De kansen voor 55 plussers
Een onderzoek naar de positie van oudere werknemers op de
arbeidsmarkt
Bachelor Scriptie Sociologie
Anne Leemans 5982723 anne.leemans@live.nl
Begeleider 1: Thijs Bol
Begeleider 2: Levi van den Boogaard 18/06/2014
Abstract
Deze scriptie levert een bijdrage aan de discussie omtrent de verhoging van de AOW leeftijd in Nederland. Er wordt getracht een antwoord te geven op de vraag wat de kans voor ouderen is om werkloos te worden en welke factoren daarbij een rol spelen.
Aan de hand van de menselijk kapitaal theorie zijn er hypotheses gevormd over het belang van skills op de arbeidsmarkt. Ook wordt er specifiek ingegaan op wat het bezit van deze skills voor ouderen betekent.
Door middel van een logistische regressie analyse is er gekeken naar de rol van skills bij de kans op werkloosheid onder 55 plussers in zes Europese landen. Daarbij is de aandacht vooral uitgegaan naar ICT skills, probleem oplossend vermogen en numerieke skills. Tevens is er gekeken naar de rol van opleiding, bijscholing, gender, sector en leeftijd. Ook het land van herkomst is in de analyse meegenomen.
De resultaten indiceren dat het hebben van numerieke skills een positieve vorspeller voor baanbehoud is. Opvallend is dat ICT skills juist een negatief effect hebben op baanbehoud. Tevens is het doen aan bijscholing positief voor baanbehoud voor zowel jongeren als ouderen. Oudere werknemers doen er dus goed aan om hier in te investeren.
Inhoud
Abstract ... 2
Inhoud ... 3
Hoofdstuk 1: Aanleiding & Inleiding ... 4
1.1 Aanleiding ... 4 1.2 Inleiding ... 5 Hoofdstuk 2: Theorie ... 8 2.1 Menselijk Kapitaal ... 8 2.2 Scholing ... 9 2.3 Vaardigheden ... 10 2.4 Bijscholing ... 12
Hoofdstuk 3: Data & Methode ... 13
3.1 Programme for the International Assessment of Adult Competencies ... 13
3.2 Analysemethode & Assumpties ... 14
3.3 Operationalisering ... 14 3.4 Afhankelijke variabele ... 15 3.5 Onafhankelijke variabelen ... 16 Hoofdstuk 4: Resultaten ... 19 4.1 Inleiding ... 19 4.2 Resultaten ... 20
4.3 Verschil tussen jong en oud. ... 26
Hoofdstuk 5: Conclusie ... 29
5.1 Conclusie ... 29
Hoofdstuk
1: Aanleiding & Inleiding
1.1 Aanleiding
Onlangs verscheen er op televisie een reclame over een groep jongeren die werkt bij een lasbedrijf. Je ziet de jongens in de weer met hun apparaten en je ziet dat ze er een puinhoop van maken. Aan het eind van de reclame komt er een oude man bij en die gaat even vertellen hoe het wel moet. Deze reclame is onderdeel van het overheidsbeleid om oudere werknemers aan het werk te houden en te krijgen.
Er heerst al enige tijd een discussie over de houdbaarheid van de AOW. De gemiddelde levensverwachting is sinds de invoering van de AOW in 1956 flink gestegen. De Nederlandse burger wordt steeds ouder, waardoor de kosten van de pensioenen onder druk komen te staan. Afgelopen jaar verscheen er van de hand van het CPB een rapport onder de naam: ‘Ouderen aan het werk’. Als oplossing voor de houdbaarheid van de AOW wordt voorgesteld de AOW-leeftijd te koppelen aan de levensverwachting (Euwals & ter Weel 2013: 3). Ook wordt gesteld dat het arbeidspotentieel van ouderen onvoldoende benut wordt. Dit zou de welvaartsstaat in gevaar kunnen brengen (Euwals & ter Weel 2013: 4). Hoewel de arbeidsparticipatie van ouderen de afgelopen jaren al sterk is gestegen, valt er volgens de auteurs van het rapport nog veel winst te behalen. Er moet beleid gevoerd worden dat er aan bijdraagt dat ouderen langer doorwerken en dat er voor zorgt dat ouderen weer aan het werk gaan. De bovengenoemde reclame is een voorbeeld van dit beleid. De lasser staat niet voor niets op de voorpagina van het rapport van Euwals en ter Weel (2013).
Maar hoe krijg je oudere werknemers aan het werk? Mijn inziens is het nogal een simpele gedachte om de AOW leeftijd aan de levensverwachting te koppelen in de hoop dat mensen dan ook langer door gaan werken. Ik had altijd het idee dat heel veel mensen al ver voor hun 65ste met pensioen gaan. Het lijkt mij dan ook slimmer om die groep tot hun 65ste door te laten werken alvorens het gat op de arbeidsmarkt te vullen met 66- en 67- jarigen. Vandaar dat ik benieuwd ben of er mensen zijn die inderdaad zo lang doorwerken. Welke ouderen zijn dit? Welke ouderen vinden op late leeftijd nog een baan? En vooral wil ik weten welke ouderen werkloos worden. Hoe zorg je er voor dat ouderen niet ontslagen worden en
vervangen door jongere medewerkers. Wat zijn de redenen dat oudere werknemers hun baan verliezen en welke ouderen zijn dit?
1.2 Inleiding
Oudere werknemers doen het betrekkelijk goed op de arbeidsmarkt. In vergelijking met jongeren zijn ze minder vaak werkloos. In 2012 was van de groep ouderen tussen de 55 en 65 jaar 5,8% werkloos. Voor jongeren tussen de 25 en 35 was dit 6,5% en voor jongeren tussen de 15 en 25 jaar zelfs 12,6% (CBS 2014). Waarom dan de focus op deze groep? Ten eerste is dit een vertekend cijfer; een deel van de ouderen valt niet onder de werkloosheidscijfers omdat zij met vervroegd pensioen zijn gegaan, al dan niet gedwongen. Ten tweede vinden ouderen in tegenstelling tot jongeren veel moeilijker weer een baan na ontslag (Eeuwals & ter Weel 2013). De combinatie van de twee bovenstaande factoren en de verhoging van de AOW leeftijd maken het voor ouderen dus van meer belang om hun baan te behouden dan voor jongeren.
Er zijn veel opvattingen over oudere werknemers, die de kans om weer aan een baan te komen in de weg staan. De meest basale zijn de volgende: oudere werknemers takelen fysiek af en voegen daardoor minder toe, ze kunnen technologische ontwikkelingen niet meer aan, ze zijn vaker ziek en kunnen zich minder goed aanpassen aan nieuwe situaties (De Koning et. al. 2003).
Dit draagt er aan bij dat werknemers vanaf een bepaalde leeftijd moeilijk weer aan een nieuwe baan komen. Uit het CPB rapport van Eeuwals en ter Weel (2013) over ouderen blijkt dat slechts 20 procent van de werknemers uit de leeftijdsgroep 60 t/m 64 jaar na een jaar WW weer een baan heeft. Ook andere onderzoeken (Heywood et. al. 1999: Hirsch et. al. 1999) tonen aan dat de oudste leeftijdsgroep de kleinste kans heeft om weer een baan te vinden. Oudere werknemers zijn minder flexibel in het switchen tussen banen. Doordat zij vaak langere tijd bij één bedrijf hebben gewerkt, hebben ze baan-specifieke skills opgedaan. Het is lastig om deze specifieke skills in een andere baan toe te passen. Indien iemand naar een nieuwe baan verhuist, vervallen een deel van deze skills. Werkgevers zijn geneigd om geen oudere werknemers aan te nemen waar veel in moet worden geïnvesteerd. De kosten daarvoor zijn hoog. Oudere werknemers nemen minder snel informatie op en het duurt dus langer om
hen te trainen. De kans is groot dat zij binnen afzienbare tijd uit de arbeidsmarkt stappen. Hierdoor zal de investering verloren gaan. Oudere werknemers zijn dus geneigd om op zoek te gaan naar banen die nauw aansluiten bij hun opgedane specifieke skills of banen die weinig skills vereisen. Dit laatste gebeurt niet snel omdat dit gepaard gaat met een sterk verlies in inkomen (Hirsch et. al. 1999).
Het feit dat oudere werknemers minder makkelijk een nieuwe baan vinden is schrijnend maar ook begrijpelijk. Werkgevers zitten er niet op te wachten om mensen van 60 plus aan te nemen. Zij hebben immers nog maar een aantal werkzame levensjaren over en investeringen in deze groep worden in die korte tijd moeilijk terug verdiend. Ook heerst er veel negatieve stereotypering jegens oudere werknemers. Er bestaan veel verschillen tussen oudere werknemers zeker, met betrekking tot gezondheid en vermogen. De ene 60-plusser is al helemaal versleten terwijl de ander voor een 40tiger door kan gaan. Desondanks worden ouderen vaak als één uniforme groep gezien. Het beeld heerst dat zijn inflexibel, weinig productief, bitter, afhankelijk en passief zijn (Schabracq & Schalk 2006). Dit leidt er toe dat werkgevers zonder geldige reden terughoudend zijn in het aannemen van oudere werknemers.
