Koronaledighetens sosiale gradient (F)

Sammendrag 

Vi studerer virkningene av koronakrisen på arbeidsledighet blant personer som var i jobb da krisen startet. Vi undersøker hvordan ledighetseksponering har variert på tvers av tre ulike dimensjoner: posisjon i lønnsfordelingen før krisen, landbakgrunn og utdanning. Vårt mål for ledighetseksponering omfatter tapt arbeidstid grunnet permittering, oppsigelse eller redusert avtalt arbeidstid, målt som andel av avtalt arbeidstid i februar 2020. Resultatene våre bekrefter en sosial gradient i arbeidsledigheten. Det relative fallet i arbeidstid var størst blant dem som vanligvis opplever å falle utenfor arbeidslivet i kriser, nemlig personer med lav alderskorrigert inntekt i utgangspunktet, innvandrere og personer med lav utdanning. Omfanget av ledighetseksponering har i stor grad vært knyttet til kjennetegn ved bedrift og yrke, og arbeidstakere i offentlig sektor har i svært liten grad vært rammet. Når vi korrigerer for observerbare kjennetegn, finner vi at jobb- og personkjennetegn forklarer hele forskjellen i ledighetseksponering mellom utdanningsgrupper, mens den sosiale gradienten består for lavinntektsgrupper og innvandrere. 

1. Innledning

De første ukene etter at Norge koronastengte den 12. mars 2020, søkte 12 prosent av arbeidsstyrken om dagpenger, og ni av ti av disse var permitterte. Regjeringen var raskt ute med å myke opp permitteringsreglene, og fra 16. mars ble antallet dager som arbeidsgiver må dekke lønn før det offentlige tar over, redusert fra 15 til 2, noe som effektivt reduserte kostnaden for bedriftene ved permittering. Perioden som en ansatt kan være permittert, har også blitt forlenget i flere omganger. Motivasjonen for å gjøre dette har vært å beholde relasjonen mellom arbeidsgiver og arbeidstaker, slik at man forhåpentlig kan få de permitterte raskt tilbake i jobb igjen når krisen er over.

Selv om krisen traff hardt, traff den ikke tilfeldig. En voksende akademisk litteratur dokumenterer store sosiale forskjeller i hvem som mistet jobben under pandemien. For eksempel viser Chetty et al. (2020), Adams-Prassl et al. (2020), Crossley et al. (2021) og Zimpelmann et al. (2021) at krisen i større grad rammet personer i lavere sosioøkonomiske grupper. Felles for de fleste av disse studiene er at de bygger på spørreundersøkelser eller begrensede utvalg, da registerdata av samme omfang eller kvalitet som vi har i Skandinavia, ikke er tilgjengelig. Ved å bruke disse norske registerdataene i kombinasjon med bl.a. meldekort til NAV har vi tidligere avdekket store sosiale forskjeller i hvem som mistet jobben under pandemiens første fire uker (Bratsberg et al., 2020; Alstadsæter et al., 2020). I denne artikkelen utvider vi dette ved å analysere hvem som ble rammet videre utover i krisen.

Det er en sosial gradient i ledighetseksponeringen dersom det er en systematisk sammenheng mellom risikoen for å miste jobben og sosiale kjennetegn som for eksempel inntekt, innvandringsbakgrunn eller utdanning. Når arbeidsledigheten vedvarer over tid, er det fare for at det finner sted en sorteringsprosess som forsterker den sosiale gradienten, og som hindrer arbeidsledigheten i å falle tilbake til sitt opprinnelige nivå selv etter at årsakene til økningen har falt bort (Johansen, 1982). Dette kan skje hvis personer med relativt lav lønn også gjennomgående har de mest usikre jobbene, og/eller hvis de har kvalifikasjoner som gjør dem mindre rustet til å takle et eventuelt omstillingsbehov og dermed finne seg nytt arbeid. Vi vil derfor omtale de sosiale forskjellene i hvem som utsettes for arbeidsledighet, som en sosial gradient som vi måler langs ulike dimensjoner av observerbare kjennetegn.

I denne artikkelen studerer vi denne sosiale gradienten nærmere og over en lengre periode enn i våre tidligere arbeider, samtidig som vi prøver å finne mulige forklaringsfaktorer. Vi legger til grunn at plasseringen i den aldersspesifikke timelønnsfordelingen avspeiler sosial status, utdanning, yrke og tilgangen til økonomiske ressurser mer generelt, og vil bruke lønnsdimensjonen som et slags samlemål for den sosiale gradienten. Vi introduserer også begrepet ledighetseksponering, som vi definerer som nedgang i realisert arbeidstid (grunnet permittering, oppsigelse eller redusert avtalt arbeidstid) sammenliknet med avtalt arbeidstid i februar 2020.

