Oppgrader til nyeste versjon av Internet eksplorer for best mulig visning av siden. Klikk her for for å skjule denne meldingen
Ikke pålogget
{{session.user.firstName}} {{session.user.lastName}}
Du har tilgang til Idunn gjennom , & {{sessionPartyGroup.name}}

Effekter av arbeidsmarkedspolitikk rettet mot ungdom i Nord-Europa – en meta-analyse




Ph.d. i samfunnsøkonomi, Forsker II ved Institutt for samfunnsforskning




Dr. polit. i samfunnsøkonomi, Seniorforsker ved Frischsentret




Dr. polit. i samfunnsøkonomi, Forsker ved Frischsentret




Dr. polit. i samfunnsøkonomi, Forsker I ved Institutt for samfunnsforskning

Vi setter sammen resultater fra flere studier i en syntetisk database og gjennomfører en såkalt meta-analyse for å gi et sammenfattende bilde av effekter av arbeidsmarkedstiltak rettet mot ungdom. I alt inngår 425 effektestimater fra 44 forskjellige forskningsarbeider fra Finland, Norge, Sverige, Danmark, Tyskland og Storbritannia i meta-analysen. Våre konklusjoner bekrefter at opplæringstiltak, lønnstilskudd og forsterket aktivering er forbundet med mer positive effektestimater enn arbeidspraksis og sysselsettingstiltak i offentlig sektor.

Nøkkelord: Evaluering, arbeidsmarkedspolitikk, ungdom, meta-analyse

We put together results from many studies in a synthetic database and conduct a so-called meta-analysis to provide a concise picture of the effects of labour market programs aimed at youth. Our data base has 425 observations from 44 different studies covering Finland, Norway, Sweden, Denmark, Germany and the UK. Our conclusions confirm that training programs, wage subsidies and intensified activation give rise to more positive effect estimates than work practice and employment measures in the public sector.

Keywords: Evaluation, labour market policy, youth, meta-analysis

Innledning

Ungdom er en prioritert målgruppe i den aktive arbeidsmarkedspolitikken, både i Norge og i Europa for øvrig.1 Tall fra Eurostat viser at arbeidsledighetsraten blant ungdom er mer enn dobbelt så høy som for voksne i de aller fleste europeiske land (Eurostat 2017). Mens det å stå utenfor arbeidsmarkedet kan ha negative konsekvenser for alle aldersgrupper, er det mye som tyder på at ungdom er en spesielt sårbar gruppe. Det å starte karrieren med arbeidsledighet eller inaktivitet kan skape langvarige arr som påvirker framtidige lønns- og arbeidsforhold (Liu, Salvanes & Sørensen 2014; Nilsen & Reiso 2014; Schmillen &Umkehrer 2013). Ungdom som tilbringer mye tid utenfor utdanning og arbeid, har økt risiko for marginalisering og sosial ekskludering, og har ofte en løsere tilknytning til samfunnet (Raaum, Rogstad, Røed & Westlie 2009). Særlig utsatt er unge mennesker med lave kvalifikasjoner og nedsatt arbeidsevne. Ungdoms tilknytning til arbeidsmarkedet er også generelt mer påvirket av konjunkturene enn hva som er tilfellet for den voksne befolkningen (Barth & von Simson 2012). De har større tilbøyelighet til å være midlertidig ansatt eller deltidsansatt, og de har høyere sannsynlighet for å miste jobben under nedbemanninger.

Et av de største hindrene ungdom står overfor på terskelen til arbeidslivet, er manglende arbeidserfaring. Lavt kvalifisert ungdom har i tillegg manglende ferdigheter. Den aktive arbeidsmarkedspolitikken søker å motvirke disse hindringene i jobbsøkerprosessen og dermed øke sannsynligheten for at ungdom får en vellykket overgang til jobb. Gjennom tilpasset trening og opplæring, både utdannings- og arbeidsrettet, søker tiltakene å forbedre ungdommenes produktivitet og ferdigheter, og på den måten kompensere for deres manglende arbeidserfaring og formelle kvalifikasjoner.

Det har etter hvert kommet en omfattende litteratur som studerer effekter av den aktive arbeidsmarkedspolitikken. Litteraturen er imidlertid vanskelig å sammenfatte og tolke, ettersom ulike studier fokuserer på ulike utfallsmål med ulike metoder, og ofte også med helt ulike (implisitte eller eksplisitte) kontrollgrupper. De estimerte effektene varierer systematisk med både tiltakstype, tiltakenes målgruppe, når og hvor tiltakene ble implementert, økonomiske og institusjonelle rammebetingelser (konjunkturer), og ikke minst med selve evalueringsmetoden. Ved å sette sammen flere sammenlignbare studier til et større datagrunnlag i en meta-analyse, kan man få tydeligere, mer robuste og mer statistisk signifikante resultater enn man kan få fra hver enkelt studie. For en innføring i meta-analyse, se f.eks. Stanley & Doucouliagos (2012).