Daarnaast zijn werkgevers erg terughoudend in het investeren in 55 plussers. Zij zijn bang dat de investering niet loont omdat het onduidelijk is hoe lang de oudere werknemer nog blijft doorwerken. Een 55 plusser kan echter nog zeker 10 jaar doorwerken, in de nabije toekomst zelfs 12 jaar. De gedachte die bij veel werkgevers heerst, is dat je beter een jong iemand kan aannemen die nog 20 of 30 jaar bij het bedrijf kan blijven. Er van uitgaande dat jongere werknemers dit ook daadwerkelijk doen is het inderdaad voordeliger om in hen te investeren. Het blijkt echter dat werknemers tot 35 jaar ongeveer drie keer zo vaak van baan wisselen als oudere werknemers (de Beer 2004). Zij vertrekken vaak al na enkele jaren om hun geluk bij een ander bedrijf te beproeven. Het is dan dus maar de vraag of het meer loont om in jonge werknemers te investeren.
Op basis van deze gegevens zou het voor werkgevers lonen om oudere werknemers als individu op hun potentieel te beoordelen. Toch gebeurt dit niet vaak. De realiteit is dat ouderen na verlies van een baan veel moeilijker weer aan het werk komen dan jongeren. Vanuit dit perspectief is het nuttig om te kijken hoe we ouderen weer aan een baan kunnen helpen. Voor ouderen valt er echter op dit moment meer te halen op het gebied van baanbehoud. Indien de oudere werknemer baanverlies kan voorkomen, is de noodzaak er ook
niet om op zoek te gaan naar een nieuwe baan. Ouderen zijn, tenminste in de opvatting, minder flexibel en hebben er meer baat bij om hun huidige baan te behouden. Dit onderzoek zal zich dan ook vooral richten op het voorkomen van baanverlies en dus ook op de redenen voor werkloosheid van oudere werknemers. In dit onderzoek zal er dan ook een antwoord gegeven worden op de vraag:
Wat zijn de redenen dat ouderen werkloos zijn?
De vraag daarbij is vooral welke factoren van invloed zijn bij de kans om werkloos te worden voor ouderen en welke voor jongeren. Hoe verschillen deze factoren van elkaar?
Het onderzoek zal uit twee delen bestaan. In het eerste deel wordt dieper in gegaan op bestaande theorieën over de rol van ouderen op de arbeidsmarkt. Er zal gebruik worden gemaakt van de menselijk kapitaal theorie om het verkrijgen van vaardigheden en het gebruik hiervan op de arbeidsmarkt te duiden. Hieruit zullen een aantal hypotheses opgesteld worden. Het tweede deel van deze scriptie zal bestaan uit het onderzoeken van deze hypothesen en een antwoord geven op de hoofdvraag. Dit zal gedaan worden aan de hand van een logistische regressie analyse. Voor deze analyse zal gebruik worden gemaakt van een bestaande dataset die informatie verstrekt over skills en educatie.
Hoofdstuk 2: Theorie
2.1 Menselijk Kapitaal
Waarom verliezen oudere werknemers hun baan? Om een antwoord op deze vraag te vinden moet worden gekeken naar de huidige positie van ouderen op de arbeidsmarkt.
Naarmate werknemers ouder worden vermindert hun waarde op de arbeidsmarkt. Hoe dichter zij bij hun pensioengerechtigde leeftijd komen hoe lager deze waarde wordt. Investeren in deze groep lijdt tot weinig waardestijging omdat zij binnen korte tijd de arbeidsmarkt zullen verlaten. Hierdoor zal hun waarde als werknemer volledig verloren gaan. Bij het behouden van een werknemer speelt deze waarde een belangrijke rol. In een periode waarin de productiviteit van een bedrijf lager is, bijvoorbeeld in tijden van laagconjunctuur, zal een werkgever eerder geneigd zijn een oudere werknemer te ontslaan. Immers, de kans is groot dat tegen de tijd dat de conjunctuur weer aantrekt en het bedrijf de productie weer verhoogt, de oudere werknemer reeds uit het arbeidsproces is gestapt. Een oudere werknemer kan derhalve de periode van minder productiviteit niet compenseren met een daarop volgende periode van hogere productiviteit. (Boeters et. al. 2013: 26).
Voor oudere werknemers is het dus van belang om hun productiviteit op een constant hoog niveau te houden. Door dit te doen verkleinen zij hun kans op werkloosheid. Uit het eerder genoemde onderzoek van Boeters et. al. (2013) blijkt ook dat oudere werknemers die beschikken over specifieke kennis die nodig is voor het productieproces een goede positie innemen op de arbeidsmarkt. Op het moment dat het productieproces echter aangepast wordt ontstaan er problemen voor oudere werknemers. Ouderen worden als minder flexibel gezien en passen zich minder snel aan. De waarde van de specifieke kennis gaat verloren en daarmee de waarde van de werknemer. De kans op ontslag wordt hierdoor groter. Een constant hoog niveau van kennis en vaardigheden is daarom nodig om veranderingen op te kunnen vangen. Kennis en vaardigheden zijn echter moeilijk meetbaar. Eén van de manieren waarop dit gemeten wordt is aan de hand van de hoeveelheid menselijk kapitaal waarover een persoon beschikt.
Het begrip menselijk kapitaal komt oorspronkelijk van de Schotse Econoom Adam Smith. Hij bedacht dit concept om het handelen van mensen te kunnen verklaren. Mensen handelen op basis van de middelen die zij tot hun beschikking hebben. Smith zag dat mensen naast de
fysieke middelen, zoals geld en goederen, ook beschikken over niet te tonen middelen. Hieronder verstond hij de vergaarde kwaliteiten die mensen in hun leven op doen. Dit gebeurt volgens hem via studie, opvoeding en door gebeurtenissen in het dagelijks leven. Alle vaardigheden en ervaring die mensen gedurende hun leven opdoen en opslaan, vallen onder het door hem genoemde menselijk kapitaal. Dit kapitaal kan ingezet worden in het leven van individuen om beter te presteren. Als econoom zag Smith vooral de voordelen die het op kon leveren voor een bedrijf. Investering in menselijk kapitaal kon volgens hem vergeleken worden met de investering in machines. Door als bedrijf in het menselijk kapitaal van een werknemer te investering kunnen de vaardigheden van de werknemer vergroot worden en daarmee de opbrengsten uiteindelijk worden verhoogd. Individuen die zelf investeren in menselijk kapitaal, kunnen de kosten die daar mee gepaard gaan terugverdienen door hun kapitaal op de arbeidsmarkt te verkopen. Zij die die veel investeren, zoals advocaten en artsen, kunnen een hogere prijs voor hun menselijk kapitaal op de arbeidsmarkt vragen (Spengler 1977).
De eerder genoemde waarde die ouderen op de arbeidsmarkt hebben kan uitgedrukt worden in de hoeveelheid menselijk kapitaal die zij bezitten. Naarmate de waarde voor menselijk kapitaal minder wordt, gaat hun waarde als werknemer omlaag en wordt de kans dat zij hun baan verliezen groter. Menselijk kapitaal kan op verschillende manieren geoperationaliseerd worden. Belangrijke factoren zijn de hoeveelheid vaardigheden en de opleiding die iemand bezit.
2.2 Scholing
De Amerikaanse econoom Gary Becker (1962) heeft het concept menselijk kapitaal van Smith verder uitgewerkt en spreekt over het belang van investering in onderwijs voor de vergroting van het menselijk kapitaal. Becker stelt dat investering in menselijk kapitaal bijdraagt aan een betere positie op de arbeidsmarkt. Wie over meer menselijk kapitaal beschikt is van grotere waarde dan iemand die dit minder heeft. Een werknemer met veel menselijk kapitaal heeft dus een betere onderhandelingspositie hetgeen zorgt voor meer baanzekerheid. Dit geld niet alleen voor het verkrijgen van een nieuwe baan maar ook bij het behouden van de huidige baan. Becker vergelijkt investeren in menselijk kapitaal met investeren in machines. Machines van betere kwaliteit zijn waardevoller voor een organisatie en gaan langer meer; hetzelfde mechanisme geldt voor investering in menselijk kapitaal.
In zijn werk over ‘investment in human capital’ spreekt Becker over de uitgestelde betaling van menselijk kapitaal. In zijn artikel wil hij: […] concerned with activities that influence future real in- come through the imbedding of resources in people (Becker 1962: 9). Dit is wat hij verstaat onder de investering in menselijk kapitaal. Door nu in menselijk kapitaal te investeren, wordt de baanzekerheid in de toekomst vergroot. Onder investering verstaat hij onder andere scholing, op het werk training en medische kennis.