Vi følger dem som sto i jobb, og dem som ble permittert eller oppsagt gjennom hele 2020, samtidig som vi har ny og mer detaljert informasjon om permisjonsstatus og permitteringsgrad. Ved å kombinere data fra SSB og NAV gir vi en detaljert beskrivelse av timeverksutviklingen i Norge gjennom 2020. Meldekortdata fra arbeidsledige brukes til å korrigere avtalt arbeidstid i A-meldingen blant permitterte og oppsagte arbeidssøkere for å få et nøyaktig mål på faktisk antall arbeidstimer. Merk at vi kun ser på tapt arbeidstid som stammer fra justeringer i avtalt arbeidstid og fra permitteringer og arbeidsledighet. Vi har ikke data til å inkludere fravær knyttet til sykefravær eller permisjoner.

Nedgangen i registrerte arbeidstimer var størst i starten, med 10 prosent nedgang i april 2020 og rundt 3,5 prosent i desember. Det meste av denne nedgangen kom i privat sektor, med 15 prosent nedgang i april og 5 prosent i desember. Ved å studere timeverksutviklingen i hele økonomien tar vi også hensyn til at pandemien medførte økt etterspørsel etter visse typer varer og tjenester som for eksempel daglig- og byggevarer. Vi viser mønstre i tapte timeverk sammenliknet med avtalt arbeidstid i februar 2020 på tvers av tre ulike dimensjoner: posisjon i lønnsfordelingen før krisen, landbakgrunn og utdanning, både for 2020 samlet og gjennom året. Vår studie er basert på data ut 2020. Arbeidsledigheten har falt kraftig gjennom 2021 etter som smitteverntiltakene har blitt avviklet og internasjonal økonomi har tatt seg opp. Arbeidsledighet målt ved helt ledige, delvis ledige og tiltaksdeltakere utgjorde ifølge nav.no ved utgangen av september 2021 4,6 prosent av arbeidsstyrken, tett på nivået fra før pandemien.

Resultatene våre bekrefter en sosial gradient i arbeidsledigheten. Det relative fallet i arbeidstimer i 2020 var størst blant dem som vanligvis opplever å falle utenfor arbeidslivet i kriser, nemlig personer med alderskorrigert lav inntekt i utgangspunktet, innvandrere og personer med lav utdanning. Så hvorfor rammet arbeidsledigheten fattige og rike ulikt?

Det spesielle med denne krisen er at den særlig hardt rammet næringer som lavinntektsgrupper jobber i, som hotell- og restaurant, transport og andre serviceyrker. Det kan derfor være at det finnes bakenforliggende faktorer som forklarer den sosiale gradienten i arbeidsledighet, og vi analyserer dette i en regresjonsmodell ved å legge til stadig flere kontroller. Det ser ut til at en stor del av sammen­hengen mellom lønnsnivå og ledighetseksponering gjennom koronakrisen forklares av hvilken type bedrift folk jobbet i. Innen bedrifter er den sosiale gradienten langt svakere. Når vi så kontrollerer for yrke og utdanning, dempes gradienten ytterligere. Derimot skjer det lite eller ingenting med den estimerte gradienten når vi til slutt legger til kontroller for kjønn, familiesituasjon og landbakgrunn. Den sosiale gradienten ser med andre ord ut til i vesentlig grad å være drevet av sortering inn i næringer, bedrifter og yrker. Det gjenstår likevel en betydelig sosial gradient i aldersspesifikt lønnsnivå når vi har kontrollert for alle disse kjennetegnene, slik at arbeidstakere med lav lønn var mer eksponert for ledighet. Det er slående at jobb- og personkjennetegn forklarer hele forskjellen i ledighetseksponering mellom utdanningsgrupper. Men innvandrerne er fremdeles en gruppe som er relativt hardt rammet av krisen, selv om vi sammenlikner med lønnstakere innen tilsvarende arbeidsplass, kompetanse og familiesituasjon.

Når arbeidsledigheten øker, er unge ofte mest utsatt, ikke minst fordi mange av dem har kort ansiennitet. Vi finner en klar U-form i ledighetseksponeringen etter alder, der unge og eldre er mer eksponert for ledighet. Men alders­mønsteret dempes noe når vi tar hensyn til jobb- og individkjennetegn, og særlig gjelder dette de yngste.