En viktig konklusjon i en fersk meta-analyse av effekter av arbeidsmarkedstiltak som dekker over 200 studier fra hele verden (Card, Kluve & Weber 2015), er at insentivprogrammer i privat sektor, slik som lønnstilskudd og hjelp til jobbsøking, vanligvis er forbundet med positive effekter, spesielt på kort sikt. Opplæringstiltak (både i klasserom og jobbtrening) har også positive effekter, men først og fremst på mellomlang sikt. Offentlige sysselsettingsprogrammer derimot har i gjennomsnitt en negativ virkning på sysselsettingen. Samme resultat finner Kluve (2010) i sin meta-analyse av europeiske arbeidsmarkedstiltak. Disse effektene gjelder imidlertid for deltakere på tiltak generelt, og ikke spesifikt for ungdom.

Både Card mfl. (2015) og Kluve (2010) skiller ut programmer som er rettet mot ungdom spesielt, og konkluderer med at ungdom er en særlig vanskelig målgruppe å hjelpe. Meta-analysen til Greenberg, Michalopoulos og Robins (2003), basert på amerikanske data fram til slutten av 1990-tallet, kommer til lignende konklusjoner. Puerto (2007) fokuserer kun på ungdom og dekker studier fra hele verden. Også denne studien kommer fram til at arbeidsmarkedstiltak for ungdom har små eller ingen effekter. En noe mer optimistisk studie er Kluve mfl. (2016), som har systematisert 113 evalueringer av ungdomstiltak fra hele verden, og som konkluderer med at disse tiltakene gjennomgående har positiv effekt. For om lag en tredel av de tiltakene som er evaluert i denne studien, er det også rapportert statistisk signifikante positive effekter. Effektene synes imidlertid å være mest positive for tiltak iverksatt i land med middels og lavt inntektsnivå. Konklusjonene til Kluve mfl. (2016) stemmer godt overens med en fersk omfattende studie av ungdomstiltak i Europa gjennomført av Caliendo og Schmidl (2016).

Målet med meta-analysen i denne artikkelen er å gjennomgå/oppsummere den senere tids evalueringsstudier av ungdomspolitikk i utvalgte nord-europeiske land. Finland, Sverige, Norge, Danmark, Tyskland og Storbritannia er valgt fordi dette er land med et relativt høyt inntektsnivå, og som ligner på hverandre når det gjelder kultur, historie, institusjoner og arbeidsmarkedets funksjonsmåte.

Hensikten med studien er å besvare følgende spørsmål:

  • Har ulike tiltak/programmer som er rettet mot utsatt og vanskeligstilt ungdom, ønsket effekt?

  • Hvilke faktorer påvirker de estimerte effektene av de ulike ungdomsprogrammene (for eksempel makroøkonomiske forhold, institusjonelle forskjeller, ulike metoder for evaluering)?

Vi har valgt ut studier som evaluerer ungdomspolitikk (hovedsakelig tiltak/programmer som hjelper arbeidsledig ungdom med å komme ut av ledighet). Vi har benyttet ulike søkekilder, herunder nasjonale tidsskrift, bibliotek-databaser, IDEAS2 og søketjenester på internett (Google Scholar). Hovedkriteriet for at studiene skal kunne inngå i vår meta-analyse-database, er at de må evaluere et eller flere tiltak/programmer som er rettet mot arbeidsledig eller vanskeligstilt ungdom under 30 år. Vi inkluderer studier som er publisert i perioden fra år 2000 og framover, med særlig fokus på kvantitative studier som har som mål å avdekke årsakssammenhenger. Vi krever ikke at studiene er publisert i anerkjente fagtidsskrifter. Dette for å redusere såkalt publikasjonsskjevhet, som innebærer at studier som finner signifikante funn, lettere blir publisert, altså at det er en seleksjonsskjevhet i det innsamlede datagrunnlaget. Studiene kan være rapporter, arbeidsnotater («working papers»), egne memo-serier fra forskningsinstitutter, EUs / Nordisk ministerråds publikasjoner, osv. Vi krever heller ikke at arbeidene skal være skrevet på engelsk, og inkluderer studier skrevet på eget språk.

Metodisk tilnærming og datagrunnlag

Ved å sette sammen tidligere evalueringsstudier i en syntetisk database og etablere en felles måleenhet for resultatene, kan man benytte standard regresjonsteknikker for å analysere ulike faktorers bidrag til de estimerte resultatene. Metoden gjør det mulig å identifisere faktorer som er forbundet med henholdsvis positive og negative resultater, slik at det blir lettere å se hva variasjon i funn mellom undersøkelser skyldes.

