401 0,29 0,0692 0,72 0, ,08 2,0923 1,31 0,5044 1,51 0,1393 1,41 0,3228-0,81 0,3607 0,1128-1,55 0,4423-0,88 0,9825 2,97 1,9274 0, ,79 0,38 0,29 0,09 0,09 14,76 9

10 Andel med dom ift. andre forbrydelser -1,70 1,0987 Antal familier ,96 Konstant -1,03 28 Antal observationer Forklaringsgrad 3 Kilde: Egne beregninger på registerdata Anm.: Tallene i kursiv er standardafvigelsen Litteraturliste O Connell, P., McGuinness, S. og K. Elish (2012): The Transition from Short- to Long-term Unemployment: A Statistical Profiling Model for Ireland. The Economics and Social review, Vol. 43, No. 1, Spring 2012, pp Rosholm, M., Svarer, M. og B. Hammer (2004): A Danish Profiling System, IZA Discussion Paper No Staghøj, J., Svarer, M. og Rosholm, M. (2007): A Statistical Programme Assignment Model. University of Aarhus. Economics working paper