Ettersom arbeidsledigheten vedvarer, er det fare for at mønstre for både innstrømming til og utstrømming fra ledighet bidrar til mer sortering som forsterker den sosiale gradienten. Dette kan skje hvis personer med relativt lav lønn også gjennomgående har de mest usikre jobbene eller har kvalifikasjoner som gjør dem mindre rustet til å takle et eventuelt omstillingsbehov og dermed finne seg nytt arbeid.

2. Datagrunnlag

Fra NAV har vi informasjon om dagpengesøknader gjennom 2020, med informasjon om hvorvidt søknaden gjelder permittering eller ordinær arbeidsledighet. Fra NAV bruker vi også informasjon hentet fra meldekort. For å motta dagpenger må søkeren levere meldekort til NAV med opplysninger om arbeids- og søkerstatus per uke, inkludert faktiske arbeidstimer. Dette danner grunnlaget for figurene 1–3, som viser utviklingen i dagpengesøkere over tid.

Jo bedre man i utgangspunktet var plassert i lønnsfordelingen, desto mindre risiko hadde man for å bli utsatt for arbeidsledighet.

Den viktigste datakilden for arbeidstidsendringer som ikke er direkte knyttet til permitteringer, er den såkalte A-meldingen. Ettersom mange ble permitterte under pandemien, var den faktiske arbeidstiden i mange tilfeller langt mindre enn den avtalte. Vi kan korrigere for dette ved å koble på informasjon om faktisk arbeidstid fra meldekortene fra dagpengesøkere til NAV, noe som gjør at vi kan justere arbeidstid for dem som kun er delvis permitterte, når vi regner reduksjon i arbeidstimer gjennom krisen. Dette gir oss et ganske nøyaktig mål på faktisk antall arbeidstimer, men justerer ikke for sykefravær eller andre permisjoner.

Det vil fremdeles være arbeidsledige som vi ikke fanger opp, for eksempel de som ikke har rett på dagpenger på grunn av for lavt inntektsgrunnlag eller fordi de ikke var i jobb i februar. For eksempel ser vi i data at det er en klar og negativ aldersgradient blant dem som fikk redusert arbeidstid i krisen, men som aldri søkte dagpenger. Dette bidrar sannsynligvis til at vi undervurderer den sosiale gradienten i arbeidsledighet. Men siden inntektsgrensen for slik dagpengerett ble redusert til rundt 75 000 kroner ved inngangen til krisen, vil vi fange opp flere som i vanlige tider ikke ville hatt rett på dagpenger. Det medfører også at vi kan forvente at en del av dagpengesøkerne har hatt lav inntekt i forkant.

Fra de avidentifiserte dataene fra SSB har vi ytterligere detaljert informasjon om arbeidsgiver, yrke, lønn, tidligere inntekt, utdanning, alder, kjønn og fødeland, med kobling til ektefelle, barn og foreldre. Denne informasjonen har vi for alle bosatte personer i Norge, og den kobles til NAV-dataene via et prosjektspesifikt kryptert løpenummer. Utdanningsstatus er oppdatert t.o.m. september/oktober 2018. Koblingen mellom ansatte og arbeidsgivere finnes i A-meldingen, hvor vi bruker linken fra februar 2020 i analysene. Vi bruker også lønn for februar 2020 til å rangere personer i inntektsfordelingen innen sin aldersgruppe, og beskriver dette nærmere i del 4 under, der vi definerer vårt mål for ledighetseksponering.

Vårt fokus i denne artikkelen er arbeidsledighet blant dem som var i jobb da krisen rammet. Vi ser dermed bort fra konsekvensene for dem som var ledige i februar 2020. Ettersom færre av dem kom tilbake i jobb på grunn av pandemien, bidrar utfall for denne gruppen også til en sosial gradient i konsekvenser av pandemien. Innvandrere og lavt utdannede var kraftig overrepresentert blant de arbeids­ledige da krisen rammet.

3. Arbeidsledighetskrisens omfang

Torsdag 12. mars 2020 presenterte den norske Regjeringen noen av de mest omfattende og inngripende tiltakene landet har vært utsatt for i fredstid, med nedstengning av store deler av samfunnet. I løpet av få uker hadde over 300 000 permitterte og oppsagte arbeidstakere søkt dagpenger. Den helt store dramatikken ble likevel ganske kortvarig. Etter hvert viste det seg også at mange av dem som søkte og fikk innvilget dagpenger, i hvert fall hadde noe arbeid å gå til.

