SØKELYS PÅ ARBEIDSLIVET ÅRGANG 28 NR

Transkript

1 Denne digitale versjonen av tidsskriftet er publisert på Institutt for samfunnsforsknings nettsider, og kan kun leses på skjerm. Artiklene kan kjøpes for nedlasting og print på Abonnement på tidsskriftet kan bestilles på Tidsskriftet er omfattet av åndsverklovens bestemmelser. Uten særskilt avtale med ISF eller forlaget, er enhver eksemplarfremstilling og tilgjengeliggjøring utover dette bare tillatt i den utstrekning det er hjemlet i lov. Utnyttelse i strid med lov eller avtale kan medføre erstatningsansvar, og kan straffes med bøter eller fengsel.

2 SØKELYS PÅ ARBEIDSLIVET ÅRGANG 28 NR Innhold Artikler 3 BERNT BRATSBERG OG KNUT RØED Kan demografi forklare veksten i uførhet? 22 KÅRE H. SKOLLERUD Bedriftsinterne tiltak mot sykefravær, kan metaanalyser hjelpe oss til å finne deres effekt? 42 KARI INGSTAD OG ELIN KVANDE Arbeid i sykehjem for belastende for heltid? 56 KATRINE V. LØKEN Politikkimplikasjoner fra litteraturen om familieinntekt og effekter på barns utdanning 67 ARNE MASTEKAASA Ulikhet i arbeidsinntekter i Norge mellom og innen utdanningsnivåer 89 TOVE MIDTSUNDSTAD OG HANNE BOGEN Seniorpolitikk behov for justering? Analyse av praksis i seks foregangskommuner 107 IDUNN BREKKE OG JON ROGSTAD Godt gift? Betydningen av ektefellens landbakgrunn for kvinnelige etterkommeres arbeidsdeltakelse 124 HARALD DALE-OLSEN, KJERSTI MISJE NILSEN OG PÅL SCHØNE Smitter sykefravær? 135 NINA SKROVE FALCH, INÉS HARDOY OG KNUT RØED Mindre arbeidsledighet uten dagpengerettigheter? Søkelys på Norden 157 CAROLINE HALL Förlängningen av de gymnasiala yrkesutbildningarna i Sverige: effekter på avhopp, utbildningsnivå och inkomster

3

4 Kan demografi forklare veksten i uførhet? Bernt Bratsberg og Knut Røed Bernt Bratsberg Ph.D., Economics, University of California, Santa Barbara, seniorforsker ved Frischsenteret, Oslo. bernt.bratsberg@frisch.uio.no Knut Røed Dr.polit., samfunnsøkonomi, seniorforsker ved Frischsenteret, Oslo. knut.roed@frisch.uio.no I denne artikkelen undersøker vi i hvilken grad endringer i befolkningens alders- og utdanningssammensetning kan forklare den sterke veksten vi har hatt i bruken av uførepensjon og andre helserelaterte trygdeytelser siden tidlig på 1990-tallet. Vi finner at slike faktorer samlet sett forklarer nokså lite av de endringene som har funnet sted. Aldring av befolkningen har medført økende trygdeavhengighet. Høyere utdanning har medført redusert trygdeavhengighet. Men hva som da kan forklare den samlede veksten i bruken av disse ytelsene, er dessverre fortsatt et like ubesvart spørsmål. 1 De siste tiårene har det funnet sted en markert økning i andelen av den norske befolkningen som mottar midlertidig eller permanent uførestønad. En betydelig del av denne veksten kan tilsynelatende forklares med endringer i befolkningens alderssammensetning. I NOU 2007: 4 (Ny uførestønad og ny alderspensjon til uføre, s. 94) anslås det for eksempel at så mye som 76 prosent av veksten i antallet uførepensjonister siden begynnelsen av 1990-tallet kan tilskrives rent demografiske forhold. Betyr dette at vi kanskje ikke behøver være så urolige over økningen i befolkningens uførerater? Når demografien forklarer så mye som 76 prosent av veksten, må vi vel trygt kunne fastslå at andre populære «syndebukker» slik som tøffere krav i arbeidslivet og svekket arbeidsmoral i høyden kan forklare de resterende 24 prosentene? Eller kan vi egentlig det? Dessverre er nok tingene litt mer komplisert. I denne artikkelen viser vi at det riktignok er helt korrekt at endret alderssammensetning isolert sett har bidratt til å øke uføreratene i Norge kraftig. Men det er andre forhold nært knyttet til den demografiske utviklingen som samtidig har bidratt til å trekke uføreratene nedover. Dette gjelder i særdeleshet endringer i befolkningens utdanning. Så mens eldrebølgen har skjøvet uføreratene oppover, har utdanningseksplosjonen presset dem nedover igjen. Dermed blir det tilsynelatende likevel rikelig med spillerom for hypotesene om tøffere krav eller lavere arbeidsmoral. S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG Universitetsforlaget

5 BERNT BRATSBERG OG KNUT RØED Siktemålet med denne artikkelen er å dekomponere endringer i uføreratene fra 1994 til 2006 i forhold som har med demografi, utdanning, og «alt annet» å gjøre. En slik tilnærming kan dessverre i liten grad kaste lys over hva dette «alt annet» eventuelt er for noe. Men for å kunne undersøke hva slags krefter som har drevet bruken av helserelaterte trygdeytelser i Norge oppover, trenger vi å vite hvor stor den «uforklarte» veksten i uføreratene egentlig er. Figur 1. Permanente og samlede uføreytelser i Norge Note: Populasjon født i Norge med to norskfødte foreldre, bosatt i landet hele året, alder Uføretrygd inkluderer uførepensjon og midlertidig uførestønad. Helserelatert ytelse inkluderer uføretrygd, attføring, rehabilitering og langtids sykmelding (minst 16 dager). Begge utfallsmålene er definert med basis i personers registrerte tilstander den 28. september hvert år. Datagrunnlag Vi avgrenser analysen til personer over 29 år, ettersom personer som er yngre enn dette, ofte ikke vil være ferdige med sin utdanning og dermed ennå ikke har «avslørt» sin høyeste fullførte utdanning. Vi avgrenser oss også til å analysere personer under 62 år, slik at vi unngår å bringe inn endringer i uførerater som er direkte forårsaket av reformer i reglene for tidligpensjon (AFP). Endelig har vi valgt å avgrense oss til personer som er født i Norge med to norskfødte foreldre, slik at vi unngår å bringe inn endringer relatert til innvandring. Figur 1 viser utviklingen i permanente og samlede uførerater i Norge i perioden fra 1994 til 4 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