I analysen definerer vi seks kategorier av programmer som er rettet mot ungdom. Opplæring (AMO) er hovedsakelig klasseromsundervisning. Arbeidspraksis er ment å gi ungdom arbeidserfaring, relevant praksis osv. Lønnstilskudd gis til bedrifter for å ansette arbeidsledig ungdom og gjelder først og fremst bedrifter i privat sektor. Sysselsettingstiltak er tiltak rettet mot vanskeligstilte. Det gir praksis/jobbmulighet i offentlig sektor, ofte i en skjermet bedrift. Forsterket tidlig aktivering omfatter blant annet overvåking av søkeaktivitet, mentoring/veiledning og tett og tidlig oppfølging, men også bruk av «trusler» og sanksjoner (inkluderer også Ungdomsgarantien der forsterket og tidlig aktivering er hovedingredienser). Andre programmer er en restkategori, og inneholder blant annet oppstartsmidler til entreprenørskap.

Flere av studiene vi inkluderer har ulike mål på hva som er suksess for programmet, eller de evaluerer ulike utfall av programmet. Mens noen studier ser på effekten av tiltak på sysselsetting, arbeidsinntekt eller overgang til utdanning, ser andre studier på arbeidsledighet eller mottak av trygd. Ulike utfall gir altså ulike programeffekter. For å veie opp for dette mangfoldet definerer vi variabelen «utfall», som indikerer hvilke utfallsmål som er brukt for å evaluere programmets effekt. Utfallsmålet tar verdier som fanger opp hvorvidt programmet kan sies å ha vært vellykket i henhold til det valgte suksesskriteriet. Det vil si at hvis et program øker sysselsettingssannsynligheten, arbeidsinntekten eller sannsynligheten for videre utdanning, så anses programmet for å ha positive effekter. Det samme gjelder dersom programmet fører til redusert sannsynlighet for at deltakerne mottar trygd, eller redusert arbeidsledighet.

Vi skiller også mellom kortsiktige og langsiktige effekter. Hvis den evaluerte effekten varer i inntil 12 måneder etter at programmet er avsluttet, eller effekten kun er evaluert over en periode på inntil 12 måneder etter at programmet er avsluttet, definerer vi effekten som kortsiktig. Når evalueringen går utover 12 måneder etter at programmet er avsluttet, definerer vi effekten som langsiktig.

Videre definerer vi variabelen «metode» for å klassifisere hvilken økonometrisk metode som brukes i evalueringen. Den mest brukte metoden er matching. Denne metoden består i å lage en sammenligningsgruppe av ikke-deltakere som er «likest mulig» gruppen tiltaksdeltakere, slik at forskjeller i utfall i størst mulig grad kan tilskrives selve tiltaket. I denne tiltakskategorien inkluderer vi også studier som bruker en kombinasjon av matching og forskjell-i-forskjeller («Difference-in-differences»). En annen kategori er studier som primært baserer seg på metoden forskjell-i-forskjeller. Denne metoden går ut på å studere endringer i utfallene til en gruppe som utsettes for tiltak, sammenlignet med den tilsvarende endringen for en gruppe som ikke utsettes for tiltak. I denne kategorien inkluderer vi også studier basert på såkalt «Regression discontinuity». Denne metoden sammenligner utfall for grupper som henholdsvis omfattes og ikke omfattes av et tiltak, for eksempel på grunn av datoen de er født eller hvor lenge de har vært ledige. Videre har vi kategorien forløpsanalyse («Timing-of-events»), der informasjon om selve hendelsesforløpet brukes for å identifisere en årsakssammenheng. Vi har også en kategori for randomiserte forsøk («Randomised control trials»), selve gullstandarden for tiltaksevaluering. Til sist har vi en restkategori med andre metoder som inkluderer lineær regresjon (minste kvadraters metode) og strukturelle modeller.

Den avhengige variabelen i analysen vår er selve effektene av de ulike programmene. Vi følger metodene i Card, Kluve & Weber (2010), Kluve (2010) og Card, Kluve & Weber (2015), og bruker en såkalt ordnet probit-regresjon for å sammenfatte effektene fra de ulike studiene. For å forenkle sammenligningen av effekter på tvers av studier, sier vi at tiltakene enten kan ha positiv, negativ eller ingen (ikke-signifikant) effekt. Et alternativ kunne være å bruke størrelsen på effektene mer direkte, for eksempel se på prosentvis endring av tiltaksdeltakelse på sannsynligheten for suksess. Dette vil imidlertid være komplisert i lys av det store mangfoldet av utfallsmål og metoder. Card mfl. (2015) viser også at de to spesifikasjonene gir tilnærmet like resultater. For en nærmere beskrivelse av metoden vi benytter, se Kluve (2010).