Figur 1 gir en nærmere illustrasjon av hvordan arbeidsledighetskrisen utviklet seg uke for uke gjennom 2020 og inn i 2021. Summen av de fargelagte feltene viser antallet personer som på de ulike tidspunktene enten var eller hadde vært ny mottaker av dagpenger etter at krisen rammet. De grå feltene nederst viser for hver uke antallet helt uten arbeid, mens de gule feltene markerer personer som ikke lenger sendte inn meldekort for å få dagpenger. De grønne og rosa feltene mellom dem viser personer som sendte inn meldekort med arbeidstid fordelt på litt arbeid (mindre enn 60 prosent av arbeidstiden før krisen) og ganske mye arbeid (mer enn 60 prosent). Antallet dagpengesøkere uten arbeid nådde en topp etter ca. fire uker, og allerede på dette tidspunktet hadde nær halvparten av de nye dagpengesøkerne i hvert fall noe arbeid å gå til. Fram til høsten 2020 var det så et nokså markert fall i omfanget av permitteringer og arbeidsledighet, og deretter et nokså stabilt ledighetsmønster fram til februar 2021.

Dersom vi kun måler arbeidstid blant de nye dagpenge­søkerne, mister vi utviklingen i arbeidstid blant dem som ikke opplevde ledighet, og ikke minst hos dem som var arbeidsledige før krisen satte inn. Ved å ta utgangspunkt i avtalt arbeidstid for alle lønnstakere rapportert i A-meldingen, vil vi inkludere begge disse. Når vi deretter korrigerer avtalte arbeidstimer med faktisk timetall slik som beskrevet over, får vi et godt mål på endringen i arbeidstid gjennom krisen. I figur 2 viser vi månedlig utvikling i antall arbeidstimer utført i Norge per uke for årene 2019 og 2020 (panel a), og antall personer med positivt timetall justert med meldekort (panel b). Før krisen satte inn i mars 2020, utførte norske lønnstakere i overkant av 80 millioner arbeidstimer per uke. Mens timeverkene økte fra januar/februar 2019 til samme periode i 2020, ble dette snudd på hodet i mars, og i april 2020 lå det samlede antallet arbeidstimer mer enn 10 prosent lavere enn i 2019. Den samlede reduksjonen i antall sysselsatte er noe lavere enn for arbeidstimer. Deretter begynte en gradvis opphenting, og mot slutten av året lå timetallet ca. 3 prosent lavere enn på samme tid året før.

I figur 3 reproduser vi dataene i figur 2, men denne gang separat for offentlig og privat sektor. Denne figuren viser at arbeidsledighetskrisen så godt som i sin helhet har vært knyttet til privat sektor. Mens timetallet i offentlig sektor økte noe gjennom hele 2020 relativt til 2019, var nedgangen på det verste (april 2020) oppe i ca. 16 prosent i privat sektor.

Den relativt raske opphentingen i arbeidsmarkedet etter april 2020 har åpenbart sammenheng med avvikling av de strengeste smitteverntiltakene og at det ble iverksatt svært omfattende økonomiske mottiltak fra myndighetenes side, både for å holde virksomheter i live og for å opprettholde etterspørselen i økonomien.

Arbeidsledigheten rammet ikke tilfeldig. For å lære mer om krisens sosiale gradient ser vi nå nærmere på dem som var i arbeid da krisen kom, definert ved å ha registrert arbeidstid på minst 10 timer i februar 2020. Vi deler disse inn i 10 like store grupper (desiler) basert på den enkeltes registrerte timelønn sammenliknet med alle andre i samme alder som også var i arbeid på dette tidspunktet. Deretter undersøker vi omfanget av arbeidsledighet gjennom krisen for hver av disse gruppene.

For hver person beregner vi total ledighetseksponering fra og med mars til og med desember 2020. Denne variabelen er definert som eventuell nedgang i realisert arbeidstid sammenliknet med avtalt arbeidstid forut for krisen, målt relativt til nivået på arbeidstiden før krisen. Det er alltid strømmer inn og ut av ulike deler i arbeidslivet, og noen forlater arbeidsstyrken frivillig. Derfor inkluderer vi bare måneder der personene som inngår i analysen, enten er i jobb eller er registrert som jobbsøker hos NAV. Total ledighetseksponering vil dermed være et tall mellom 0 og 1, der verdien 0 tilordnes alle som ikke hadde noen nedgang i arbeidstiden i perioden mars til desember sammenliknet med februar, og tallet 1 tilordnes alle som sto helt uten arbeid i denne perioden.