6 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? 2006 for den befolkningsgruppen vi da sitter igjen med. Det er hevet over tvil at vi har stått overfor en ganske kraftig og stabil positiv trend i uføreratene i denne tidsperioden. Veksten har vært særlig sterk i de samlede uføreratene, der også rehabiliteringspenger, attføringspenger og langtids sykmelding er inkludert. 2 Dette har sannsynligvis sammenheng med forsøkene som har vært gjort på å bremse tilstrømningen til varig uføretrygd, blant annet ved innstramninger i de medisinske kriteriene (1995) og ved skjerping av krav om at attføring skal prøves før uføretrygd kan tilstås (2000). Veksten i samlet bruk av helserelaterte trygdeytelser stoppet opp i 2004, som følge av endrede regler for legemeldt sykefravær (jf. Markussen 2009). Fra 1994 til 2006 økte likevel den samlede bruken av slike ytelser fra 14,4 til 20,3 prosent av befolkningen mellom 30 og 61 år ( jf. tabell 1). Dette tilsvarer en økning på 41 prosent. Bruken av uføretrygd økte fra 8,5 til 11,0 prosent av befolkningen; noe som tilsvarer en økning på 29,4 prosent. Tabell 1. Beskrivende statistikk Gjennomsnitt Standardavvik Gjennomsnitt Standardavvik Uføretrygd Helserelatert ytelse Alder Utdanningslengde Kvinne Observasjoner Note: Populasjonen består av personer født i Norge med to norskfødte foreldre, alder og bosatt i landet hele året. Uføreratene i Norge er sterkt korrelert både med alder og utdanningsnivå (f.eks. Bruusgaard, Smeby og Claussen 2010). Disse sammenhengene er illustrert i figur 2, der vi har plottet sannsynligheten for å motta uføretrygd eller en eller annen form for helserelatert trygdeytelse mot henholdsvis utdanningsnivå (venstre panel) og alder (høyre panel). For å tegne bildene i figur 2 har vi benyttet data for både 1994 og 2006, det vil si at vi viser gjennomsnittssammenhenger for disse to årene. Uføreratene faller kraftig med utdanningsnivå, og de stiger kraftig med alder. Tabell 1 viser at gjennomsnittsalderen i vår populasjon økte med 1,3 år fra 1994 til 2006, mens gjennomsnittlig utdanningslengde økte med 0,8 år. Figur 3 presenterer et mer detaljert bilde av hvordan utdannings- og alderssammensetningen endret seg mellom de to årene. Særlig har andelene med bare grunnskoleutdanning og med ufullført videregående skole falt kraftig. Mens hele 59 prosent ikke hadde fullført videregående skole i 1994, var denne andelen falt til 39 prosent S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

7 BERNT BRATSBERG OG KNUT RØED Figur 2. Andel av voksen befolkning med trygdeytelser etter utdanning og alder, 1994 og 2006 Figur 3. Utdannings- og aldersfordeling i den voksne befolkningen, 1994 og S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

8 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? i Og det er blitt relativt sett mange flere personer over 50 år. I 1994 var gruppen over 50 preget av de små fødselskullene fra før annen verdenskrig, mens denne aldersgruppen i 2006 består av de store etterkrigskullene. Sammenholder vi figurene 2 og 3, kan vi fastslå at endringene i alderssammensetningen fra 1994 til 2006 tilsier økte uførerater, mens endringene i utdanningssammensetningen tilsier reduserte uførerater. Kausalitet eller sortering? Det er imidlertid en viktig forskjell på sammenhengene mellom alder og uførhet på den ene siden og utdanning og uførhet på den andre. Mens det er nokså åpenbart at sammenhengen mellom alder og uførhet er kausal i betydningen at det er den høyere alderen som gjennom sin effekt på helsetilstanden faktisk forårsaker den høyere uføreraten kan det tenkes at sammenhengen mellom utdanning og uførhet slett ikke er kausal. En mulig forklaring på den fallende sammenhengen mellom utdanningsnivå og uførhet kan være at det finnes personlige egenskaper som påvirker både utdanningsvalg og uførerisiko. Nærliggende eksempler på slike egenskaper kan være helse, motivasjon, evner, selvkontroll og sosial bakgrunn. I så fall kan vi tenke på forholdet mellom utdanning og uførerisiko som en ren sorteringsmekanisme; der valg av utdanningsnivå er negativt korrelert med uførerisiko fordi både utdanning og uførerisiko er korrelert med disse egenskapene. Hvis det er en slik mekanisme som forårsaker den fallende sammenhengen mellom utdanning og uførhet i figur 2, er det langt fra opplagt at økt utdanningsnivå i befolkningen som helhet medfører et fall i uføreraten. På den annen side virker det rimelig å anta at utdanning også har en kausal effekt på uførerisiko. Jo mer utdanning man har, desto bedre jobb er man kvalifisert for. Og jo mindre blir man utsatt for belastninger og slitasje. Metode For å gi anslag på ulike faktorers bidrag til endringer i uføreratene mellom 1994 og 2006 benytter vi en såkalt Blinder-Oaxaca-dekomponering (Blinder 1973; Oaxaca 1973). Utgangspunktet for denne metoden er at vi kan skrive opp utfallene vi er interessert i å analysere som en lineær funksjon av forklaringsvariabler (alder, kjønn, utdanning) og et sett ukjente parametre. Vi fokuserer på de to utfallsmålene beskrevet i avsnittet foran: i) mottak av uføretrygd og ii) mottak av uføretrygd eller en midlertidig helserelatert trygdeytelse, det vil si rehabiliteringspenger, attføringspenger eller langtids sykepenger (minst 16 dager). Begge utfallsmålene er basert på observert tilstand ved utgangen av september hvert år. La y it være en utfallsvariabel (uføretrygd eller helserelatert trygdeytelse) som er lik 1 hvis utfallet (f.eks. uførhet) hadde inntruffet for person i observert i år t. La S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