De innsamlede studiene evaluerer tiltak som fant sted fra begynnelsen av 1990-tallet til 2013. Vi har dermed en relativt lang periode. I utgangspunktet ønsket vi å dele studiene inn etter periode, men det viser seg at mange studier har en evalueringsperiode som strekker seg så langt som over ti år, og mange studier overlapper mellom tidsperioder. Vi forenkler derfor tidspunktet for studiene og lager en dummy-variabel som beskriver om den studerte tidsperioden er før eller fra og med 2004 (f.o.m. 2004). Året er valgt fordi det deler utvalget omtrent i to. Denne variabelen skal fange opp forskjellen mellom nyere og eldre evalueringsstudier.

I regresjonene inkluderer vi også som kontrollvariabler institusjonelle og makroøkonomiske variabler som er av betydning for ungdoms tilpasning på arbeidsmarkedet. For å fange opp makroøkonomiske forhold og konjunkturendringene over tid i de ulike land bruker vi et gjennomsnitt av ungdomsledigheten (i prosent). For å fange opp forskjeller i innsats i de ulike land til å bekjempe arbeidsledighet har vi inkludert et mål på landets aktiveringspolitikk, uttrykt ved de totale offentlige utgifter på arbeidsmarkedstiltak som andel av BNP (i prosent). Begge disse variablene er målt som et gjennomsnitt av verdiene over perioden tiltakene ble gjennomført (pluss utfallsperioden) i de aktuelle landene, og hentet fra databaser publisert av OECD.

I tillegg bruker vi to variabler for å karakterisere institusjonelle rammebetingelser for regulering av ansettelser og oppsigelser i de enkelte land. Den ene er en indeks for strenghet av stillingsvern på individnivå. Stillingsvernet kan ha stor betydning for ungdom som står på terskelen til arbeidslivet. I land med et sterkt individuelt stillingsvern er det risikofylt å ansette personer man vet lite om. Ungdom som kommer rett fra skolebenken, mangler arbeidserfaring, og utdanningen blir da et viktig signal for potensielle arbeidsgivere. Lavt utdannet ungdom stiller derfor ofte bakerst i køen når nye stillinger skal besettes. Det andre institusjonelle forholdet vi inkluderer er en indeks for strenghet i regulering av midlertidig ansettelse. Midlertidige kontrakter kan skape flere jobbmuligheter for personer som står utenfor arbeidsmarkedet, og dermed redusere arbeidsledigheten. Fra arbeidsgivers side reduseres kostnadene og risikoen ved feilansettelser, og arbeidstaker på sin side får mulighet til å vise seg fram og høster arbeidserfaring. Samtidig viser erfaringer fra land med et strengt stillingsvern i utgangspunktet at en slik liberalisering kan føre til et segmentert arbeidsmarked, med et A- og B-lag av arbeidstakere. Sistnevnte kjennetegnes av høy gjennomstrømning, manglende opplæring og svært begrensede muligheter for overgang til faste stillinger (se f.eks. Cahuc & Postel-Vinay (2002) og Blanchard & Landier (2002)).

Beskrivende statistikk

Vi definerer en observasjon (et datapunkt) i meta-databasen som en unik kombinasjon av program, metode, effektmål, land og om det er en kortsiktig/langsiktig effekt. Én studie kan dermed bidra med flere datapunkter. I estimeringen tar vi hensyn til at observasjoner som er hentet fra samme studie, ikke kan oppfattes som helt uavhengig av hverandre ved å «clustre» på studie. Når vi gjør dette får vi et mer korrekt bilde av den statistiske usikkerheten forbundet med våre estimater.

Noen studier evaluerer tiltak for ulike grupper av ungdom, f.eks. ved at de analyserer tiltakseffekter separat for kvinner og menn, for dem med nedsatt arbeidsevne, for dem som mottar arbeidsledighetsstønad/dagpenger, eller sosialhjelp. Vi definerer dummy-variabler for å indikere at evalueringen er gjort for bestemte undergrupper. Vi er da opptatt av å undersøke om det å analysere bestemte undergrupper gir opphav til mer positive eller negative effekter enn analyser på hele populasjonen.

Tabell 1. Beskrivende statistikk etter land (antall observasjoner, ikke studier)