Vårt mål for ledighetseksponering kan dermed tolkes som tapt arbeidstid grunnet permittering, oppsigelse eller redusert avtalt arbeidstid, målt som andel av avtalt arbeidstid i februar 2020.

Det er verdt å merke seg forskjellen mellom dette ledighetsmålet og tapte arbeidstimer for økonomien som helhet. Mens figurene 2 og 3 inkluderer timeverk for alle lønnstakere, følger vi heretter utviklingen i tapt arbeidstid for dem som var lønnstakere (med minst 10 arbeidstimer) i februar 2020, og ser også bort fra at arbeidstiden er økt for noen.

4. Den sosiale gradienten

Det er en sosial gradient i ledighetseksponeringen dersom det er en systematisk sammenheng mellom indikatorer for sosial/økonomisk status og risikoen for å oppleve arbeids­ledighet. Vi ser i figur 4 (panel a) at det var et helt systematisk mønster i forholdet mellom lønn og total ledighetseksponering. Jo bedre man i utgangspunktet var plassert i lønnsfordelingen, desto mindre risiko hadde man for å bli utsatt for arbeidsledighet. Vi ser for eksempel at de 10 prosentene med lavest lønn i sin aldersgruppe like før krisen hadde en samlet ledighetseksponering på omkring 0,15, dvs. at de i gjennomsnitt opplevde en arbeidsledighet på 15 prosent av avtalt arbeidstid gjennom de første 10 krisemånedene. I den andre enden av lønnsfordelingen ser vi at de 10 prosentene med høyest lønn opplevde en arbeidsledighet på bare 3 prosent. Hvis vi legger til grunn at plasseringen i den aldersspesifikke timelønnsfordelingen avspeiler sosial status, utdanning, yrke og tilgangen til økonomiske ressurser mer generelt, kan vi tenke på lønnsdimensjonen som et slags samlemål for den sosiale gradienten.

Faren er at flere vil falle varig utenfor arbeids­markedet, noe som kan føre til forsterkede varige sosiale forskjeller som også smitter over til neste generasjon.

Denne negative sosiale gradienten forteller oss at arbeids­ledighetskrisen bidro til å forsterke de sosiale og økonomiske ulikhetene i samfunnet. Samtidig ser vi at gradienten er mye brattere i bunnen av lønnsfordelingen enn i toppen, og spesielt at den aller nederste desilen skiller seg ut med svært høy ledighetsrisiko.

Det er naturligvis andre individuelle kjennetegn som også kan forklare hvordan arbeidsledigheten er fordelt mellom grupper med ulike forutsetninger, ressurser og muligheter i det norske arbeidsmarkedet. Figur 4 viser også velkjente mønstre der arbeidsledigheten varierer etter fødeland og utdanning. For å kaste lys over innvandrerdimensjonen deler vi lønnstakerne inn i fire hovedgrupper, dvs. i) norskfødte, ii) innvandrere fra Vest-Europa, Nord-Amerika og Australia, iii) innvandrere fra de nye EU-landene i Øst- og Sentral-Europa, og iv) innvandrere fra resten av verden. For samlet ledighetseksponering finner vi da en svært stor overrepresentasjon av innvandrere fra «resten av verden» (lavinntektsland utenfor Europa) og fra de nye EU-landene (panel b). Når vi gjør det samme langs utdanningsdimensjonen, ser vi at lønnstakerne uten fullført videregående har omkring fire ganger så høy ledighetseksponering som de med mastergrad eller mer (panel c).

5. Faktorene bak den sosiale gradienten

Hvorfor ble folk med lav lønn rammet hardere enn folk med høy lønn? I utgangspunktet skulle man kanskje tro at en krise som dette rammet mer tilfeldig, slik at både fattige og rike ble utsatt i omtrent like stor grad. For å undersøke mekanismene bak den skjevfordelte arbeidsledigheten benytter vi en regresjonsanalyse der vi studerer hvordan den totale ledighetseksponeringen ble påvirket av både individuelle kjennetegn og av egenskaper ved den jobben man i utgangspunktet hadde. Modellen vi bruker, kan beskrives som følger:

der TLE er det individuelle målet på total ledighetseksponering, Ig er indikatorer for hvilken gruppe man tilhører, og bruken av kontrollvariabler vil variere mellom ulike modellalternativer. I hver av regresjonene defineres det en referansegruppe som de andre gruppene sammenliknes med. I analysen av lønnsgradienten (figur 5) definerer vi de to desilene i midten av fordelingen som referanse (desil 5 og 6), slik at de estimerte koeffisientene  βg for g = 1,2,3,4,7,8,9,10 beskriver den estimerte gradienten relativt til den lønnsmessige «middelklassen». Restleddet e fanger opp tilfeldigheter og uobserverte kjennetegn, avhengig av hvilke kontrollvariabler som er inkludert. Modellen(e) estimeres med minste kvadraters metode.