Bij scholing gaat het om een trainingsinstituut dat gespecialiseerd is in het geven van trainingen. Deze trainingen kunnen direct slaan op het werk waar iemand voor wordt opgeleid, zoals een timmerman of een loodgieter. Of het gaat over meer algemene training, bijvoorbeeld op een universiteit. (Becker 1962: 25). Het verwerven van vaardigheden gaat via specialisatie en ervaringen. Ervaring worden op het werk opgedaan maar specialisatie gebeurt in leerinstellingen. Bij verwerving van menselijk kapitaal via specialisatie gaat het om een nog lange uitgestelde betaling. Het individu moet soms jarenlang scholing volgen en heeft tijdens deze periode geen of vrijwel geen inkomsten. Het doel is echter dat de investering in menselijk kapitaal op termijn meer oplevert dan wanneer het individu deze periode had gebruikt om te werken. De vraag die gesteld moet worden is: (1) wat is het effect van scholing bij de kans op werkloosheid voor oudere werknemers?
Onderzoek van ‘The Organisation for Economic Co-operation and Development’ (OECD) lijkt de aanname dat meer menselijk kapitaal bijdraagt aan meer baanzekerheid te onderschrijven. De onderzoekers tonen aan dat kans op werkloosheid verbonden is met de hoeveelheid scholing. Zo stellen zij dat : […] important motive behind acquiring more education is to gain a stronger foothold in the labour market and thus lower the risk of unemployment. (Blondal et. al 2004: 13). Vooral voor mensen die in de hoogste onderwijsvormen investeren is de kans op werkloosheid laag. (H1) Verwacht wordt dat individuen die een hoog opleidingsniveau hebben minder kans maken om werkloos te zijn.
2.3 Vaardigheden
Veel onderzoek is uitgegaan naar de relatie tussen vaardigheden en succes op de arbeidsmarkt. Deze onderzoeken maken voor het meten van vaardigheden gebruik van het onderwijs niveau. Eerder is de rol van onderwijs als besproken, maar de nadruk zal in deze scriptie gelegd worden op de rol van vaardigheden.
Naar deze vaardigheden is zoals gezegd al veel onderzoek gedaan, maar daarbij is te vaak gekeken naar het onderwijsniveau. Over absolute vaardigheden zoals reken en taal skills en probleem oplossend vermogen is echter nog maar weinig onderzoek gedaan. De reden hiervoor is dat deze vormen van skills moeilijk meetbaar zijn. Mcintosh en Vingnoles (2001) hebben getracht dit gat te dichten en zij proberen in hun onderzoek deze relatie aan te tonen. Om de hoogte van skills te meten maken zij gebruik van gestandaardiseerde tests die gebruikt worden voor basisschool leerlingen. Uit hun analyse blijkt dat er een sterke relatie is tussen numerieke skills en inkomen en baanzekerheid. Op het gebied van inkomen stellen zij dat mensen die hoog scoren op numerieke skills, ruim 16% meer verdienen dan mensen die laag scoren. Ook blijkt dat numerieke skills positief correleren met werkgelegenheid. Mensen die over meer numerieke skills beschikken, hebben meer kans om hun baan te behouden. Hoewel deze resultaten bevredigend lijken, geven de auteurs aan dat het onderzoek veel beperkingen heeft. Dit heeft voornamelijk te maken met de manier waarop de skills gemeten zijn. In deze scriptie zal gebruik worden gemaakt van data die deze vaardigheden wel gemeten hebben en dit biedt dan ook een unieke kans om de relatie tussen skills en werkloosheid verder onder de loep te nemen. Er zal getracht worden een antwoord te vinden op de vraag: (2) wat is het effect van vaardigheden bij de kans om werkloos te worden voor oudere werknemers?
Bij het onderzoeken van vaardigheden zal naar drie soorten vaardigheden gekeken worden: numerieke skills, probleem oplossend vermogen en ICT skills. Numerieke skills zijn de vaardigheden die gebruikt worden om wiskundige informatie te interpreteren en te gebruiken. Probleem oplossend vermogen is de vaardigheid om technologie in te zetten om problemen op te lossen en complexe taken uit te voeren (OECD 2014). In de steeds verdergaande technologisering van de maatschappij zijn deze vaardigheden meer van belang.
ICT skills zijn, in tegenstelling tot numerieke skills en probleem oplossend vermogen, vaardigheden die aangeleerd kunnen worden. Uiteraard kan een persoon hier ook aanleg voor hebben maar voor de meeste ICT skills geldt dat elk individu hier over kan beschikken indien er genoeg in geoefend wordt. Met het oog op de steeds verdergaande technologisering van onze maatschappij kan het van belang zijn om hier in te investeren. Uit onderzoek van de Koning en Gelderblom (2004) blijkt dat het functioneren van oudere werknemers deels bepaald wordt door hun vaardigheid met ICT skills. Zij stellen dat werknemers met voldoende ICT skills beter presteren op de werkvloer. (H2) Er van uitgaande dat de mate van prestatie invloed heeft op de wer zekerheid, kan gesteld worden dat de mate van ICT skills een positieve invloed heeft op baanbehoud.
Verdergaand op de menselijk kapitaal theorie zoals deze eerder is uitgelegd, en op basis van wat McIntosh en Vingoles (2001) stelden, kunnen numerieke skills en probleem oplossend vermogen een indicatie zijn van de hoogte van menselijk kapitaal en daarmee de kans op baanzekerheid vergroten. Verwacht wordt dan ook dat (H3) numerieke skills en (H4) probleemoplossend vermogen een positieve indicator zijn voor baanbehoud.
2.4 Bijscholing
Er is een verschil tussen scholing en bijscholing. Bij scholing gaat het om educatie die op school of de universiteit wordt opgedaan. Hierbij is het nog maar de vraag of deze voor latere productiviteit zorgt, omdat er een perfecte aansluiting tussen studie en werk moet zijn. Bij bijscholing gaat het om educatie die tijdens het werk en specifiek voor het werk wordt opgedaan. In tegenstelling tot de scholing, kan de investeren in bijscholing de productiviteit in de toekomst voor die specifieke baan direct vergoten. Aan de investering op het werk zijn wel kosten verbonden. Er moet tijd en energie worden gestoken in het bijscholen van werknemers. Hiervoor zijn trainers nodig en die kosten geld. Hoe beter de training gedaan wordt hoe hoger de uiteindelijke opbrengsten die de werknemer op moet brengen.
Als er een periode is waarin het minder gaat met een bedrijf en de vraag naar goederen van dit bedrijf dalen, moeten er keuzes worden gemaakt met betrekking tot personeelszaken. Becker concludeert dat de werknemers die specifieke training hebben gehad minder kans maken om ontslagen te worden. De productiviteit van deze werknemers is over het algemeen hoger dan de kosten voor het loon (Becker 1962: 22). De investering die in deze werknemers is gedaan, is moeilijk terug te verdienen. Op het moment dat het weer beter gaat met het bedrijf en er weer nieuwe werknemers moeten worden aangetrokken, zou er weer in het menselijk kapitaal van deze nieuwe werknemers geïnvesteerd moeten worden. In plaats van mensen te ontslaan en later weer nieuwe aan te nemen, is het voordeliger om deze mensen aan te houden, zelfs al is de productiviteit lager dan het loon, en hopen op betere tijden. De vraag is of dit ook in de data terug te zien is? Vandaaruit is de volgende deelvraag opgesteld: (3) wat is de invloed van bijscholing op de kans om werkloos te worden voor oudere werknemers?
In het onderzoek wordt gekeken naar de kans om werkloos te worden. (H5) Als de theorie van Becker klopt kan verwacht worden dat individuen die veel aan bijscholing doen minder kans hebben om werkloos te worden. Het op peil houden en vermeerderen van het menselijk kapitaal draagt er aan bij dat het kostbaarder wordt om een werknemer te ontslaan en als het economisch beter gaat weer een nieuwe werknemer aan te nemen.
Hoofdstuk 3: Data & Methode
3.1 Programme for the International Assessment of Adult Competencies
In deze scriptie zal gebruik gemaakt worden van een bestaande PIAAC data set. Deze data is afkomstig van het OECD. Het doel van deze organisatie is om advies over beleid te geven dat de economische en sociale situatie van mensen over de hele wereld moet verbeteren. De organisatie is er vooral op gericht om te begrijpen wat de drijvende kracht is voor economische en sociale veranderingen
.
Er wordt onderzoek gedaan naar verschillende factoren die het leven van mensen kunne beïnvloeden. Dit onderzoek wordt gedaan onder de 34 deelnemende landen en gaat over dagelijkse zaken, zoals de hoogte van de belasting, de vormgeving van de school systemen en de hoeveelheid sociale zekerheid die mensen hebben.Één van de onderzoeken is de eerder genoemde ‘Programme for the International Assessment of Adult Competencies’ (PIAAC). Deze data is verkregen om meer inzicht te krijgen in de vaardigheden bij volwassenen. De focus ligt op het gebruik van 4 skills. Geletterdheid, numerieke vaardigheden, probleem oplossend vermogen en leesvaardigheid. Daarnaast is er gekeken naar cognitieve vaardigheid, interactionele en sociale vaardigheden, fysieke vaardigheden en leer vaardigheden. Verder is er gekeken naar demografische achtergrond, educatie, sociale achtergrond, werkstatus en inkomen en het gebruik van ICT, geletterdheid en numerieke vaardigheden. Het onderzoek is uitgevoerd in 33 landen en is opgezet met als doel landen een beter inzicht te geven in de manier waarop onderwijs aansluit bij de ontwikkeling van vaardigheden.