NorgeDanmarkFinlandSverigeTysklandUK
Antall observasjoner7239304621721
Effekter av programmer:      
Negative185911606
Ikke signifikante3915428872
Positive15191777013
Programmer:      
Opplæring231126463
Andre programmer0000260
Lønnstilskudd21088126
Arbeidspraksis23389600
Sysselsettingstiltak0000546
Forsterket aktivering535223196
Metoder:      
Forskjell-i-forskjeller30113148
Forløpsanalyse951011
Matching249282120212
Randomiserte forsøk02501200
Andre metoder3600000
Varighet av effekt:      
Kortsiktig effekt243016239913
Langsiktig effekt48914231188
Utfallsmål:      
Arbeidsinntekt11611172
Sysselsetting431812171119
Arbeidsledighet123611249
Velferdsmottak4703411
Utdanning121064240
Etter kjønn:      
Begge kjønn302030435613
Kvinner21900732
Menn2110 3886
Om trygdemottaker:      
Ikke separat for trygdemottaker72303037840
Med dagpenger0206621
Med sosialhjelp, annen trygd07031270
Om nedsatt arbeidsevne:      
Nei6930303820721
 Ja3908100
Evalueringsperiode:      
Før 200472528418221
F.o.m. 2004034251350
Ungdomsledighetsrate8,537,3716,047,77,497,28
Strenghet av stillingsvern2,32,132,372,672,71,16
Strenghet av regulering om midlertidig tilsettelse3,091,41,441,491,210,44
Offentlig utgift på tiltak som andel i BNP2,123,513,872,732,990,73

NB: Statistikk er beregnet etter land. «Ungdomsledighetsrate» og «Offentlig utgift på tiltak som andel i BNP» er målt i prosent, «Strenghet av individuell stillingsvern» og «Strenghet av regulering om midlertidig tilsettelse» er indekser som varierer fra 0 til 6 (6 strengest) (se forklaring i OECDstat http://www.oecd.org/employment/protection). Resten av statistikkenhetene er målt som antall.

Tabell 1 viser beskrivende statistikk for hvert land. Det er totalt 44 studier i vår meta-analyse som utgjør 425 observasjoner/datapunkter. Disse kan anses som delstudier innen samme hovedstudie. Tyskland har flest delstudier, etterfulgt av Sverige. Vi ser først og fremst at Finland og Storbritannia har de største andelene delstudier med positive estimerte effekter, mens Danmark har den laveste andelen analyser med negative effekter. Sverige har flere delstudier med negative effekter enn med positive og ikke-signifikante effekter. Tyskland har totalt sett flest delstudier og har også en jevn fordeling av effekter på positive, negative og ikke-signifikante. Norge har like mange negative og positive effektestimater, men de fleste effekter er ikke signifikante. Norge og Tyskland har flest delstudier av spesifikke arbeidsmarkedstiltak (opplæring, lønnstilskudd, arbeidspraksis m.m.), mens Danmark og Sverige har flest delstudier som analyserer effekten av forsterket aktivering.

Det viser seg at danske og britiske delstudier fokuserer mest på kortsiktige effekter, mens norske og tyske delstudier legger mer vekt på langsiktige effekter av tiltak. Svenske delstudier har like mange analyser av kortsiktige og langsiktige effekter. Majoriteten av delstudier, uavhengig av land, har sysselsetting som utfallsmål. Mens norske, danske og tyske delstudier har lagt vekt på å studere mulige forskjeller i effektestimater for kvinner og menn, har de finske og svenske delstudiene i liten grad vært opptatt av dette. De fleste delstudier evaluerer tiltak uten å betinge på om tiltaksdeltakerne mottar trygd eller ikke. Tyskland er et unntak fra dette mønsteret.

Nederst i tabell 1 viser vi noen makromål. De finske ungdomstiltakene har vært iverksatt i en situasjon med vesentlig høyere ungdomsarbeidsledighet enn i de andre landene. De nordiske landene og Tyskland ligger midt på treet når det gjelder strengheten av det individuelle stillingsvernet, men det er en viss variasjon. På en skala fra 0 (svakest) til 6 (strengest) ligger Danmark på 2,13, mens Tyskland ligger på 2,7. Storbritannia skiller seg klart ut med en verdi på 1,16. Når det gjelder regulering av midlertidig tilsettelse i perioden vi studerer, er Norge kjennetegnet med betraktelig strengere regulering med en verdi på 3,09 (deregulert sommeren 2015), sammenlignet med Storbritannia med 0,44 og de andre fire landene i intervallet 1,2 til 1,4. Bruk av offentlige utgifter til arbeidsmarkedstiltak som prosent i BNP varierer en del, med Storbritannia som igjen skiller seg ut med lave utgifter til arbeidsmarkedstiltak. Finland har både høy ungdomsledighet og høye utgifter til aktivering av de arbeidsledige, mens Danmark har høy bruk av offentlig utgifter til aktivering av de arbeidsledige og forholdsvis lav ledighet.

