Afkast til human kapital i Danmark,

Transkript

1 Afkast til human kapital i Danmark, Jens Jakob Christensen & Niels Westergård-Nielsen Indledning Denne artikel har som formål at følge op på tidligere studier af afkastet til human kapital i Danmark. Det primære mål er at beregne kønsspecifikke afkast til såvel uddannelse som erfaring og identificere mulige trends over tid. Som datagrundlag anvendes individdata fra LLMR (Longitudinal Labour Market Register) og IDA (Integreret Database for Arbejdsmarkedsforskning), og der fokuseres på årene Det anvendte datasæt giver mulighed for at analysere effekten på afkastet af ændringer i og tilføjelser til modellen. Derfor eksperimenteres med diverse kontrolvariabler, og der gennemføres en estimation af modellen, hvor der skelnes mellem ansatte i den offentlige og private sektor. Ideen er endvidere at tilvejebringe resultater, der er direkte sammenlignelige med resultaterne i Asplund et al. (1996a): en nordisk analyse af afkast til uddannelse. 1 Papiret er endvidere inspireret af Asplund et al. (1996b), Pedersen et al. (1990), Smith og Westergård-Nielsen (1988), og Bingley and Westergård-Nielsen (1997). Asplund et al. (1996b) er del af den ovenfor nævnte nordiske analyse, mens de resterende tre alene fokuserer på det danske arbejdsmarked. Enheden i samtlige studier er individet, og teorien, der ligger til grund for analyserne, bygger på diverse specifikationer af den klassiske lønfunktion udviklet af Mincer (1974). Men fokus er ikke desto mindre forskelligt. Hvor Asplund et al. (1996a) fokuserer på den overordnede fordeling i lønnen som følge af uddannelse, erfaring, stilling m.v., fokuseres i studierne af såvel Asplund et al. (1996b) som Smith og Westergård-Nielsen (1988) på kønsspecifikke lønforskelle. Ligeledes fokuserer Pedersen et al. (1990) på lønforskelle, dog mellem offentligt og privat ansatte. CLS har i perioden deltaget i et fælleseuropæisk TSER finansieret projekt vedrørende afkast til uddannelse i Europa, PuRE (Public funding and private returns to education). Deltagelsen har givet adgang til unik information om de øvrige europæiske lande for så vidt angår afkast til human kapital. Hvor det er relevant, vil der i artiklen således blive gjort et forsøg på at relatere de danske resultater til den viden vi har om det øvrige Europa. 1 The Nordic labour market in the 1990 s, edited by E. Wadensjö (1996).

2 Metode og data Ved hjælp af OLS estimeres følgende lønfunktion, HCEF (Human Capital Earnings Function), jf. Mincer (1974): lnw it = β 0 + β 1t S it + β 2t EXP it + β 3t EXP 2 it + u it Den afhængige variabel er den naturlige logaritme af timelønnen før skat for individ i på tidspunkt t, S er antal års uddannelse udover grundskolen, dvs. niende klasse, EXP er arbejdsmarkedserfaring (faktisk eller potentiel) og u er fejlleddet. Det antages, at u opfylder betingelserne for, at OLS er den korrekte estimationsteknik, dvs. u NID(0,σ 2 ). Tabel 3.1: Deskriptiv statistik ( ) Variable N Gns Std. afv. Min Max Alder ,53 11, Kvinde ,48 0, Off ,36 0, Provins ,64 0, S ,86 2, Erfaring ,48 9, ,79 Timeløn ,72 54,13 31,39 856,20 ln (timeløn) ,64 0,40 3,44 6,75 Grundskole (0) ,227 0, Tiende klasse (1) ,141 0, Faglært (3) ,327 0, GYM (4) ,061 0, KVU (5) ,118 0, MVU (7) ,080 0, LVU (9) ,045 0, Note: Tallet i parentes angiver antal års uddannelse, der typisk kræves for at opnå det givne uddannelsesniveau. Tabel 3.1 giver en oversigt over de variable, der er anvendt i denne artikel. Erfaring defineres som antal års arbejdsmarkedserfaring og er fremkommet på baggrund ATP oplysninger tilbage til ATP s start i Til beregning af timelønnen anvendes årsindkomsten og antallet af arbejdstimer (ATP oplysninger). Vi har konstrueret dymmyvariable for diverse uddannelsesniveauer, grundskole, tiende klasse, erhvervsuddannelser (faglærte), studentereksamen e.lign (GYM), korte videregående uddannelser (KVU), mellemlange videregående uddannelser (MVU) og lange videregående uddannelser (LVU). Ligeledes har vi konstrueret dummyvariable for kvinde, off. og provins, således at de alle antager værdien 1, hvis individet er en kvinde, offentligt ansat og bosiddende i provinsen. Data kommer fra LLMR (Longitudinal Labour Market Register) og består af en tilfældigt udvalgt 0,5% stikprøve af den voksne befolkning i perioden (i dette papier defineres voksne som årige). Informa- 2