9 BERNT BRATSBERG OG KNUT RØED x it være den tilhørende vektoren (samlingen) av forklaringsvariabler, og la β t være en vektor av ukjente parametre. Modellen vi benytter kan da skrives som der u it er et restledd med forventning lik 0. Den forventede endringen i utfall fra t=1994 til t=2006 kan da uttrykkes der E(.) er en såkalt forventningsoperator som gir den forventede verdien (gjennomsnittet) til variablene inni parentesen. Den øverste linjen i denne dekomponeringen fanger opp endringen som kan tilskrives endringer i befolkningens sammensetning, gitt effekten av individkjennetegn i Den andre linjen reflekterer endringen som kan tilskrives endrede effekter av disse kjennetegnene, gitt individkjennetegn i Og den tredje linjen uttrykker en interaksjon mellom disse to leddene. Slik dekomponeringen er formulert her, har vi benyttet 1994 som referanseår. Det innebærer at virkningene som i modellen tilskrives endringer i befolkningens sammensetning, er beregnet med basis i effektene slik de ble målt i Dekomponeringen kan alternativt gjøres med 2006 som referanseår. De to måtene å gjøre det på vil generelt ikke gi de samme resultatene. Med andre ord, når vi skiller mellom «forklarte» og «uforklarte» komponenter av endringen i utfall, vil det som er forklart av regresjonsmodellen avhenge av hvilket år vi måler effekter av individkjennetegn (altså om vi benytter β 1994 eller β 2006 ). Måler vi effektene i 1994, vil leddet i den første linjen utgjøre den «forklarte» endringen, mens leddene i andre og tredje linje blir den «uforklarte» endringen. Motsatt vil summen av leddene i første og tredje linje utgjøre den «forklarte» endringen når vi benytter effekter målt i 2006, mens leddet i andre linje gjenstår som «uforklart». Vi vil derfor gjennomgående presentere resultater basert på begge referansevalg. Samlingen av forklaringsvariabler består i vårt tilfelle av alders- og utdanningsindikatorer. Alder er i modellen representert ved en indikatorvariabel for hver alder (målt i år) for hvert kjønn (vi tillater med andre ord at alderseffektene kan være ulike for kvinner og menn). Utdanning er representert i modellen med en indikatorvariabel for hvert observerte antall år fullført (normert) utdanning (fra 10 til 22 års utdanning). Også her tillater vi at effektene er ulike for kvinner og menn. For å finne ut i hvilken grad endret utdanningssammensetning faktisk har 8 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

10 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? bidratt til å redusere uførhet i Norge, må vi imidlertid være i stand til å skille den kausale sammenhengen mellom utdanning og uførhet fra den rene sorteringssammenhengen. Vi vil forsøke å gjøre dette ved å anta at sorteringsmekanismen fanges opp gjennom en persons relative plassering i sin egen fødselskohorts «utdanningshierarki». Det er med andre ord en persons utdanningsnivå relativt til alle andre av samme alder som «bestemmer» sorteringssammenhengen mellom utdanning og uførhet, mens det er det absolutte utdanningsnivået, gitt relativ plassering, som bestemmer den kausale effekten. Nå er det ikke helt enkelt å angi folks relative plass i utdanningsfordelingen med basis i opplysninger om utdanningens lengde alene. Problemet med en slik variabel er i denne sammenheng at svært mange personer vil ha samme utdanningslengde, selv om de har helt forskjellige verdier på de underliggende uobserverte faktorene vi egentlig er interessert i å fange opp (motivasjon, evner osv.). Dermed kan vi gå glipp av en viktig del av den sorteringsmekanismen vi prøver å kontrollere for. Vi har derfor valgt å ta utgangspunkt i en mer fininndelt utdanningsindikator basert på de to første sifrene i den såkalte NUS-koden (Nasjonal Utdanningsstandard). I vårt datamateriale gir dette oss 55 ulike utdanningstyper som skiller seg fra hverandre både ved retning og nivå. For å kunne rangere disse innenfor en hierarkisk struktur, benytter vi en hjelperegresjon, der vi estimerer sammenhengen mellom de 55 utdanningstypene og lønnsnivå. I denne regresjonen kan vi naturligvis bare benytte personer som er sysselsatt i de aktuelle årene. Men resultatene fra regresjonen kan tilordnes alle. Vi kommer dermed fram til en variabel som rangerer alle utdanningstypene ut ifra den lønna de kan forventes å gi opphav til. Den underliggende ideen er at en slik rangering vil være høyt korrelert med de uobserverte variablene som gir opphav til seleksjonsproblemet. Etter at vi har beregnet hver persons «utdanningsressurser» på denne måten, trekker vi fra den gjennomsnittlige utdanningsressursen innen hver fødselskohort. Dermed står vi tilbake med et mål på relativ utdanning innen fødselskohort. Denne variabelen er per konstruksjon slik at den i gjennomsnitt ikke endrer seg mellom 1994 og 2006, det vil si at E(relatiav utdanning i,2006) E(relativ utdanning i,1994 ) = 0. I praksis innebærer dette at desto mer den relative utdanningen betyr for uførerisiko sammenholdt med det absolutte nivået på utdanningen desto mindre vil et økende generelt utdanningsnivå kunne bidra til å redusere uførerisikoen. Ved å kontrollere for relativ utdanning i analyser av tilstrømning til uføreytelser kan vi sannsynligvis komme nærmere et korrekt anslag på den kausale effekten av utdanning. Dermed kan vi også gi et anslag på hvor mye økende utdanningsnivå i befolkningen eventuelt har bidratt til å redusere uføreratene. Vi understreker imidlertid at dette er en øvelse som er forbundet med betydelig grad av usikker- S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