Tabel 1: respondenten en response rate per land.
Nederland Denemarken Zweden Noorwegen Finland België
Aantal Respondenten 5170 7328 4469 5128 5464 5463
Response Rate 51% 50% 45% 62% 66% 62%
Bron: OECD 2013
Het onderzoek is gedaan onder volwassen burgers met de leeftijd van 16 tot en met 65 jaar. De respondenten zijn op basis van een random sample geselecteerd. Het gaat om een gewogen resultaat zodat er een representatief beeld wordt gegeven van de bevolking. In tabel 1 zijn de
verschillende response rates per land weergegeven. De minimum response rate was 50%; te zien is dat Zweden hier niet aan voldoet. Toch is er voor gekozen om dit land wel mee te nemen in de analyse. Dit is gedaan omdat er al te weinig landen waren die in aanmerking kwamen voor de analyse. De surveys zijn bij de mensen thuis afgenomen en de vragen konden per computer of met de hand worden ingevuld. Een nadeel van deze methode was dat bepaalde testen alleen digitaal uitgevoerd konden worden en dus ontbreken er resultaten op dit gebied voor mensen die schriftelijk aan het onderzoek mee hebben gedaan. (OECD 2014).
3.2 Analysemethode & Assumpties
In deze scriptie wordt gebruik gemaakt van een logistische regressie analyse. Bij een regressie analyse wordt gemeten hoe goed de afhankelijke variabele voorspeld kan worden aan de hand van een aantal onafhankelijke variabelen. In dit geval gaat het om een logistische regressie; deze keuze wordt gemaakt als er gebruik wordt gemaakt van een binaire afhankelijke variabele. Dit is als de afhankelijke waarden alleen 0 of 1 kan zijn. In het geval van deze scriptie wordt gebruik gemaakt van de afhankelijke variabele werkloos. Waar enkel 0 werkend en 1 werkloos als waarden zijn. Deze methode wordt gebruikt om bij benadering te kunnen schatten wat de kans is dat iemand 1 of 0 scoort op de afhankelijke variabelen op basis van verschillende onafhankelijke variabelen. In dit onderzoek wordt gekeken naar de kans op werkloosheid. Hoe dichter iemand bij de 1 scoort hoe hoger de kans op werkloosheid. (Linssen en Sieben, 2009).
3.3 Operationalisering
Voordat er overgegaan kan worden op de daadwerkelijke analyse is eerst het data bestand gereed gemaakt om het onderzoek goed uit te kunnen voeren. Zoals aangegeven gaat het om bestaande data die beschikbaar is voor SPSS. Het doel van de scriptie was om onderzoek te doen naar Nederlandse ouderen. Na bestudering van de data bleek dit echter niet mogelijk te zijn. De data was hier niet toereikend genoeg voor. De groep niet werkend viel uit op ongeveer 47 tegenover 1200 wel werkend. Hierdoor is er voor gekozen om meerdere landen samen te voegen. Bij het samenvoegen is eerst bekeken welke landen voor samenvoeging in aanmerking konden komen. De keuze voor de landen is gedaan op basis van overeenkomende kenmerken. Zij hebben een soortgelijk politiek bestel. Ook komen zij wat betreft arbeidsmarkt-kenmerken in grote lijnen met elkaar overeen. In tabel 2 zijn de
werkloosheidspercentages per land voor de private en publieke sector weergegeven. Hier is te zien dat voor elk van deze landen geldt dat het percentage werklozen in de publieke sector een stuk lager is dan in de private. Hieruit kan opgemaakt worden dat de landen qua sociaal stelsel deels met elkaar overeen komen.
Tabel 2: werkloosheidspercentage per sector per land
Denemarken België Nederland Noorwegen Finland Zweden
Publiek 29% 14% 18% 28% 36% 27%
Privaat 71% 86% 82% 72% 64% 73%
Alle landen kennen allen ontslagbescherming, beleid dat van invloed kan zijn op werkloosheidskansen. Op basis hiervan is de keuze gevallen op: Nederland, Denemarken, Zweden, België, Noorwegen, Finland, Frankrijk, Oostenrijk en Duitsland. Na de data bestudeerd te hebben, zijn Frankrijk, Oostenrijk en Duitsland afgevallen. Deze landen hadden geen waarde voor leeftijd opgegeven en zijn hierdoor onbruikbaar gebleken. De gebruikte landen komen op alle variabelen met elkaar overeen en zijn daardoor uitermate geschikt om samen te voegen.
In deze scriptie wordt gekeken naar de kans voor oudere werknemers om werkloos te worden. In de groep ouderen is gekozen voor mensen van 55 tot en met 65 jaar. De keuze voor deze leeftijd is gevallen op basis van andere literatuur waar deze leeftijd vaak als oud wordt gezien (Boeters et. al. 2013, Eeuwals & ter Weel 2013, De Koning et. al. 2003). Voor de groep jongeren wordt de groep van 16 tot en met 54 jaar gebruikt. Er is hier voor gekozen omdat alle respondenten uit de data dan meegenomen zijn in het onderzoek. Een meer gangbare leeftijdscategorie voor jongeren is 18 tot en met 35 jaar. De analyses zijn ter controle ook voor deze leeftijdscategorie uitgevoerd; de resultaten geven geen significant verschil en daarom is er voor gekozen om de groep van 16 tot en met 54 jaar aan te houden.
3.4 Afhankelijke variabele
Als afhankelijke variabele voor werkloosheid is gekozen voor de variabele ‘Current work situation’. Deze variabele bestaat uit zes categorieën. De categorie ‘not working and looking for a job’ is gehercodeerd naar ‘werkloos’. De categorie ‘Employed or self employed’ is
gehercodeerd naar ‘werkend’. In de analyse wordt gebruik gemaakt van een binaire logistische regressie. Het is dan van belang dat de onafhankelijke variabele wordt uitgedrukt in 0 en 1. Er wordt gekeken naar de kans dat iemand werkloos wordt, vandaar de keuze dat 1 is werkloos en 0 is werkend. De overige categorieën, ‘retired’, ‘student’, ‘other’ en ‘doing unpaid household work’ zijn als missing opgegeven. In het onderzoek wordt er enkel gekeken naar werkenden en werklozen. Onder werkenden verstaan we mensen die betaalde arbeid verrichten en onder werklozen verstaan we mensen die op zoek zijn naar een betaalde baan en daar nog niet over beschikken. De overige categorieën spelen geen rol van betekenis bij de analyse.
3.5 Onafhankelijke variabelen
In het onderzoek wordt gebruik gemaakt van een negental onafhankelijke variabelen. De gebruikte controle variabelen zijn geslacht, opleiding, land en leeftijd. Daarnaast wordt er gebruik gemaakt van drie vaardigheden variabelen: probleem oplossend vermogen, reken vaardigheid en ICT vaardigheid. Als laatste is er ook gebruik gemaakt van de variabele die de werkzame sector beschrijft.
Geslacht is een dummy waar de controle groep vrouw is. Voor opleiding is de variabele ‘years of fulltime education’ gebruikt. De hoogte van de opleiding is dan gemeten in het aantal jaren scholing. Deze keuze is gedaan omdat er gebruik wordt gemaakt van verschillende landen. De systemen in de individuele landen verschillen en het is daarom moeilijk om een eenduidig niveau aan te geven. Deze variabele is niet gehercodeerd
Zoals aangegeven wordt er in het onderzoek enkel gekeken naar de groep van 55 tot en met 65 jaar. In de analyse is de leeftijd in jaren ter controle wel meegenomen. Voor het eerste deel van de analyse zijn de respondenten van 16 tot en met 54 uit het data bestand gehaald. De variabele leeftijd is vervolgens ongewijzigd meegenomen in de analyse. Voor het tweede deel van de analyse is de groep jongeren wel mee genomen.
De gebruikte landen zijn als dummy toegevoegd met Nederland als referentie categorie. Het intercept in de analyse verwijst dus naar de Nederlandse situatie.
Voor het testen van menselijk kapitaal wordt er naast scholing en bijscholing ook gebruik gemaakt van een drietal skill variabelen. Dit wordt gemeten op ICT skills, numerieke skills en probleem oplossend vermogen skills. De laatste twee variabelen zijn in het PIAAC onderzoek absoluut gemeten aan de hand van tests die respondenten hebben uitgevoerd. Per variabele
zijn er 10 metingen verricht. Elke respondent heeft niet alle tests gedaan maar er is wel voor elke respondent een score voor elke test berekend. Dit is gedaan aan de hand van ‘plausible values’. Door vergelijkbare respondenten naast elkaar te leggen is er geschat wat elke respondent op elke test zou scoren. De waarde van de scores lopen tussen 0 en de 500. In de analyse zijn de 10 metingen samengevoegd en is daar het gemiddelde van genomen. De gebruikte variabelen zijn dan gemiddelde numerieke skills en gemiddelde probleem oplossend vermogen skills.