3 tionerne i LLMR er registerbaserede og sammensat af forskellige registre i Danmarks Statistik samt fra ATP-huset. 2 Grundet mangelfulde indkomstoplysninger før 1981 anvendes alene årene Simpel OLS estimation af lønfunktionen Da omfanget af uddannelse ikke er tilfældigt bestemt, men delvist afhænger af faktorer som evner, miljø og familiemæssig baggrund kan anvendelse af lineær regression, OLS afstedkomme skæve estimater. Det anføres derfor ofte i litteraturen på området, at OLS er upålidelig (se eksempelvis Card (1999)). Den åbenlyse fordel er imidlertid, at OLS estimationen er let at gennemføre, ligesom resultaterne er lette at fortolke. Instrument variabel estimation, IV, hvor man kan tage hensyn til, at en række faktorer bestemmer omfanget af uddannelse, er teoretisk set at foretrække, men det er særdeles vanskeligt at finde egnede instrumenter. Dette er forklaringen på, at instrument variablerne i studier af afkast til uddannelse til tider virker noget søgte. Dearden (1999) har endvidere påvist, at den konventionelle OLS teknik (hvor der typisk kontrolleres for alder, køn, etnisk baggrund, region, men hvor endogeniteten af uddannelsen ignoreres) er en ganske god approksimation. Bias som følge af, at der ikke kontrolleres for evner og familiemæssig baggrund ophæves således i et vist omfang af en modsatrettet bias forbundet med measurement error og self-selection. Der findes imidlertid ikke noget bevis for, at de enkelte fejl neutraliserer hinanden i det generelle tilfælde. Resultatet giver dog anledning til fornyet optimisme for så vidt angår beregning af afkast til uddannelse på baggrund af datasæt uden informationer om evner og familiemæssig baggrund. Afkast til uddannelse Tabel 3.2 er resultatet af en OLS estimation af lønfunktionen. Det fremgår, at modellen forklarer mellem 20 og 30 procent af variationen i mænds timeløn og mellem 10 og 20 procent af varationen i kvinders timeløn. Det fremgår endvidere, at modellens evne til at forklare timelønnen (adj. R-sq) i påfaldende grad afhænger af, hvilket år, som undersøges. Hvad angår de estimerede (gennemsnitlige marginale) afkast til uddannelse, kan følgende konkluderes: (1) Afkastet til mænd ligger i omegnen af 5 procent mod kun ca. 3 procent for kvinder. (2) Differencen på ca. 2 procentpoint har været nogenlunde konstant gennem årene, og der er ikke tegn på konvergens. (3) Mænd såvel som kvinder har oplevet en positiv udvikling i afkastet i den undersøgte periode. 2 Som alternativ kan IDA (Integreret Database for Labour Market Research) anvendes. IDA er skabt af Danmarks Statistik og indeholder informationer om arbejdsmarkedsforhold for samtlige individer i Danmark fra og med