Ideen med regresjonsmodellen er å kunne kontrollere for andre forhold enn selve timelønna som betyr noe for ledigheten, men som er korrelert med timelønna. Når vi legger til kontrollvariabler på en trinnvis måte, kan vi dermed kaste lys over hva som forklarer mønstrene vi viste i figur 4 over. Vi vil forvente at gradienten svekkes (den gjenværende gradienten blir svakere) ettersom vi inkluderer flere kontroller. Hovedresultatene fra denne analysen er vist i figur 5. I panel a vises forskjell i ledighetseksponering etter posisjon i timelønnsfordelingen før krisen. Her vises først mønstrene uten kontrollvariabler, tilsvarende hva vi fant i figur 4a. De dårligst betalte lønnstakerne har en overhyppighet av ledighet på omtrent 10 prosentpoeng (sammenliknet med de to midterste), mens de 10 prosent med høyest lønn har en underhyppighet på omtrent 2 prosentpoeng.

Vi starter den trinnvise introduksjonen av kontrollvariabler ved å legge til en indikator for privat sektor. Vi ser i figur 5 (panel a) at det har liten betydning for den sosiale gradienten i bunnen av lønnsfordelingen, men bidrar til å gjøre gradienten brattere i toppen. Når vi legger til kontroll for offentlig/privat sektor, sammenlikner vi i praksis lønnstakere innen privat sektor og finner at forskjellen mellom de dårligst og best betalte er enda større enn i arbeidsmarkedet som helhet. Den nokså flate gradienten i toppen av lønnsfordelingen som vi så i figur 4, kan dermed i noen grad tilskrives at det er relativt få offentlig ansatte i toppen av lønnsfordelingen, samtidig som offentlig ansatte i liten grad ble rammet av ledighet.

Når vi så kontrollerer for næring (med næringsfaste effekter basert på femsifret NACE-kode) og deretter for bedrift (med bedriftsfaste effekter), ser vi at den sosiale gradienten flater ut. Overhyppigheten i bunnen av lønnsfordelingen er da nær halvert sammenholdt med de observerte forskjellene. En betydelig del av sammenhengen mellom lønnsnivå og risiko for arbeidsledighet gjennom korona­krisen forklares med andre ord av hvilken type bedrift folk jobbet i. Innen arbeidsplassen er den sosiale gradienten langt svakere.

Gradienten dempes ytterligere når vi tar hensyn til at yrke og utdanning er ulikt fordelt på tvers av lønnsfordelingen. Når vi til slutt legger til kontroller for kjønn, alder^[1], familiesituasjon og landbakgrunn, skjer det lite.^[2] Den sosiale gradienten er med andre ord i vesentlig grad drevet av at lønnstakere med høyt og lavt lønnsnivå er ulikt fordelt på næringer, bedrifter, yrker og utdanningsnivå. Det gjenstår likevel en betydelig sosial gradient når vi har kontrollert for alle disse kjennetegnene.

I figur 5 panel b vises forskjell i ledighetseksponering etter landbakgrunn. For lønnstakere fra nye EU-land forklares noe av overrepresentasjon av at en liten andel hadde jobb i den relativt sett trygge offentlige sektoren. Fordeling på næring og virksomhet er spesielt viktig. Når vi sammenlikner lønnstakere innen virksomhet, (mer enn) halveres forskjell i ledighetseksponering mellom innvandrere og arbeidstakere født i Norge. Tar vi hensyn til forskjeller i yrke, utdanning, kjønn, familie og timelønn, reduseres forskjellen ytterligere. Men innvandrerne ble rammet hardere, selv om vi sammenlikner med lønnstakere innen tilsvarende arbeidsplass, kompetanse og familiesituasjon.

I panel c i figur 5 går vi nærmere inn på forskjeller i ledighetseksponering etter utdanningsnivå. Vi ser at alle jobb- og personkjennetegn bidrar til å forklare hvorfor eksponeringen faller med utdanningsnivå. Særlig tydelig bidrar personkjennetegn som yrke, kjønn/familie, timelønn og innvandrerbakgrunn til å forklare forskjeller innen samme virksomhet. Det er også slående at jobb- og personkjennetegn forklarer så godt som hele forskjellen i ledighetseksponering mellom utdanningsgrupper.