11 BERNT BRATSBERG OG KNUT RØED het, og at det ikke finnes noen «vanntett» metode for å separere virkningene av sortering inn i utdanning fra effektene av faktisk å ta utdanning. Resultater Vi vil i dette avsnittet presentere hovedresultatene knyttet til dekomponering av mekanismene bak økte uførerater i Norge. Vi presenterer først resultater knyttet til risikoen for uføretrygd. Deretter presenterer vi resultatene knyttet til det utvidede utfallsmålet, som i tillegg til uføretrygd også omfatter rehabiliteringspenger, attføringspenger og langtids sykepenger. En fullstendig beskrivelse av estimeringsresultatene for henholdsvis 1994 og 2006 er gjengitt i Appendiks. Hovedresultatene knyttet til endringene i bruk av uføretrygd er presentert i tabell 2. For sammenlikningens skyld har vi i del A av tabellen gjengitt resultater fra en enkel lineær regresjonsmodell, der det er antatt at effekter av alle kjennetegn er nøyaktig de samme i 1994 og i I denne modellen fanges «tidseffekten» altså endringen som gjenstår som uforklart etter at vi har kontrollert for individkjennetegn opp av en enkeltstående indikatorvariabel (med verdien 1 i 2006 og verdien 0 i 1994). I tabellens del B og C presenteres resultatene fra Blinder-Oaxaca-dekomponeringen med henholdsvis 1994 og 2006 som referanseår. I første kolonne av tabellen er det inkludert kun én tidsdummy i modellen. Estimatet som da fremkommer, viser ganske enkelt forskjellen på uføreratene i de to årene (2,55 prosentpoeng). Det er denne endringen de påfølgende kolonnene tar sikte på å identifisere kildene til. I kolonne (2) er det bare kontrollert for alder (og kjønn), i kolonne (3) er det i tillegg kontrollert for «absolutt» utdanningsnivå, mens det i kolonne (4) også er kontrollert for relativ utdanningsressurs (innen fødselskohort). Vi forklarer måten tabellen skal forstås på med utgangspunkt i resultatene i del B, det vil si Blinder-Oaxaca-dekomponering med 1994 som referanseår. Utgangspunktet er altså at vi forsøker å forklare en vekst i raten for permanent uføretrygd på 2,55 prosentpoeng. Når vi bare kontrollerer for alder, ser vi i kolonne (2) at endringene i befolkningens alderssammensetning alene kan forklare 1,28 prosentpoeng (50 prosent) av denne veksten. Dette tilsvarer den veksten vi ville ha hatt i uføreraten dersom de alders-/kjønnsspesifikke uføreratene hadde vært konstante fra 1994 til Når vi også kontrollerer for befolkningens utdanningsnivå i kolonne (3), reduseres bidraget fra alderssammensetningen noe. Dette har sammenheng med at en av grunnene til at mange eldre har høy uførerate, er at de også har lav utdanning. Samtidig ser vi at bidraget fra endret utdanningssammensetning isolert sett har ført til et fall i uføreraten på 1,12 prosentpoeng. 10 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

12 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? Tabell 2. Dekomponering av endring i andel med uføretrygd (1) (2) (3) (4) Forklaringsvariabler: Ingen + alder + utdanning + seleksjonsledd A. Felles regresjon 2006 koeffisient (0.0003) (0.0003) (0.0003) (0.0004) B. Oaxaca 1994 koeff Endring som skyldes Alder (0.0001) (0.0001) (0.0001) Utdanning (0.0001) (0.0002) Uforklart endring (0.0003) (0.0003) (0.0004) C. Oaxaca 2006 koeff Endring som skyldes Alder (0.0001) (0.0001) (0.0001) Utdanning (0.0001) (0.0002) Uforklart endring (0.0003) (0.0003) (0.0004) Note: Standardfeil er listet i parenteser. Regresjon i panel A er basert på observasjoner. Oaxaca-dekomponeringer er basert på observasjoner i 1994 og i Aldersvariabler består av indikatorer for 32 alderstrinn, og utdanning indikatorer for 13 utdanningsnivåer. Se tabell A-1 for komplette resultater fra estimering av modell i kolonne (4). Dermed øker den «uforklarte» veksten til 2,48 prosentpoeng. Så mens alder alene tilsynelatende var i stand til å forklare halvparten av veksten i permanent uførhet, er alder og utdanning til sammen nesten ikke i stand til å forklare noen ting. I forsøket på å forklare veksten i uførhet fra 1994 til 2006 er vi med andre ord «tilbake til start». I kolonne (4) inkluderes også vårt mål på relativ utdanningsressurs. Da ser vi at den estimerte virkningen av økende utdanningsnivå faller markert fra å redusere uføreraten med 1,12 prosentpoeng til «bare» å redusere den med 0,64 prosentpoeng. 4 Dermed øker den samlede forklaringskraften til alders- og utdanningsvariablene igjen til 23 prosent. Men 77 prosent av veksten er altså fortsatt «uforklart». Hvis vi i stedet benytter 2006 som referanseår, får vi et liknende bilde. Men siden utdanning tillegges relativt større vekt enn alder når det er 2006-koeffisientene som ligger til grunn for sammenlikningen, ender vi her opp med den konklusjon at økende utdanningsnivå faktisk har trukket uføreratene mer ned enn S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

13 BERNT BRATSBERG OG KNUT RØED det økende alder har trukket dem opp. Samlet sett kan derfor endringene i alder og utdanning ikke forklare noe som helst av veksten i uføreratene. Figur 4. Predikerte uføreandeler blant kvinner og menn Note: Utdanningsprofiler er evaluert ved alder 50 og aldersprofiler ved 12 års utdanning. Skraverte områder indikerer 95 prosent konfidensintervaller. Figur 4 illustrerer hvordan betydningen av alder og utdanning for uførerisikoen anslås å ha endret seg fra 1994 til 2006 når vi har kontrollert for relative utdanningsressurser innen kohort. Ifølge disse resultatene har det stor betydning for uførerisikoen om man oppnår fullført videregående utdanning eller ikke. Men utdanning ut over videregående skole har liten eller ingen betydning. 5 Effekten av manglende videregående utdanning ser også ut til å ha økt markert fra 1994 til Dette kan indikere at arbeidsmarkedet er blitt «tøffere» eller jobbmulighetene dårligere for personer uten fullført videregående skole. Vi ser også indikasjoner på at alderseffektene har endret seg noe fra 1994 til 2006, ved at uførerisikoen relativt sett har økt for personer under 45 år. Dette mønsteret er særlig tydelig blant kvinnene. Tabell 3 og figur 5 gjengir tilsvarende resultater når vi også inkluderer midlertidige helserelaterte ytelser i utfallsmålet (rehabiliteringspenger, attføringspenger, langtids sykepenger). Her er det en samlet vekst på 5,86 prosentpoeng som søker sin forklaring. Og nok en gang ender vi opp med at alders- og utdanningssam- 12 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