4 Tabel 3.2: Estimerede afkast til uddannelse ( ) Mænd Kvinder estimeret afkast Adj. R-sq estimeret afkast adj. R-sq ,051 (0,002) 0,246 0,031 (0,002) 0, ,044 (0,002) 0,170 0,022 (0,002) 0, ,045 (0,002) 0,186 0,023 (0,002) 0, ,044 (0,002) 0,182 0,027 (0,002) 0, ,049 (0,002) 0,231 0,031 (0,002) 0, ,049 (0,002) 0,257 0,030 (0,002) 0, ,050 (0,002) 0,269 0,030 (0,002) 0, ,050 (0,002) 0,255 0,030 (0,002) 0, ,053 (0,002) 0,260 0,032 (0,002) 0, ,055 (0,002) 0,261 0,033 (0,002) 0, ,055 (0,002) 0,251 0,033 (0,002) 0, ,054 (0,002) 0,243 0,033 (0,002) 0, ,061 (0,002) 0,294 0,042 (0,002) 0, ,064 (0,002) 0,286 0,046 (0,002) 0, ,061 (0,002) 0,294 0,044 (0,002) 0,191 pooled 0,052 (0,000) 0,244 0,033 (0,000) 0,098 Note: Standardfejl i parentes. Alle estimater er signifikante på 1% signifikansniveau. Antallet af observationer er mellem 3000 og afhængig af køn og årstal. Videre undersøgelser af forøgelsen i afkastet viser, at afkastet er forøget for alle niveauer af uddannelse ud over grundskolen. Figur 3.1 viser, at afkastet stiger op mod de to konjunkturfremgange i midten af firserne og i begyndelsen af halvfemserne. Det sidste opsving giver dog en noget større stigning i afkastet end det første. Figur 3.1: Trend i afkast til uddannelse ( ) 0,07 0,06 Estimeret afkast 0,05 0,04 0,03 0,02 Mænd Kvinder 0, År Får så vidt angår observationerne for 1995 vil en sammenligning af afkast til uddannelse på tværs af de europæiske lande afsløre, at Danmark sammen 4

5 med Holland, Norge og Sverige ligger i bunden. I toppen af skalaen findes England og Irland. I Europa er kvinders afkast generelt højere end mænds; Danmark, Østrig, Holland og Sverige er de eneste undtagelser. Forskellen i afkast på tværs af kønnene varierer, men der er tilsyneladende en vis sammenhæng med kvindernes arbejdsmarkedsdeltagelse. Jf. Figur 3.1b, er der indikationer af, at i lande, hvor kvindernes erhvervsdeltagelse er lav, er afkastet til uddannelse relativt højt (se Harmon, Walker og Westergård- Nielsen (2001)). Figur 3.1b: Forskellen mellem kvinders og mænds afkast til uddannelse i 15 europæiske lande sammenholdt med kvindernes erhvervsfrekvens (1995) 0,04 Kvinde/mand forskellen i afkast til uddannelse ,04 Kvinder på arbejdsmarkedet (procent) Kilde: Harmon, C., Walker, I og Westergård-Nielsen, N. (2001) Afkast til erfaring Timelønnen (logaritmen) antages at være parabolisk relateret til arbejdsmarkedserfaringen, svarende til klokkeformede løn-erfaringsprofiler. Implikationen heraf er, at det marginale afkast afhænger af antal års erfaring. Det marginale afkast til erfaring kan derfor enten beregnes (som d(ln w)/d(exp) = β 2 + 2*β 3 *EXP) eller aflæses direkte som hældningen på lønerfaringskurven. Figur 3.2 sammenfatter de estimerede løn-erfaringsprofiler for kvinder såvel som mænd, og det fremgår, at hvor profilen for mænd netop er klokkeformet, er profilen for kvinder mere lineær. Denne linearitet betyder, 5