De ICT skills zijn niet getest in de PIAAC data. In plaats daarvan is gebruik gemaakt van de vragenlijst die de respondenten in hebben gevuld. In deze lijst is de vraag gesteld hoe vaak respondenten in hun dagelijks leven gebruik maken van mail, word en excel, en hoe vaak zij gebruik maken van internet voor transacties en om zaken op te zoeken. De antwoord categorie loopt van elke dag naar nooit. Voor de analyse zijn deze 5 vragen samengevoegd; respondenten kunnen op de nieuwe variabele ICT gemiddeld nu maximaal 25 scoren. Een respondent die 25 scoort, gebruikt alle 5 de ICT skills elke dag.
Naast de skill variabelen wordt er in de analyse ook gekeken naar de sector waarin de oudere werkzaam is of was en naar bijscholing. Bijscholing is gemeten aan de hand van 3 activiteiten die de respondent in het afgelopen jaar gedaan kan hebben: het bijwonen van een workshop, het hebben van een privé les of het doen aan ‘open or distance education’. Deze drie variabelen zijn samengevoegd tot 1 variabele. Als de respondent op 1 van de drie onderdelen aangeeft die wel eens gedaan te hebben wordt dit gezien als bijscholing. Dit zijn dus twee categorieën wel of geen bijscholing.
Bij het meten van de sector is gebruik gemaakt van twee variabelen, namelijk economische sector van de huidige baan en die van de vorige baan. Hier is voor gekozen omdat de werkloze respondenten niet kunnen opgeven wat hun huidige sector is en voor de werkenden is het van belang om te weten in welke sector zij momenteel werkzaam zijn. Bij de groep werkenden is dus gekeken naar de huidige en bij de werklozen naar de laatste baan. Ook deze variabele is gehercodeerd naar twee categorieën waarin 0 is privaat en 1 is publiek.
Tabel 3: Overzicht van alle variabelen.
Oud Jong
Variabelen Gem S.E. Range Gem S.E. Range
Opleiding 12.5 3.05 1 – 21 13 2.8 1 – 21
Leeftijd 60 3.2 55 – 65 36 11.7 16 – 54
Numerieke Skills 266 45 1 – 500 285 49 1 – 500
Probleem oplossend vermogen 259 35 1 – 500 292 37 1 – 500
ICT skills 15 4.1 1 – 25 16 3.5 1 – 25 Landen Nederland ,150 ,357 0 – 1 ,158 ,365 0 – 1 Zweden ,127 ,332 0 – 1 ,138 ,345 0 – 1 België ,137 ,344 0 – 1 ,174 ,380 0 – 1 Noorwegen ,118 ,322 0 – 1 ,166 ,372 0 – 1 Denemarken ,294 ,456 0 – 1 ,200 ,400 0 – 1 Finland ,175 ,380 0 – 1 ,163 ,370 0 – 1 Sector (publiek) ,570 ,495 0 – 1 ,670 ,470 0 – 1 Gender (vrouw ,510 ,500 0 – 1 ,479 ,500 0 – 1 Werkstatus (werkend) ,070 ,254 0 – 1 ,066 ,248 0 – 1 Bijscholing (geen) ,368 ,482 0 – 1 ,512 ,500 0 – 1
Hoofdstuk 4: Resultaten
4.1 Inleiding
In tabel 3 zijn alle variabelen uit het onderzoek weergegeven. Onder de oudere groep vallen de respondenten tussen de 55 en 65 jaar. De jongere groep bestaat uit respondenten tussen de 16 en 54 jaar. Wat direct opvalt, is het lage percentage werklozen in de data set. Voor ouderen ligt dat op 7% en voor jongeren op slechts 6,6% Dit is een opvallend gegeven; het werkloosheidscijfer ligt onder jongeren in Nederland namelijk hoger dan voor ouderen. Het verschil komt waarschijnlijk doordat de groep jongeren gemeten is tussen de 16 en 54 jaar. Uit de data blijkt dat van de groep 16 tot en met 25 jaar 14,5% werkloos is. Daarnaast is het mogelijk dat ouderen die werkloos zijn, veel tijd over hebben en sneller aan het onderzoek mee willen werken. Dit in tegenstelling tot werkloze jongeren. Het percentage mannen en vrouwen is nagenoeg gelijk voor beide leeftijdsgroepen. Als gekeken wordt naar de bijscholing is meteen te zien dat een veel lager percentage ouderen dan jongeren hier aan doet. In de komende paragrafen zal nader op de data worden ingegaan. Eerst zullen er een aantal controle variabelen besproken worden en vervolgens zal er dieper ingegaan worden op het effect van skills op werkloosheid. De analyse richt zich primair op oudere werknemers maar er zal ook een vergelijking worden gemaakt met de jongere groep.
Tabel 4:gemiddelde score op skills variabelen voor oudere werkende en niet werkende en jongere werkende en niet werkende.
Oud Jong
Werk Werkloos Werk Werkloos
ICT skills
15,7 15,4 16,3 16,0
Numerieke skills
276 252 291 260
Probleem oplossend vermogen
264 255 291 281
Bijscholing
,63 ,29 ,65 ,38
Scholing
In tabel 4 zijn de gemiddelde scores op scholing, bijscholing en vaardigheden weergegeven voor werkloze en niet werkloze werknemers van verschillende leeftijdsgroepen. Te zien is dat mensen met een baan overal gemiddeld hoger op scoren dan mensen zonder baan. Het verschil in ICT skills tussen de werkenden en werklozen is het laagst. Voor zowel oudere als jongere werknemers geld dat de invloed van ICT skills in eerste instantie niet heel sterk is voor het behouden van een baan.
Voor numerieke skills en probleemoplossend vermogen zit is er wel een duidelijk verschil tussen werklozen en werkenden. Oudere mensen met een baan scoren op numerieke skills meer dan 20 punten hoger dan mensen zonder baan. Het lijkt er dus op dat mensen met meer numerieke skills minder kans maken om werkloos te zijn. Voor probleem oplossend vermogen is het verschil bijna 10 punten en daarvoor geldt dan ook dat deze vaardigheid wellicht kan bijdrage aan het hebben van een baan.
Voor scholing en bijscholing wordt ook een verschil gevonden tussen werkenden en niet werkenden. Mensen met een baan hebben gemiddeld een hogere opleiding dan mensen zonder baan. Deze cijfers lijken overeen te komen met de huidige stand van zaken in Nederland. Volgens het centraal bureau voor de statistiek waren in 2012 9,4% van de lager opgeleide Nederlanders werkloos, onder de hoger opgeleiden waren dit er 4,4% (CBS 2014). Voor bijscholing is hier een nog duidelijke verschil waar te nemen. Mensen met een baan doen vaker aan bijscholing dan mensen zonder baan.
4.2 Resultaten
In tabel 5.1 is in model 1 de uitkomst van een regressie analyse over de kans voor oudere werknemers om werkloos te worden weergegeven. In dit model zijn enkele controle variabelen meegenomen, waaronder leeftijd, sector, geslacht en opleiding (lees scholing). Ook zijn de landen variabelen mee genomen. Hierin is Nederland het controle land. Alleen voor Noorwegen werd een significant effect gevonden; voor Noorse werknemers geldt dat zij bijna 57% minder kans hebben om werkloos te zijn. Voor geslacht en leeftijd werden geen significante effecten gevonden. Deze variabelen lijken niet van invloed te zijn op de kans om werkloos te zijn.
Tabel 5.1 (Model 1 t/m 3): het effect van skills op de kans om werkloos te worden. Model 1 (N=3709) Model 2 (N=3709) Model 3 (N=3709) B (Odds-Ratio) S.E. B (Odds-Ratio) S.E. B (Odds-Ratio) S.E. Constante -1,422 (,241) 1,724 ,219 (1,244) 1,812 -,693 (,500) 1,863 Geslacht (vrouw) ,177 (1,194) ,169 ,275 (1,316) ,173 ,192 (1,212) ,170 Leeftijd ,000 (1,000) ,028 -,007 (,993) ,029 -,003 (,997) ,032 Opleiding -,145** (,865) ,029 -,105** (,900) ,033 -,132** (,876) ,032 Sector (publiek) ,448** (1,566) ,182 ,485** (1,624) ,183 ,453** (1,573) ,182 Skills Rekenvaardigheid -,007** (,993) ,002 Probleem oplossend -,003 (,997) ,003 ICT Land (Nederland) België -,224 (,799) ,348 -,206 (814) ,349 -,243 (,784) ,349 Denemarken -,223 (,800) ,244 -,176 (,839) ,245 -,232 (,793) ,245 Finland ,240 (1,272) ,260 ,263 (1,300) ,261 ,227 (1,255) ,260 Noorwegen -,864** (,421) ,392 -,886** (,412) ,392 -,884** (,413) ,392 Zweden -,113 (,893) ,274 -,004 (0,996) ,277 -,100 (,905) ,274 Nagelkerke Pseudo R2 ,052 ,059 ,052 * significant (0.05<p<0.1) ** significant (p<0.05)
Voor de sector waarin iemand werkzaam is, is er wel een sterk effect waarneembaar. Werknemers die in de private sector werken hebben volgens dit model 56% meer kans om werkloos te zijn dan werknemers die werkzaam zijn in de publieke sector. Dit resultaat is op zich niet opvallend als bedacht wordt dat de baanzekerheid in de publieke sector over het algemeen groter is dan in de private sector. De private sector kent, zeker bij economisch slechte tijden, een veel hoger percentage faillissementen wat resulteert in meer gedwongen ontslagen. In het vorige hoofdstuk werd in tabel 4 al getoond dat een veel hoger percentage van de werklozen in de private sector zit. Dit geldt voor alle landen die zijn mee genomen in de analyse. Of iemand werkt in de private dan wel publieke sector kan dus bepalend zijn voor
werkzekerheid. Onderzoek naar baanzekerheid en loonverschillen tussen de private en publieke sector onderschrijven dit. Zij indiceren dat er een hoger risico op baanverlies verbonden zit aan de private sector (Pfeifer 2010).