14 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? mensetningen samlet sett forklarer svært lite av utviklingen, selv når vi har kontrollert for den uobserverte sorteringen til ulike utdanningsnivåer. Med basis i 1994-koeffisientene finner vi at alder og utdanning kan forklare en vekst på 0,66 (= 1,25 0,59) prosentpoeng, eller 11 prosent av den samlede veksten. De resterende 89 prosent er ikke forklart av endringer i alders- og utdanningssammensetningen av befolkningen. Benytter vi 2006-koeffisientene, finner vi at den uforklarte veksten faktisk er større (6,03 prosentpoeng) enn den observerte veksten. Tabell 3. Dekomponering av endring i andel med helserelatert ytelse (1) (2) (3) (4) Forklaringsvariabler: Ingen + alder + utdanning + seleksjonsledd A. Felles regresjon 2006 koeffisient (0.0004) (0.0004) (0.0004) (0.0005) B. Oaxaca 1994 koeff Endring som skyldes Alder (0.0001) (0.0001) (0.0001) Utdanning (0.0001) (0.0001) Uforklart endring (0.0004) (0.0004) (0.0005) C. Oaxaca 2006 koeff Endring som skyldes Alder (0.0001) (0.0001) (0.0001) Utdanning (0.0002) (0.0003) Uforklart endring (0.0004) (0.0004) (0.0004) Note: Standardfeil er listet i parenteser. Regresjon i panel A er basert på observasjoner. Oaxaca-dekomponeringer er basert på observasjoner i 1994 og i Aldersvariabler består av indikatorer for 32 alderstrinn, og utdanning indikatorer for 13 utdanningsnivåer. Se tabell A-2 for komplette resultater fra estimering av modell i kolonne (4). Også når det gjelder helserelaterte ytelser mer generelt, finner vi tegn til økende relativ risiko for personer med svært lav utdanning og økende risiko for unge (jf. figur 5). Dreiningen i retning av økt relativ risiko for de unge er enda tydeligere for dette utfallsmålet. Det er nærliggende å anta at det har sammenheng med de forsøk på tilstramninger som har vært iverksatt i tilgangen på varig uføretrygd, S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

15 BERNT BRATSBERG OG KNUT RØED blant annet med skjerping av det såkalte attføringskravet i 2000 (krav om at attføring skal være prøvd før uføretrygd kan tilstås). Det er åpenbart at dekomponeringen av utdanningseffektene i sine kausale og spuriøse komponenter er forbundet med betydelig grad av usikkerhet. Valg av funksjonsform og «oppløsning» av utdanningsvariablene kan ha stor betydning. Vi kan derfor ikke se bort fra at vi over- eller undervurderer det fallet i uførerater som økende utdanningsnivå isolert sett har gitt opphav til. Figur 5. Predikerte andeler av kvinner og menn med helserelaterte trygdeytelser Note: Utdanningsprofiler er evaluert ved alder 50 og aldersprofiler ved 12 års utdanning. Skraverte områder indikerer 95 prosent konfidensintervaller. Konklusjon Fra 1994 til 2006 økte andelen uføretrygdede i aldersgruppen år med 29 prosent, mens andelen som mottar en tidsbegrenset eller en varig helserelatert trygdeytelse, økte med 41 prosent. I denne artikkelen har vi vist at svært lite av denne veksten om noe kan forklares av endret alders- og utdanningssammensetning i befolkningen samlet sett. Riktignok har en økende andel eldre trukket uføreratene oppover. Men økende utdanningsnivå har trukket dem nedover. Forklaringen på den sterke veksten i uførerater i Norge må derfor søkes i mekanismer som gir opphav til økt uførerisiko gitt personers alder og utdanning. 14 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

16 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? Det er ikke helt enkelt å fastslå hva disse andre mekanismene består i. Det ser ikke ut til at folkehelsen generelt sett er blitt svekket. Tvert imot har det vært en liten økning i andelen av den voksne befolkningen som rapporter at egen helse er god eller svært god, fra 79 prosent i 1995 til 81 prosent i Og andelen som rapporterer om dårlig helse, har tilsvarende falt fra 8 til 6 prosent. 6 Ihlebaek, Brage, og Eriksen (2006) viser også at økningen i sykefraværet fra 1996 til 2003 ikke kan forklares av økte helseplager i sin alminnelighet, og at det dessuten var lite samsvar mellom utviklingen i subjektivt opplevd helseplager og utviklingen i sykefravær i denne perioden. Forklaringene må dermed søkes i arbeidsmarkedet og i samspillet mellom helse og arbeidsmarked. Bratsberg, Fevang, og Røed (2010) argumenterer for at det eksisterer en stor gråsone mellom uførhet og arbeidsledighet, og dokumenterer blant annet at risikoen for uførhet øker kraftig for folk som mister arbeidet sitt (se også Rege, Telle, og Votruba 2009). Økende uføretall kan således tenkes å reflektere økende reell arbeidsledighet. Det er også tenkelig at det faktisk har blitt tøffere krav i arbeidslivet, og at arbeidsmoralen har blitt svekket i deler av befolkningen. Noter 1 Denne artikkelen inngår i prosjektet «Virkninger av en aktivitetsorientert velferdspolitikk», finansiert av Norges Forskningsråd (prosjekt 1181 ved Frischsenteret). Data er stilt til disposisjon av Statistisk sentralbyrå. Takk til Elisabeth Fevang for tilrettelegging av data, og til en anonym konsulent for nyttige kommentarer til et tidligere utkast. 2 NOU (2007: 4) viser at andelen uføre i befolkningen vokste jevnt mellom 1980 og 1989, men at veksten flatet ut mellom 1989 og Dale-Olsen og Markussen (2010) viser at utviklingen i antall sykepengedager betalt av det offentlige per arbeidstaker (en komponent av vårt mål på samlede uførerater) var voksende mellom 1980 og 1989, men falt mellom 1989 og Det var denne beregningsmåten som ble benyttet i NOU 2007:4. Når vi kommer fram til et noe lavere tall enn de 74 prosentene det ble referert til i innledningen har dette sammenheng med flere forhold: Vi har et annet referanseår (1994 istedenfor 1991), vi har en annen aldersgruppe (30 61 år istedenfor alle), og vi ser på endringer i uføreraten istedenfor i de absolutte tallene. 4 Bratsberg, Hægeland og Raaum (2006) studerer betydningen av utdanning for uførepensjonering ved hjelp av den norske delen av ALL-undersøkelsen (Adult Literacy and Life Skills Survey) fra 2003, og finner at uførepensjonssannsynligheten for dem mellom 51 og 60 år faller med 2.1 prosentpoeng for menn og 2.8 prosentpoeng for kvinner når utdanningslengden øker med ett år. Når studien betinger på kognitive ferdighetsmål (som er tilgjengelig i ALL-dataene), faller betydningen av utdanning med 58 prosent for menn og 45 prosent for kvinner. Dette mønsteret er svært likt det vi finner når vi kontrollerer for relativ utdanningsressurs i tabell 2. S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