6 at det kvadrerede erfaringsled ikke har nævneværdig (insignifikant) effekt på lønnen. Mænds løn (alene som følge af erfaring) topper i gennemsnit efter 31 år på arbejdsmarkedet, svarende til en total vækst i lønnen på 48 procent siden indtræden på arbejdsmarkedet. Det tilsvarende tal for kvinder er 45 år og 22 procent. Figur 3.3 er konstrueret med henblik på at analysere udviklingen i det (gennemsnitlige) marginale afkast til uddannelse i årene Det marginale afkast beregnes for en person med 10 års erfaring. Figure 3.2: Den estimerede løneffekt af erfaring (1995) 0,5 0,4 ln(timeløn) 0,3 0,2 0,1 Mænd Kvinder Arbejdsmarkedserfaring Note: Løneffekten beregnes som β 1 EXP + β 2 EXP 2. Tilsvarende beregnes den totale vækst i lønnen siden indtræden på arbejdsmarkedet som 100(exp(β 1EXP + β 2 EXP 2 )-1). Det mest bemærkelsesværdige er, at opsvinget i midtfirserne betød en større forøgelse af afkastet til erfaring end til uddannelse, jf figur 3.1.og 3.3. De to opsving har således forskellig virkning på efterspørgselen efter arbejdskraft. En mulig forklaring kunne være, at opsvinget i midthalvfemserne blev ledsaget af en teknologiændring: Mens arbejdsmarkedet i firserne i højere grad efterspurgte almen arbejdserfaring var efterspørgselsstigningen i halvfemserne i større grad rettet mod uddannet arbejdskraft på alle niveauer. En anden, men ikke nødvendigvis konkurrerende forklaring kunne være, at løndannelsen i midtfirserne stadig var domineret af centrale lønforhandlinger, hvor anciennitet traditionelt har spillet en større rolle end kvalifikationer. I midthalvfemserne begynder den decentrale løndannelse at præge lønfastsættelsen, og her er der mere plads til aflønning efter kvalifikationer. Figur 3.3. Udvikling i det marginale afkast til erfaring for en person med 10 års erfaring ( ) 6

7 0,03 Estimeret afkast 0,02 0,01 Mænd Kvinder År Løn og uddannelsesniveau I Mincers lønfunktion antages det dels, at det korrekte mål for uddannelse er antallet af år under uddannelse, dels at sammenhængen er lineær, svarende til, at et års yderligere uddannelse har konstant effekt på lønnen. Med henblik på at undersøge om danske data er karakteriseret ved linearitet mellem uddannelseslængde og løn eller ej, er variablen S, antal års uddannelse, erstattet med en dummyvariabel for hvert uddannelsesniveau: lnw i = β 0 + β j uddannelsesniveau ij + EXP i + EXP i 2 + ε i, hvor j repræsenterer uddannelsesniveauerne. Figur 3.4 og Figur 3.5 indeholder resultaterne af en estimation af den ikkelineære lønfunktion ovenfor. Det fremgår af figurerne, at der ikke fremkommer en ret linie, når lønnen sammenholdes med det antal år, der typisk kræves for at opnå det pågældende uddannelsesniveau. Alternativt formuleret har hvert yderligere års uddannelse ikke den samme proportionale effekt på lønnen. Linearitetsantagelsen er truet af to forhold: Dels at individer med en studentereksamen som det højest opnåede uddannelsesniveau tilsyneladende oppebærer en uforholdsmæssigt høj løn - specielt hvad angår mænd. Årsagen hertil skal sandsynligvis søges i, at et studentereksamensbevis giver adgang til en række private uddannelser, der ikke registreres i de officielle uddannelsesstatistikker. Som eksempel kan nævnes bank- og forsikringsuddannelser. I estimationen forsøger vi at korrigere for en række af disse ikke registrerede private uddannelser, men det har ikke været muligt at identificere alle. Som en konsekvens af disse forhold finder vi, at der er to punkter for 12 års uddannelse: et for faglærte og et for personer med studentereksamen. En anden afvigelse fra lineariteten hidrører fra, at individer med en faglært uddannelse kun tjener marginalt mere end individer med 10 års uddannelse uanset køn. Dette kunne være en konsekvens af en 7