Uit model 1 van tabel 5.1 is af te lezen dat voor opleiding er een negatief significant verband lijkt te zijn voor opleiding en werkloosheid. Uit de gegevens valt op te maken dat per jaar dat een oudere werknemer een opleiding heeft genoten de kans op werkloosheid met 13,5% verkleind wordt. Er lijkt dus een positief verband te bestaan tussen opleiding en de kans om niet een baan te verliezen. Deze resultaten zijn in figuur 1 schematisch weergeven.
Figuur 1: Kans op werkloosheid voor jaren opleiding.
Te zien is dat respondenten met weinig opleiding (6 a 7 jaar) een kans tussen de 10 en 30% hebben om werkloos te zijn. Waar de respondenten die tussen de 15 en 20 jaar opleiding hebben genoten slechts een kans van 10% hebben om werkloos te zijn, en mensen met 20 jaar opleiding of meer nog maar 5% kans. In tabel 2 was te zien dat onder de groep werkenden het gemiddelde opleidingsniveau hoger lag dan onder de niet-werkenden. De resultaten van de regressie analyse lijken deze bevinding nogmaals te onderschrijven.
De hypothese die gesteld werd, was dat de kans op werkloosheid afneemt naarmate individuen een hoger opleidingsniveau hebben. Deze hypothese lijkt op basis van de eerder getoonde resultaten aangenomen te kunnen worden.
In de scriptie staat de rol van vaardigheden centraal. In het model 2 van tabel 5.1 is allereerst gekeken naar het effect van numerieke skills op de kans om werkloos te zijn. In het model valt af te lezen dat er sprake is van een negatief significant verband tussen de variabelen numerieke skills en kans op werkloosheid. Wat meteen opvalt, is dat het effect voor opleiding kleiner wordt nadat de variabele numerieke skills is meegenomen in het model. Dit valt waarschijnlijk te verklaren uit het feit dat respondenten die hoog scoren op numerieke skills ook een hoger opleidingsniveau hebben.
De hypothese luide dat de kans op werkloosheid kleiner wordt naarmate de respondent over meer numerieke skills beschikt. Deze hypothese lijkt op het eerste gezicht aangenomen te kunnen worden. Uit de resultaten blijkt dat elke punt die de respondent hoger scoort op numerieke skills de kans op werkloosheid met 0,7% afneemt. Dit lijkt weinig maar de schaal loopt van 1 tot 500. In figuur 2 zijn de resultaten schematisch weergegeven.
Figuur 2: kans op werkloosheid voor numerieke skills.
In de grafiek is de score voor numerieke skills afgezet tegen de kans op werkloosheid. De punten in de grafiek representeren respondenten die op de andere variabelen allemaal een unieke score hebben. Het verschil in de kans op werkloosheid valt dus enkel te verklaren uit de score op numerieke skills.
Uit de grafiek komt naar voren dat de kans op werkloosheid sterk afneemt naarmate de score op numerieke skills hoger wordt. Te zien is dat respondenten met een score tussen de 100 en 150 een kans tot 30% op werkloosheid scoren. Respondenten met een score op numerieke skills die tussen de 350 en 400 ligt hebben slechts een kans tot 7% op werkloosheid.
De lijn representeert de kans op werkloosheid afgezet tegen numerieke skills, maar in tegenstelling tot de puntenwolk hebben de respondenten voor alle andere variabelen de gemiddelde waarde gekregen. Indien een respondent gemiddeld scoort op elke variabele naast numerieke skills, blijft er nog steeds een negatief verband bestaan tussen numerieke skills en kans op werkloosheid. Te zien is ook dat het verschil tussen de maximale en minimale score op skills een verschil geeft van 10% op de kans om werkloos te zijn.
De hypothese luidde dat respondenten met een hogere numerieke score minder kans op werkloosheid hebben. De resultaten lijken deze aanname te bevestigen.
In tabel 4 werd getoond dat de groep werkloze ouderen gemiddeld lager scoort dan de werkende ouderen. Het verband tussen numerieke skills en werkloosheid dat daar getoond werd lijkt te kloppen.
In tabel 5.1 is in model 3 gekeken naar de invloed van probleem oplossend vermogen op de kans op werkloosheid. De resultaten voor deze toets laten een negatief verband zien tussen score en kans op werkloosheid. Ze zijn echter niet significant en er kunnen daarom geen uitspraken gedaan worden. Een belangrijke reden hiervoor is dat veel respondenten geen waarde hebben opgegeven voor deze variabele. Dit kan te maken hebben met de manier waarop de data verzameld is. Respondenten hadden de keuze om de toetsen digitaal of op schrift te doen. De variabele probleem oplossend vermogen was enkel digitaal uit te voeren. Zeker voor de groep ouderen geld dat zij vaker de toetsen schriftelijk hebben gedaan en dat daardoor voor een deel van deze groep de resultaten voor probleem oplossend vermogen ontbreken.
In tabel 5.2 is in model 4 dezelfde toets gedaan voor ICT skills. Hier valt op dat het effect voor opleiding sterker is geworden.
Tabel 5.2 (Model 4 en 5): het effect van skills op de kans om werkloos te worden. Model 4 (N=3709) Model 5 (N=3709) B (Odds-Ratio) S.E. B (Odds-Ratio) S.E. Constante -1,987 (,137) 1,737 -,564 (,569) 1,855 Geslacht (vrouw) ,136 (1,146) ,170 ,276 (1,318) ,175 Leeftijd -,001 (,999) ,028 -,008 (,992) ,029 Opleiding -,165** (,848) ,030 -,125** (,883) ,033 Sector (publiek) ,466** (1,594) ,181 ,528** (1,696) ,182 Skills Rekenvaardigheid -,012** (,988) ,004 Probleem oplossend ,005 (1,005) ,004 ICT ,055** (1,057) ,022 ,069** (1,071) ,024 Land (Nederland) België -,196 (,822) ,349 -,116 (,891) ,351 Denemarken -,206 (,814) ,245 -,098 (,906) ,248 Finland ,301 (1,351) ,262 ,374 (1,453) ,263 Noorwegen -,792** (,453) ,394 -,784** (,456) ,394 Zweden -,059 (,943) ,275 ,119 (1,126) ,279 Nagelkerke Pseudo R2 ,057 ,070 * significant (0.05<p<0.1) ** significant (p<0.05)
In de theorie werd er vanuit gegaan dat het hebben van ICT skills een negatief effect zou hebben op de kans om werkloos te zijn. Net als voor de andere skills variabele zou dit te verklaren zijn vanuit de menselijk kapitaal theorie. De resultaten lijken dit echter niet te ondersteunen. Uit tabel 4 bleek ook al dat het verschil tussen werkende en werklozen voor ICT skills vrijwel niet aanwezig was.
Uit model 4 valt af te lezen dat het effect voor ICT skills positief correleert met de kans op werkloosheid. Per punt op de ICT schaal is de kans op werkloosheid 5,7% hoger.
Hieruit blijkt dat wat verwacht werd niet uit is gekomen. Een verklaring hiervoor kan liggen in de manier waarop ICT skills gemeten zijn. De respondenten is gevraagd om aan te geven hoeveel tijd zij besteden aan ICT gerelateerde zaken. Het ging hierbij om basisvaardigheden zoals het gebruik van Word, Excel en Internet. Het kan zijn dat juist de respondenten die aangeven veel bezig te zijn met ICT meer vrije tijd hebben en mogelijk dus werkloos zijn en daardoor hoger scoren op ICT skills.