Tabell 2. Beskrivende statistikk for observasjonsenhetene (datapunkter) etter tiltakseffekten

NegativeIkke signifikantePositiveTotalt antallProsent
Sum109175141425100
Program:
Opplæring (ref.)1537399121,41
Andre programmer12175348,00
Lønnstilskudd816234711,06
Arbeidspraksis39343010324,24
Sysselsettingstiltak243066014,12
Forsterket aktivering1141389021,18
Metode:
Andre metoder (ref.)13221368,47
Forskjell-i-forskjeller41916399,18
Forløpsanalyse2312174,00
Matching8510610529669,65
Randomisert forsøk5257378,71
Varighet av effekt:
Kort sikt (ref.)54718020548,24
Lang sikt551046122050,76

Tabell 2 viser beskrivende statistikk for observasjonene/delstudiene i databasen etter fortegn på tiltakseffekten, dvs. om tiltakseffekten er negativ, ikke-signifikant eller positiv. 41 prosent av observasjonene finner ingen signifikante effekter av det evaluerte tiltaket, mens 33 prosent oppgir positive effekter og 26 prosent oppgir negative effekter. Opplæringstiltak, arbeidspraksis og forsterket aktivering utgjør til sammen over 70 prosent av observasjonene. Blant tiltakene er det opplæring, lønnstilskudd og forsterket aktivering som oftest produserer positive effekter. Arbeidspraksis har nesten like mange observasjoner av negative effekter som av positive effekter. Sysselsettingstiltak har som regel ikke-signifikante eller negative effekter.

Matching er den metoden som brukes oftest, og den utgjør to tredjedeler av antall observasjoner/delstudier. Matching gir relativt jevnt fordelte estimerte tiltakseffekter, mens forløpsanalyse produserer flest positive effekter. De relativt lite brukte metodene i restkategorien (OLS, strukturelle modeller) gir nesten utelukkende negative eller null-effekter. Randomiserte forsøk, som regnes for å være den beste og sikreste evalueringsmetoden, produserer ofte ikke-signifikante effekter. Det er omtrent like mange observasjoner for tiltak før og f.o.m. 2004, og like mange delstudier som evaluerer kortsiktige kontra langsiktige effekter. Kortsiktige effekter er relativt mer positive enn langsiktige effekter, som ofte er ikke-signifikante.

Resultater

Som nevnt ovenfor bruker vi en såkalt ordnet probit-metode til å studere hvordan sannsynligheten for å få en negativ, ikke-signifikant eller positiv tiltakseffekt henger sammen med kjennetegn ved studien og landet studien er gjennomført i. Her fokuserer vi på resultatene fra den rikeste modellen, der vi inkluderer tiltakstyper og tiltakskjennetegn (metoden, varighet av effekt, evalueringsperioden og målgruppen), land, ungdomsledighet og institusjonelle forhold nærmere beskrevet ovenfor. For fullstendige resultater der vi gradvis legger til forklaringsvariabler, se Hardoy, Røed, von Simson & Zhang (2016). I denne rapporten finnes det også en fullstendig opplisting av alle studiene som inngår i vår meta-analyse.

For å lette tolkningen av effektestimatene beregner vi marginaleffekter, og deretter kalkulerer vi sannsynligheter for de ulike utfallene og viser dem ved hjelp av figurer. Vi beregner her gjennomsnittlige marginaleffekter, dvs. først beregner vi effekten for hver person i utvalget med utgangspunkt i de observerte verdiene av forklaringsvariabler, og deretter tar vi gjennomsnittet av de beregnede marginaleffektene. For dummy-forklaringsvariabler kan marginaleffektene tolkes som endring i utfallssannsynligheter når dummy-forklaringsvariablene endrer verdi fra 0 til 1.

De blå stolpene i figur 1 oppsummerer hovedfunnene knyttet til estimerte effekter av ulike typer tiltak. De rapporterer de estimerte sannsynlighetene for at en evalueringsstudie gir opphav til henholdsvis negativ signifikante, ikke-signifikante og positiv signifikante effekter i gjennomsnitt. De svarte loddrette stripene markerer samtidig 95 % konfidensintervaller.

Resultatene i figur 1 kan tolkes på følgende måte: Med observerte verdier på makroøkonomiske og institusjonelle forhold og andre kontrollvariabler knyttet til både tiltaket og til evalueringsmetoden, vil evalueringer av opplæringstiltak med 18 prosent sannsynlighet vise signifikant negativ effekt og med ca. 42 prosent sannsynlighet vise signifikant positiv effekt. Tilsvarende observerer vi at Lønnstilskudd og Forsterket aktivering er forbundet med enda høyere sannsynlighet for positive tiltakseffekter, på henholdsvis nærmere 60 prosent og 50 prosent, mens sannsynligheten for en negativ effekt derimot er på om lag 10–12 prosent. På den annen side ser vi at Sysselsettingstiltak har liten sannsynlighet for å produsere positive effekter og stor sannsynlighet for å produsere negative effekter, sammenlignet med de andre tiltakstypene. Arbeidspraksis har om lag like stor sannsynlighet for positive som negative effekter, og størst sannsynlighet for null effekt.

Figur 1.