8 sammenpresset lønstruktur i bunden af lønskalaen. Det fremgår endvidere, at springet fra bachelorniveau til kandidatniveau er forbundet med en stor lønstigning for kvinder, hvilket medfører en vis konveksitet. Forklaringen skal sandsynligvis findes på baggrund af, at mellemlange videregående uddannelser hovedsageligt dækker over kvindedominerede (og derfor til dels lavtaflønnede) omsorgsfag i den offentlige sektor (sygeplejersker, pædagoger mv.). At en sådan konveksitet ikke gør sig gældende for mænd kan modsat forklares ved, at mellemlange videregående uddannelser i stort omfang dækker over mandsdominerede tekniske og merkantile fag i den private sektor (HA, HD, teknikumingeniører mv.). På trods af de nævnte undtagelser konkluderes det, at linearitetsantagelsen er rimelig uden at være overbevisende. Tilsvarende uregelmæssigheder gør sig gældende i de øvrige europæiske lande. Perfekt linearitet findes ikke, men approksimationen forekommer generelt set acceptabel (se Harmon, Walker og Westergård-Nielsen (2001)). Figur 3.4: Afkast til uddannelsesniveauer, mænd (1995) 0,7 0,6 0,5 Koefficient 0,4 0,3 0,2 0, Års uddannelse efter grundskole (9. Klasse) Note: 1 år svarer til 10. klasse. 3 år svarer til hhv. en faglært uddannelse (nederst) og studentereksamen. 5 år svarer til en kort videregående uddannelse. 7 år svarer til en mellemlang videregående uddannelse. 9 år svarer til en ling videregående uddannelse. Figur 3.5: Afkast til uddannelsesniveauer, kvinder (1995) 8

9 0,7 0,6 0,5 Koefficient 0,4 0,3 0,2 0, Års uddannelse efter grundskolen (9. Klasse) Note: Se note til Figur 3.4. Privat vs. offentlig sektor Hvis der er signifikant forskel mellem de to sektorers lønfunktioner (hvilket givetvis er tilfældet), bør det overvejes, om det giver mening at behandle de to grupper i den samme regression og beregne fælles estimater for afkast til uddannelse og erfaring. Med henblik på formelt at teste om de to sektorer afviger signifikant fra hinanden for så vidt angår afkast til uddannelse og erfaring, har vi estimeret en model, hvor alle variabler er interageret med en dummy for privat sektor ansættelse. 3 Hvis der ikke var signifikant forskel mellem de to sektorer, ville dummykoefficienterne, 2, 4, 6 og 8 alle være lig 0. Det fremgår af Tabel 3.3, at der ikke er signifikant forskel mellem afkast til uddannelse i de to sektorer, men at afkastet til erfaring (og for mænds vedkommende også afkastet til den kvadrerede erfaring) er signifikant forskelligt. Tabel 3.3: Interaktionsmodel (1995) Mænd Kvinder 1. konstantled (off. sektor) 4,49 (153) 4,51 (217) 1b. forskel, privat offentlig -0,014 (-0,42) -0,023 (-0,8) 2. afkast til uddannelse (off.) 0,063 (20,1) 0,045 (20,4) 2b. forskel, privat offentlig 0,004 (1,1) 0,005 (1,3) 3 Estimation af den fulde interaktionsmodel svarer til at estimere separate funktioner for hver sektor. Dummyspecifikationen (interaktionsmodellen) er imidlertid en simpel metode til at teste for homogenitet (intercepts og hældninger) mellem de to sektorer. ln(w)=β 0+(β 1- β 0)*D2+β 2*S+(β 3-β 2)*D2*S+β 4*EXP+(β 5-β 4)*D2*EXP+β 6*EXP 2 +(β 7-β 6)D2*EXP 2 + u, hvor D2 er en dummyvariabel, der antager værdien 1, hvis individet er ansat i den private sektor. 9