In het laatste model in tabel 5.2 (model 5) zijn alle skills variabelen meegenomen. Zoals eerder ook al te zien was in model 2 is het effect van opleiding weer minder. Een deel van het effect valt weg omdat dit vanuit de skills variabelen verklaard wordt. Het effect voor numerieke skills wordt echter sterker; respondenten hebben per punt op numerieke skills een 1,2 % kleinere kans om werkloos te zijn. Het effect voor ICT skills wordt ook sterker en komt uit op een vergrote kans van 7,1% per punt score op ICT skills. Het effect voor probleem oplossend vermogen is niet significant.
Op basis van deze resultaten lijkt de menselijk kapitaal theorie in ieder geval te kloppen voor opleiding en numerieke skills. Het opvallendste resultaat blijft voor ICT skills.
4.3 Verschil tussen jong en oud.
Naast de toetsing op de verschillende skills variabelen wordt er ook gekeken naar de invloed van een aantal andere factoren op de kans op werkloosheid. Het onderzoek richt zich primair op oudere werknemers. Dit is de doelgroep waarbij het van belang is om in beeld te krijgen welke factoren kunnen bijdragen aan het niet verliezen van een baan. In de volgende paragrafen zal echter wel een vergelijking gemaakt worden tussen jongere en oudere werknemers om het verschil tussen beide groepen bloot te leggen. De resultaten die tot nu toe zijn getoond slaan weliswaar op oudere werknemers, maar dezelfde theorie zou voor jongere werknemers ook kunnen gelden.
In de volgende paragraaf is gekeken naar het effect van bijscholing op de kans om werkloos te worden. De theorie schrijft voor dat bijscholing een negatief effect op werkloosheid heeft. Hoe meer individuen aan bijscholing doen des te kleiner de kans op werkloosheid. In de daarop volgende paragraaf zal dezelfde analyse worden besproken voor jongere werknemers. Tot slot zullen de resultaten met elkaar worden vergeleken.
Tabel 6: het effect van bijscholing, om werkloos te worden voor oudere en jongere werknemers. Oud (N=4810) Jong (N=18259) Totaal (N=22448) B (Odds-Ratio) S.E. B (Odds-Ratio) S.E. B (Odds-Ratio) S.E. Constante -,372 (,689) 1,441 ,763** (2,145) ,253 -,688** (,503) ,193 Geslacht (vrouw) ,148 (1,160) ,140 -,120* (,887) ,073 -,065 (,937) ,065 Leeftijd -0,18 (,982) ,024 ,033** (,967) ,003 Leeftijd (jong) -,082 (,921) ,092 Opleiding -,124** (,883) ,024 -,207** (,813) ,014 -,192** (,825) ,012 Sector (publiek) ,310** (1,363) ,151 ,167** (1,182) ,084 ,230** (1,259) ,074 Bijscholing -,565** (,569) ,154 -,364** (,695) ,076 -,357** (,700) ,076 Bijscholing*Leeftijd -,208 (,812) ,164 Land (Nederland) België ,011 (1,011) ,273 -,181 (,835) ,140 -,154 (,857) ,126 Denemarken -,125 (,883) ,221 ,771** (2,161) ,119 ,578** (1,783) ,106 Finland ,486** (1,626) ,216 ,347** (1,415) ,129 ,407** (1,503) ,112 Noorwegen -,987** (,373) ,367 ,006 (1,006) ,149 -,102 (,903) ,137 Zweden -,021 (,979) ,246 ,287** (1,332) ,134 ,260** (1,296) ,119 Nagelkerke Pseudo R2 ,077 ,088 ,068 * significant (0.05<p<0.1) ** significant (p<0.05)
Onder het kopje oud in tabel 6 staan de uitkomsten van de regressie analyse voor de kans op werkloosheid voor oudere werknemers. Te zien is dat er voor bijscholing een sterk effect is voor de kans op werkloosheid. Iemand die wel aan bijscholing doet heeft 43,1% minder kans op werkloosheid dan een werknemer die niet aan bijscholing doet.
De theorie veronderstelde dat bijscholing een negatief effect op werkloosheid heeft. Op basis van de resultaten uit de logistische regressie lijkt deze aanname te kloppen.
Onder het kopje jong in tabel 6 zijn de resultaten weergegeven voor dezelfde analyse maar dan onder de groep jongere werknemers. Wat direct opvalt, is dat de invloed van bijscholing lager uitvalt dan bij de groep oudere werknemers. Het totale effect is ongeveer 30,5%. Dit betekent dat van de groep jongere werknemers die wel aan bijscholing doet de kans op werkloosheid 30,5% kleiner is dan voor de groep die niet aan bijscholing doet. Er is dus nog steeds sprake van een vrij sterk effect, maar het is wel significant kleiner dan voor oudere werknemers. In figuur 3 is dit verschil schematisch weergegeven.
Figuur 3: het effect van bijscholing op de kans op werkloosheid. Respectievelijk voor oude en jonge
werknemers.
Uit de grafiek valt af te lezen dat jonge werknemers zonder bijscholing meer kans maken op werkloosheid. Als er naar de verschillen tussen het effect van bijscholing wordt gekeken valt meteen op dat dit effect bij oudere werknemers veel groter is dan bij jonge werknemers. Onder het kopje totaal in tabel 6 zijn de twee groepen direct met elkaar vergeleken. Te zien is dat het effect voor bijscholing voor de verschillende leeftijdsgroepen nog steeds blijft staan. Ouderen hebben in vergelijking met jongeren volgens dit model 30% minder kans om werkloos te worden. Uit de tabel blijkt echter ook dat, wanneer er gekeken wordt naar het interactie-effect, dit verschil niet meer aanwezig is. Dit effect is niet significant en daarom kan niet worden aangenomen dat er een verschil in effect van bijscholing is tussen de twee groepen. Het valt niet te concluderen dat het voor oudere werknemers meer loont om aan bijscholing dan voor jongere. Wel kan gesteld worden dat het voor oudere werknemers loont om aan bijscholing te doen.
Oud Jong
Geen bijscholing Wel bijscholing
Hoofdstuk 5: Conclusie
5.1 Conclusie
In deze scriptie werd een antwoord gezocht op de vraag wat zijn de redenen dat ouderen werkloos zijn? Er is onderzoek gedaan naar de factoren die van invloed kunnen zijn op de kans voor oudere werknemers om werkloos te worden. Dit is gedaan aan de hand van de menselijk kapitaal theorie en getoetst door middel van een logistische regressie analyse. In het onderzoek is menselijk kapitaal op verschillende manieren geoperationaliseerd. Er is gekeken naar de rol van scholing, vaardigheden en bijscholing, en hoe deze factoren de kans op werkloosheid beïnvloeden. De scriptie heeft bevindingen gedaan op het gebied van scholing en vaardigheden.
Ten eerste vonden we een sterk effect voor scholing. Uit de resultaten kwam naar voren dat per extra opleidingsjaar mensen 13,5% minder kans maken om werkloos te zijn. Bij controle op vaardigheden is het effect 12,5%, nog steeds vrij sterk. Het blijkt dus dat opleidingsniveau een sterke voorspeller is voor baanbehoud. Hoger opgeleiden maken minder kans om werkloos te zijn, onafhankelijk van hun vaardigheden. Dit cijfer lijkt overeen te komen met de werkloosheidscijfers van de Nederlandse werknemer. Hoger opgeleiden zijn minder vaak werkloos dan lager opgeleiden. De resultaten van deze analyse sluiten hierbij aan.
Ten tweede is er gekeken naar de rol van vaardigheden op werkloosheid. Dit punt stond centraal in deze scriptie. Vaardigheden zijn op drie manieren gemeten, er is gekeken naar numerieke skills, probleem oplossend vermogen en ICT skills.
Voor numerieke skills werd een negatief verband gevonden tussen hoogte van de skills en werkloosheid. Uit de regressie analyse bleek dat ouderen per punt die zij hoger scoren op numerieke skills, 0,7% minder kans maken om werkloos te zijn. Kort gezegd betekent dit dat ouderen die over veel numerieke skills beschikken minder vaak werkloos zijn. Voor ouderen die op de numerieke skills test meer dan 375 punten scoorden, geldt zelfs dat zij minder dan 3% kans hebben om werkloos te zijn. Dit tegenover een kans tot 30% voor ouderen die tussen de 100 en de 150 punten scoren. Voor oudere werknemers die hun baan willen behouden loont het dus om hun numerieke skills op een constant hoog niveau te houden.
Voor probleem oplossend vermogen werd geen significant effect gevonden. Dit resultaat is opvallend. De gemiddelde score voor probleem oplossend vermogen onder ouderen lag voor werkenden hoger dan voor werklozen. Op basis hiervan kon verwacht worden dat probleem oplossend vermogen een goede voorspeller voor werkloosheid zou zijn. Dit vermoeden kon niet worden bevestigd.
Ook is er gekeken naar de rol van ICT skills op de kans om werkloos te zijn. Uit de regressie analyse kwam naar voren dat ICT skills een positief effect hebben op werkloosheid. Voor elke punt die oudere werknemers hoger scoorden op de ICT skill schaal, gold dat zij 5,7% meer kans maakten om werkloos te zijn. Dit terwijl er verwacht werd dat de hoogte van ICT skills zou bijdragen aan het verlagen van de werkloosheidskans.