Estimerte marginale tiltakseffekter, alle

Figur 2a og 2b viser marginaleffekter for evalueringer av tiltak implementert i nyere tid (til venstre) kontra de av eldre årganger (til høyre). Vi ser at det har skjedd et markant skifte i retning av mer positive effektestimater (stolpene er høyest til høyre på den venstre figuren). Dette kan være en indikasjon på en viss læring over tid som har gjort tiltakene mer effektive.3

Figur 2a og 2b.

Estimerte marginale tiltakseffekter, nyere og gamle studier

Figur 3a og 3b viser marginaleffekter etter varighet på evalueringsperioden: innen første året etter at tiltaket er avsluttet og etter ett år etter at tiltaket er avsluttet. Som det kommer fram er figurene veldig like, og uttrykker at det ikke er signifikante forskjeller på kort og lang sikt.

Figur 3a og 3b.

Estimerte marginale tiltakseffekter, på kort og lang sikt

Figur 4a, 4b og 4c.

Estimerte marginale tiltakseffekter, for begge kjønn og etter kjønn

Til slutt viser vi marginaleffekter etter kjønn: Den øverste figuren viser resultater for begge kjønn samlet, mens de to nederste viser resultater separat for kvinner og menn. Figurene viser at studier som har analysert tiltakseffekter for kvinner og menn separat har hatt en tendens til å finne mer positive effekter – for både kvinner og menn – enn studier som har analysert effektene for alle under ett. Det er imidlertid ingen systematiske forskjeller i effektestimatene for kvinner og menn.

Når det gjelder andre variabler i modellen kan det nevnes at tiltakseffektene ikke ser ut til å avhenge av hvilket utfall man ser på, noe som tyder på at tiltakseffektene er robuste med tanke på utfallsmål. Derimot finner vi forskjeller i tiltakseffekter etter metode. Noe overraskende har forløpsanalyse en tendens til å produsere mer positive tiltakseffekter enn de andre analysemetodene. Forløpsanalyse er en relativt ny metode som er blitt brukt i de siste årene, mest på grunn av økende tilgjengelighet av offentlige registerdata, slik at man kan følge individer over tid i og utenfor arbeidsmarkedet. Fordi det er et relativt lite utvalg av studier som bruker forløpsanalyse, tror vi at det kan være noe usikkerhet knyttet til tolkningen av dette resultatet. På den andre siden har også en tradisjonell metode som matching en tilbøyelighet til å vise positive effekter, mens randomiserte forsøk ikke skiller seg ut fra andre metoder. Siden randomiserte forsøk er en antatt «sikker» metode, og gitt at det er omtrent like mange studier fra randomiserte forsøk med signifikant positive og negative resultater (7 positive, 5 negative, slik tabell 2 viser), kan vi fastslå at det reelt sett finnes tiltak med både positive og negative effekter. At hovedtyngden er ikke-signifikante funn, kan i noen grad skyldes at det ofte er et lavt antall observasjoner i slike kontrollerte eksperimenter. Bortsatt fra i Finland, der den aktive arbeidsmarkedspolitikken ser ut til å være mer effektiv, finner vi ikke noen signifikante forskjeller på tvers av land (se ellers Hardoy mfl. 2016).

Vi finner ingen klare indikasjoner på betydningen av ungdomsledighet og institusjonelle forhold i landet i den perioden tiltak er evaluert. Dette kan imidlertid skyldes at det er liten variasjon i disse variablene innen land over tid, slik at det i praksis er vanskelig å skille effekter av ledighet og institusjoner fra hverandre og fra mer stabile forskjeller mellom land.

Konklusjon

Vi har utført en omfattende meta-analyse på totalt 44 studier fra seks land (Norge, Danmark, Sverige, Finland, Tyskland og Storbritannia). Disse utgjør 425 observasjoner/datapunkter som gir en unik kombinasjon av viktige kjennetegn som vi undersøker effekten av. I alt finner vi at 141 (33 %) av de tilhørende effektestimatene innebærer en statistisk signifikant positiv effekt, mens 109 av estimatene innebærer en signifikant negativ effekt. Samlet sett er det med andre ord en liten overvekt i retning av positive effektestimater. En ordnet probit-metode er anvendt for å estimere betydningen av faktorer som kan påvirke sannsynligheten for at ungdommer forbedrer sin arbeidsmarkedssituasjon på kortere eller lengre sikt. Målet med vår meta-analyse er å sammenstille evalueringsstudier fra utvalgte land slik at vi kan danne oss en bredere forståelse av hvorvidt ulike tiltak som er rettet mot ungdom, har virket etter hensikten på tvers av land og studier.