17 BERNT BRATSBERG OG KNUT RØED 5 Dette betyr at det observerte fallet i uførerater for personer med høyere utdanning (jfr. det venstre panelet i figur 2) er forårsaket av en ren sorteringseffekt. 6 Disse tallene er hentet fra Statistisk sentralbyrås levekårsundersøkelser, og kan lastes ned fra Referanser Blinder, A.S. (1973), «Wage Discrimination: Reduced Form and Structural Estimates». Journal of Human Resources, Vol. 8, Bratsberg, B., E. Fevang og K. Røed (2010), Disability in the Welfare State: An Unemployment Problem in Disguise? IZA Discussion Paper No ( dp4897.pdf). Bratsberg, B., T. Hægeland og O. Raaum (2006), Lese- og tallforståelse, utdanning og arbeidsmarkedssuksess. Universitetet i Stavanger: Lesesenteret. Bruusgaard, D., L. Smeby og B. Claussen (2010), «Education and Disability Pension: A Stronger Association than Previously Found». Scandinavian Journal of Public Health, Vol. 38, No. 7, Dale-Olsen, H. og S. Markussen (2010), «Økende sykefravær over tid? Sykefravær, arbeid og trygd ». Søkelys på arbeidslivet, Vol. 27, Ihlebaek, C., S. Brage og H. Eriksen (2006), «Health Complaints and Sickness Absence in Norway, ». Occupational Medicine, Vol. 57, Markussen, S. (2009), «Closing the Gates? Evidence from a Natural Experiment on Physicians' Sickness Certification». Memorandum No. 19/2009. University of Oslo: Department of Economics. NOU, Norges offentlige utredninger (2007:4), Ny uførestønad og ny alderspensjon til uføre. Oslo: Arbeids- og inkluderingsdepartementet. Oaxaca, R. (1973), «Male-Female Wage Differentials in Urban Labor Markets». International Economic Review, Vol. 14, Rege, M., K. Telle og M. Votruba (2009), «The Effect of Plant Downsizing on Disability Pension Utilization». Journal of the European Economic Association, Vol. 7, No. 5, S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

18 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? Appendiks Tabell A-1. Detaljerte regresjonsresultater likning for uføretrygd Forklaringsvariabel Effekt menn Tilleggseffekt Effekt menn Tilleggseffekt kvinne kvinne Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

19 BERNT BRATSBERG OG KNUT RØED Tabell A-1. Detaljerte regresjonsresultater likning for uføretrygd (fortsetter) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.003) (0.003) (0.004) Alder (0.002) (0.004) (0.003) (0.004) Alder (0.002) (0.004) (0.003) (0.004) Alder (0.002) (0.004) (0.003) (0.004) Alder (0.003) (0.004) (0.003) (0.004) Alder (0.003) (0.004) (0.003) (0.004) Alder (0.003) (0.004) (0.003) (0.004) Alder (0.003) (0.004) (0.003) (0.004) Alder (0.003) (0.004) (0.003) (0.004) Alder (0.003) (0.004) (0.003) (0.004) Utdanning (0.001) (0.002) (0.002) (0.002) Utdanning (0.001) (0.002) (0.002) (0.002) Utdanning (0.001) (0.002) (0.001) (0.002) Utdanning (0.002) (0.003) (0.002) (0.003) Utdanning (0.003) (0.004) (0.003) (0.004) 18 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

20 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? Tabell A-1. Detaljerte regresjonsresultater likning for uføretrygd (fortsetter) Utdanning (0.003) (0.004) (0.003) (0.003) Utdanning (0.002) (0.003) (0.002) (0.003) Utdanning (0.003) (0.006) (0.003) (0.005) Utdanning (0.003) (0.005) (0.003) (0.005) Utdanning (0.007) (0.018) (0.006) (0.011) Utdanning (0.007) (0.017) (0.007) (0.013) Utdanning (0.016) (0.030) (0.009) (0.014) Seleksjonsledd* (0.001) (0.001) (0.001) (0.001) Konstantledd (0.002) (0.003) (0.002) (0.003) Note: Utelatte variabler er alder 30 og utdanningslengde 10. Standardfeil er listet i parenteser. * Seleksjonsledd måler utdanningsressurser som avvik fra gjennomsnitt i samme fødselskohort. Tabell A-2. Detaljerte regresjonsresultater likning for helserelaterte ytelser Forklaringsvariabel Effekt menn Tilleggseffekt Effekt menn Tilleggseffekt kvinne kvinne Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

21 BERNT BRATSBERG OG KNUT RØED Tabell A-2. Detaljerte regresjonsresultater likning for helserelaterte ytelser (fortsetter) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.005) (0.003) (0.005) Alder (0.003) (0.004) (0.003) (0.005) Alder (0.003) (0.005) (0.003) (0.005) Alder (0.003) (0.005) (0.003) (0.005) Alder (0.003) (0.005) (0.003) (0.005) 20 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