10 3. afkast til erfaring (off. sektor) 0,017 (5,4) 0,005 (2,1) 3b. forskel, privat offentlig 0,011 (3,2) 0,008 (2,2) 4. afkast til erfaring 2 (off. sektor) -0,00017 (-2,4) 0,00008 (1,1) 4b. forskel, privat - offentlig -0,00023 (-2,7) -0,00016 (-1,5) N Adj. R 2 0,31 0,20 Note: t-værdi i parentes. Anvendelse af kontrolvariabler I analyserne ovenfor har vi blandt andet implicit antaget, at alle individers lønfunktion kunne beskrives ved én og den samme overordnede funktion. Der levnes med andre ord ikke mulighed for variation på tværs af regioner og på tværs af sektorer. Udeladelsen af potentielt set vigtige kontrolvariabler kan give et fejlagtigt billede af afkast til uddannelse, eller som minimum give resultater, der må anses for værende for generelle, og som derfor er uanvendelige. 4 I Tabel 3.4 er resultaterne af en estimation af lønfunktionen med tilhørende kontrolvariabler for såvel region som sektor samlet. Det fremgår ved sammenligning med Tabel 3.2, at tilføjelsen af de to kontrolvariabler ikke har nogen nævneværdig effekt på de marginale afkast (bortset fra en mindre stigning i mænds afkast til uddannelse). Det fremgår endvidere, at ansatte i den offentlige sektor tjener ca. 5 pct. (kvinder) og 10 pct. (mænd) mindre end ansatte i den private sektor, og at lønmodtagere bosiddende i provinsen i gennemsnit tjener 7-8 pct. mindre end hovedstadens lønmodtagere. Table 3.4: Estimerede afkast med kontrol for sektor og provins (1995) Mænd Kvinder Konstant 4,56 (0,016) 4,58 (0,015) Uddannelse (S) 0,063 (0,0019) 0,045 (0,002) Erfaring (E) 0,026 (0,0015) 0,011 (0,002) Erfaring 2-0,00038 (0,00004) -0,00005 (0,00005) Provinsen -0,076 (0,01) -0,082 (0,009) Offentlig sektor -0,104 (0,01) -0,053 (0,009) N Adj. R , ,22 Note: Standardfejl i parentes. Endogent arbejdsudbud for kvinder Jævnfør litteraturen på området er kvinders arbejdsudbud endogent. 5 Hvorvidt vi kan observere lønnen i vores data afhænger således af, om den enkelte kvinde har valgt at arbejde eller ej. Dette valg afgøres ikke tilfældigt, 4 Jævnfør litteraturen tilføjes typisk kontrolvariabler for region, sektor og race. LLMR indeholder imidlertid ingen information om race, hvorfor der alene fokuseres på region og sektor. 5 Der er i litteraturen på området enighed om, at problemet ikke i nævneværdigt omfang gør sig gældende for mænd, se eksempelvis Dearden (1999). 10