Basert på våre estimeringsresultater finner vi at forsterket aktivering, opplæringstiltak og lønnstilskudd gjennomgående gir opphav til mer positive effekter enn andre tiltak. Dette er et kjent resultat fra både norske studier og studier fra andre land. Arbeidspraksis og sysselsettingstiltak i offentlig sektor oppnår klart dårligere resultater i kvantitative evalueringsstudier.

Referanser

Barth, E. & von Simson K. (2012). Ungdomsarbeidsledighet og konjunkturer. Økonomiske analyser 5/2012. Oslo: Statistisk sentralbyrå.

Blanchard, O. & Landier A. (2002). The perverse effects of partial labour market reform: Fixed-term contracts in France. The Economic Journal, 112, 214–244. DOI: 10.1111/1468-0297.00047

Cahuc, P. & Postel-Vinay F. (2002). Temporary jobs, employment protection and labor market performance. Labour Economics, 9, 63–91. DOI: 10.1016/S0927-5371(01)00051-3

Caliendo, M., Schmidl, R. (2016). Youth unemployment and active labor market policies in Europe. IZA Journal of Labor Policy, 5:1. DOI: 10.1186/s40173-016-0057-x

Card, D., Kluve, J. & Weber, A. (2010). Active labour market policy evaluations: A meta-analysis. The Economic Journal, 120, F452–F477. DOI: 10.1111/j.1468-0297.2010.02387.x

Card, D., Kluve J. & Weber, A. (2015). What works? A meta-analysis of recent active labor market program evaluations. NBER Working Paper No. 21431.

Doucouliagos, H. & Stanley, T.D. (2009). Publication selection bias in minimum-wage research? A meta-regression analysis. British Journal of Industrial Relations, 47, 406–428. DOI: 10.1111/j.1467-8543.2009.00723.x

Greenberg, D.H., Michalopoulos, C. & Robins, P.K. (2003). A Meta-analysis of government-sponsored training programs. Industrial & Labor Relations Review, 57, 31–53.

Hardoy, I., Røed, K., von Simson, K. & Zhang, T. (2016). En komparativ analyse av effekter av innsats for å inkludere utsatte unge i arbeid i Norden. ISF Rapport 2016:13.

Kluve, J. (2010). The effectiveness of European active labor market programs. Labour Economics, 17, 904–918. DOI: 10.1016/j.labeco.2010.02.004

Kluve, J., Puerto, S., Robalino, D., Romero, J. Am., Rother, F., Stöterau, J., Weidenkaff, F. & Witte, M. (2016). Do youth employment programs improve labor market outcomes? A systematic review. IZA Discussion Paper No. 10263.

Liu, K., Salvanes, K.G. & Sørensen, E.Ø. (2014). Bad times at a tender age – how education dampens the impact of graduating in a recession. Nordic Economic Policy Review, 1, 51–75. DOI: 10.6027/US2014-416

Nilsen, Ø. A. & Reiso, K. H. (2014). Scarring effects of early career unemployment. Nordic Economic Policy Review, 1, 13–45. DOI: 10.6027/US2014-416

Puerto, O.S. (2007). Labour market impact of youth: A meta-analysis of the youth employment inventory. Prepared for the World Bank. Hentet fra http://www.youth-employment-inventory.org/downloads/7.pdf

Raaum, O., Rogstad, J. , Røed, K. & Westlie, L. (2009). Young and out: An application of a prospects-based concept of social exclusion. The Journal of Socio-Economics, 38, 173–187. DOI: 10.1016/j.socec.2008.08.003 

Schmillen, A. & Umkehrer, M. (2013). The scars of youth. Effects of early-career unemployment on future unemployment experience. IAB Discussion Paper 6/2013.

1Vi takker Jochen Kluve, en anonym konsulent og redaktøren for Søkelys på Arbeidslivet for konstruktive kommentarer. Vi vil også takke deltakere på ISF i workshop 16.–17. februar 2016 om «Effekter av innsats for å inkludere utsatte unge i arbeid i Norden, deltakere på «Workshop on Transitions in Youth», Trento 7.–10. september 2016 og lunsjseminar til Arbeidsmarkedsavdelingen i Arbeids- og sosialdepartementet (ASD). Midler til finansiering fra ASD ((Prosjektnr 10065) har vært uunnværlig.
2https://ideas.repec.org/
3Vi har sjekket om resultatene er følsomme overfor spesifikasjon av tidsintervallet. Vi har reestimert modellen, men endret tidsintervall-variabelen til å inneholde tre ulike tidsintervaller: tiltak som ble satt i gang før 2000, 2001–2004 og etter 2004. Resultatene viser at tiltak som ble satt i gang før 2000, hadde en sannsynlighet for positive effekter på ca 20 prosent, mens de etter 2004 hadde en sannsynlighet for positive effekter på nærmere 50 prosent.

Idunn bruker informasjonskapsler (cookies). Ved å fortsette å bruke nettsiden godtar du dette. Klikk her for mer informasjon