22 KAN DEMOGRAFI FORKLARE VEKSTEN I UFØRHET? Tabell A-2. Detaljerte regresjonsresultater likning for helserelaterte ytelser (fortsetter) Alder (0.003) (0.005) (0.003) (0.005) Alder (0.003) (0.005) (0.003) (0.005) Alder (0.003) (0.005) (0.003) (0.005) Alder (0.003) (0.005) (0.004) (0.005) Utdanning (0.001) (0.002) (0.002) (0.003) Utdanning (0.002) (0.002) (0.002) (0.003) Utdanning (0.002) (0.003) (0.002) (0.003) Utdanning (0.003) (0.004) (0.003) (0.004) Utdanning (0.003) (0.005) (0.003) (0.005) Utdanning (0.004) (0.005) (0.003) (0.004) Utdanning (0.003) (0.004) (0.003) (0.004) Utdanning (0.004) (0.007) (0.004) (0.006) Utdanning (0.004) (0.007) (0.004) (0.006) Utdanning (0.009) (0.023) (0.008) (0.015) Utdanning (0.009) (0.021) (0.009) (0.017) Utdanning (0.020) (0.039) (0.012) (0.018) Seleksjonsledd* (0.001) (0.002) (0.001) (0.002) Konstantledd (0.002) (0.004) (0.003) (0.005) Note: Utelatte variabler er alder 30 og utdanningslengde 10. Standardfeil er listet i parenteser. * Seleksjonsledd måler utdanningsressurser som avvik fra gjennomsnitt i samme fødselskohort. Måleenheten er ln(yrkesinntekt). S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

23 Bedriftsinterne tiltak mot sykefravær Kan metaanalyser hjelpe oss til å finne deres effekt? 1 Kåre H. Skollerud Cand.sociol., forsker ved Transportøkonomisk institutt. khs@toi.no Omfanget av samfunnsvitenskaplige studier har vokst enormt de siste årene. Særlig gjelder dette såkalt evalueringsforskning der man studerer effekter av ulike tiltak. Som et resultat av dette har det vokst frem en stor og til dels uoversiktlig forskningslitteratur. Ofte kan også de påviste effektene av et tiltak variere betraktelig mellom enkeltstudier. Man kan finne studier som finner betydelige effekter av et tiltak, mens andre bare finner ubetydelige og høyst usikre effekter av samme tiltak. I denne artikkelen benyttes metaanalyse i et forsøk på å få et generelt effektmål på ulike bedriftsinterne tiltak mot sykefravær samtidig som metodens egnethet vurderes. Med bakgrunn i den etter hver økte mengde av vitenskaplige studier og ulike funn har det fra en rekke hold, særlig fra politisk og styringsorientert byråkratisk hold, vokst frem et sterkt ønske om å få «ryddet opp» slik at en kan fastslå tiltakenes effekt på mer entydige måter. Flere miljøer har arbeidet med fremgangsmåter som tar sikte på å systematisere ulike studier og presentere et samlet mål på de enkelte tiltakene. Bak et slikt ønske ligger det blant annet en idé om at systematiske litteraturstudier gir mer pålitelig kunnskap og et bedre mål på effekter av tiltak enn enkeltstudier. I denne artikkelen skal vi forsøke å benytte en slik sammenfattende metode, metaanalyse. Metaanalysen har fått relativt stor utbredelse, kanskje særlig innen medisin og hva angår måling av legemiddeleffekter, men også på andre områder, som for eksempel trafikksikring. Problemstillingen i artikkelen er todelt: For det første skal vi benytte metaanalyse for å prøve å finne hvilke effekter ulike bedriftsinterne tiltak mot sykefravær egentlig kan forventes å ha. For det andre vil vi, ut fra erfaringene med bruken av metaanalyser, diskutere hvor godt egnet metaanalyser er til å besvare slike samfunnsvitenskaplige problemstillinger. Litteraturen, eller studiene som benyttes, er samlet inn ved hjelp av søk i tre ulike databaser: PubMed, ISI og Idébanken. I tillegg har vi gått igjennom publikasjoner fra nasjonale forskningsinstitutter. I artikkelen presenteres først noen trekk ved sykefraværsutviklingen i Norge før jeg ser mer spesifikt på bedriftsinterne tiltak rettet mot sykefravær og bruk av metaanalyse som metode. Metoden diskuteres først og fremst i forhold til de krav 22 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG Universitetsforlaget

24 BEDRIFTSINTERNE TILTAK MOT SYKEFRAVÆR den stiller til datamaterialet, og hvordan disse kan sies å bli oppfylt av de empiriske undersøkelsene på feltet. Et datamateriale blir også analysert ved hjelp av denne metoden, og analyser og resultater blir diskutert i forhold til metodiske problemer. Utviklingen av sykefraværet i Norge Sykefraværet har vært et nærmest vedvarende tema i norsk offentlighet de siste 20 årene. I den politiske debatten har det blant annet blitt lagt vekt på utgiftene til folketrygden, og det er utformet en målsetting om at arbeidslivet både skal være inkluderende og redusere sykefraværet. Dette kommer tydelig frem i intensjonsavtalen om et mer inkluderende arbeidsliv (IA-avtalen) inngått mellom partene i arbeidslivet for perioden , og som siden er forlenget. Når det gjelder historiske opplysninger om sykefravær, har vi ikke noen sammenhengende dataserie fra 1990-tallet og fram til i dag. Statistisk sentralbyrå startet med å registrere sykefraværet først i Denne statistikken omfatter alle sykemeldinger utfylt av lege, samt egenmeldt fravær rapportert fra representativt utvalgte bedrifter. 2 En hovedkilde til informasjon om sykefravær for tiden før Statistisk sentralbyrå startet sin registrering, er NHOs sykefraværsstatistikk. Den er produsert ut fra opplysninger om bedriftenes samlede egenmeldte og legemeldte sykefravær i rundt 1000 av NHOs bedrifter og fanger dermed opp sykefravær fra første dag. Selv om datagrunnlaget fører til at industribedriftene er overrepresentert i dette utvalget, er denne statistikken den beste historiske oversikten vi har for utviklingen før årtusenskiftet (Hatland 1996). Skal man følge utviklingen i sykefraværet over en lengre periode, vanskeliggjøres dette ved at man på grunn av overgang til Statistisk sentralbyrås etablering av Sentralt sykefraværsregister har et brudd i dataserien i Ose et al. (2006) mener imidlertid at de, ved å redusere nivået på NHOs fraværsstatistikk, kan tilpasse den Statistisk sentralbyrås nye sykefraværsstatistikk på en realistisk måte. De begrunner dette blant annet med at de to statistikkene utvikler seg parallelt i den perioden de overlapper hverandre. I figur 1 ser vi den historiske utviklingen av sykefraværet i Norge fra 1971 til 2006 (Ose et al. 2006). Dersom vi ser på utviklingen i sykefraværet fra før sykelønnsreformen i 1978, ser vi en vekst i fraværet året etter reformen. Reformen besto i hovedsak av at den siste karensdagen ble fjernet, og fulgte slik opp reformen av 1974 som hadde redusert antall karensdager fra fire til en. Etter den første perioden med vekst i sykefraværet etter 1978 viser NHOs statistikk bare en svak vekst i fraværet fram til 1987/ I årene etter dette fikk man et klart fall i sykefraværet fram til ut på tallet. Antallet fraværsdager per ansatt per år var da lavere enn det var året før innføringen av sykelønnsreformen 16 år tidligere. Men fra 1994 stiger sykefraværet, en tendens som ifølge NHOs statistikk har holdt seg helt opp til 2000-tallet. S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