11 men afhænger typisk af en lang række faktorer. Således kan der teoretisk argumenteres for, at kvinder, der kun vil kunne oppebære en lav løn på arbejdsmarkedet (pga. manglende uddannelse, alder, børn etc.) vælger arbejdsmarkedet fra og derfor er underrepræsenteret i vores stikprøve. Implikationen er naturligvis, hvis teorien er korrekt, at stikprøven for så vidt angår kvinders timelønninger er biased opad, idet kun de kvinder med en høj timeløn har et arbejde. For at korrigere for denne skævhed har vi estimeret kvindernes lønfunktion i kombination med en probit selektions funktion, svarende til at gennemføre Heckmans (1979) to-trins procedure. I henhold til Tabel 3.6 finder vi intet belæg for tilstedeværelsen af selektivitetsbias i stikprøven, idet Lambda (λ) ikke er signifikant forskellig fra 0. De estimerede koefficienter hidrørende fra Heckman to-trins model er imidlertid meget følsomme overfor ændringer i modelspecifikationen. Det er således meget afgørende, at selektionsfunktionen (probitfunktionen) specificeres korrekt. Med henblik på at undgå konklusioner baseret på en misspecifikation af modellen har vi eksperimenteret med adskellige specifikationer af probitfunktionen. Selvom størrelsen af lambda varierer ganske meget i forhold til valg af forklarende variabler i probitfunktionen, fører alle specifikationer til en klar afvisning af hypotesen om, at kvindernes arbejdsudbud er endogent. I Danmark er kvinders erhvervsfrekvens meget høj, hvorfor resultatet ikke er overraskende. Tabel 3.6: Estimation af kvinders lønfunktion, med og uden korrektion for endogenitet (1995) Simpel OLS Heckman s 2-trins korrektion Uddannelse 0,044 (0,0017) 0,045 (0,0036) Erfaring 0,009 (0,0018) 0,010 (0,0032) Erfaring 2-0,00003 (0,00006) -0, (0,00008) Lambda (λ) ,022 0,111 N (incl. missing) N (excl. missing) Adj. R 2 0, Note: Standard fejl i parentes. Følgende variabler anvendes i probitfunktionen: Dummy for ægtefælle/samlever, dummy for børn i alderen 0-7, uddannelse, erfaring og kvadratet på erfaring. Alle variabler er signifikante på et 1% signifikansniveau. Quantile regression Ønskes det analyseret, hvorvidt der er forskelle i afkastet til uddannelse for personer med høj indkomst og personer med lav indkomst, kan man med fordel gennemføre en såkaldt quantile regression, som kan give afkastet til uddannelse for forskellige segmenter af indkomstfordelingen. Figur 3.7 indeholder resultaterne af en sådan analyse, dog kun for mænd, i årene 1981, 1986, 1991 og 1995, og det fremgår, at årene 1986 og 1991 var karakteriserede ved en positiv sammenhæng mellem afkast og timeløn. En 11

12 sådan sammenhæng kan derimod ikke spores for årene 1982 og Det fremgår endvidere af Figur 3.7 (hvilket også ses i Figur 3.1), at afkast til uddannelse har udvist en stigende tendens for alle timelønsdeciler i perioden Figur 3.7: Quantile regression, mænd (1982, 1986, 1991 og 1995) 0,08 0,06 Afkast 0,04 0, , Decil Konklusion I denne artikel har vi været i stand til at estimere human kapital funktioner for den hidtil længste periode på danske data. Herved ses dels den tilsyneladende stabilitet i afkastet, men også at der har været en stigning i afkast inden for de seneste år. HCEF s evne til at forklare timelønnen afhænger af flere faktorer, herunder årstal og, ikke mindst, køn. Alligevel kan det sammenfattes, at HCEF forklarer 20-30% af variationen i mænds løn og 10-20% af variationen i kvinders løn; et resultat, der er i overensstemmelse med tilsvarende internationale OLS baserede estimationer af HCEF. Det estimerede gennemsnitlige marginale afkast til uddannelse og erfaring afviger mellem kønnene. Baseret på de seneste observationer kan det sammenfattes, at mænds afkast til uddannelse skal findes i omegnen af 5%, hvilket cirka er 2 %-point højere end det tilsvarende tal for kvinder. Dette kønsbetingede gap har i grove træk været konstant i perioden ; en periode, der har været karakteriseret ved stigende afkast, altså en positiv trend. Mænd og kvinder afviger også for så vidt angår sammenhængen mellem erfaring og løn. Hvor mændenes profil er klokkeformet, er kvindernes ditto ganske tæt på at være lineær. Det marginale afkast til erfaring er for mænd cirka dobbelt så højt som for kvinder; et gap, der efter nogle år med tendens til indsnævring er blevet udvidet i I europæisk sammenhæng ligger Danmark i bunden for så vidt angår afkast til uddannelse. England og Irland ligger i toppen. Sammen med et par par andre europæiske lande gør Danmark sig i øvrigt bemærket ved, at mænds 12

