make connections share ideas be inspired Analytisk beredskab giver ny indsigt i arbejdsmarkedet Michael Sperling SAS Institute
Hvem bliver langtidsledige? Hvad er sandsynligheden for at komme tilbage i job? Hvad karakteriserer personer med lav sandsynlighed for at komme tilbage til arbejdsmarkedet? Givet den nylediges karakteristika, hvad er sandsynligheden for at borgeren bliver langtidsledig?
Forudgående ledighed
Traditionelle opgørelser hver variabel for sig Virksomhedsstørrelse Køn Alder Herkomst A-Kasse Branche # Løn børn Kommune
Traditionelle opgørelser udfordringer Hvilken forklarende variabel er vigtigst? Hvordan skal f.eks. lønindkomst, alder, antal børn opdeles? Hvordan fanges krydseffekter?
Hvilke kasser er de vigtigste? Traditionelle opgørelser kombinationer af kasser Kombinationer af kasser er fint nok, men: Ikke alle kasser er relevante i forhold til ledighed Der er samlet set for mange kasser Konsekvensen er mange tomme og mange med for få personer Køn 2 2 Alder 10 20 Herkomst 5 100 A-kasse 27 2.700 Kommune 98 264.600 Branche 20 5.292.000 Lønindtægt 4 21.168.000 Børn 3 63.504.000 Virksomheds størrelse 11 698.544.000 Kun 64.024 nyledige
Statistisk beslutningstræ Branche Resten Bygge & anlæg samt primære erhverv Børn Alder Køn Kommune Herkomst Civilstand Forudgående sygedagpenge A-kasse Forudgående dagpenge Virksomhedsstørrelse Indkomst Branche
Evt. skærmprint af EG-promt fra AMS
Afgang fra dagpenge (12 mdr.) Overordnede konklusioner På baggrund af analysen, kan vi se, at: Branche: Ledige fra bygge & anlæg samt primære erhverv skiller sig ud ved lettere at komme ud af dagpenge Alder: Yngre har generelt lettere ved at finde arbejde Forudgående løn har betydning (især) for ældre og ansatte i byggebranchen Danskere har lettere ved at finde tilbage til job end indvandrere og efterkommere A-kasse: Medlemmer af Dansk Metal klarer sig generelt bedre Hvad betyder relativt lidt? Kommune, køn, civilstand, børn, virksomhedsstørrelse, forudgående sygedagpenge, forudgående dagpenge
Afgang fra dagpenge (12 mdr.) Eksempel på tre grupper Pct. 96% 84% 73% Beskrivelse Vellønnede mænd i byggeriet (Node 25) Branche: bygge & anlæg samt primære erhverv Køn: mand Løn > 19.105 kr./mdr. gennemsnit i foregående seks måneder A-kasse: 3F, selvstændige, Dansk Metal, funktionærer og tjenestemænd eller byggefag Kvinder (Node 6) Branche: bygge & anlæg samt primære erhverv Køn: kvinde Unge indvandrere (Node 17) Branche: resten Alder < 38.5 år Indvandrer eller efterkommer 3F, tekniske funktionærer, selvstændige, Dansk Metal, handels- og kontorfunktionærer eller byggefag
Afgang fra dagpenge (12 mdr.) Variables forklaringsgrad
Afgang fra dagpenge (6 mdr.) Overordnede konklusioner På baggrund af analysen, kan vi se, at: Bygge & anlæg og primære erhverv skiller sig ud ved lettere at komme ud af dagpenge Alder betyder meget yngre har generelt lettere ved at finde arbejde Medlemmer af Dansk Metal klarer sig generelt bedre For byggeri m.m. betyder forudgående løn meget Herkomstbetydning for sandsynligheden for at komme i arbejde er reduceret ift. ved 12 mdr. Hvad betyder relativt lidt? Kommune, køn, civilstand, børn, antal arbejdsgivere, dagpengehistorik, sygedagpengehistorik
Afgang fra dagpenge (6 mdr.) Eksempel på tre grupper Pct. 88% 72% 44% Beskrivelse Vellønnede i byggeriet (Node 112) Branche: bygge & anlæg samt primære erhverv Løn > 24.435 kr./mdr. gennemsnit i foregående seks måneder A-kasse: 3F eller Dansk Metal Yngre akademikere og faglærte (Node 88) Branche: resten Alder < 40.5 år A-kasse: Dansk Metal, akademikere, funktionærer og tjenestemænd Ældre, syge med lav løn (Node 119) Branche: resten Alder > 40.5 år Sygedagpenge grad > 0.19 Løn < 36.136 kr.
Nye muligheder for analyser Giver mulighed for at få mere viden ud af data Statistiske beslutningstræer en metode der: Finder statistiske sammenhænge Giver mulighed for at finde disse sammenhænge hurtigt Håndterer mange variable, kombinationer af variable og ikke-lineære effekter Resultatet Viser grupper i data (f.eks. højrisikogrupper) Kan formidles bredt Er statistisk validt og kan testes yderligere, hvis det ønskes
Perspektivering Ny indsigt leder til nye undersøgelser Hvad nu, hvis man tog et andet target 24 mdr. eksempelvis? Er dette et persistent mønster hvis vi lavede samme analyse på 2012-data? Effektmålinger/case control-studier hvordan er kausaliteten? Politikudvikling Hvor skal vi sætte ind hvem skal have uddannelse og opkvalificering? Effekt i dagligdagen Hvem finder selv tilbage i job? Hvem skal vi være særligt opmærksomme på?
Perspektivering Hvor kan det ellers bruges? Afgang til førtidspension eller matchgruppe 3 Langtidsledighed Langtidssygemeldinger Fastholdelse af job Fra ledighed til igangsættelse af uddannelse Frafald eller gennemførelse af uddannelse
make connections share ideas be inspired Spørgsmål?