25 KÅRE H. SKOLLERUD Figur 1. Sykefraværet i Norge Legemeldt og egenmeldt. Kilde: Ose et al. (2006) Som det fremgår av figuren, viser resultatene av en sammenslåing og nedjustering av NHOs sykefraværsstatistikk at veksten i sykefraværet fra 1994 holder seg fram til Ved årsskiftet 2003/2004 er sykefraværsnivået historisk høyt, men ikke høyere enn for perioden 1985/1986 (Ose et al. 2006). Videre utover på 2000-tallet ser vi at det totale sykefraværet synker markant etter det høye nivået i Denne tendensen holder seg hele 2004 etterfulgt av en svak vekst, og i 4. kvartal 2007 ligger sykefraværet på 6,5 prosent. Av figuren ser vi også at det er endringene i det legemeldte, det vil si det lengre sykefraværet som er årsak til denne utviklingen. Det egenmeldte fraværet ligger ganske stabilt rundt en prosent i hele perioden. Årsaker til svingningene i sykefraværet Det er hovedsakelig tre tilnærminger som er benyttet i forsøk på å forklare disse svingingene. Særlig er det to konkurrerende hypoteser som har vært mye benyttet: På den ene siden disiplineringshypotesen, som fokuserer på hvordan forhold på arbeidsmarkedet, spesielt stramheten i arbeidsmarkedet, og velferdsordninger virker inn på sykefraværet. Et arbeidsmarked med høy ledighet vil virke disiplinerende på arbeidstakeren gjennom frykt for å miste jobben og det å ikke få nytt arbeid. På samme vis vil dårlige sykelønnsvilkår medføre store kostnader ved 24 S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG

26 BEDRIFTSINTERNE TILTAK MOT SYKEFRAVÆR sykefravær. Den konkurrerende hypotesen blir gjerne omtalt som seleksjons- eller sammensettingshypotesen. Tanken er at personer som har helseproblemer og høy risiko for sykefravær, er marginale i arbeidsmarkedet og vil bli selektert ut ved økende ledighet. Mens de to foregående tilnærmingene fokuserer på mekanismer i selve arbeidsmarkedet, legger den tredje tilnærmingen mer vekt på arbeidssituasjonen den enkelte opplever, og det forfektes en press- eller aktivitetshypotese, der det legges vekt på at det i oppgangstider vil oppstå et høyere arbeidspress og aktivitetsnivå i bedriftene som kan føre til mer slitasje og flere ulykker. Denne tilnærmingen kan også utvides til å ta høyde for økt aktivitet i samfunnet som helhet, med de økninger i ulykker og skader dette kan medføre, også i fritiden (Mastekaasa 1998). Ved alle de tre hypotesene gir like endringer i stramheten i arbeidsmarkedet samme type effekt på sykefraværet: Ved høy stramhet i arbeidsmarkedet vil sykefraværet øke, mens et slakt arbeidsmarked enten vil virke disiplinerende, selekterende eller minske skaderisikoen. Til forskjell fra disiplinerings- og sammensettingshypotesen, som forklarer svingingene i sykefraværet ut fra situasjonen på arbeidsmarkedet, kan altså «presshypotesen» utvides til også å omfatte mekanismer utenfor dette. I denne sammenheng, og når det gjelder vurderinger av bedriftsinterne tiltak mot sykefravær, er det verdt å merke seg at aktiviteter i fritiden kan være en betydelig faktor i forklaringen av sykefraværet. I en undersøkelse som bygger på fraværsdata fra 2003, kommer det fram at det er i underkant av 50 prosent av arbeidstakerne som selv oppgir at årsaken til sykefraværet er helseplager som helt eller delvis skyldtes jobben (Olsen 2007). Disse generelle utviklingsstrekkene vist ovenfor er av interesse for oss på minst to måter i forbindelse med sammenfattende analyser av tiltak på bedriftsnivå: For det første vil en oppmerksomhet på betydningen av slike endringer i arbeidsmarked og reguleringsregimer tilsi at vi metodisk må kontrollere for den generelle utviklingen i sykefraværet når vi ser på effekter av tiltak mot sykefravær i enkeltbedrifter. For det andre tilsier betydningen av rammebetingelser at vi, når vi ser på bedriftsinterne tiltak, avgrenser oss til områder der disse rammebetingelsene er relativt likeartede. For vårt arbeids vedkommende har dette ført til at vi har avgrenset oss til de nordiske landene og den nordiske velferdsstatsmodellen. Internasjonale studier finner klare sammenhenger mellom forhold knyttet til arbeidsmiljøet i bred forstand og sykefraværet (Ose et al. 2006, Anker 2002). Det er imidlertid vanskelig å påvise nøyaktig hva sammenhengen mellom arbeidsmiljø i bred forstand og sykefravær går i, eller hvor sterk denne sammenhengen er. Man kan derfor tenke seg at en metode som på en pålitelig måte oppsummerer og veier effekt av tiltak analysert i en rekke enkeltstudier til et gjennomsnittsresultat, vil kunne være fruktbar for å fastslå hvile effekter tiltakene egentlig har. Metaanalyse er en metode som hevder å tilby denne muligheten. S ØKELYS PÅ ARBEIDSLIVET NR ÅRGANG