Ten derde is gekeken naar de rol van bijscholing op de kans om werkloos te zijn. Hierbij is tevens een vergelijking gemaakt tussen jongere en oudere werknemers. Voor beide leeftijdsgroepen gold dat er een negatief verband werd gevonden tussen bijscholing en de kans op werkloosheid. Voor oudere werknemers was dit effect echter groter dan voor jongere werknemers. Een oudere werknemer die aan bijscholing doet heeft 43,1% minder kans om werkloos te zijn. Voor de jongere werknemers was dit effect 30,5%. Op het eerste gezicht lijkt het voor oudere werknemers dus meer te lonen om aan bijscholing te doen dan voor jongere werknemers. Na controle bleek dit niet het geval te zijn. Er kan niet worden aangenomen dat het voor ouderen meer loont om aan bijscholing te doen dan voor jongeren. Desondanks kan wel gesteld worden dat het voor oudere werknemers loont om in bijscholing te investeren.
De eerste deelvraag die beantwoord moest worden was: wat is het effect van scholing bij de kans op werkloosheid voor oudere werknemers? Vanuit de menselijk kapitaal theorie werd verwacht dat scholing een negatief effect op werkloosheid zou hebben. Uit de resultaten bleek dat dit ook zo was. Ouderen met een hoger opleidingsniveau hebben minder kans om werkloos te zijn. Voor oudere werknemers is het dus van belang om een hoog opleidingsniveau te hebben. Het is echter lastig om dit als advies mee te geven. Voor veel ouderen is het geen optie om nog een opleiding te volgen. Het gaat bij de groep ouderen immers om mensen tussen de 55 en 65 jaar. Hun werkzame leven loopt ten einde en het is misschien niet meer de moeite waard om van de 10 resterende jaren nog 2 jaar aan opleiding te besteden. Er zijn ook nog andere factoren die een rol spelen bij de kans op werkloosheid waar wellicht makkelijker in geïnvesteerd kan worden. In het onderzoek is geen onderscheid
gemaakt tussen verschillende vormen van opleiding. Wellicht maakt het uit in welke richting iemand heeft gestudeerd bij de kans om werkloos te worden. Bij vervolg onderzoek zou hier meer aandacht naar uit kunnen gaan.
Naast de rol van opleiding is er getracht een antwoord te vinden op de vraag: wat is het effect van vaardigheden bij de kans op werkloosheid voor oudere werknemers? Uit de analyse kwamen verschillende resultaten naar voren. Op basis van de theorie werd verondersteld dat er een negatief effect voor vaardigheden op werkloosheid zou zijn. Dit bleek niet voor alle vaardigheden te gelden. Probleem oplossend vermogen was geen goede voorspeller voor de kans op werkloosheid, er werd geen significant effect gevonden tussen deze variabelen. Dit had misschien te maken met de manier waarop de data verzameld is. Om iets te kunnen zeggen over de rol van probleem oplossend vermogen zal er gebruik gemaakt moeten worden van rijkere data.
Voor ICT skills werd een positief effect gevonden voor de kans op werkloosheid. Ouderen die veel ICT skills bezitten hebben een grotere kans om werkloos te zijn. Dit terwijl het tegenovergestelde op basis van de theorie werd verwacht. Dit resultaat komt vermoedelijk door de manier waarop de data is verzameld. Er is enkel gekeken naar de hoeveelheid gebruik van ICT. Een verklaring zou dan gevonden kunnen worden in het feit dat werklozen meer tijd over hebben en daardoor vaker gebruik maken van ICT skills. Om de invloed van ICT skills op werkloosheid wel goed te meten zal er gebruik gemaakt moeten worden van data die deze skills absoluut meet aan de hand van tests. De gebruikte data set was hier niet toereikend genoeg voor.
Voor numerieke skills werd wel een negatief effect gevonden bij de kans op werkloosheid. Ouderen die over veel numerieke skills beschikken hebben een kleinere kans om werkloos te zijn. Dit resultaat werd vanuit de theorie ook verwacht en de gestelde hypothese kan daarom bevestigd worden. Voor ouderen is het daarom raadzaam om hun numerieke skills op een constant hoog niveau te houden om de kans op werkloosheid te verkleinen.
Als laatst is er gekeken naar de rol van bijscholing bij de kans op werkloosheid. De derde deelvraag luidde: wat is het effect van bijscholing bij de kans op werkloosheid voor oudere werknemers? Verwacht werd dat er net als voor scholing een negatief effect op werkloosheid zou worden gevonden. Bijscholing zorgt voor vermeerdering van menselijk kapitaal en de
verwachting was dat dit voor meer baanzekerheid zou zorgen. Uit de resultaten kwam naar voren dat er een sterk verband is tussen bijscholing en de kans op werkloosheid. Ouderen die aan bijscholing doen hebben minder kans om werkloos te zijn. Uit de analyse bleek dat dit ook voor jongeren geldt. Tevens kwam hier uit naar voren dat dit effect voor oudere werknemers niet sterker was dan voor jongere werknemers. Hieruit blijk dat het zowel voor ouderen als jongeren loont om aan bijscholing te doen om de kans op werkloosheid te verkleinen. Voor ouderen valt er op dit punt winst te behalen. In tegenstelling tot de vaardigheden en scholing is het voor ouderen makkelijker om in bijscholing te investeren. Het is minder tijdsintensief dan een opleiding en het kan naast de baan gedaan worden.
Als weer gekeken wordt naar de vraag die in deze scriptie gesteld werd: wat zijn de redenen dat ouderen werknemers werkloos zijn?, kunnen we stellen dat vooral het gebrek aan scholing, numerieke vaardigheden en bijscholing invloed hebben op de werkloosheid. Ouderen doen er goed aan om in deze drie zaken te investeren om de kans om werkloos te worden te verkleinen.
Literatuur
Barry T. Hirsch, David A. Macpherson and Melissa A. Hardy (2000) Industrial and Labor Relations Review, Vol. 53, No. 3 pp. 401-418
Becker, G. S. (1962). Investment in human capital: A theoretical analysis. The journal of political economy, 9-49.
De Beer, P. T. (2004). Flexibilisering maakt banengroei fragiel. Economisch Statistische Berichten.Schabracq,
Blöndal, S., Field, S., & Girouard, N. (2002). Investment in human capital through post-compulsory education and training: Selected efficiency and equity aspects (No. 333). OECD Publishing
CBS (2014) Werkloosheid; opleidingsniveau en herkomst. Opgehaald 15 juni, 2014, van http://statline.cbs.nl/StatWeb/publication/?VW=T&DM=SLNL&PA=71738NED&D1=22,26
&D2=0&D3=0&D4=a&D5=31,36,41,46,51,60,65,l&HD=140304-1009&HDR=T,G4&STB=G2,G1,G3
CBS (2014) Beroepsbevolking; geslacht en leeftijd. Opgehaald 16 juni, 2014, van
http://statline.cbs.nl/StatWeb/publication/?DM=SLNL&PA=71738NED&D1=22,26&D2=a& D3=12,l&D4=0&D5=6,11,16,21,26,31,36,41,46,51,60,65,l&HDR=T,G1&STB=G3,G2,G4& VW=T
Euwals, R. & Ter Weel, B. (2013) Ouderen moeilijk weer aan de slag. CPB Bijzondere publicaties, 80
Euwals, R., Boeters, S., Bosch, N., & Deelen, A. (2013) Arbeidsmarkt Ouderen en Duurzame Inzetbaarheid. CPB Achtergronddocument bij de CPB Policy Brief 2013/02
Heywood, J. S., Ho, L. S., & Wei, X. (1998). Determinants of Hiring Older Workers: Evidence from Hong Kong, The. Indus. & Lab. Rel. Rev., 52, 444.
De Koning, J., Gravesteijn-Ligthelm, J. H., Gelderblom, A., & Boom, L. (2003). Meer vrouwen en ouderen aan het werk: wat zijn de randvoorwaarden voor werkgevers?.
McIntosh, S., & Vignoles, A. (2001). Measuring and assessing the impact of basic skills on labour market outcomes. Oxford Economic Papers, 53(3), 453-481.
Organisation for Economic Co-operation and Development,. (2013). The survey of adult skills: Reader's companion
Pfeifer, C. (2011). Risk aversion and sorting into public sector employment. German Economic Review, 12(1), 85-99.
PIAAC - OECD. (n.d.). Opgehaald 24 mei, 2014, van
http://www.oecd.org/site/piaac/mainelementsofthesurveyofadultskills.htm
Schabracq, M., & Schalk, R. (2006). Ouderen, arbeid en gezondheid. In De psychologie van arbeid en gezondheid (pp. 423-433). Bohn Stafleu van Loghum.
Sieben, I., & Linssen, L. (2009). Logistische regressie analyse: een handleiding. Unpublished paper. Retrieved from http://www. ru. nl/ socialewetenschappen
/rtog/naslagwerk/onderdelen/logistische.
Spengler, J. J. (1977). Adam Smith on human capital. The American Economic Review, 32-36.