13 afkast er højere end kvinders. I langt hovedparten af de europæiske lande er det modsatte tilfældet. Forskellen mellem kønnenes afkast til uddannelse er søgt forklaret med udgangspunkt i kvindernes erhvervsfrekvens, og der er indikationer af, at når frekvensen nærmer sig mændenes, konvergerer også afkastene. Erstattes den lineære uddannelsesvariabel, S, i HCEF med dummy variabler for uddannelsesniveauer åbnes op for muligheden for en ikke lineær sammenhæng mellem uddannelse og løn. Vi har gennemført en sådan øvelse, og det ses, at afkast til uddannelse faktisk ikke er karakteriseret ved linearitet; det ene års yderligere uddannelse efter grundskolen giver populært sagt ikke nødvendigvis den samme proportionale lønstigning som den næste stigning. En perfekt lineær sammenhæng lader sig heller ikke påvise i de øvrige europæiske lande. Hvad angår kvinder er sammenhængen faktisk snarere konveks. Dette hænger hovedsageligt sammen med, at kvinder opnår en meget stor gennemsnitlig lønstigning ved at gennemføre en lang videregående uddannelse. Årsagen hertil er sandsynligvis, at mellemlange videregående uddannelser for kvinder i stort omfang dækker over lavtlønnede kvindedominerede omsorgsfag i den offentlige sektor. Vi finder desuden, at afkast til uddannelse afviger mellem den offentlige sektor og den private sektor, idet ansættelse i den private sektor, uanset køn, er forbundet med højere afkast. Endvidere kan det konkluderes, at ansatte i den offentlige sektor gennemsnitligt set tjener 5-10% mindre end ansatte i den private sektor. Tilsvarende tjener lønmodtagere i provinsen 7-8% mindre end lønmodtagere i København og omegn. Også denne forskel synes meget stabil. 13

14 Litteratur Asplund, R., Barth, E., Le Grand, C., Mastekaasa, A. and Westergård- Nielsen, N. (1996a). In E. Wadensjö, The Nordic Labour Market in the 1990 s, North-Holland, Amsterdam, Asplund, R., Barth, E., Smith, N. and Wadensjö, E. (1996b). In E. Wadensjö, The Nordic Labour Market in the 1990 s, North-Holland, Amsterdam, Bingley, P. and Westergård-Nielsen, N. (1997). Worker and establishment wages: Estimates from a multilevel model, Centre for Labour Market and Social Research, Card, D. (1999). The Causal Effect of Education on Earnings in O. Ashenfelter and D. Card (eds.) Handbook of Labour Economics, Elsevier, Amsterdam. Dearden, L. (1999), "Qualifications and Earnings in Britain: How Reliable are Typical OLS Estimates of the Returns to Education? " mimeo IFS. Heckman, J. (1979), Sample Selection Bias as a Specification Error, Econometrica. Harmon, Colm, Ian Walker og Niels Westergård-Nielsen (2001), Education and Earnings in Europe: A Cross Country Analysis of the Returns to Education. Edward Elgar Publishing Ltd. Mincer, Jacob (1974). Schooling, Experience, and Earnings. National Bureau of Economic Research, New York, Pedersen, P. J., Schmidt-Sørensen, J. B., Smith, N. and Westergård-Nielsen, N. (1990). Wage differentials between the public and private sectors, Journal of Public Economics, North-Holland, Smith, N. and Westergård-Nielsen, N. (1988). Wage differentials due to gender, Journal of Population Economics, Springer-Verlag, Wadensjö, E. (1996). The Nordic Labour Market in the 1990 s, North- Holland, Amsterdam,