Når arbeidsledigheten øker, er unge ofte mest utsatt, ikke minst fordi mange av dem har kort ansiennitet. I figur 6 viser vi aldersprofilen i ledighetsrisiko under krisen, målt som forskjell i ledighetseksponering relativt til 40-åringene. De rosa punktene viser aldersprofilen i ukorrigerte data, mens de grønne viser aldersforskjellene kontrollert for alle jobb- og individkjennetegn omtalt over. Ledighetseksponering i 2020 har en U-form; den er monotont avtakende helt fram til slutten av 50-årene, med et særlig bratt fall gjennom 20-årene. Fra og med 60 år stiger den igjen, men stopper opp slik at 67- og 28-åringene opplevde en ledighetseksponering som var ca. 3 prosentpoeng høyere enn 40-åringenes eksponering. Aldersmønsteret dempes noe når vi tar hensyn til jobb- og individkjennetegn, og særlig gjelder dette de yngste. Det er også verdt å merke seg at aldersprofilen er praktisk talt flat mellom 35 og 60 år i modellen med kontroller, mens økning etter 60 er uendret.

Vårt mål på tapt arbeidstid vil også fange opp frivillig reduksjon i avtalt arbeidstid. Når vi følger en gitt gruppe arbeidstakere over tid, vil det særlig for eldre skje en nedtrapping i arbeidstid også under normale forhold. Økningen i tapt arbeidstid blant 60-åringene vil fange opp gradvis pensjonering, som ville skjedd også uten pandemi.

Ettersom menn og kvinner er spredd ulikt på tvers av arbeidslivet, vil vi også forvente at pandemien rammet kjønnene ulikt. Forskjell i arbeidsmarkedsutfall mellom menn og kvinner er ofte avhengig av om vi sammenlikner grupper med eller uten barn/ungdom hjemme. I figur 7 har vi derfor delt lønnstakerne inn etter kjønn og familiestatus. I tråd med tidligere figurer viser vi både de ukorrigerte gjennomsnittene og de som er korrigert for jobb- og individkjennetegn fra regresjonsmodellen. Vi ser at ledighetseksponeringen er klart lavest blant menn og kvinner med barn under 18 år i familier med to voksne. Enslige forsørgere ble hardest rammet. Sammenlikner vi kvinner og menn med samme familiestatus, er det små forskjeller, med ett viktig unntak: Blant voksne som bor sammen med barn og partner, er ledighetseksponering høyere blant kvinner enn menn.

Når vi tar hensyn til at familiestatus henger nært sammen med andre kjennetegn gjennom kontrollene omtalt over, er det særlig ett mønster som endres. Alle foreldre, enten de er enslige forsørgere eller ikke, er nå mer eksponert for ledighet enn de uten barn. Og ikke minst er kjønnsforskjellen blant menn og kvinner med samme familiestatus svært beskjeden, enten vi sammenlikner gruppene med eller uten barn.

6. Konklusjon

Koronaledigheten rammet bredt, men langt fra tilfeldig. Selv om vi tar hensyn til forskjeller i jobb- og personkjennetegn, finner vi klare sosiale gradienter, bl.a. etter lønnsnivå før krisen og innvandrerbakgrunn. Faren er at flere vil falle varig utenfor arbeidsmarkedet, noe som kan føre til forsterkede varige sosiale forskjeller som også smitter over til neste generasjon. Dette er ekstra bekymringsfullt siden vi finner at enslige også er blant dem som var mest utsatt for å miste jobben. De unge er også overrepresenterte blant de arbeidsledige, og disse blir rammet dobbelt av krisen, siden de går glipp av arbeidslivserfaring og kan tape i konkurransen om nye jobber med nye kohorter som ikke har opplevd dette erfaringsgapet.

Det er mange ulike grunner til at arbeidsledigheten går lettere opp enn ned, og det er en utbredt bekymring at mange vil kunne falle ut av arbeidslivet permanent dersom de opplever langvarig ledighet som en konsekvens av pandemien.

Et av de klareste og mest robuste funnene i denne artikkelen er nettopp at personer med relativt lav lønn sammenliknet med andre i sin egen aldersgruppe har vært systematisk mer utsatt for koronaledighet enn andre – også når det kontrolleres for både arbeidsplass, yrke, utdanning og andre individuelle kjennetegn. Dette reflekterer sannsynligvis også at det i denne gruppen befinner seg mange med risiko for langtidsledighet og for å falle ut av arbeidslivet på mer varig basis. Dette kan både være et uttrykk for en uobservert sammensetningseffekt og for at insentivene til å streve seg tilbake til arbeidslivet kan være svakere for denne gruppen. Vi har også sett indikasjoner på at de som var ledige allerede før krisen inntraff, har blitt særlig sterkt rammet av krisen (ikke vist i denne artikkelen), noe som forsterker risikoen for at vi får en gruppe arbeidsledige som vil ha behov for mer hjelp og støtte for å komme i arbeid.

Under alle omstendigheter blir det viktig framover å fokusere på hvilke tiltak som kan treffes for å bringe utsatte grupper raskest mulig tilbake i jobb, og dermed motvirke risiko for langtidsledighet og utenforskap. Et åpenbart tiltak er å bygge ned unødvendige barrierer mot arbeidsdeltakelse. Her kan det være behov for en kritisk gjennomgang av hvilke kompetansekrav som i praksis stilles i ulike jobber. Strenge kompetansekrav begrunnes ofte med kvalitetssikring, men de kan også fungere som barrierer for deltakelse og dermed gjøre arbeidsmarkedet unødvendig rigid. Et alternativ til ekskluderende kompetansekrav kan være å utvikle metoder for å bygge opp nødvendig kompetanse i jobben, eventuelt i kombinasjon med lønnstilskudd. For noen kan læring i arbeidslivet være en mer egnet form for kompetanseoppbygging enn læring i utdanningssystemet. Det kan også i en periode nå være behov for en mer aktiv arbeidsmarkedspolitikk, med tett oppfølging av personer som strever med å komme tilbake i jobb. Det vil være særlig viktig å unngå at langtidsarbeidsledige sluses over i helse­relaterte stønadsordninger fordi det er der inntektssikringen er best og mest varig. Vi vet av erfaring at arbeidsledighet medfører betydelig økt risiko for overgang til uføretrygd. Slike «løsninger» er svært kostbare både for dem det gjelder, og for samfunnet, og det kan dermed være lønnsomt å investere betydelige ressurser i å hjelpe folk tilbake i arbeid dersom dette forebygger framtidig uførhet.

Vi takker en anonym fagfelle for gode og konstruktive innspill. Dette arbeidet inngår i de NFR-finansierte prosjektene Employment, investment, and inequality in the aftermath of the Covid-19 crisis (316475) og The corona crisis and its economic consequences (315769). Utlån av mikrodata fra SSB og NAV danner grunnlaget for arbeidet.

Oppdag mer spennende lesestoff fra Magma 2/2022 her

Referanser

Adams-Prassl, A., Boneva, T., Golin, M. & Rauh, C. (2020). Inequality in the impact of the coronavirus shock: Evidence from real time surveys. Journal of Public Economics, 189, 104245.

Alstadsæter, A., Bratsberg, B., Eielsen, G., Kopczuk, W., Markussen, S., Raaum, O. & Røed, K. (2020). The first weeks of the Corona crisis: Who got hit, when and why? Evidence from Norway. Covid Economics, 15, 63–87.

Bratsberg, B., Eielsen, G., Markussen, S., Raaum, O., Røed, K. & Vigtel, T (2020). Koronakrisens første uker – hvem tok støyten i arbeidslivet. Samfunnsøkonomen, 134(2), 41–50.

Chetty, R., Friedman, J., Hendren, N. & Stepner, M. (2020). The Economic Impacts of COVID-19: Evidence from a New Public Database Built Using Private Sector Data [Working Paper No. 27431]. National Bureau of Economic Research [NBER].

Crossley, T., Fisher, P. & Low, H. (2021). The heterogeneous and regressive consequences of COVID-19: Evidence from high quality panel data. Journal of Public Economics, 193, 104334.

Johansen, L. (1982). Arbeidsløsheten: Lettere opp enn ned? Sosialøkonomen, 10(36), 29-40.

Zimpelmann, C., Gaudecker, H. M., Holler, R., Janys, L. & Siflinger, B. (2021). Hours and income dynamics during the Covid-19 pandemic: The case of the Netherlands. Labour Economics, 73, 102055.

Noter

^[1] I form av ikke-parametriske dummyvariabler for hver alder (i år).

^[2] Linjen for «kjønn, alder og familie» er vanskelig å se, da den er helt dekket av linjen som også inkluderer «landbakgrunn».

Oppdag mer spennende lesestoff fra Magma 2/2022 her